钢板表面质量决定钢板的抗腐蚀性、抗磨性和疲劳强度等使用性能，决定相关产品的安全性能。目前还没有一种算法可很好的解决钢板表面缺陷分类问题。应用BP神经网络算法识别钢板表面缺陷，并采用高阶扰动理论解决BP神经网络算法固有的缺点，如学习速度慢、易陷入局部极值等。最后通过实验验证了算法的有效性，钢板缺陷识别率达到83%。

汽车轮胎缺陷分类图像数据集（2类，每类200多张图像）.zip

元学习CODEBRIM 我们的CVPR19论文“使用COncrete缺陷桥桥梁图像数据集进行多目标混凝土缺陷分类的元学习卷积神经体系结构”的开源代码： 或 如果您使用内容（例如数据集），请引用该论文： Martin Mundt，Sagnik Majumder，Sreenivas Murali，Panagiotis Panetsos，Visvanathan Ramesh。 具有混凝土缺陷桥图像数据集的多目标混凝土缺陷分类的元学习卷积神经体系结构。 IEEE计算机视觉与模式识别会议（CVPR），2019年 数据集 该数据集位于： : 请注意，该数据集仅被许可用于非商业和教育用途，如上面链接中数据集随附的许可证文件所指定的那样。 这是数据集的示例（本论文的图1）： 论文代码 开源代码包括：PyTorch和TensorFlow数据加载器，MetaQNN的PyTorch代码和ENAS

针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。

元学习CODEBRIM 我们的CVPR19论文“使用COncrete缺陷桥桥梁图像数据集进行多目标混凝土缺陷分类的元学习卷积神经体系结构”的开源代码： 或 如果您使用内容（例如数据集），请引用该论文： Martin Mundt，Sagnik Majumder，Sreenivas Murali，Panagiotis Panetsos，Visvanathan Ramesh。 具有混凝土缺陷桥图像数据集的多目标混凝土缺陷分类的元学习卷积神经体系结构。 IEEE计算机视觉与模式识别会议（CVPR），2019年 数据集 该数据集位于： : 请注意，该数据集仅被许可用于非商业和教育用途，如上面链接中数据集随附的许可证文件所指定的那样。 这是数据集的示例（本论文的图1）： 论文代码 开源代码包括：PyTorch和TensorFlow数据加载器，MetaQNN的PyTorch代码和ENAS

IBM 软件缺陷正交分析参考资料

金属是一种在自然界中广泛存在的富有延展、导电、导热等性质的物质，在生活中应用极为普遍。金属元素是人们生产和生活的主要物质资源，也是现代工业中非常重要和应用最多的一类物质。 金属材料生产运行环境相对恶劣，导致金属表面产生各种瑕疵缺陷，严重影响产品质量，影响企业效益。所以对金属表面瑕疵缺陷进行自动化检测显得尤为重要。

本文中介绍了一些基本的图像处理方法，以及使用这些方法实现PCB板焊点检测的方法

QGDW1906-2013输变电一次设备缺陷分类标准，电网设备缺陷分类标准！

大三的数字图像处理课程设计，基于matlab设计了一个GUI界面，能够读取图片并处理，将检测到的缺陷类型，大小与位置标注。