Windows OpenClaw 完整安装指南：全程可视化 + 安装包获取方法（TaoToken 统一 Key 接入版）
2026/10/4 9:23:14
建筑物损伤检测数据集 | 建筑物损伤 裂缝检测 渗漏识别 脱落检测 9143期
数据集概述
本数据集专注于建筑物结构表观损伤的视觉检测与分类，服务于建筑安全巡检、老旧小区改造及市政工程健康监测。数据涵盖五类典型建筑损伤，适配无人机航拍巡检、外立面隐患排查及自动化损伤识别等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共5类：裂缝、渗漏、脱落、锈蚀、鼓包 |
| 数量 | 14304张图像 |
| 格式 | 图像为 JPG/PNG（分辨率640×640）；同时提供YOLO、VOC、COCO三种标注格式 |
| 数据划分 | 训练集11443张，验证集1430张，测试集1431张 |
| 应用价值 | 1.结构巡检：支撑建筑物外立面损伤的自动化检测与分类，替代人工登高检查。 2.安全排查：辅助老旧小区外立面隐患排查，自动标记裂缝、脱落风险区域。 3.健康监测：为桥梁、高架、廊道等构筑物的结构健康监测提供数据基础。 4.算法研发：为多类别损伤检测、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5类）
| 序号 | 英文名称 | 中文释义 | 包含该类图像数 | 标注框总数 |
|---|---|---|---|---|
| 0 | crackrotation | 裂缝 | 6253 | 17044 |
| 1 | leakagerotation | 渗漏 | 2464 | 6642 |
| 2 | abscissionrotation | 脱落 | 5165 | 22700 |
| 3 | corrosionrotation | 锈蚀 | 2102 | 9207 |
| 4 | bulgerotation | 鼓包 | 1170 | 1851 |
数据三要素解析
类别与损伤覆盖
- 数据集定义5类建筑典型损伤：裂缝（crack）、渗漏（leakage）、脱落（abscission）、锈蚀（corrosion）、鼓包（bulge）。
- 损伤类型覆盖了混凝土结构从物理开裂、渗水到材料劣化、涂层脱落的多种失效模式，具有较强的工程实用性。
- 类别名称后缀“rotation”表明数据可能包含了旋转增强样本。
数据规模与划分
- 图像总量达14304张，规模充足，能支撑多类别损伤检测模型的稳健训练。
- 按约80:10:10比例规范划分为训练集（11443张）、验证集（1430张）与测试集（1431张），划分规范。
- 图像分辨率统一为640×640，可直接输入常见检测网络。
- 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。
配套资源与源码
- 附赠基于YOLOv11n训练的完整模型（训练80轮），可直接推理或作为迁移学习起点。
- 提供全部训练 + 测试源代码。
- 提供PyQt5 可视化界面（含源码、.ui、.qrc、图标文件），支持图片、视频、摄像头实时检测，实时显示目标位置、总数、置信度等信息，支持结果导出。
- 运行环境：Python=3.8、opencv-python、PyQt5、torch，支持 Windows、Linux 系统。
知识普及：建筑物损伤视觉检测的技术要点
- 裂缝的细长特征：裂缝呈细长线状，对检测算法的边缘保持能力要求较高。建议采用多尺度特征融合或专门的小目标检测头。
- 渗漏与锈蚀的边界模糊：渗漏、锈蚀等损伤边界可能模糊，与建筑表面纹理交织，需依赖色彩与纹理特征进行区分。
- 脱落与鼓包的形态差异：脱落通常呈现不规则缺失区域，鼓包呈局部隆起，模型需依赖形状与阴影特征进行区分。
- 背景干扰：建筑表面装饰、门窗、管线等可能与损伤混淆，建议训练时加入相关数据增强。
- 类别不平衡：鼓包类样本较少（1170张），裂缝类较多（6253张），训练时可采用类别加权损失或过采样策略。
- 应用闭环：检测结果可导入建筑管理系统，结合GPS信息生成损伤分布图与维修工单，辅助安全决策。
快速开始（代码示例）
1. 准备配置文件 (data.yaml)
path:./building_damage_datasettrain:images/trainval:images/valtest:images/testnc:5names:['crackrotation','leakagerotation','abscissionrotation','corrosionrotation','bulgerotation']2. 启动 YOLOv11n 训练
fromultralyticsimportYOLO model=YOLO("yolo11n.pt")train_results=model.train(data="data.yaml",epochs=80,imgsz=640,batch=8,device=0,workers=2,project="building_damage",name="yolo11n_building",conf=0.25)# 验证模型精度metrics=model.val()print(f"mAP@0.5 ={metrics.box.map50:.4f}")# 单图推理model.predict("test.jpg",save=True,conf=0.3)# 导出onnx部署模型model.export(format="onnx")3. PyQt5 可视化检测界面
importsysimportcv2fromPyQt5.QtWidgetsimportQApplication,QMainWindow,QPushButton,QLabel,QFileDialogfromPyQt5.QtGuiimportQImage,QPixmapfromultralyticsimportYOLOclassDetWindow(QMainWindow):def__init__(self):super().__init__()self.setWindowTitle("建筑物损伤检测系统 YOLOv11")self.resize(1000,700)self.model=YOLO("runs/building_damage/yolo11n_building/weights/best.pt")self.btn_img=QPushButton("图片检测",self)self.btn_img.move(20,20)self.btn_img.clicked.connect(self.detect_img)self.label_show=QLabel(self)self.label_show.setGeometry(20,80,800,550)defdetect_img(self):fname,_=QFileDialog.getOpenFileName()ifnotfname:returnres=self.model(fname,conf=0.3)img=res[0].plot()img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)h,w,c=img.shape qimg=QImage(img.data,w,h,c*w,QImage.Format_RGB888)self.label_show.setPixmap(QPixmap.fromImage(qimg))if__name__=="__main__":app=QApplication(sys.argv)win=DetWindow()win.show()sys.exit(app.exec_())标签
建筑物损伤裂缝检测渗漏识别脱落检测目标检测YOLO格式深度学习数据集计算机视觉