BFDS-2025

BFDS-2025数据集部分发布在此仓库中，以支持研究的透明性和可重复性。由于数据量、标注复杂性和正在进行的研究扩展，完整数据集需通过合理的学术请求获取。数据集仅用于非商业学术研究，请求需描述研究目的，并通过GitHub Issues或直接联系作者获取。数据集包含红外热图像、RGB图像、标注文件和像素级分割掩码，用于建筑物立面剥离检测的语义分割和不确定性量化研究。

A partial release of the BFDS-2025 dataset is made available in this repository to support research transparency and reproducibility. Given the substantial data volume, complexity of annotations, and ongoing research expansions, access to the complete dataset requires a valid academic request. This dataset is restricted solely to non-commercial academic research. Requests must include a description of the research purpose, and can be submitted via GitHub Issues or by directly contacting the authors. The dataset consists of infrared thermal images, RGB images, annotation files, and pixel-level segmentation masks, designed for semantic segmentation and uncertainty quantification research on building facade stripping detection.

原始信息汇总

BFDS-2025 数据集概述

数据集基本信息

• 数据集名称：BFDS-2025
• 关联论文："Seeing the Unseen: Semantic Segmentation and Uncertainty Quantification for Delamination Detection in Building Facades"
• 数据状态：部分公开，完整数据集需申请获取
• 主要用途：用于建筑立面分层剥离检测的语义分割与不确定性量化研究

数据内容与结构

• 数据类型：包含红外热图像（Infrared thermal images）和对应的RGB图像

• 标注类型：

  • mask/：包含使用LabelMe生成的人类可解释的二进制分割掩码，前景像素代表缺陷区域，背景像素代表非缺陷区域
  • label/：包含从对应掩码转换而来的机器可读标签文件，为索引类别图（例如0代表背景，1代表缺陷），人类无法直接视觉解读

• 目录结构：

  BFDS-2025/ ├── train/ │ ├── image_irt/ # 红外热图像 │ ├── image_rgb/ # 对应的RGB图像 │ ├── label/ # 标注文件 │ └── mask/ # 像素级分割掩码 ├── val/ │ ├── image_irt/ │ ├── image_rgb/ │ ├── label/ │ └── mask/ └── test/ ├── image_irt/ ├── image_rgb/ ├── label/ └── mask/

访问与使用条款

• 使用限制：仅限非商业学术研究
• 完整数据集获取：需通过GitHub Issues或直接邮件联系作者（[e-mail]）申请，申请需简要说明研究目的
• 引用要求：使用数据集、代码或任何衍生资源必须引用关联论文
• 分发限制：未经明确许可，禁止重新分发数据集
• 衍生作品声明：任何衍生数据集或基准测试必须明确声明基于BFDS-2025

代码与实验支持

• 代码可用性：仓库提供了论文中使用的核心实现，包括模型架构定义、训练和推理脚本、评估和可视化工具
• 环境要求：Python ≥ 3.8
• 支持模型架构：包括tihsnet、unet、unetplusplus、manet、linknet、fpn、pspnet、deeplabv3、deeplabv3plus、pan、a2fpn、abcnet、dinknet34、dscnet_pro、fasternet、newnetrrm、segnet、transunet、segformer-B5、u-netformer
• 可配置参数：包括GPU设备、数据加载进程数、数据集路径、类别数（默认2，用于二值分割）、输入图像分辨率、批大小、最大训练周期、学习率、Dropout率、随机种子等

许可信息

• 代码许可：MIT License
• 数据集许可：不采用MIT License，仅限非商业学术研究，访问需作者批准

搜集汇总

数据集介绍

构建方式

在建筑外墙缺陷检测领域，BFDS-2025数据集通过多模态数据采集与精细标注构建而成。其构建过程首先利用红外热成像与RGB相机同步采集建筑外墙图像，以捕捉可见光与热辐射信息。随后采用LabelMe工具进行人工标注，生成人类可读的二进制分割掩码，清晰标示出剥离缺陷区域。这些掩码通过确定的RGB到索引映射转换为机器可读的标签文件，确保语义分割任务中类别编码的一致性。数据集按训练、验证和测试划分，支持模型开发与评估，部分数据已公开以促进研究可复现性。

