表面缺陷检测：数据集与论文 ^📌

📈 不断总结表面缺陷研究领域中具有重要意义的开源数据集和关键论文。 自2017年以来的重要关键论文已被收集并整理，可在 :open_file_folder: [Papers] 文件夹中查看。 🐋

数据集下载： Google Drive | 百度云盘 o7p5

引言

目前，基于机器视觉的表面缺陷检测设备已广泛取代人工目视检查，应用于多个工业领域，包括3C、汽车、家电、机械制造、半导体与电子、化工、制药、航空航天、轻工等行业。传统的基于机器视觉的表面缺陷检测方法通常采用常规图像处理算法或人工设计特征结合分类器。一般来说，成像方案会根据被检表面或缺陷的不同特性来设计，合理的成像方案有助于获得光照均匀且能清晰反映物体表面缺陷的图像。近年来，许多基于深度学习的缺陷检测方法也在各类工业场景中得到广泛应用。

相较于计算机视觉中的清晰分类、检测和分割任务，表面缺陷检测的需求则更为通用。实际上，其需求可分为三个不同层次：“是什么缺陷”（分类）、“在哪里缺陷”（定位）以及“有多少缺陷”（计数）。

目录

• 引言
• 关键问题
  • 小样本问题
  • 实时性问题
• 常用数据集
  • 钢铁表面：NEU-CLS
  • Kaggle - Severstal：钢铁缺陷检测
  • 太阳能电池板：elpv-dataset
  • 金属表面：KolektorSDD
  • PCB 检查：DeepPCB
  • 织物缺陷数据集：AITEX
  • 织物缺陷数据集（天池）
  • 铝型材表面缺陷数据集（天池）
  • 面向工业光学检测的弱监督学习（DAGM 2007）
  • 建筑表面裂缝
  • 磁性瓷砖数据集
  • RSDDs：铁路表面缺陷数据集
  • Kylberg 纹理数据集 v.1.0
  • 重复背景纹理数据集：KTH-TIPS
  • 自动扶梯踏板缺陷数据集
  • 输电线路绝缘子数据集
  • MVTEC ITODD
  • BSData
  • GID：齿轮检测数据集
  • AeBAD 飞机发动机叶片异常检测
  • BeanTech 异常检测（BTAD）
• 更多资源
• 论文
• 致谢
• 下载
• 通知
• 社区

1. 表面缺陷检测中的关键问题

1）小样本问题

当前深度学习方法已被广泛应用于各类计算机视觉任务中，而表面缺陷检测通常被视为其在工业领域的具体应用之一。按照传统认知，深度学习方法难以直接应用于表面缺陷检测的原因在于，在真实的工业环境中，可用于训练的缺陷样本数量极其有限。

与ImageNet数据集中超过1400万张样本数据相比，表面缺陷检测所面临的核心问题正是小样本问题。在许多实际工业场景中，甚至只有寥寥几张或几十张缺陷图像。事实上，针对这一工业表面缺陷检测中的关键问题，目前主要有四种解决方案：

- 数据增强与生成

最常用的缺陷图像扩充方法是在原始缺陷样本上应用多种图像处理操作，如镜像、旋转、平移、扭曲、滤波和对比度调整等，从而生成更多样本。另一种更为常见的方法是数据合成，即将单个缺陷特征融合并叠加到正常（无缺陷）样本上，以形成带有缺陷的样本。

- 网络预训练与迁移学习

一般来说，使用少量样本训练深度学习网络容易导致过拟合,因此基于网络预训练或迁移学习的方法是目前处理小样本问题时最常用的方式之一。

- 合理的网络结构设计

通过设计合理的网络结构，也可以大幅降低对样本的需求。例如，基于压缩采样定理对小样本数据进行压缩与扩展，并利用卷积神经网络直接对压缩后的采样特征进行分类。相较于原始图像输入，压缩输入能够显著减少网络对样本的需求。此外，基于孪生网络的表面缺陷检测方法也可视为一种特殊的网络设计，同样能大幅降低对样本的需求。

