CUBIT-InSeg Dataset

从实例分割到物理量化：用于立面缺陷评估的高分辨率无人机数据集。

From Instance Segmentation to Physical Quantification: High-Resolution UAV Dataset for Facade Defect Assessment

原始信息汇总

数据集概述

CUBIT-InSeg 是一个基于高分辨率无人机影像的建筑立面缺陷评估数据集，专注于从实例分割到物理量化分析。

核心信息

• 论文出处：发表于 Automation in Construction 2026 年卷 188，文章编号 106980。
• 数据集用途：用于建筑立面缺陷的实例分割及物理量化评估。

数据集访问与扩展

• 下载链接：
  • Google Drive
  • OneDrive（密码：cubit-inseg）
• 基准挑战与扩展信息：详情及更多资源可访问 CUBIT 数据集挑战页面

技术支持与引用

• 联系方式：如有问题或学术讨论，可联系作者 [e-mail]
• 引用格式：研究使用本数据集时，请引用以下 BibTeX： bibtex @article{cubit-inseg, title = {From instance segmentation to physical quantification: High-resolution UAV-based dataset for façade defect assessment}, journal = {Automation in Construction}, volume = {188}, pages = {106980}, year = {2026}, issn = {0926-5805}, doi = {https://doi.org/10.1016/j.autcon.2026.106980}, author = {Benyun Zhao and Jihan Zhang and Yijun Huang and Xi Chen and Ben M. Chen} }

数据展示

• 数据集中包含样本图像及分布、比例图等可视化示例（详见页面内嵌图片）。
• 数据集页面还提供了样本图像示例及分布比例分析图。

搜集汇总

数据集介绍

构建方式

在建筑立面缺陷检测领域，高分辨率无人机影像的精细化分析是量化评估的关键。CUBIT-InSeg数据集基于无人机采集的高空建筑立面影像，针对裂缝、剥落、水渍等典型缺陷，通过人工标注与专家审核相结合的方式，构建了像素级实例分割标注。数据集涵盖不同光照、角度和材质条件下的多元场景，并对缺陷的物理尺寸进行了参数化记录，从而将语义分割结果与真实世界的物理量纲建立映射关系。

使用方法

使用者可通过Google Drive或OneDrive链接获取完整数据集，解压后即可获得图像与对应的JSON格式标注文件。数据集兼容主流实例分割框架如Mask R-CNN、YOLACT等，开发者只需将标注格式转换为COCO或YOLO样式即可快速启动训练。论文附带的基准挑战页面提供了标准化评估脚本和预训练模型，方便复现论文结果或进行算法对比。

背景与挑战

背景概述

CUBIT-InSeg数据集由香港中文大学的Benyun Zhao、Jihan Zhang、Yijun Huang、Xi Chen及Ben M. Chen等研究人员于2026年创建，发表于《Automation in Construction》期刊。该数据集聚焦于建筑立面缺陷的高分辨率无人机影像实例分割与物理量化，旨在解决传统人工检测效率低、主观性强等痛点。通过提供精细的像素级标注和缺陷物理尺寸信息，CUBIT-InSeg为自动化建筑健康监测、智能维护及数字孪生城市中的缺陷评估提供了关键基准，推动了计算机视觉技术在实际工程场景中的落地应用，对提升基础设施安全与运维智能化具有重要影响力。

当前挑战

构建CUBIT-InSeg面临多重挑战：首先，建筑立面缺陷（如裂缝、剥落）形态多样、尺度不一，且受光照、阴影及拍摄角度影响，传统语义分割模型难以精准区分并实现实例级识别。其次，无人机高分辨率影像覆盖范围广，数据量庞大，如何在有限标注资源下高效采集并保持标注一致性是一大难题。此外，从实例分割结果向缺陷物理尺寸（如裂缝宽度、面积）的量化转换存在几何畸变与尺度不确定性，需融合深度估计或三维重建技术。最后，现有公开数据集多集中于自然场景或简单纹理，缺乏针对复杂立面背景的专用数据，导致模型泛化能力不足，亟需构建高质量、多场景的缺陷实例分割基准。

常用场景

经典使用场景

在建筑外观缺陷检测与评估领域，CUBIT-InSeg数据集扮演着基石角色，其最经典的使用场景是服务于基于高分辨率无人机影像的建筑立面实例分割任务。该数据集提供了精细标注的建筑外墙裂缝、剥落、水渍等缺陷掩膜，研究人员可借助该数据训练深度学习模型，实现从二维图像中对各类缺陷进行像素级的精准识别与定位，从而为后续的物理量化分析奠定坚实基础。

解决学术问题

该数据集针对建筑外观缺陷评估中缺乏高质量、高分辨率、多类别实例分割标注数据这一核心瓶颈，解决了从定性检测向定量物理分析跨越的学术难题。传统方法多依赖人工巡检或粗糙的语义分割，难以量化缺陷面积、长度等物理参数。CUBIT-InSeg通过提供精细的实例级标注，支撑了缺陷物理尺寸的自动计算与损伤程度的客观评估，显著推动了建筑健康监测与智能诊断领域的理论发展。

实际应用

在实际工程应用中，CUBIT-InSeg数据集赋能无人机巡检系统实现自动化缺陷识别与量化评估。结合该数据集训练的模型可部署于建筑维护管理平台，对城市既有建筑幕墙、桥梁或历史文化遗产的立面进行定期巡检，自动生成包含缺陷类型、位置、面积及严重程度的检测报告。该流程大幅降低了人工高空作业风险，提高了检测效率与客观性，为建筑运维决策与灾害预警提供了可靠的数据依据。

数据集最近研究

最新研究方向

随着建筑运维阶段对结构安全与耐久性要求的日益提升，基于高分辨率无人机影像的立面缺陷智能检测已成为土木工程与计算机视觉交叉领域的前沿热点。CUBIT-InSeg数据集应此而生，它将实例分割任务与物理量化需求深度融合，突破了传统缺陷检测仅停留在分类或定位的局限，为裂缝、剥落等典型病害的精确语义分割与尺寸测量提供了高质量标注数据。该数据集不仅推动了无人机巡检在基础设施健康监测中的自动化水平，还通过建立从像素级分割到真实物理尺度映射的标准化评估框架，为后续灾害快速评估、维修优先级排序及数字孪生构建奠定了关键数据基础，是连接计算机视觉研究与工程实践的重要桥梁。