AerialCSP

AerialCSP是一个针对聚光太阳能电站（CSP）的空中检查的高质量合成数据集，提供对象检测和图像分割的标注数据。该数据集由虚拟生成的空中影像模拟，旨在为模型部署前的预训练提供便利，从而显著减少对大量手动标注的需求。数据集的创建涉及3D建模、背景修复等步骤，通过模拟真实世界的条件，为CSP相关视觉任务提供了基准。AerialCSP的数据集通过物理模拟和深度学习模型生成，旨在解决CSP电站中常见的缺陷检测问题，特别是对于罕见和小规模的缺陷。

AerialCSP is a high-quality synthetic dataset for aerial inspection of concentrated solar power (CSP) plants, featuring annotated data for object detection and image segmentation. Generated using virtually simulated aerial imagery, it is designed to facilitate pre-training prior to model deployment, thus significantly reducing the demand for extensive manual annotations. The construction of this dataset involves procedures such as 3D modeling and background restoration, and it provides a benchmark for vision tasks related to CSP by simulating real-world conditions. AerialCSP is produced through physical simulation and deep learning models, aiming to address common defect detection issues in CSP plants, especially rare and small-scale defects.

原始信息汇总

AerialCSP数据集概述

数据集简介

• AerialCSP是一个虚拟数据集，模拟聚光太阳能发电厂（CSP）的航空图像。
• 通过生成合成数据模拟真实世界条件，旨在减少模型部署前对大量手动标注的需求。

数据集概览

• 数据生成方式：通过将渲染的Blender图像合成到修复后的背景上，并应用随机缩放和旋转以增加变异性。
• 支持任务：
  • 目标检测：提供YOLO格式的标注文件，包含归一化边界框信息（<class> <x_center> <y_center> <width> <height>）。
  • 实例分割：提供多边形掩码标注（<class-index> <x1> <y1> ... <xn> <yn>）和灰度图像掩码。
• 数据集划分：标准化划分为训练集（75%）、验证集（15%）和测试集（10%），共包含18,058张标注图像。

数据集结构

• cfg_train_val_test_split：包含训练、验证和测试集图像名称的文本文件。
• images_and_masks：存储渲染图像和分割掩码。
• labels_per_task：按任务分类的标注文件（目标检测和实例分割的YOLO格式）。

基准测试结果

使用YOLOv11模型在数据集上的性能表现：

模型	任务	mAP50（平均精度）
YOLOv11n	边界框检测	95.3
YOLOv11m	边界框检测	96.2
YOLOv11x	边界框检测	96.1
YOLOv11n-seg	图像分割	70.7
YOLOv11m-seg	图像分割	73.2
YOLOv11x-seg	图像分割	73.3

引用信息

如果使用AerialCSP数据集，请引用以下论文：
Pérez-Cutiño, M. A., Valverde, J., Capitán, J., Díaz-Bañez, J. M. (2025).
Reducing the gap between general purpose data and aerial images in concentrated solar power plants.
arXiv preprint, DOI: https://doi.org/10.48550/arXiv.2508.00440.

BibTeX
bibtex @article{perez2025reducing, title={Reducing the gap between general purpose data and aerial images in concentrated solar power plants}, author={Pérez-Cutiño, Miguel-Angel and Valverde, Juan and Capitán, Jesús and Díaz-Bañez, José-Miguel}, journal={arXiv preprint arXiv:2508.00440}, year={2025} }

版权声明

AerialCSP数据集归Virtualmechanics S.L.所有。

搜集汇总

数据集介绍

构建方式

AerialCSP数据集的构建采用了创新的虚拟仿真技术，通过3D建模与背景修复相结合的方式生成合成数据。研究团队首先利用CAD软件精确建模太阳能集热器的结构组件，随后在Blender环境中进行光照和视角的物理仿真，模拟无人机航拍的真实场景。为增强数据真实性，团队开发了基于Kandinsky和Stable Diffusion的智能背景修复算法，通过对800张真实航拍图像进行语义修复，生成无遮挡的背景场景。最终通过随机变换和合成技术，将3D模型与修复背景有机结合，构建了包含18,058张标注图像的高质量数据集。

