引言

在建筑装修、工程质检和智能制造领域，地面瓷砖的表面缺陷检测是一项重要且具有挑战性的任务。传统的人工目检效率低、成本高，且容易因疲劳产生漏检。随着计算机视觉技术的发展，基于深度学习的自动缺陷检测方案逐渐成为主流，而一个高质量、标注精细的数据集是模型成功的关键。

本文介绍一个开源的地面瓷砖缺陷检测数据集。该数据集包含 3066 张 高质量标注图像，平均识别率达到 79.7%，涵盖了裂缝、弯曲变形、起皮、缺损脱落四种常见缺陷类型。数据集提供 YOLO、COCO JSON、PASCAL VOC XML 多种格式，方便研究者与开发者快速接入主流目标检测框架（如 YOLOv5/v8、MMDetection、Detectron2等）。文末附有完整的模型训练代码，助你从零开始训练自己的缺陷检测模型。

数据集概览

• 数据总量：3066 张图像（已标注）
• 缺陷类别：4 类
• 平均识别率：79.7%
• 标注格式：YOLO txt、COCO JSON、PASCAL VOC XML
• 图像分辨率：原始尺寸不一，预处理后可统一至 1920×1080
• 适用场景：瓷砖生产质检、装修工程验收、工业表面缺陷检测

缺陷类别详解

数据集中包含以下四种典型的地面瓷砖缺陷，其标签与示例如下：

标签 (英文)	标签 (中文)	缺陷描述
crack	裂缝	瓷砖表面出现线性裂开缝隙，但材料未脱落掉块。
buckled	弯曲变形	瓷砖整体形状发生弯曲、翘曲或变形，无开裂或掉皮现象。
exfoliation	起皮	表面涂层或材质像树皮一样呈层状、片状剥离。
spalling	缺损脱落	边角或表面整块碎渣、块状材料脱落，形成缺损。

标签解释：

• crack：只裂开缝隙，材料没有脱落掉块。
• buckled：整体形状弯曲变形，无开裂掉皮。
• exfoliation：像树皮一样一层层片状起皮。
• spalling：整块碎渣、边角块状脱落缺损。

数据集统计与拆分

我们对数据集进行了标准的训练集、验证集、测试集划分，以确保模型评估的公正性。

• 总图数：7667 张图数
• 训练集：7048 张图
• 验证集：296 张图
• 测试集：323 张图

预处理与增强策略

为提升模型泛化能力，在训练阶段采用了以下预处理与数据增强策略：

• 自动定向：应用
• 调整大小：拉伸到 1920×1080
• 增强：
  • 单个训练样本输出份数：3 份
  • 90 度旋转：顺时针、逆时针
  • 边界框同步 90 度旋转：顺时针、逆时针
  • 边界框旋转角度范围：-15° ~ +15°
  • 边界框剪切形变：水平方向 ±10°、垂直方向 ±10°

数据集图片和标注信息示例

下图展示了数据集中部分原图及其对应的标注可视化效果，可以清晰看到边界框（Bounding Box）与缺陷类型的对应关系。

模型训练指标参数

使用本数据集在 YOLOv8 框架下进行训练，得到的模型在测试集上的性能指标如下：

关键指标包括 Precision（精确率）、Recall（召回率）、mAP@0.5 和 mAP@0.5:0.95，综合识别率达到 79.7%。

模型训练过程可视化

训练过程中的损失函数下降曲线和性能指标变化曲线如下图所示，模型收敛平稳。

数据集下载

数据集已按不同格式整理好，请根据你的训练框架选择下载：

• yolo26: 下载链接
• yolo v12: 下载链接
• yolo v11: 下载链接
• yolo v9: 下载链接
• yolo v8: 下载链接
• yolo v7: 下载链接
• coco json: 下载链接
• pascal voc xml: 下载链接

YOLO模型训练实战

1. 环境准备

下载数据集并解压到你的项目文件夹。假设你使用 YOLOv8 进行训练。

2. 获取训练脚本

从我们的代码仓库克隆或复制训练脚本：

git clone https://gitcode.com/pbymw8iwm/YOLOProject.git

或者直接复制仓库中的 train_yolov8.py 脚本到你的数据集目录下。

3. 开始训练

在数据集根目录下，运行训练命令：

python train_yolov8.py

训练脚本会自动读取数据集配置，开始模型训练。

模型验证与测试

训练完成后，可以使用以下代码加载最佳模型（best.pt）并对单张图片进行推理测试。

# 需要安装 pip install ultralytics
from ultralytics import YOLO
import cv2

# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径

# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径

# 使用模型对图片进行预测
results = model(image_path)

# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()

    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)

    # 等待按键退出
    cv2.waitKey(0)

    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()