【导读】
在智能制造日益普及的今天，工业质检面临着精度与效率的双重挑战。本文将聚焦电子制造与玻璃制造两个关键行业，分别介绍用于PCB板缺陷检测与玻璃表面缺陷分割的高质量数据集。这两个数据集不仅涵盖多种真实缺陷类型，还覆盖了复杂的工业场景和多样的标注格式，适配主流深度学习模型。无论是目标检测还是实例分割任务，本文所介绍的数据资源都将为智能质检系统的构建提供有力支撑。
PCB板缺陷检测数据集
在电子制造行业中，印刷电路板（PCB）的缺陷检测是确保产品质量的关键环节。PCB的缺陷类型多样（如短路、断路、铜渣、漏孔等），且缺陷尺寸微小、形态复杂，传统的人工检测方法效率低且易漏检。随着计算机视觉和深度学习技术的发展，基于目标检测和实例分割的自动化缺陷检测方案正逐渐成为工业质检的核心技术。
- 数据集介绍
为实现高精度的PCB板缺陷检测，通常需要收集包含不同缺陷类型、不同工艺批次以及复杂背景（如短路、毛刺、有铜渣等）的高清图像，并进行精细标注。
本次分享的数据集：PCB板缺陷检测，包含以下特点：
- 图像数量：693张高清图像
- 标注类别：有missing_hole, mouse_bite, open_circuit, short, spur, spurious_copper 6种标签类别
- 采集环境：实际生产线环境，涵盖不同光照条件、不同角度及多尺度缺陷样本
- 标注格式：YOLO、COCO、VOC标注格式，支持目标检测（如YOLO系列、Faster R-CNN）
- 适用场景：可用于训练和验证工业质检模型，实现PCB板缺陷的自动化检测与分类，提升生产良率和质检效率。
玻璃表面缺陷数据集
在玻璃制造行业中，表面缺陷（如划痕、气泡、杂质、裂纹等）的检测直接影响产品的质量和安全性。传统的人工目检或光学检测方法难以满足高精度、高效率的需求，而基于深度学习的实例分割技术能够精准定位并分类缺陷，为智能质检提供可靠解决方案。
- 数据集介绍
为实现高精度的玻璃缺陷检测与分割，需收集包含多种缺陷类型、不同光照条件及复杂背景的图像数据，并进行标注。
本次分享的数据集：玻璃缺陷实例分割数据集，包含以下特点：
- 图像数量：3926张高分辨率图像
- 标注类别：包含defect，glass 2种标签类别
- 采集环境：实际产线环境，覆盖强光、弱光及反光等复杂场景
- 标注格式：COCO、YOLO_seg标注格式，专为实例分割任务优化
- 适用场景：可用于训练和验证玻璃缺陷分割模型，实现缺陷的精准定位与分类，助力智能制造与自动化质检。
结语
在智能制造迈向深水区的今天，数据与算法正成为工业质检系统升级的关键驱动力。从微小精密的PCB电路板，到高反光的玻璃表面，缺陷检测不仅关乎良品率，更关系到产品安全与品牌信誉。本文介绍的两个高质量数据集，恰好为这些场景提供了强有力的支撑。配合Coovally平台提供的一键式训练与部署能力，企业与开发者无需深耕算法底层，也能高效构建属于自己的智能质检方案。未来，更多开源数据与高性能模型将在平台持续更新，助力工业AI落地提速。现在就访问 Coovally，一起开启智能质检的新纪元吧！