- 无监督或半监督方法

在无监督模型中，仅使用正常样本进行训练，因此无需缺陷样本。而半监督方法则可以在仅有少量标注样本的情况下，利用未标注样本解决网络训练问题。

👆 返回目录 -->

2）实时性问题

基于深度学习的缺陷检测方法在工业应用中主要包括三个环节：数据标注、模型训练和模型推理。而在实际工业应用中，实时性主要关注的是模型推理阶段。目前，大多数缺陷检测方法更注重分类或识别的准确性，而对模型推理效率的关注相对较少。加速模型运行的方法有很多，例如模型量化和剪枝等。此外，尽管现有的深度学习模型普遍采用GPU作为通用计算单元（GPGPU），但随着技术的发展，FPGA被认为将成为一个极具吸引力的替代方案。

👆 返回目录 -->

2. 工业表面缺陷检测常用数据集

1）钢铁表面：NEU-CLS

NEU-CLS可用于分类和定位任务。

• :x: 官方链接：http://faculty.neu.edu.cn/yunhyan/NEU_surface_defect_database.html

最新访问 🔗 - (#16)

由东北大学（NEU）发布的表面缺陷数据集收录了热轧钢带的六种典型表面缺陷，分别为氧化铁皮（RS）、斑块（Pa）、裂纹（Cr）、麻点表面（PS）、夹杂物（In）和划痕（Sc）。该数据集包含1,800张灰度图像，每种典型的表面缺陷各有300个样本。对于缺陷检测任务，数据集提供了标注信息，标明了每张图像中缺陷的类别和位置。对于每种缺陷，黄色框表示其边界位置，绿色标签则为类别得分。

Kaggle - Severstal：钢铁缺陷检测

Severstal公司在高效钢铁开采和生产方面处于领先地位。他们认为，冶金行业的未来需要在经济、生态和社会等多个层面同步发展，并且高度重视企业社会责任。该公司最近建立了国内最大的工业数据湖，存储了此前被废弃的数PB级数据。如今，Severstal正借助机器学习技术来提升自动化水平、提高生产效率并确保产品质量。

https://www.kaggle.com/c/severstal-steel-defect-detection

👆 返回目录 -->

2）太阳能电池板：elpv-dataset

从太阳能组件的EL图像中提取的功能性和缺陷性太阳能电池数据集。

• 🔗 链接：https://github.com/zae-bayern/elpv-dataset

该数据集包含2,624个样本，均为300×300像素、8位灰度图像，涵盖了来自44个不同太阳能组件的功能性和不同程度退化的缺陷性太阳能电池。标注中的缺陷分为内在型和外在型两类，已知会降低太阳能组件的发电效率。

所有图像均经过尺寸和视角的归一化处理。此外，在提取太阳能电池之前，还去除了拍摄EL图像时相机镜头造成的任何畸变。

👆 返回目录 -->

3）金属表面：KolektorSDD

该数据集由Kolektor集团提供并标注的有缺陷电枢换向器图像构成。具体而言，在电枢换向器的塑料封装表面观察到了微观裂纹或裂缝。每个换向器的表面被分割成八张不重叠的图像进行拍摄，所有图像均在受控环境中采集。

• 官方链接：https://www.vicos.si/Downloads/KolektorSDD

• 下载链接：https://pan.baidu.com/share/init?surl=HSzHC1ltHvt1hSJh_IY4Jg（提取码：``1zlb``）

• 实现代码：https://github.com/skokec/segdec-net-jim2019

数据集包含：

• 50个实物样本（有缺陷的电枢换向器）
• 每个样本8个表面
• 共计399张图像：
  -- 52张可见缺陷的图像
  -- 347张无缺陷的图像
• 原始图像尺寸：
  -- 宽度：500像素
  -- 高度：1240至1270像素
• 用于训练和评估的图像应调整为512×1408像素。

