窗户清洁检测数据集 | 窗户清洁检测建筑运维二分类任务 YOLO格式深度学习数据集9019期

清洁检测数据集 | 窗户清洁检测建筑运维二分类任务 YOLO格式深度学习数据集9019期

数据集概述

本数据集专注于立面巡检中的窗户清洁状态视觉评估，服务于智能物业、建筑运维及城市外墙管理。数据源于无人机航拍，适配高层建筑窗户清洁度自动筛查、清洁效果验收及定期维护规划等场景。

数据集核心信息

数据要素	详细说明
类别	共 2 类：`窗户干净`、`窗户不干净`
数量	3500 张图像
格式	图像为 JPG；标签为 YOLO 格式的 txt 文件（水平边界框）
应用价值	1. 智能巡检：替代人工高空检查，实现玻璃幕墙清洁状态的自动化快速评估。 2. 清洁调度：根据检测结果生成清洁需求热力图，优化清洁路线与周期安排。 3. 质量验收：为清洁服务提供可量化的效果评估依据，辅助合同结算与绩效管理。

数据三要素解析

类别与数量

数据集定义 2 个二分类类别：窗户干净 与窗户不干净，直接对应清洁状态的二元判定，符合实际运维中的决策逻辑。
图像总量约 3500 张，规模适中，适合作为建筑视觉巡检任务的基准数据集。
类别设置简洁，便于快速构建基线模型，并支持向多级清洁度（如"部分脏污"）等更细粒度标准扩展。

格式与结构

采用通用 YOLO 格式 ，每张图像对应一个同名 txt 标签文件，包含类别 ID 与归一化边界框坐标，可无缝接入 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。

应用与扩展

数据集可扩展用于 玻璃缺陷检测 （如划痕、裂纹）及 外墙面污损评估 等更广泛的建筑外立面检测任务。
结合飞行轨迹与地理信息，可生成 建筑立面清洁度数字化档案，实现历史对比与趋势预测。
二分类框架支持快速迁移至其他无人机视觉清洁度判断场景（如太阳能板、大型储罐表面）。

知识普及：基于无人机视觉的清洁度评估

与地面拍摄不同，无人机高空采集的玻璃图像受光照角度、反射强度、天气条件 影响显著。清洁度判断依赖于对灰尘膜、水渍、鸟粪等附着物的视觉特征提取，这些特征在不同光照下表现差异较大。建议在数据预处理阶段引入光照归一化 或多角度数据增强，以提升模型对环境变化的泛化能力。实际部署中，无人机需按预设航线悬停采集，保证拍摄距离与角度的一致性。

快速开始（代码示例）

配置文件 data.yaml 示例：

yaml 复制代码

train: ./dataset/images/train
val: ./dataset/images/val
nc: 2
names: ['clean_window', 'unclean_window']

启动 YOLOv8 训练：

python 复制代码

from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(data='data.yaml', epochs=80, imgsz=640, batch=16)

窗户清洁检测数据集 | 窗户清洁检测 建筑运维 二分类任务 YOLO格式 深度学习数据集9019期

清洁检测数据集 | 窗户清洁检测 建筑运维 二分类任务 YOLO格式 深度学习数据集9019期