数据集概述

本数据集专注于红外热成像场景下的工业缺陷检测，服务于建筑结构检测、管道巡检及设备状态监测。数据涵盖四类典型缺陷，适配红外热成像条件下的缺陷识别、温度异常分析及自动化巡检等应用。

数据集核心信息

完整类别列表（共4类）

数据三要素解析

类别与缺陷覆盖

• 数据集定义 4 类红外典型缺陷：裂缝、滴漏、空洞、渗漏。
• 缺陷类型覆盖了建筑与管道结构中常见的物理损伤与液体渗漏问题，具有较强的工程实用性。
• 红外图像中，缺陷通常表现为温度异常区域（高温或低温），与周围正常区域形成对比。

数据规模与版本

• 图像总量约 463 张，规模较小，适合作为红外缺陷检测任务的入门数据集或快速验证。
• 数据集有 3 个版本，可能包含不同标注完善度或数据增强的迭代版本，使用时建议查阅各版本说明。
• 数据量有限，建议采用迁移学习（如基于COCO预训练模型）与数据增强策略提升模型泛化能力。

格式与结构

• 采用通用 YOLO 格式（txt），每张图像对应一个同名标签文件，包含类别 ID 与归一化边界框坐标，可直接接入 YOLOv5、YOLOv8 等主流检测框架。
• 图像与标签一一对应，数据结构规范，便于进行训练/验证集划分与预处理集成。

知识普及：红外缺陷检测的技术要点

• 热异常识别
  ：红外图像中，缺陷通常表现为与周围环境温度不同的区域。裂缝可能因空气对流呈现温度差异，渗漏因水分蒸发呈低温，空洞因热传导差异呈高温或低温。
• 伪彩映射
  ：红外图像常采用伪彩映射（如铁红、彩虹）将温度差异可视化，本数据集预览图呈现紫色到黄色的温度梯度。
• 小目标检测
  ：部分缺陷（如细微裂缝、小滴漏）在图像中占比较小，需采用高分辨率输入或多尺度特征融合策略。
• 背景干扰
  ：环境温度变化、太阳辐射、设备热源等可能与缺陷混淆，模型需依赖形态与温度分布特征进行区分。
• 多模态融合
  ：红外与可见光图像融合可同时获取温度信息与外观细节，提升缺陷检测的准确性。
• 应用闭环
  ：检测结果可结合温度数据与设备台账，生成缺陷分布图与维修工单，辅助运维决策。
   
• 

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
nc:4
names:['crack','drop','hollow','leakage']

启动 YOLOv8 训练：

from ultralytics import YOLO

model = YOLO('yolov8m.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

标签