刘红皓1. 项目背景与数据集价值
这个石棉表面缺陷检测数据集是工业质检领域的一个实用资源包，包含了1314张标注好的石棉材料表面图像，覆盖4种常见缺陷类型。采用VOC+YOLO双格式标注，既兼容传统目标检测框架，又能直接用于YOLO系列模型的训练。
在建材生产线上，石棉制品的表面缺陷检测一直是个痛点。传统人工质检效率低（每小时最多检测200-300件），且漏检率高达15%-20%。我们团队在广东某建材厂实地调研时发现，他们每月因缺陷漏检导致的客户投诉就有3-5起。这个数据集正是为了解决这类实际问题而构建的。
注：数据集中的缺陷类别是根据产线废品统计确定的，包含裂纹（Crack）、气泡（Bubble）、杂质（Impurity）和划痕（Scratch）四类，覆盖了该厂85%以上的质量问题
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集构建全流程
2.1 数据采集规范
我们使用2000万像素的工业相机，在产线末端拍摄了原始素材。采集时特别注意了以下几点：
- 光照控制：采用环形LED光源，亮度保持在1500-2000lux
- 拍摄角度：相机与传送带呈45°夹角，距离30cm
- 背景处理：使用哑光黑色背板减少反光干扰
- 样本分布：正常品与缺陷品按3:7比例采集，确保模型能学到足够多的正样本
2.2 标注标准制定
标注前我们与工厂质检组长共同制定了详细的标注规范：
- 裂纹：长度≥2mm且宽度≥0.1mm的线性缺陷
- 气泡：直径≥1mm的圆形凸起
- 杂质：与基材色差≥30%的异色区域
- 划痕：宽度≥0.5mm的条状痕迹
每个缺陷的标注框必须完全包含异常区域，边缘保留1-2像素缓冲。对于模糊不清的缺陷，需经3名标注员投票确认。
2.3 标注工具实操
使用labelImg进行标注时，我们总结出几个效率技巧：
bash复制# 快捷键配置（在predefined_classes.txt中添加）
w - 创建标注框
d - 下一张
a - 上一张
Ctrl+s - 快速保存
标注过程中发现约5%的图像存在对焦模糊问题，这类样本我们进行了二次拍摄替换。最终完成的标注文件包含：
- VOC格式：1314个XML文件
- YOLO格式：1314个txt文件（归一化坐标）
- 类别分布统计：
- 裂纹：412处
- 气泡：387处