对于每个样本，缺陷仅在至少一张图像中可见；其中两个样本在两张图像上有缺陷，因此共有52张图像显示了缺陷。其余347张图像则作为无缺陷的负例。

👆 返回目录 -->

4）PCB检测：DeepPCB

• 🔗 下载链接：https://github.com/Charmve/Surface-Defect-Detection/tree/master/DeepPCB

图1. PCB检测数据集。

👆 返回目录 -->

5）织物缺陷数据集：AITEX

• 🔗 下载链接：https://pan.baidu.com/s/1cfC4Ll5QlnwN5RTuSZ6b7w（提取码：``b9uy``）

该数据集包含245张4096×256像素的图像，涵盖了七种不同的织物结构。数据集中有140张无缺陷图像，每种织物各20张。此外，还有105张不同类型的织物缺陷图像（共12种），这些缺陷是纺织行业中常见的类型。图像的高分辨率允许用户使用不同的窗口大小，从而增加样本数量。在线数据集还包含了所有缺陷图像的分割掩膜，其中白色像素表示缺陷区域，其余部分为黑色。

👆 返回目录 -->

6）织物缺陷数据集（天池）

• 🔗 下载链接：https://pan.baidu.com/s/1LMbujxvr5iB3SwjFGYHspA（提取码：``gat2``）

在实际的布料生产过程中，由于各种因素的影响，会出现污渍、破洞、毛絮等缺陷。为了保证产品质量，必须对布料进行缺陷检测。

织物缺陷检测是纺织工业生产和质量管理中的重要环节。目前，人工检测容易受到主观因素影响且一致性较差，长时间在强光下工作的检测人员视力也会受到很大影响。由于织物缺陷种类繁多、形态变化复杂，且难以观察和识别，因此织物缺陷的智能检测一直是困扰该行业的技术瓶颈多年的问题。

本数据集涵盖了纺织行业中各类重要的织物缺陷，每张图片都包含一个或多个缺陷。数据包括两种类型的平纹布和花式布。其中，约8000张平纹布数据用于初赛匹配，约12000张花式布数据用于半决赛。

👆 返回目录 -->

7）铝型材表面缺陷数据集（天池）

• 🔗 下载链接：https://tianchi.aliyun.com/competition/entrance/231682/information

在铝型材的实际生产过程中，由于多种因素的影响，其表面会出现裂纹、剥落、划痕等缺陷，这将严重影响铝型材的质量。为确保产品质量，需要进行人工目视检查。然而，铝型材表面本身存在纹理，这些纹理与缺陷往往难以区分。

传统的手工目视检查方法存在诸多不足，不仅工作量大、无法及时准确判断表面缺陷，而且质量检测效率也难以控制。近年来，深度学习在图像识别等领域取得了快速发展。铝型材生产企业迫切希望利用最新的AI技术来革新现有的质量检测流程，自动完成质检任务，减少漏检现象，从而提高产品质量。借助AI技术，尤其是深度学习，铝型材生产管理者可以彻底摆脱对产品表面质量状况无法全面掌握的困境。

