本数据集由惠州市腾渊信息科技有限公司自主研发，源自其“陶瓷柱生产质量检测项目”的工业现场图像数据，聚焦于陶瓷柱（高精度电子陶瓷元件）表面缺陷检测。数据通过工业微型摄像头（垂直距离15±2cm，光照500-800Lux均匀补光）于2024年11月-12月采集，覆盖早/中/晚三班次，包含直径5-20mm、长度10-50mm不同规格的陶瓷柱样本，缺陷类型有“坑洞（aokeng）”“裂纹（liehen）”“磨损（mosun）”等（示例以坑洞为主）。原始图像为1624×1240像素的单通道灰度JPG图（适配低算力设备），标注文件遵循PASCALVOC标准（XML格式），与原图同名同目录存储。数据经内部合规审查，符合《数据安全法》等规范，可用于学术研究及工业场景技术验证。

数据清洗与归档：剔除模糊、过曝、目标缺失的无效图像，最终保留有效样本1295张。标注处理：文件元数据<folder>记录图像文件存储目录（如"UpImg"）。<filename>记录图像文件名<path>记录图像文件绝对路径<source>数据来源容器标签<database>标注数据来源库（未指定时标记为"Unknown"）。​图像属性<size>图像尺寸容器标签<width>图像宽度像素值（如1624）<height>图像高度像素值（如1240）<depth>图像通道数（如1表示灰度图）<segmented>分割任务标记（0=未分割，1=已分割）<pose>全局拍摄角度（如Unspecified/Left/Right等）​目标标注（可多对象）<object>单目标标注容器<name>目标类别名称（如"aokeng"）<pose>目标相对拍摄角度<truncated>目标截断状态（0=完整，1=截断）<difficult>检测难度标记（0=简单，1=困难）<bndbox>边界框坐标容器<xmin>左上角X坐标<ymin>：左上角Y坐标<xmax>：右下角X坐标<ymax>：右下角Y坐标

工业缺陷检测模型训练：作为监督学习数据，用于训练深度学习模型（如YOLO、FasterR-CNN）识别工业产品表面的缺陷类型（如坑洞）及位置。 质检系统开发：集成至自动化视觉检测设备中，实时分析生产线上的产品图像，自动标记缺陷并生成质检报告。 算法验证与优化：为缺陷检测算法的精度评估（如边界框回归误差、分类准确率）提供基准数据，支持模型迭代优化。

详见数据样例附件(供展示) 附件下载

annotation 根节点，表示一条标注记录 folder 图像存储的文件夹名称 filename 图像文件名称 path 图像文件的完整路径 source>database 数据来源数据库 size>width 图像宽度（像素） size>height 图像高度（像素） size>depth 图像通道数 segmented 是否用于分割任务 object 标注对象容器 object>name 缺陷类别名称 object>pose 目标姿态 object>truncated 是否被截断 object>difficult 是否难以识别 object>bndbox 边界框坐标容器 bndbox>xmin 边界框左上角x坐标 bndbox>ymin 边界框左上角y坐标 bndbox>xmax 边界框右下角x坐标 bndbox>ymax 边界框右下角y坐标