目标检测数据集 第091期-基于yolo标注格式的智能手机屏幕缺陷检测数据集(含免费分享)
从场景来看，数据集覆盖了不同类型的智能手机屏幕（如硬屏、柔性屏），包含了不同光照条件下的缺陷图像，同时涵盖了 “缺陷重叠、细微缺陷” 等真实产线中易漏检的复杂情况 —— 例如微米级的斑点、浅划痕，或是与背景对比度极低的漏光区域，让训练出的模型更能适应实际质检的严苛要求。在屏幕生产的关键工序（如面板清洗、贴合后）部署 AI 质检设备，通过摄像头采集屏幕图像，结合模型实时检测缺陷 —— 相比人工检测，
目录
目标检测数据集 第091期-基于yolo标注格式的智能手机屏幕缺陷检测数据集(含免费分享)
目标检测数据集 第091期-基于yolo标注格式的智能手机屏幕缺陷检测数据集(含免费分享)
超实用智能手机屏幕缺陷检测数据集分享，助力计算机视觉研究！
1、背景
在消费电子行业，智能手机屏幕的品质直接关系到产品口碑与用户体验 —— 而屏幕缺陷的精准检测，是保障出货品质的关键环节。今天要介绍的智能手机屏幕缺陷检测数据集，正是为屏幕质检的智能化升级提供的核心资源。
智能手机屏幕（尤其是 OLED、柔性屏）的生产流程复杂，在贴合、镀膜等环节易产生细微缺陷，如斑点、裂纹等；而传统的人工质检模式，正面临两大痛点：
- • 效率低：人工检测需逐片观察，单台设备检测耗时久，难以匹配大规模量产的节奏；
- • 精度有限：细微缺陷（如微米级斑点、浅划痕）易被人眼忽略，且检测结果受人员状态、经验影响，一致性差。
随着机器视觉与深度学习技术的成熟，“AI 自动质检” 成为解决这一问题的最优方案 —— 但高质量的缺陷数据集是训练可靠模型的前提。目前消费电子屏幕缺陷的公开数据集较少，且多聚焦单一缺陷类型，难以覆盖实际生产中的复杂场景。
本数据集正是针对这一缺口，聚焦 “智能手机屏幕常见缺陷”，构建了覆盖多类型缺陷、贴合真实生产场景的标注数据，为屏幕质检的智能化落地提供了基础支撑。
2、数据详情
本数据集以 “智能手机屏幕缺陷检测” 为核心目标，从数据规模、缺陷类别、标注规范等维度，均匹配了实际产线的质检需求，具体信息如下：
（1）数据规模与划分
数据集共包含2504 张图像文件（均为 JPG 格式），配套2504 个标注文件（采用 YOLO 格式的 TXT 文件），并按 “训练 - 验证 - 测试” 的标准机器学习流程划分：
- • 训练集：包含 1753 张图像及对应的 1753 个标注文件，用于模型的特征学习与参数优化；
- • 验证集：包含 501 张图像及对应的 501 个标注文件，用于训练过程中模型性能的实时验证与调优；
- • 测试集：包含 250 张图像及对应的 250 个标注文件，用于评估模型在独立数据上的泛化能力。
这种 “三类划分” 的方式，既保证了训练数据的充足性，也能更精准地评估模型在实际产线中的落地效果。
（2）缺陷类别与场景覆盖
数据集针对智能手机屏幕生产中高频出现的缺陷类型，定义了 5 类核心检测目标，覆盖了产线常见的外观缺陷：
- • 斑点（baidian）：屏幕表面的微小色点或杂质点，是面板生产中较常见的缺陷；
- • 崩缺（benqgue）：屏幕边缘或表面的局部破损、缺失，多发生在加工或搬运环节；
- • 裂纹（liewen）：屏幕表面的细微裂痕，包括线性裂纹、分叉裂纹等形态；
- • 漏光（louguang）：屏幕背光层异常导致的局部光线泄漏，常见于贴合工艺缺陷；
- • 划痕（scrath）：屏幕表面的线性划痕，可能由生产工具、异物摩擦导致。
从场景来看，数据集覆盖了不同类型的智能手机屏幕（如硬屏、柔性屏），包含了不同光照条件下的缺陷图像，同时涵盖了 “缺陷重叠、细微缺陷” 等真实产线中易漏检的复杂情况 —— 例如微米级的斑点、浅划痕，或是与背景对比度极低的漏光区域，让训练出的模型更能适应实际质检的严苛要求。
（3）标注规范与质量
标注文件采用 YOLO 格式（每一行对应一个缺陷目标，包含 “类别 ID、目标中心 x 坐标、目标中心 y 坐标、目标宽度、目标高度”），所有标注均基于屏幕图像的像素坐标完成，且遵循 “缺陷边界精准贴合、单缺陷单标注” 的原则。
为保证标注质量，数据集在标注过程中引入了 “双检机制”：先由专业质检人员完成初标，再由视觉算法工程师对标注结果进行复核，修正边界框偏移、类别错误等问题，最终确保标注的准确率与一致性，为模型训练提供了高质量的监督信息。
3、应用场景
基于本数据集训练的缺陷检测模型，可深度融入智能手机屏幕的生产与流通环节，实现从 “人工质检” 到 “智能质检” 的升级：
（1）产线实时质检
在屏幕生产的关键工序（如面板清洗、贴合后）部署 AI 质检设备，通过摄像头采集屏幕图像，结合模型实时检测缺陷 —— 相比人工检测，效率可提升 5-10 倍，同时避免了人眼疲劳导致的漏检，保障每一片屏幕的出货品质。
（2）缺陷根因分析
结合缺陷检测结果与生产环节数据（如设备参数、工艺步骤），可统计不同缺陷的发生频次与关联环节，辅助工程师定位生产工艺的薄弱点（例如某批次 “漏光” 缺陷高发，可能对应贴合设备的压力参数异常），推动产线工艺优化。
（3）仓储与流通环节复检
在屏幕仓储、运输至组装厂的环节，可通过便携式 AI 质检设备对屏幕进行复检，及时发现运输过程中产生的 “划痕、崩缺” 等缺陷，避免缺陷屏幕流入组装环节，减少后续的返工成本。
（4）终端售后质检辅助
在手机品牌的售后环节，可利用该模型辅助检测用户退回设备的屏幕缺陷类型，快速区分 “生产缺陷” 与 “使用损伤”，提升售后判定的效率与公正性。
4、使用申明
本数据集仅可用于学术研究，不得将其用于商业目的。
在使用该数据集进行学术研究时，应遵守相关的学术规范，引用该数据集的来源，尊重数据集创作者的劳动成果。
⭐数据获取说明
下方关注-VX回复关键词【智能手机屏幕缺陷检测数据集】可查询yolo格式的智能手机屏幕缺陷检测数据集的获取方式(提供下载地址)，感谢您，祝前程似锦！
有“AI”的1024 = 2048，欢迎大家加入2048 AI社区
更多推荐
9
0- 0
已为社区贡献8条内容
所有评论(0)