本次竞赛的数据集中包含了1万张来自实际生产中存在缺陷的铝型材监控图像，每张图像都包含一个或多个缺陷。用于机器学习的样本图像将明确标注图像中所含缺陷的类型。

👆 返回目录 -->

8）面向工业光学检测的弱监督学习（DAGM 2007）

• 🔗 下载链接：https://hci.iwr.uni-heidelberg.de/node/3616

数据集介绍：

• 主要针对具有纹理背景上的各类缺陷。

• 训练数据采用较弱的监督方式。

• 包含十个数据集，前六个为训练数据集，后四个为测试数据集。

• 每个数据集包含1000张“无缺陷”图像和150张“缺陷”图像，以灰度8位PNG格式保存。每个数据集由不同的纹理模型和缺陷模型生成。

• “无缺陷”图像的背景纹理中没有任何缺陷，“缺陷”图像的背景纹理中恰好有一个标记的缺陷。

• 所有数据集已被随机划分为大小相等的训练和测试子数据集。

• 弱标签用椭圆表示，大致指示缺陷区域。

👆 返回目录 -->

9）建筑表面裂缝

CrackForest数据集是一个标注好的道路裂缝图像数据库，能够反映城市道路表面的整体状况。

• Github链接：https://github.com/cuilimeng/CrackForest-dataset

• 下载链接：https://pan.baidu.com/s/1108j5QbDr7T3XQvDxAzVpg（提取码：``jajn``）

图2. 桥梁裂缝（左）和路面裂缝。

• 桥梁裂缝。共有2688张未提供像素级真实标签的桥梁裂缝图像。作者为“Liangfu Li, Weifei Ma, Li Li, Xiaoxiao Gao”。文件可通过访问 https://github.com/Charmve/Surface-Defect-Detection/tree/master/Bridge_Crack_Image 获取。

• 路面裂缝。作者为Shi Yong、Cui Limeng、Qi Zhiquan、Meng Fan和Chen Zhensong。原始数据集可在 https://github.com/Charmve/Surface-Defect-Detection/tree/master/CrackForest 找到。我们从中提取了具有像素级真实标签的图像文件。

👆 返回目录 -->

10）磁性瓷砖数据集

磁性瓷砖数据集由github用户abin24提供，可从 https://github.com/Charmve/Surface-Defect-Detection/tree/master/Magnetic-Tile-Defect 下载。该数据集曾用于其论文《磁性瓷砖表面缺陷显著性》，论文可通过 这里 或 这里 查阅。

图3. 我们数据集的概览。

这也是论文《磁性瓷砖表面缺陷显著性》所使用的数据集。收集了6种常见的磁性瓷砖缺陷图像，并为其标注了像素级真实标签。

👆 返回目录 -->

11）RSDDs：轨道表面缺陷数据集

RSDDs数据集包含两类数据集：第一类是I型RSDDs数据集，拍摄于快速车道，包含67张具有挑战性的图像；第二类是II型RSDDs数据集，拍摄于普通/重载运输轨道，包含128张具有挑战性的图像。

这两类数据集中的每一张图像都至少包含一个缺陷，且背景复杂、噪声较多。

RSDDs数据集中这些缺陷均由轨道表面检测领域的专业人工观察者标记。

• 官方链接：http://icn.bjtu.edu.cn/Visint/resources/RSDDs.aspx

• 下载链接：https://pan.baidu.com/share/init?surl=svsnqL0r1kasVDNjppkEwg（提取码：``nanr``）

👆 返回目录 -->

12）Kylberg纹理数据集 v.1.0

图4. 来自28个纹理类别的示例补丁。

简要说明：

• 共28个纹理类别，见图4。
• 每个类别包含160个独特的纹理补丁。（另一种数据集版本对每个原始补丁进行12次旋转，即每个类别有160×12=1920个纹理补丁）。
• 纹理补丁尺寸：576×576像素。
• 文件格式：无损压缩的8位PNG。
• 所有补丁均经过归一化处理，平均值为127，标准差为40。
• 每个纹理类别对应一个目录。
• 文件命名格式如下：“blanket1-d-p011-r180.png”，其中“blanket1”为类别名称，“d”为原始图像样本编号（可能值为a、b、c或d），“p011”为第11个补丁，“r180”表示补丁旋转了180度。

