风机叶片表面损伤检测数据集 | 风机叶片 表面损伤 污渍检测 无人机巡检 风电运维9119期
数据集概述
本数据集专注于风机叶片表面损伤与污渍的视觉检测 ，服务于风电运维、无人机巡检及能源设施管理。数据源涵盖损伤与污渍两类目标，适配叶片缺陷识别、维护决策及自动化巡检等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 2 类：损伤、污渍 |
| 数量 | 13470 张图像，9351 个标注对象 |
| 格式 | 图像为 PNG（586×371）；标签为 YOLO 格式的 txt 文件（水平边界框） |
| 数据划分 | 无预定义划分（用户可自行划分） |
| 应用价值 | 1. 风电运维 ：支撑风机叶片表面损伤与污渍的自动化检测，替代人工高空检查。 2. 无人机巡检 ：为无人机巡检影像的智能分析提供算法训练基础。 3. 维护决策 ：通过损伤类型与分布统计，辅助制定维修优先级与更换计划。 4. 算法研发：为工业表面缺陷检测、小目标识别等视觉任务提供真实场景的训练与评测数据。 |
完整类别列表（共2类）
| 序号 | 英文名称 | 中文释义 | 标注对象数 | 平均对象数/图 |
|---|---|---|---|---|
| 1 | damage | 损伤 | 8770 | 3.47 |
| 2 | dirt | 污渍 | 581 | 1.03 |
数据三要素解析
类别与目标覆盖
- 数据集定义 2 类风机叶片表面问题：损伤 （damage）与污渍（dirt）。
- 损伤类样本较多（8770个标注），污渍类较少（581个标注），存在明显的类别不平衡。
- 损伤类的平均面积占比仅 2.46% ，属于小目标检测场景；污渍类平均面积占比达 31.33% ，尺寸较大。
数据规模与来源
- 图像总量约 13470 张，规模庞大，能支撑深度学习模型的稳健训练。
- 其中 78%（10475张） 的图像无标注，可用于半监督或无监督研究；约3000张 包含至少一个类别实例。
- 图像尺寸统一为 586×371 像素，适配轻量化模型训练。
- 数据源自同一台"Nordtank"风机的时序巡检影像（2017-2018年），采集自丹麦罗斯基勒的DTU风电设施。
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：风机叶片损伤视觉检测的技术要点
- 小目标检测挑战 ：损伤类目标平均面积仅占图像的 2.46%，部分损伤可能仅占几个像素，常规检测模型易漏检。建议采用高分辨率输入、多尺度特征融合或专门的小目标检测头。
- 类别不平衡：损伤样本远多于污渍样本（8770 vs 581），训练时可采用类别加权损失或过采样策略，提升对稀有类别的检测灵敏度。
- 污渍与损伤的区分：污渍通常面积较大、边界模糊，而损伤（如裂纹、剥落）边界清晰、形态多样。模型需依赖纹理与边缘特征进行区分。
- 无人机巡检场景：数据源自无人机巡检，拍摄角度、距离、光照条件多样，需采用多尺度训练与数据增强策略。
- 应用闭环：检测结果可结合风机编号与巡检时间，生成叶片健康档案，辅助制定维护计划与更换决策。
快速开始（代码示例）
配置文件 data.yaml 示例：
yaml
train: ./dataset/images/train
val: ./dataset/images/val
nc: 2
names: ['damage', 'dirt']启动 YOLOv8 训练：
python
from ultralytics import YOLO
model = YOLO('yolov8m.pt')
model.train(
data='data.yaml',
epochs=100,
imgsz=640,
batch=16,
device=0
)标签
风机叶片 表面损伤 污渍检测 无人机巡检 风电运维 目标检测 YOLO格式 深度学习数据集 计算机视觉