泡罩药板缺陷检测数据集构建与应用指南

1. 数据集概览与核心价值

这个2375张图片规模的泡罩药板缺陷检测数据集，是我在医药包装质检领域实践过程中整理的高质量标注资源。数据集覆盖了制药行业中最常见的四种泡罩包装缺陷：药片裂开(liekai)、面板污损(mianban)、泡罩破损(posun)和药片缺失(queshi)。作为工业视觉检测项目的关键基础资源，它的核心价值体现在三个方面：

首先，数据集采用720×720的统一分辨率，确保了图像质量的一致性。其中约850张为原始采集图像，其余通过旋转、亮度调整等增强手段生成，既保留了真实场景的多样性，又通过数据增强缓解了样本不足的问题。这种处理方式特别适合工业场景下正样本稀缺的情况。

其次，标注工作采用专业工具labelImg完成，同时提供Pascal VOC和YOLO两种格式的标注文件。VOC格式的XML文件包含完整的物体位置和类别信息，而YOLO格式的txt文件则采用归一化坐标，方便直接用于主流目标检测框架的训练。值得注意的是，标注过程中对每个缺陷都严格采用矩形框标注，包括：

• 药片裂开（边缘裂纹、中心断裂等）
• 面板污损（划痕、污渍、印刷缺陷）
• 泡罩破损（穿孔、撕裂、密封不良）
• 药片缺失（空泡罩、半脱落状态）

最后，数据集的类别分布反映了实际产线中的缺陷出现频率。从统计来看：

• 裂开缺陷出现频率最高（1052张含该缺陷）
• 面板污损几乎每张图片都有（1176张）
• 破损和缺失相对较少但分布均匀

这种分布特点使得该数据集特别适合研究类别不平衡情况下的检测算法表现。

2. 数据结构与标注详解

2.1 文件组织规范

数据集采用标准的Pascal VOC目录结构，同时兼容YOLO训练需求。解压后的目录树应如下所示：

code复制dataset_root/
├── Annotations/       # VOC格式XML标注文件
├── JPEGImages/        # 原始图像文件
├── labels/            # YOLO格式txt标注文件
│   └── classes.txt    # 类别定义文件
└── ImageSets/         # 空目录（需用户自行划分数据集）

关键文件说明：

• classes.txt 定义了YOLO格式的类别索引顺序，这个顺序可能与VOC格式的类别名称顺序不同，训练时必须特别注意
• 每个图像文件（如001.jpg）都对应：
  • 一个VOC标注文件（Annotations/001.xml）
  • 一个YOLO标注文件（labels/001.txt）

2.2 标注质量验证

为确保标注一致性，建议使用以下Python代码进行基础验证：

python复制import xml.etree.ElementTree as ET
import os

def validate_annotation(img_dir, ann_dir):
    for img_file in os.listdir(img_dir):
        base_name = os.path.splitext(img_file)[0]
        xml_path = os.path.join(ann_dir, f"{base_name}.xml")
        
        if not os.path.exists(xml_path):
            print(f"Missing annotation for {img_file}")
            con