Circular pipe Conveyor belt line Deviation Dataset (CCDD)

由于缺乏专门针对圆形管道输送带偏差检测的公开数据集，我们引入了圆形管道输送带偏差数据集（CCDD），专门用于在真实的工业场景下检测关键输送带组件——滚轮和输送带线。数据来源：直接从工业环境中捕获的真实、未经增强的图像。采集方法：人员模拟检查机器人的轨迹和视角手动捕获的图像。数据集特点：真实的检查场景：轻微的相机抖动、轻微的运动模糊、变化但典型的视角和视觉遮挡。多样的工业现场：煤矿、码头、化工厂，确保数据集的稳健性和实际相关性。数据集组成：滚轮：4,201个；输送带线：1,025个。注释格式：提供定向边界框（OBB）注释。

Due to the lack of public datasets specifically for deviation detection of circular pipe conveyors, we introduce the Circular Pipe Conveyor Deviation Dataset (CCDD), which is dedicated to detecting key conveyor components—idlers and conveyor lines—in real industrial scenarios. Data source: Real, unenhanced images directly captured from industrial environments. Acquisition method: Images were manually captured by personnel simulating the trajectory and viewing angle of inspection robots. Dataset characteristics: Real inspection scenarios with slight camera shake, minor motion blur, variable yet typical viewing angles and visual occlusions. Diverse industrial sites including coal mines, docks and chemical plants, ensuring the robustness and practical relevance of the dataset. Dataset composition: 4,201 idlers; 1,025 conveyor lines. Annotation format: Oriented Bounding Box (OBB) annotations.

原始信息汇总

BeltLineNet: 圆形输送带偏差检测数据集概述

🎯 数据集背景

• 研究目标：针对圆形管道输送带偏差检测问题，防止物料溢出、环境污染并确保操作效率。
• 项目名称：BeltLineNet: A Shape-Prior-Guided Lightweight Network for Real-Time Deviation Detection in Circular Pipe Conveyors

📂 数据集基本信息

• 名称：Circular pipe Conveyor belt line Deviation Dataset (CCDD)
• 创建原因：填补公开数据集中圆形管道输送带偏差检测领域的空白。

📌 数据集特性

• 数据来源：真实工业环境未增强图像
• 采集方式：人工模拟巡检机器人轨迹和视角拍摄
• 场景特点：
  • 轻微相机抖动
  • 轻微运动模糊
  • 典型多视角变化
  • 视觉遮挡
• 覆盖工业场景：煤矿、码头、化工厂

📌 数据构成

• 标注对象数量：
  • 滚筒(Rollers)：4,201个
  • 输送带线(Belt Lines)：1,025条
• 标注格式：定向边界框(Oriented Bounding Box, OBB)

📌 获取方式

• 公开访问地址：Zenodo Repository - CCDD Dataset
• 包含内容：图像数据 + OBB标注 + 原始源视频

📖 引用信息

bibtex @ARTICLE{10974487, author={Zhao, Long and Su, Jinhui and Zhong, Yusheng and Xie, Weiwei and Su, Jinya and Chen, Xisong and Chen, Congyan and Li, Shihua}, journal={IEEE Sensors Journal}, title={BeltLineNet: A Shape-Prior-Guided Lightweight Network for Real-Time Deviation Detection in Circular Pipe Conveyors}, year={2025}, volume={}, number={}, pages={1-1}, keywords={Belt Deviation;Circular Pipe Conveyor;Machine Vision;Model Compression;Object Detection}, doi={10.1109/JSEN.2025.3561351} }

搜集汇总

数据集介绍

构建方式

在工业自动化领域，CCDD数据集的构建填补了圆形管道输送带偏差检测公开数据的空白。研究团队通过实地采集真实工业场景图像，由专业人员模拟巡检机器人视角进行手动拍摄，确保数据源的真实性和代表性。数据集包含来自煤矿、码头、化工厂等多样化工业现场的4,201个滚筒和1,025条输送带样本，采用定向边界框(OBB)标注方式，完整保留了实际作业环境中的相机抖动、运动模糊等真实特征。

特点

CCDD数据集以其高度的工业实用性著称，所有图像均来自真实作业环境未经增强处理，完美复现了工业巡检中常见的视角变化、轻微遮挡等挑战性场景。数据集特别注重工况多样性，涵盖不同工业场景下的输送带运行状态，为算法鲁棒性测试提供了理想基准。其独特的OBB标注方式更精准地捕捉了圆形输送带系统中滚筒和皮带的几何特征，为形状敏感的偏差检测任务提供了有力支持。

使用方法

该数据集通过Zenodo平台开放获取，研究者可下载包含原始图像和OBB标注的完整数据包。数据集特别适用于开发基于计算机视觉的输送带实时监测系统，用户可借助标注信息训练轻量级检测网络。配套提供的原始视频素材支持算法在连续帧场景下的性能验证，相关研究引用时建议采用IEEE Sensors Journal发表的BeltLineNet论文作为标准参考文献。

背景与挑战

背景概述

在工业自动化领域，圆形管道输送带的偏差检测是保障生产安全与效率的关键技术。2025年，由Zhao Long等研究人员组成的团队针对该领域公开数据匮乏的问题，构建了首个专注于圆形管道输送带偏差检测的数据集CCDD。该数据集由IEEE Sensors Journal收录，数据采集自煤矿、码头、化工厂等真实工业场景，包含4201个滚轮和1025条输送带样本，采用定向边界框标注方式。作为BeltLineNet算法的基准数据集，CCDD为工业视觉检测领域提供了重要的研究基础，其多场景、高真实性的特点显著提升了算法在实际应用中的泛化能力。

当前挑战

圆形管道输送带偏差检测面临双重技术挑战：在领域问题层面，工业场景中相机抖动、运动模糊及视觉遮挡等因素导致传统检测方法鲁棒性不足；构建过程中，研究团队需克服真实工业环境数据采集难度大、多视角样本均衡性控制复杂等困难。定向边界框标注的精度要求进一步增加了数据标注成本，而不同工业场景间的设备形态差异则对数据集的泛化能力提出了更高要求。

常用场景

经典使用场景

在工业自动化领域，CCDD数据集为圆形管道输送带偏移检测提供了关键的数据支持。该数据集通过真实工业场景下的图像采集，涵盖了多种复杂环境，如煤矿、码头和化工厂，为研究人员提供了丰富的视觉数据。这些数据不仅包括输送带和滚轮的图像，还配备了定向边界框标注，使得数据集在机器视觉和物体检测任务中具有重要价值。

解决学术问题

CCDD数据集解决了圆形管道输送带偏移检测领域缺乏公开数据的问题。通过提供真实场景下的图像和标注，该数据集为开发轻量级实时检测算法提供了基础。其多样化的工业场景和复杂的视觉条件，如相机抖动和运动模糊，使得基于该数据集的研究能够更好地应对实际工业环境中的挑战，推动了机器视觉在工业自动化中的应用。

衍生相关工作

基于CCDD数据集，研究人员已经开发了多种先进的检测算法。例如，BeltLineNet作为一种轻量级实时网络，充分利用了数据集的形状先验信息，显著提升了检测精度和速度。此外，该数据集还催生了一系列关于模型压缩和机器视觉的研究，为工业自动化中的物体检测任务提供了新的解决方案。