多模态屋顶损伤与杂物检测数据集 | 屋顶检测 多模态 红外可见光 建筑巡检 目标检测9232期

多模态屋顶损伤与杂物检测数据集 | 屋顶检测 多模态 红外可见光 建筑巡检 目标检测9232期

数据集概述

本数据集专注于红外与可见光多模态场景下屋顶损伤及杂物检测 ，服务于建筑巡检、屋顶维护及城市安全评估。数据涵盖十类典型屋顶问题，适配无人机巡检、病害识别及自动化评估等应用（注：红外与可见光图像未做对齐）。

数据集核心信息

数据要素	详细说明
类别	共 10 类（详见下方列表）
数量	13820 张图像
数据量	约 5.7 GB
分辨率	1536×2048
模态	红外与可见光（注意：未做像素级对齐）
格式	同时提供 YOLO （txt）、VOC （xml）、COCO（json）三种标注格式
数据划分	训练集 11657 张，验证集 1443 张，测试集 720 张
应用价值	1. 建筑巡检 ：支撑屋顶损伤、杂物堆积的自动化检测，替代人工登顶检查。 2. 安全隐患排查 ：识别瓦片破损、检修口敞开等风险点，辅助维保决策。 3. 多模态研究 ：为红外与可见光融合检测、跨模态特征学习提供数据基础。 4. 算法研发：为多类别目标检测、细粒度识别等视觉任务提供大规模训练与评测数据。

完整类别列表（共10类）

序号	中文类别名称	包含该类图像数	标注数
1	屋顶垃圾	5430	12120
2	生物膜附着	7260	13142
3	屋顶植被/杂草	2354	4759
4	屋顶多余瓦片	1545	2211
5	瓦片破损	3091	5679
6	屋顶污垢	1382	2077
7	瓦片移位	312	349
8	屋面板裂缝	404	760
9	检修口敞开	401	559
10	天沟泛水板氧化/凹陷	210	284

数据三要素解析

类别与目标覆盖

• 数据集定义 10 类屋顶典型问题，覆盖 杂物类 （垃圾、植被、多余瓦片）、损伤类 （瓦片破损、移位、屋面板裂缝、天沟氧化）、环境类 （生物膜、污垢）及 设施类（检修口敞开）。
• 类别设置覆盖了屋顶从结构损伤到环境卫生的多种问题，具有较强的建筑维护实用性。
• 类别分布存在不平衡：生物膜附着标注数最多（13142个），天沟泛水板问题最少（284个）。

数据规模与模态

• 图像总量达 13820 张，数据量约 5.7 GB，规模庞大，能支撑多类别检测模型的稳健训练。
• 图像分辨率高达 1536×2048，细节丰富，有利于识别瓦片破损、裂缝等细微损伤。
• 包含红外与可见光 双模态图像，但未做像素级对齐，适合进行特征级或决策级的融合研究。

格式与结构

• 同时提供 YOLO 、VOC 、COCO 三种通用标注格式，灵活适配不同检测框架。
• 按约 84:10:5 比例划分为训练集（11657张）、验证集（1443张）与测试集（720张），划分规范。
  

知识普及：多模态屋顶检测的技术要点

• 红外与可见光互补：可见光图像提供纹理、颜色等外观细节，适合检测垃圾、污垢、植被等；红外图像反映温度差异，适合检测积水、生物膜、结构空鼓等热异常问题。
• 未对齐数据的挑战 ：由于未做像素级对齐，无法直接进行早期融合或像素级操作，建议采用决策级融合 （分别检测后合并结果）或特征级融合（在深层特征层面结合）。
• 类别不平衡：生物膜与垃圾样本较多，瓦片移位、天沟问题样本较少，训练时可采用类别加权损失或过采样策略。
• 小目标检测：天沟泛水板问题、裂缝等目标较小，需采用高分辨率输入或多尺度特征融合策略。
• 应用闭环：检测结果可结合建筑GIS信息，生成屋顶健康档案与维修工单，辅助建筑维护决策与城市规划。

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
test: ./dataset/images/test
nc: 10
names: ['屋顶垃圾', '生物膜附着', '屋顶植被/杂草', '屋顶多余瓦片', '瓦片破损', 
        '屋顶污垢', '瓦片移位', '屋面板裂缝', '检修口敞开', '天沟泛水板氧化/凹陷']

启动 YOLOv8 训练：

from ultralytics import YOLO

model = YOLO('yolov8m.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=8,
    device=0
)

标签

屋顶检测 多模态 红外可见光 建筑巡检 目标检测 YOLO格式 深度学习数据集 计算机视觉