🔗 官方链接：http://www.cb.uu.se/~gustaf/texture/

👆 返回目录 -->

13）KTH-TIPS数据库

重复背景纹理的数据集，示例如下：

• 官方链接：https://www.nada.kth.se/cvap/databases/kth-tips/download.html

• 下载链接：

  • 数据集1：https://pan.baidu.com/s/173h8V66yRmtVo5rc2P7J4A

  • 数据集2：https://pan.baidu.com/s/1dXFKn6v2PV5QS9m8gWlifA

👆 返回目录 -->

14）自动扶梯踏板缺陷数据集

🔗 官方链接：https://aistudio.baidu.com/aistudio/datasetdetail/44820

👆 返回目录 -->

15）输电线路绝缘子数据集

该数据集中，“Normal_Insulators”包含600张无人机拍摄的正常绝缘子图像。“Defective_Insulators”则包含缺陷绝缘子，共计248张缺陷图像。数据集包括数据和标签。

🔗 官方链接：https://github.com/InsulatorData/InsulatorDataSet

👆 返回目录 -->

16）MVTEC ITODD

MVTec 工业 3D 物体检测数据集 (MVTec ITODD) 是一个公开数据集，用于 3D 物体检测和位姿估计，特别针对工业场景和应用。

该数据集包含：

• 28 种物体和 3500 个带有这些物体实例标注的场景
• 五个传感器（两个 3D 传感器和三个灰度相机）对每个场景进行观测

更多信息请参阅此 PDF 文件 🔍。

🔗 下载链接 https://www.mvtec.com/company/research/datasets/mvtec-itodd

👆 返回目录 -->

17）BSData - 实例分割与工业磨损预测数据集

该数据集包含 1104 张三通道图像，并配有 394 个关于“点蚀”表面损伤类型的图像标注。这些标注使用 labelme 标注工具完成，以 JSON 格式提供，因此可以转换为 VOC 和 COCO 格式。所有图像均来自两种 BSD 类型。

另一种 BSD 类型包含 325 张图像，分为两种尺寸。由于该类型的所有图像都是连续拍摄的，因此污损程度在不断变化。

此外，数据集还包含如上所述的 27 个点蚀发展序列，每个序列包含 69 张图像。

图 5. 左侧为图像示例，右侧为对应的 PNG 标注。

🔗 官方链接 https://github.com/2Obe/BSData

衷心感谢 @Beñat Gartzia 的推荐及您的关注！

👆 返回目录 -->

18）齿轮检测数据集

齿轮检测数据集 (GID) 是由百度（中国）公司举办的“全国人工智能创新应用大赛”所使用的竞赛数据集。它包含两千张灰度图像，共 28575 个标注，涉及三种真实来源的缺陷类型。每张图片的缺陷信息都记录在一个单独的 JSON 文件中，包括图像名称、标签类别、边界框以及用于分割的多边形。然而，标签类别并未明确说明具体缺陷类型，仅以数字表示，因此难以与其他相关数据集进行对比。

图 6. 验证测试图像及其标签示例。

🔗 官方链接 http://www.aiinnovation.com.cn/#/dataDetail?id=34

• 下载链接：

  • 齿轮检测训练数据集：https://pan.baidu.com/s/17HoFfBUQGeX7G0ibkPExrw （提取码：hm7k）
  • 齿轮检测 A 组评估数据集：https://pan.baidu.com/s/157Zf7hcTM78GhXtXI5ySFQ （提取码：2R6K）
  • 齿轮检测 B 组评估数据集：https://pan.baidu.com/s/1OjOZotqlRSvsYLA_qH2nXA （提取码：hypd）

• 镜像：

  • 齿轮检测训练数据集：https://drive.google.com/file/d/1CZo-Ab5BXkTjV-b1-NIFzYMjfJQMl4nG/view?usp=share_link
  • 齿轮检测 A 组评估数据集：https://drive.google.com/file/d/1-0sSrmhElBseeZWICu77lzTxoOiRD8yG/view?usp=share_link
  • 齿轮检测 B 组评估数据集：暂无镜像。

