红外缺陷检测数据集 | 红外检测 缺陷识别 裂缝检测 渗漏检测 目标检测9145期数据集概述本数据集专注于红外热成像场景下的工业缺陷检测服务于建筑结构检测、管道巡检及设备状态监测。数据涵盖四类典型缺陷适配红外热成像条件下的缺陷识别、温度异常分析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4类裂缝、滴漏、空洞、渗漏数量463张图像格式图像为 JPG/PNG红外热成像标签为 YOLO 格式的 txt 文件水平边界框数据版本3个版本应用价值1.结构检测支撑建筑外墙、隧道衬砌等结构的红外缺陷检测识别空鼓、渗漏等隐患。2.管道巡检检测管道滴漏、渗漏等缺陷辅助预防性维护。3.设备监测通过红外热成像识别设备温度异常辅助故障诊断。4.算法研发为红外缺陷检测、多类别热异常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4类序号英文名称中文释义缺陷类型说明1crack裂缝结构表面或内部开裂2drop滴漏液体滴漏形成的热异常3hollow空洞结构内部空洞或脱空4leakage渗漏液体渗漏形成的热异常区域数据三要素解析类别与缺陷覆盖数据集定义4类红外典型缺陷裂缝、滴漏、空洞、渗漏。缺陷类型覆盖了建筑与管道结构中常见的物理损伤与液体渗漏问题具有较强的工程实用性。红外图像中缺陷通常表现为温度异常区域高温或低温与周围正常区域形成对比。数据规模与版本图像总量约463张规模较小适合作为红外缺陷检测任务的入门数据集或快速验证。数据集有3个版本可能包含不同标注完善度或数据增强的迭代版本使用时建议查阅各版本说明。数据量有限建议采用迁移学习如基于COCO预训练模型与数据增强策略提升模型泛化能力。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。知识普及红外缺陷检测的技术要点热异常识别红外图像中缺陷通常表现为与周围环境温度不同的区域。裂缝可能因空气对流呈现温度差异渗漏因水分蒸发呈低温空洞因热传导差异呈高温或低温。伪彩映射红外图像常采用伪彩映射如铁红、彩虹将温度差异可视化本数据集预览图呈现紫色到黄色的温度梯度。小目标检测部分缺陷如细微裂缝、小滴漏在图像中占比较小需采用高分辨率输入或多尺度特征融合策略。背景干扰环境温度变化、太阳辐射、设备热源等可能与缺陷混淆模型需依赖形态与温度分布特征进行区分。多模态融合红外与可见光图像融合可同时获取温度信息与外观细节提升缺陷检测的准确性。应用闭环检测结果可结合温度数据与设备台账生成缺陷分布图与维修工单辅助运维决策。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valnc:4names:[crack,drop,hollow,leakage]启动 YOLOv8 训练fromultralyticsimportYOLO modelYOLO(yolov8m.pt)model.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签红外检测缺陷识别裂缝检测渗漏检测目标检测YOLO格式深度学习数据集计算机视觉