带标注的墙面缺陷识别数据集，可识别裂缝，霉变，掉漆起皮，阶梯状裂缝，渗水问题，支持yolo，coco json，pascal voc xml格式
数据集介绍
标签：
- crack --- 裂缝
- mold --- 发霉 / 霉变
- peeling_paint --- 漆面脱落 / 掉漆 / 起皮
- stairstep_crack --- 阶梯状裂缝
- water_seepage --- 渗水 / 漏水 / 水渍渗漏
数据集拆分
训练集
2736图片
验证集
261图片
测试集
130图片
预处理
自动定向： 应用
调整大小： 拉伸至 640x640
增强
每个训练样本的输出结果： 3
灰度转换：应用于 25% 的图片
曝光度调整：范围 -25% 至 +25%
模糊处理：最大 2.5 像素（高斯模糊 / 均值模糊通用）
噪声添加：最多覆盖 5% 的像素（注：通常指高斯噪声 / 椒盐噪声）
验证测试：
推理结果：
{
"predictions": [
{
"x": 162.5,
"y": 424,
"width": 321,
"height": 424,
"confidence": 0.933,
"class": "crack",
"class_id": 0,
"detection_id": "e55e61c5-a483-471a-b90d-89ec13cdd596"
}
]
}
推理结果
{
"predictions": [
{
"x": 542,
"y": 167.5,
"width": 74,
"height": 95,
"confidence": 0.789,
"class": "peeling_paint",
"class_id": 2,
"detection_id": "328aa627-7bae-4b06-96d4-c6e5bf372ae5"
},
{
"x": 328.5,
"y": 165,
"width": 177,
"height": 96,
"confidence": 0.708,
"class": "peeling_paint",
"class_id": 2,
"detection_id": "6862173f-2e12-41ab-aad2-bfb96314ff98"
}
]
}
核心应用场景
1. 建筑运维与智能巡检（最核心、最广泛）
场景描述：
商业楼宇、住宅小区、写字楼、工业园区的物业 / 运维方，需定期排查墙面缺陷（如裂缝、渗水），避免墙面脱落、渗漏引发安全事故或财产损失。
数据集落地方式：
- 基于 YOLO 训练轻量化检测模型，部署到墙面巡检机器人（地面 / 爬壁式）、无人机、手持巡检终端（手机 / 平板）；
- 自动识别五类缺陷，标记缺陷位置、类型、严重程度（如裂缝长度、渗水面积），生成数字化巡检报告。
价值：
替代传统 "人工肉眼 + 手写记录" 模式，巡检效率提升 10 倍以上，漏检率从人工的 30% 降至 5% 以下；对老旧建筑 / 危旧房，可实时预警阶梯状裂缝（结构裂缝特征）、大面积渗水等高危缺陷。
2. 房地产 / 家装行业（验房 + 评估）
场景 1：新房交付验房
房企 / 第三方验房机构用搭载模型的 APP 拍摄墙面，自动识别掉漆、霉变、细小裂缝，生成标准化验房报告，替代人工手写记录，避免 "收房纠纷"。
场景 2：二手房 / 旧房评估
中介 / 评估机构通过缺陷识别，量化墙面损坏程度（如 "渗水面积占比 5%""阶梯状裂缝长度 2 米"），辅助房价评估，让评估结果从 "主观描述" 变为 "数据量化"。
数据集优势：
COCO/VOC 格式适配主流视觉算法，可快速集成到验房 APP，且标注覆盖 "轻微掉漆""早期霉变" 等易被人工忽略的缺陷。
3. 保险定损（渗水 / 霉变理赔）
场景描述：
家庭财产险（墙面渗水导致家具损坏）、建筑工程险（施工导致墙面裂缝）的理赔环节，需判定缺陷类型、损坏原因及损失金额。
数据集落地方式：
训练模型后，用户上传墙面照片，系统自动识别缺陷（如 "渗水导致霉变"）、计算损坏面积，自动核定理赔金额，无需人工现场勘查。
价值：
理赔周期从 "3 天人工勘查" 缩短至 "1 小时智能定损"，降低保险公司的人力成本和骗保风险。
4. 智慧城市 / 城市更新（老旧小区改造）
场景描述：
住建部门 / 城管需对辖区内老旧小区、临街建筑的外立面进行整治，批量排查墙面缺陷，规划翻新 / 改造范围。
数据集落地方式：
通过无人机航拍辖区建筑，基于 YOLO 模型批量检测墙面缺陷，生成 "缺陷热力图"，精准划定改造楼栋 / 区域，避免 "无差别翻新" 造成的资源浪费。
5. 工程验收（建筑 / 装修竣工）
场景描述：
装修工程、新建建筑竣工时，监理方需检测墙面施工质量（如是否存在裂缝、掉漆，是否符合验收标准）。
数据集价值：
标准化识别 "施工瑕疵"（如掉漆起皮）和 "结构风险"（如阶梯状裂缝），区分 "可整改问题" 和 "返工问题"，让验收结果更客观、可追溯。
6. 轨道交通 / 地下空间运维
场景描述：
地铁隧道、地下车库、人防工程的墙面长期处于潮湿环境，易出现渗水、霉变、裂缝，人工巡检风险高（黑暗、狭窄）。
数据集落地方式：
训练适配低光 / 潮湿环境的缺陷识别模型，部署到隧道巡检机器人，自动识别渗水、裂缝，避免结构坍塌、漏电等安全事故。
数据集下载：
yolo26:https://download.csdn.net/download/pbymw8iwm/92747209
yolov12:https://download.csdn.net/download/pbymw8iwm/92747210
yolov11:https://download.csdn.net/download/pbymw8iwm/92747208
yolov9:https://download.csdn.net/download/pbymw8iwm/92747212
yolov8:https://download.csdn.net/download/pbymw8iwm/92747206
yolov7:https://download.csdn.net/download/pbymw8iwm/92747207
yolov5:https://download.csdn.net/download/pbymw8iwm/92747204
yolo darknet：https://download.csdn.net/download/pbymw8iwm/92747213
coco json：https://download.csdn.net/download/pbymw8iwm/92747211
pascal voc xml：https://download.csdn.net/download/pbymw8iwm/92747205