2、表面缺陷檢測資料集
關于表面缺陷檢測的文章，主要檢測對象是:金屬表面、液晶屏、建築、輸電線路等缺陷或異常檢測對象。方法主要有分類方法、檢測方法、重建方法和生成方法。論文的電子版本(PDF)放在“paper”檔案夾中與日期對應的檔案下。
https://github.com/Charmve/Surface-Defect-Detection/tree/master/PapersCNN for Classfication
Image pyramid hierarchy idea and convolutional denoising autoencoder network to detect texture defects
Cascade autoencoder (CASAE) structure is used for segmentation and positioning of abnormal metal surface
Faster R-CNN for Defect Detection in Civil Engineering
Active learning for defect classification
An experiment of CNN: LCD screen anomaly detection
Deep learning & Transfer Learning
Segmentation Network for Magnetic Tile Defect Detection
Classic PHOTO Algorithm
Classic DCT Algorithm
An unsupervised scanning electron microscope image (SEM) detection method for nanofiber materials
Faster R-CNN Concrete Crack Detection
Multi-scale Convolutional Denoising Autoencoder Network Model
Weibull
Neuro-Evolution
GAN for Defect Detection
GAN for Anomaly Detection
GAN for Defect Classfication
YOLO for Defect Classfication
Semi-supervised Method for Anomaly Detection
Use semantic segmentation methods for detection under small samples
SDD-CNN for Defect Detection
FCN for Defect Detection
Fabric Defect Detection
1、NEU表面缺陷資料庫
資料集下載下傳：
http://faculty.neu.edu.cn/yunhyan/NEU_surface_defect_database.html
在東北大學(NEU)表面缺陷資料庫中，收集了熱軋帶鋼6種典型的表面缺陷，即卷縮皮(RS)、斑塊(Pa)、裂紋(Cr)、點蝕面(PS)、夾雜物(In)和劃痕(Sc)。該資料庫包括1800張灰階圖像:6種不同類型的典型表面缺陷各300個樣本。
圖1為六種典型表面缺陷的樣本圖像，每幅圖像的原始分辨率為200×200像素。從圖1中我們可以清楚地觀察到類内缺陷在外觀上存在較大差異，例如，劃痕(最後一列)可能是水準劃痕、垂直劃痕、傾斜劃痕等。同時，類間缺陷也具有相似的特征，如:滾入鱗片、裂紋和點蝕表面。此外，由于光照和材料變化的影響，類内缺陷圖像的灰階值也會發生變化。總之，NEU表面缺陷資料庫包含兩大難題，即類内缺陷外觀差異較大，類間缺陷方面相似，缺陷圖像受光照和材料變化的影響。
2、在電激發光;圖像中缺陷太陽能電池的視覺識别基準
https://github.com/zae-bayern/elpv-dataset
提供了從高分辨率光電元件的電緻發光圖像中提取的太陽能電池圖像資料集。
該資料集包含2,624個樣本，樣本為300×300像素的8位灰階圖像，包含44個不同退化程度的功能性和缺陷太陽能電池。注釋圖像中的缺陷可以是内在缺陷，也可以是外在缺陷，已知它們會降低太陽能元件的功率效率。所有的圖像都在大小和透視方面進行了規範化。此外，在提取太陽能電池之前，用于捕獲EL圖像的相機鏡頭所引起的任何畸變都被消除了。
3、Kolektor表面缺陷資料集
https://www.vicos.si/Downloads/KolektorSDD https://box.vicos.si/skokec/gostop/KolektorSDD.zip 該資料集是由Kolektor Group d.o.o.提供和注釋的缺陷電氣換向器圖像建構的。具體地說，在電子換向器中嵌入的塑膠表面觀察到微觀碎片或裂紋。每個換向器的表面積在8張不重疊的圖像中被捕獲。這些圖像是在受控環境下拍攝的。資料集包括:
50件實物(有缺陷的電氣換向器)
每件8面
共399張圖檔:
52張可見缺陷圖像
347張圖檔，無任何缺陷
原圖尺寸:
寬度:500像素
高度:從1240到1270像素
對于訓練和評估圖像，應該調整到512 x 1408像素
對于每個項目，缺陷隻在至少一幅圖像中可見，而兩幅圖像上有兩個項目的缺陷，這意味着有52幅圖像的缺陷可見。剩下的347張圖檔作為表面無缺陷的反面例子。
4、DeepPCB資料集
https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB DeepPCB:一個資料集包含1500對圖像，每個圖像由一個無缺陷的模闆圖像和一個對齊的測試圖像組成，其中注釋包括6種最常見的PCB缺陷的位置： open, short, mousebite, spur, pin hole and spurious copper。
5、天池競賽—布匹疵點資料集
https://tianchi.aliyun.com/markets/tianchi/guangdong2019?spm=a2c41.13245196.0.0連結:
https://pan.baidu.com/s/12kfZxdDjiA0qMwkoLIGtog提取碼: mb92
布匹疵點檢驗是紡織行業生産和品質管理的重要環節，人工智能和計算機視覺技術應用于紡織行業，其價值無疑是巨大的。本賽場聚焦布匹疵點智能檢測，要求選手研究開發高效可靠的計算機視覺算法，提升布匹疵點檢驗的準确度，降低對大量人工的依賴，提升布樣疵點質檢的效果和效率。初賽階段考察素色布瑕疵檢測和分類能力，複賽階段考察花色布的瑕疵檢測和分類能力。資料描述 深入佛山南海紡織工廠中的房間現場采集布匹圖像，制作并釋出大規模的高品質布匹疵點資料集，同時提供精細的标注來滿足算法要求。其中，素色布資料約8000張，花色布資料約12000張。