本数据集是东莞市鑫雄道科技有限公司在五金制品质检环节采集的关键检测数据，包含光照强度、相机距离、图像清晰度等环境与设备参数，以及缺陷类型、位置、检测结果等分析数据。通过工业相机与光照、距离传感器融合采集，反映了CNN图像识别、特征匹配等算法的应用效果，可用于质检工艺优化、缺陷检测模型迭代及产品质量追溯，是五金制品智能制造的重要数据资产。

数据采集来源：数据来源于企业自主研发的"五金制品表面缺陷检测系统"，通过高清工业相机、光照传感器与距离传感器实时采集原始图像及环境参数，形成初始检测记录。 数据归集说明：将采集的原始图像、传感器数据与检测过程记录进行整合，形成结构化数据表。 数据处理说明： 对原始图像进行高斯滤波去噪和增强处理；基于CNN模型（符合GB/T 35465-2017）进行缺陷特征提取；融合光照强度与相机距离数据对检测结果进行智能校正；对设备编号和制品编号进行脱敏处理；剔除图像清晰度低于80%的无效记录。 处理使用Python 3.10（OpenCV/TensorFlow）、SQL Server和MATLAB 2023a工具，遵循GB/T 2828.1-2012和GB/T 35465-2017标准。 创新性数据内容：通过上述智慧化加工生成的创新性数据体现在以下列中： 缺陷类型（H列）：通过CNN模型智能识别的具体缺陷分类 缺陷位置（I列）：基于图像识别确定的缺陷空间分布 检测结果（J列）：融合多源数据后的智能判定结果 算法模型（K列）：记录各条数据采用的智能算法版本 异常状态（L列）：系统综合评估的检测状态。

本数据集适用于五金制品生产的以下场景：1）质检工艺参数优化，解决光照变化导致的检测偏差；2）缺陷检测模型迭代，提升划痕、凹陷等缺陷的识别精度；3）生产质量追溯，关联缺陷类型与加工工序的关联性；4）检测设备状态诊断，通过图像清晰度数据预警相机故障。 应用可解决的关键问题：缺陷检测准确率提升至99%以上，误判率降低60%，质检效率提升50%，人工成本降低40%，本数据为五金制品质量管控提供了数据支撑。

记录ID 时间戳 设备编号 制品编号 检测阶段 光照强度(lux) 相机距离(cm) 图像清晰度(%) 缺陷类型 缺陷位置 检测结果 算法模型 异常状态 REC_00001 2025-08-01T00:00:00Z XIN_DEV_003 PROD_891 图像采集 1135 38.9 87 凹陷 角落 合格 深度学习融合模型 轻微异常 REC_00002 2025-08-01T00:00:03Z XIN_DEV_002 PROD_943 缺陷识别 1228 38.8 97.6 无缺陷 无 合格 深度学习融合模型 正常 REC_00003 2025-08-01T00:00:06Z XIN_DEV_001 PROD_255 结果判定 574 35.7 96.6 污渍 表面中心 不合格 深度学习融合模型 正常 REC_00004 2025-08-01T00:00:09Z XIN_DEV_003 PROD_949 结果判定 1453 48.1 95.7 毛刺 边缘左侧 不合格 特征匹配算法 正常

字段名称 数据类型 内容示例 含义说明 记录ID 编号 “REC_00001” 含义为数据记录唯一标识符编号 时间戳 时间 “2025-08-01T00:00:00Z” 含义为数据采集的时间点 设备编号 编号 “XIN_DEV_003” 含义为脱敏后的检测设备的标识编号 制品编号 编号 “PROD_891” 含义为脱敏后的五金制品的标识编号 检测阶段 名称 “图像采集” 含义为当前检测所处的工序阶段 光照强度(lux) 光照强度值 “1135” 含义为检测环境的光照强度 相机距离(cm) 距离值 “38.9” 含义为相机与制品表面的距离 图像清晰度(%) 百分比值 “87” 含义为采集图像的清晰度百分比 缺陷类型 名称 “凹陷” 含义为检测到的表面缺陷类别 缺陷位置 名称 “角落” 含义为缺陷在制品表面的位置 检测结果 名称 “合格” 含义为基于检测数据的质量判定结果 算法模型 名称 “深度学习融合模型” 含义为使用的缺陷检测算法模型 异常状态 名称 “轻微异常” 含义为检测系统的整体运行状态