排水管道接口材料脱落缺陷数据集
收藏资源简介：
本数据集面向城市智慧水务管网检测垂直场景，为AI模型提供训练数据，实现市政排水管网CCTV内窥检测视频自动化分析。数据集覆盖多类标准管道缺陷，其中接口材料脱落缺陷积累大量真实检测样本，包含橡胶圈、密封填料不同程度脱落、局部残余、完全剥离等多种情况，样本体量充足，覆盖积水、污渍干扰下的成像画面，助力模型精准捕捉接口密封材料损毁的细微特征，有效保障接口材料脱落缺陷识别的准确率与召回率。具体功能包括自动识别接口材料脱落类标准管道缺陷、定位缺陷位置、评估缺陷等级，并最终自动生成标准化的管网检测报告，替代传统人工判读模式，大幅提升管网检测效率与准确率，为城市管网长效运维、防汛排涝提供数据支撑，服务于市政管理部门、检测企业、施工单位及设备厂商。 同时，数据集可深度赋能水务行业垂直大模型训练与迭代，依托海量、场景丰富、标注精准的管道缺陷影像及结构化数据，为大模型提供场景化训练样本，支撑大模型实现管道缺陷智能判读、病害成因分析、管网风险预判、运维方案智能推荐等高阶能力，有效解决通用大模型在水务管网细分场景适配性差、识别精度不足、场景认知匮乏的问题。一、数据预处理 本数据集基于城市排水管网CCTV巡检视频构建。针对接口材料脱落缺陷（的视觉特征，预处理策略如下： 利用OCR识别并模糊敏感文字信息，严格避开管道接口及异物侵入区域，确保脱落的橡胶圈形态、悬挂状态及侵入管内的空间位置等关键几何特征完整保留，经抽检确认无泄露且特征无损。 剔除镜头严重抖动、起雾导致无法辨识的低质画面；重点保留能清晰展示接口材料脱落位置及其与管壁相对关系的帧图像。 二、管道缺陷目标检测 采用YOLO系列算法，以单张脱敏图像为输入，构建排水管道脱落检测模型。该缺陷典型表征为：接口处的橡胶圈或密封垫层脱离承插口，呈环状、半环状或条状突入管道过水断面，其材质纹理、反光特性及悬垂形态与正常平整接口或管壁存在显著差异。 使用LabelImg进行矩形框标注，要求框体精准包裹侵入管内的橡胶圈/密封材料本体及其根部连接处，确保包含材料脱落的起始点及侵入深度等上下文结构信息。 设定适应异形侵入物形态变化的置信度与IoU阈值。考虑到脱落物常表现为不规则曲面、局部悬挂或被水流冲刷变形，NMS去重时适当调整重叠容忍度，防止对同一脱落物的不同反光面或连续撕裂片段造成误删。 输出成果： 输出脱落物定位框检测结果及类别标签，实现自动化精准识别。 三、AI 协同标注体系 建立“模型预标注+置信度分级+人工修正+规则校验”四阶闭环流程： 部署基线模型自动生成脱落物候选框。高置信度且橡胶圈侵入形态典型的样本自动入库；低置信度样本转入人工精修队列，阈值随迭代动态优化。主要修正脱落物边缘不精准即漏标、误标的问题。内置规则引擎检查标注框越界、标签错误及尺寸过大、过小等问题。 四、数据增强与迭代扩充 针对脱落物形态受重力/水流影响大、材质反光干扰强等特点，设计多层次增强策略： 应用随机旋转、透视变换及弹性形变，模拟不同拍摄距离和偏轴角度下橡胶圈悬挂/堆积的形态变化；叠加运动模糊与局部遮挡，模拟设备行进抖动及污水飞溅干扰，迫使模型学习脱落材料的本质纹理与空间结构特征。 通过MixUp/CutMix混合不同管材、不同密封圈材质条件下的脱落样本，打破对特定颜色或形状的过拟合；引入HSV扰动、Gamma校正及合成阴影/光斑，模拟湿滑表面的高光反射、井室遮光及管内暗区工况。 建立季度数据回流与难例挖掘机制，将老化碎裂、部分嵌入管壁等困难样本纳入训练集，持续提升模型对非典型脱落的适应能力。
