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 PNG586×371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1damage损伤87703.472dirt污渍5811.03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train:./dataset/images/trainval:./dataset/images/valnc:2names:[damage,dirt]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)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