注意：该竞赛数据集不得用于商业用途。

👆 返回目录 -->

19）AeBAD 航空发动机叶片异常检测

下载链接：http://suo.nz/2IU48P

真实世界航空发动机叶片异常检测数据集 (AeBAD) 包含两个子数据集：单片叶片数据集 (AeBAD-S) 和叶片视频异常检测数据集 (AeBAD-V)。与现有数据集相比，AeBAD 具有两个特点：1.) 目标样本未对齐且尺度不同；2.) 测试集和训练集中的正常样本分布存在领域偏移，这种偏移主要由光照和视角的变化引起。

👆 返回目录 -->

20）BeanTech 异常检测(BTAD)

下载链接：http://suo.nz/2JEGEi

BTAD（BeanTech 异常检测）数据集是一个真实的工业异常检测数据集。该数据集共包含 2830 张 3 种工业产品的实际图像。

👆 返回目录 -->

3. 更多优质数据集资源汇总

我一直在收集表面缺陷检测数据集，但仍有许多未收录的数据集。对于本仓库尚未收录的数据集，您可以访问以下网站查看。同时，欢迎大家分享新的数据集，成为本仓库的贡献者。

来源	网址	推荐
Kaggle	https://www.kaggle.com/datasets	⭐⭐⭐⭐⭐
Paper With Code	https://paperwithcode.com/sota	⭐⭐⭐⭐⭐
AWS 开放数据注册表	https://registry.opendata.aws	⭐⭐⭐
微软研究院开放数据	https://msropendata.com	⭐⭐⭐
Awesome-public-datasets	https://github.com/awesomedata/awesome-public-datasets	⭐⭐

👆 返回目录 -->

4. 表面缺陷检测相关论文

我收集了一些关于表面缺陷检测的文章。主要研究对象包括金属表面、LCD 屏幕、建筑物和输电线路等缺陷或异常物体。研究方法主要包括分类法、检测法、重建法和生成法。论文的电子版（PDF）已按日期命名并存放在“Paper”文件夹中。

前往 :open_file_folder: [论文]。

👆 返回目录 -->

致谢

现在你可以看到这个仓库了，我们应该感谢最初将上述数据集开源的人们。他们为我们的学习和研究工作提供了极大的帮助。收集这个数据集的想法最初来源于阅读“AI算法修炼营(AI_SuanFa)”的SFXiang关于表面缺陷检测的文章，这促使我整理出一个更加全面的数据集。论文的收集则来自一位名为“庆志的小徒弟”的CSDN用户。这些论文截止到11月19日，之后我还会继续完善。希望大家踊跃贡献。

最后，再次感谢上述数据集的开源贡献者们。

👆 返回目录 -->

下载

• 下载ZIP文件，点击这里
  或者在终端运行git clone https://github.com/Charmve/Surface-Defect-Detection.git
  
• 中国大陆 - 百度网盘下载链接 https://pan.baidu.com/s/122WY8F5VKqm3qMirqebRQw 提取码:i20n

👆 返回目录 -->

通知

本项目最初是由许多优秀人士基于他们的论文或行业应用而贡献的。您只能将此数据集用于研究目的。

如果您有任何问题或想法，请随时与我联系：email: yidazhang1@gmail.com

🍮 社区

• Github 讨论区 💬 或 问题反馈 💭

• QQ群：734758251（密码：哈哈哈）

• 微信群号：Yida_Zhang2

• 邮箱：yidazhang1#gmail.com

   支持

     通过成为赞助商来支持这个项目。您的姓名和/或 logo 将会出现在我们的主页上，并附带指向您网站的链接。🙏

引用

使用以下 bibtex 格式引用本仓库：

@misc{Surface Defect Detection,
  title={Surface Defect Detection: Dataset and Papers},
  author={Charmve},
  year={2020.09},
  publisher={Github},
  journal={GitHub repository},
  howpublished={\url{https://github.com/Charmve/Surface-Defect-Detection}},
}