特点

BFDS-2025数据集以多模态融合与高精度标注为核心特点，为建筑外墙剥离检测提供丰富资源。数据集同时包含红外热成像与RGB图像，能够从热辐射和视觉纹理双重角度揭示缺陷特征，增强模型对隐蔽问题的感知能力。标注方面，它提供人类可读的掩码和机器可读的标签，兼顾了直观检查与自动化处理的需求。数据组织采用标准目录结构，便于直接集成到训练流程中。此外，数据集支持不确定性量化任务，通过蒙特卡洛丢弃等机制评估模型预测的可靠性，推动缺陷检测向更稳健的方向发展。

使用方法

使用BFDS-2025数据集时，研究人员需遵循结构化流程以充分发挥其价值。首先配置Python环境并安装依赖项，确保与代码库兼容。数据集应按照指定目录结构组织，将红外图像、RGB图像、掩码和标签分别放置于训练、验证和测试子文件夹中。通过修改训练与测试脚本的参数，可以调整硬件设置、数据集路径、模型架构及超参数，例如选择TIHSNet、UNet等多种网络进行实验。运行训练脚本启动模型学习，利用验证集监控性能；测试阶段则评估模型在未见数据上的表现，并生成可视化结果。完整数据集需经学术申请获取，使用时必须引用相关论文，以维护学术规范。

背景与挑战

背景概述

在建筑结构健康监测领域，红外热成像技术因其非接触、高效率的特性，成为检测建筑外墙空鼓等隐蔽缺陷的重要手段。BFDS-2025数据集由研究人员于2025年构建，旨在通过语义分割与不确定性量化方法，实现对外墙空鼓的精确检测与定位。该数据集融合了红外热图像与对应的RGB图像，并提供了像素级标注，为计算机视觉在建筑缺陷诊断中的应用提供了高质量基准。其核心研究问题聚焦于解决传统人工检测效率低下、主观性强等局限，通过自动化视觉分析提升检测的准确性与可靠性，对推动智能建筑维护与安全评估技术的发展具有显著影响力。

当前挑战

BFDS-2025数据集致力于解决建筑外墙空鼓检测这一复杂视觉任务，其挑战在于红外图像中缺陷特征的模糊性与环境干扰，如温度变化、材料异质性导致的分割边界不明确，增加了模型区分正常与缺陷区域的难度。在构建过程中，数据采集面临实际建筑场景的多样性挑战，包括光照条件、拍摄角度及表面材质的差异，需确保样本的代表性与平衡性。同时，标注工作依赖专业领域知识，人工生成像素级掩码耗时耗力，且需保持标注一致性以支持可靠模型训练，这些因素共同构成了数据集构建与应用中的核心挑战。

常用场景

经典使用场景

在建筑外墙健康监测领域，BFDS-2025数据集为红外热成像与RGB图像融合的语义分割任务提供了标准化基准。该数据集通过同步采集的红外热图像与可见光图像，精确标注了建筑外墙剥离缺陷的像素级区域，使得研究人员能够开发并验证先进的深度学习模型，以自动化识别建筑表面的潜在损伤。其多模态数据特性尤其适用于探索跨模态特征融合与不确定性量化方法，为建筑结构无损检测的智能化转型奠定了数据基础。

解决学术问题

BFDS-2025数据集有效应对了建筑缺陷检测研究中高质量标注数据稀缺的挑战，其提供的精细像素级标注解决了传统方法依赖人工目视检查效率低下、主观性强的问题。该数据集支持语义分割与不确定性量化相结合的研究范式，使得模型不仅能预测缺陷区域，还能评估预测的可信度，从而提升了自动化检测系统的可靠性与可解释性。这一贡献推动了计算机视觉在土木工程健康监测领域的深入应用，促进了跨学科方法的发展。

衍生相关工作

围绕BFDS-2025数据集，学术界已衍生出一系列经典研究工作，主要集中在多模态融合网络架构设计与不确定性量化方法创新上。例如，原论文提出的TIHSNet模型探索了红外与RGB特征的有效融合机制；后续研究则可能基于该数据集，进一步开发注意力机制、Transformer架构或贝叶斯深度学习模型，以提升分割精度与不确定性估计的鲁棒性。这些工作共同丰富了建筑缺陷检测领域的算法体系，并为相关国际竞赛与基准测试提供了重要参照。