IRIS-v2

IRIS-v2是由巴黎萨克雷大学·波雷利中心与法国电力集团等机构联合创建的工业场景数据集，扩展自早期IRIS数据集。该数据集包含300张16384x8192分辨率的球形图像、530平方米的密集点云（150点/平方厘米）、约500个设备的功能示意图、6000个标注框和47000个分割掩码，数据通过LiDAR和Xphase Pro X2相机采集。数据集采用半自动方式构建CAD模型和3D管道路由信息，主要应用于数字孪生构建领域，旨在解决工业场景采集与功能示意图自动对齐的难题，为预测性维护和虚拟现实培训等应用提供支持。

搜集汇总

数据集介绍

构建方式

在工业数字化与数字孪生技术蓬勃发展的背景下，IRIS-v2数据集通过多模态数据融合的方式精心构建。其基础源自IRIS数据集提供的密集点云与CAD模型，覆盖面积超过530平方米的工业场景。在此基础上，研究团队引入了300张高分辨率球形图像、包含约500个设备元件的功能示意图（P&ID）、以及从点云中半自动提取的三维管道布线信息。数据标注工作涵盖了超过6000个二维边界框和47000个分割掩码，这些标注通过人工与基于CAD模型的投影相结合完成，确保了数据在二维与三维空间的对齐与一致性。

特点

该数据集的核心特点在于其面向工业场景的全面性与挑战性。它首次公开提供了真实工业设施中场景采集数据与功能示意图的完整配对，涵盖了图像、点云、三维模型、管道拓扑和P&ID等多种模态。场景中设备形状复杂、种类繁多，且存在遮挡现象，这为计算机视觉任务带来了显著挑战。数据具有极高的精度，点云密度达到每平方厘米150个点，球形图像分辨率高达16384x8192，能够清晰呈现远处的小型物体。这种多源异构数据的集成，为研究场景理解与功能拓扑的对齐问题提供了独一无二的基准。

使用方法

该数据集主要用于推动场景采集与功能示意图自动对齐的研究，这是构建老旧工业设施数字孪生的关键步骤。典型的使用方法遵循一个三阶段流程：首先，利用数据集中的图像和点云，通过二维基础模型检测与分割，并结合投影融合技术，完成三维场景中设备与管道的细粒度分割。其次，将分割后的三维对象与数字化后的P&ID分别抽象为图结构，其中节点代表设备或管道段，边代表物理连接关系。最后，应用鲁棒的图匹配算法（如SLOTAlign）对两个图进行对齐，并设计人机交互环节以自动检测并修正由分割错误、遮挡或图纸不一致导致的结构差异，迭代直至获得可靠的映射关系。

背景与挑战

背景概述

工业设施数字化孪生构建是提升运维效率与实现预测性维护的关键技术，其核心挑战在于将现场采集数据与功能示意图进行精确对齐。IRIS-v2数据集由法国巴黎萨克雷大学、法国电力公司等机构的研究团队于2026年发布，旨在解决老旧工业厂房因缺乏原生数字模型而难以构建数字孪体的难题。该数据集在原有IRIS数据集基础上，新增了300张球形图像、包含约500个设备元件的管道仪表流程图、6000个标注框及47000个分割掩码，为场景采集与功能示意图对齐研究提供了多模态数据支撑。通过融合点云、图像与示意图信息，IRIS-v2推动了计算机视觉与工业自动化领域的交叉研究，为自动化对齐算法开发奠定了数据基础。

当前挑战

该数据集针对工业场景采集与功能示意图对齐问题，首要挑战在于处理多模态数据间的语义鸿沟：二维示意图缺乏空间距离信息，而三维点云与图像存在遮挡、设备形状复杂及光照变异等问题，导致跨模态匹配困难。构建过程中的挑战体现于数据采集与标注的复杂性：工业环境设备密集、管道交错，需通过高精度激光雷达与球形相机进行同步采集，并依赖半自动工具提取管道路由信息；标注工作需处理数万个实例，且需保证点云、图像与示意图在坐标系与语义层级的一致性。此外，现有深度学习模型在工业数据上表现不佳，需针对特定设备进行精细化调优，这进一步增加了数据集构建的技术门槛。

常用场景

经典使用场景

在工业数字孪生构建领域，IRIS-v2数据集为场景采集与功能示意图对齐研究提供了关键支持。该数据集整合了高分辨率球形图像、密集点云、CAD模型以及管道与仪表图（P&ID），其经典使用场景在于通过多模态数据融合，实现工业设施中三维场景与二维功能示意图的精确匹配。研究者可利用其丰富的标注信息，如数千个边界框和分割掩码，开发自动化对齐算法，从而在复杂工业环境中验证几何结构与功能拓扑的一致性。

解决学术问题

IRIS-v2数据集主要解决了工业场景中数字模型缺失与对齐困难的学术挑战。传统方法依赖人工匹配，效率低下且难以扩展；该数据集通过提供真实采集数据与示意图的配对，支持了自动化对齐算法的开发。其意义在于填补了工业数据公开资源的空白，推动了计算机视觉与图形学在工业自动化中的应用，为基于结构关系而非距离信息的匹配问题提供了基准，促进了数字孪生、维护预测等关键研究方向的发展。

衍生相关工作

IRIS-v2数据集衍生了一系列经典研究工作，主要集中在三维分割与图匹配领域。例如，基于其数据，研究者改进了Grounding DINO和SAM等基础模型在工业环境中的检测与分割性能。在图对齐方面，SLOTAlign等算法被应用于处理场景与示意图间的结构扰动。此外，数据集还推动了管道重建工具如PipeRunner的优化，以及零样本分割方法在复杂形状识别中的探索，为工业视觉任务的算法创新提供了实验基础。