星标数量随时间变化

欢迎提出任何问题，如果你觉得有什么可以改进的地方，也请随时发起 PR！

🌟请给这个仓库加星🌟

由 Charmve 和 maiwei.ai 社区创建 | 部署于 Kaggle

* 更新于 2021年9月17日 @Charmve, 加星 和 分叉

Surface-Defect-Detection 快速上手指南

本项目是一个专注于工业表面缺陷检测的开源资源库，汇集了该领域重要的数据集、关键论文及解决方案。本指南将帮助你快速获取数据并了解核心概念。

环境准备

本项目主要提供数据集索引和学术资源，不涉及单一的可执行二进制文件安装。使用前请确保你的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 18.04/20.04), macOS 或 Windows
• 编程语言：Python 3.6+
• 深度学习框架：PyTorch 或 TensorFlow (根据你选择复现的具体论文代码而定)
• 依赖库：

  pip install opencv-python numpy matplotlib pandas tqdm
  

• 硬件要求：若需训练深度学习模型，建议配备 NVIDIA GPU (支持 CUDA)；若仅用于数据浏览或传统算法验证，CPU 即可。

安装与数据获取

由于本项目核心价值在于数据集，"安装"过程主要为克隆仓库和下载数据。

1. 克隆项目仓库

git clone https://github.com/Charmve/Surface-Defect-Detection.git
cd Surface-Defect-Detection

2. 下载数据集

项目整理了多个工业缺陷数据集（如 NEU-CLS, elpv-dataset, DeepPCB 等）。推荐使用国内镜像源以提高下载速度。

方式一：百度网盘（推荐国内用户）

• 链接: https://pan.baidu.com/s/1GWQ_acTF5BnJgpJRSw8BKA
• 提取码: o7p5
• 操作: 下载后解压至项目根目录或自定义数据目录。

方式二：Google Drive

• 链接: https://drive.google.com/drive/folders/1q7lirc_yQBXxUSECwX1UvV1TS4eioFm8

注意：部分数据集（如 NEU-CLS）的官方原始链接可能失效，请优先使用上述整理后的备份链接。具体每个数据集的详细说明请参阅项目内的 Papers 文件夹或对应数据集章节。

基本使用

本项目作为资源汇总，使用方式取决于你具体想要研究的数据集或复现的算法。以下是加载典型数据集（以 NEU-CLS 钢铁表面缺陷为例）进行初步查看的 Python 示例。

假设你已下载并将 NEU-CLS 数据集放置在 ./data/NEU-CLS 目录下：

import os
import cv2
import matplotlib.pyplot as plt

# 配置数据路径
data_dir = './data/NEU-CLS'
class_names = ['RS', 'Pa', 'Cr', 'PS', 'In', 'Sc'] # 六种缺陷类型

def show_sample_defect(class_idx):
    """显示指定类别的样本图片"""
    class_name = class_names[class_idx]
    class_path = os.path.join(data_dir, class_name)
    
    if not os.path.exists(class_path):
        print(f"未找到目录：{class_path}, 请确认数据已下载")
        return

    # 获取该类下的第一张图片
    img_files = [f for f in os.listdir(class_path) if f.endswith('.jpg') or f.endswith('.png')]
    if not img_files:
        print(f"类别 {class_name} 下无图片")
        return
        
    img_path = os.path.join(class_path, img_files[0])
    img = cv2.imread(img_path)
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

    # 展示图片
    plt.figure(figsize=(8, 8))
    plt.imshow(img_rgb)
    plt.title(f'Defect Type: {class_name}')
    plt.axis('off')
    plt.show()

# 示例：查看第一种缺陷 (Rolling Scale)
show_sample_defect(0)

下一步建议

1. 查阅论文：进入 Papers 目录，阅读 2017 年以来的关键论文，理解针对小样本（Small Sample）和实时性（Real-time）问题的解决方案。
2. 选择模型：根据具体任务（分类、定位、分割），在 GitHub 上搜索对应数据集名称（如 "NEU-CLS PyTorch"）寻找具体的训练代码实现。
3. 数据增强：针对工业场景样本少的问题，参考文档中提到的镜像、旋转、合成等数据增强策略预处理数据。