
-
生物通官微
陪你抓住生命科技
跳动的脉搏
用于检测风力涡轮机结构涂层缺陷的高分辨率图像
《Scientific Data》:High-Resolution Images for Coating Defect Detection in Wind Turbine Structures
【字体: 大 中 小 】 时间:2026年08月28日 来源:Scientific Data 7.2
编辑推荐:
摘要在风力涡轮机制造过程中,及早发现涂层异常对于减少材料浪费和提高生产效率至关重要。然而,深度学习(DL)检测系统的性能在很大程度上依赖于能够获取大型、高质量且注释完善的数据集。但目前缺乏公开可用的、标准化的数据集,这些数据集能够反映工业环境中涂层缺陷的多样性和实际变化情况。为了
在风力涡轮机制造过程中,及早发现涂层异常对于减少材料浪费和提高生产效率至关重要。然而,深度学习(DL)检测系统的性能在很大程度上依赖于能够获取大型、高质量且注释完善的数据集。但目前缺乏公开可用的、标准化的数据集,这些数据集能够反映工业环境中涂层缺陷的多样性和实际变化情况。为了解决这一不足,我们推出了CoatingDet数据集。该数据集包含5,416张风力塔涂层组件的RGB图像,并附有YOLO格式的边界框注释,用于缺陷定位和分类。注释采用了两分类方案:四种关键缺陷类型(夹杂物、针孔、划痕和污染物)被合并为单个“缺陷”类别,而较小的表面颗粒则被归为另一个“颗粒”类别;每张图像的主要表面类型也在元数据中进行了标注。该数据集涵盖了多种照明条件、对比度和表面状态,代表了实际的制造过程。为了验证其实用性,我们使用CoatingDet数据集训练了当前的物体检测模型,在不同的数据条件下,模型平均精度(mAP@0.5)达到了70%到86%之间。该数据集为工业环境中基于深度学习的表面检测方法的发展和评估提供了一个标准化且可复制的基准。