使用方法

AerialCSP数据集主要应用于太阳能电站智能巡检模型的预训练与性能评估。研究者可采用标准的数据集划分方案（训练75%/验证15%/测试10%）进行模型开发，建议优先使用YOLOv11系列架构进行基准测试。在实际应用中，通过预训练-微调范式可显著提升模型性能：先在AerialCSP上进行域适应预训练，再用少量真实标注数据微调。实验表明该策略特别适用于小样本场景，能将故障检测的标注需求降低50%以上，对破损集热管等微小缺陷的识别改善尤为显著。

背景与挑战

背景概述

AerialCSP数据集由西班牙塞维利亚大学的研究团队于2025年推出，旨在解决聚光太阳能发电厂（CSP）中无人机航拍图像分析的特定需求。该数据集通过虚拟仿真技术生成高质量的合成图像，为CSP设施的自动化检测与维护提供了关键的数据支持。其核心研究问题聚焦于如何弥合通用计算机视觉数据集与CSP领域特定需求之间的差距，尤其在反射表面和领域特有元素的识别上。AerialCSP的发布显著推动了太阳能领域计算机视觉应用的发展，为无人机巡检和故障检测提供了高效的数据基础。

当前挑战

AerialCSP数据集面临的主要挑战包括：1) 领域适应性挑战：CSP设施中高度反射的表面和独特的结构元素使得通用图像识别模型难以直接应用，需解决领域特有的数据分布偏移问题；2) 数据构建挑战：真实CSP航拍数据的获取受限于隐私和商业机密，而合成数据的生成需平衡真实性与计算效率，尤其是在复杂光照和反射条件下的3D建模与背景修复；3) 小目标检测挑战：太阳能收集元件中的微小缺陷（如破损镜面或接收管）在航拍图像中占比极小，对检测算法的精度提出了极高要求。

常用场景

经典使用场景

在聚光太阳能发电（CSP）领域，AerialCSP数据集为无人机航拍图像的计算机视觉任务提供了高质量的合成数据。该数据集通过模拟真实CSP工厂环境中的反射表面和特定领域元素，解决了传统通用数据集在此类场景下表现不佳的问题。其经典使用场景包括太阳能集热器元素（SCE）的检测、热收集元素（HCE）的定位以及镜面错位识别等任务，为模型预训练提供了丰富的标注数据。

解决学术问题

AerialCSP数据集有效缓解了CSP领域标注数据稀缺的学术难题。通过合成数据生成技术，该数据集填补了通用视觉数据集与CSP特定需求之间的鸿沟，显著降低了模型对大量人工标注数据的依赖。其创新性的背景修复技术平衡了真实性与生成效率，为小样本学习、领域自适应等前沿研究方向提供了新的实验平台，特别是在处理镜面反射、小目标检测等挑战性任务时展现出独特价值。

实际应用

在实际工业应用中，AerialCSP数据集显著提升了CSP工厂的自动化检测效率。基于该数据集预训练的模型已成功应用于热收集元件破损检测、镜面缺陷识别等关键维护场景。实验表明，使用AerialCSP预训练的YOLOv11模型在真实故障检测任务中，仅需传统方法50%的标注数据即可达到同等性能，特别在检测微小破损和罕见缺陷方面表现出显著优势，为降低电站运维成本提供了可靠的技术支持。

数据集最近研究

最新研究方向

在聚光太阳能发电（CSP）领域，无人机航拍图像的分析与处理正成为研究热点。AerialCSP数据集的推出填补了该领域高质量合成数据的空白，为基于深度学习的故障检测与设备监测提供了重要支持。近期研究聚焦于如何利用该数据集优化模型预训练策略，特别是在小样本学习与跨域适应方面取得显著进展。通过结合先进的图像修复技术与三维建模方法，该数据集有效解决了真实场景中高反光表面与特殊结构带来的识别难题，为提升太阳能电站自动化运维水平提供了关键技术支撑。

相关研究论文

• Reducing the gap between general purpose data and aerial images in concentrated solar power plants

  Virtualmechanics S.L., University of Seville · 2025年