Poplar, Grandis Cross-Cut (Grandis-CC), and Grandis Radial-Cut (Grandis-RC)

该研究构建了包含杨木、大叶桉横切与大叶桉径切的三类木材多模态数据集，由丹麦技术大学等机构通过精密实验采集。数据集规模涵盖数百个样本，每个样本包含RGB图像与对应热响应图像，空间分辨率分别为176×176与128×128像素，并辅以温控测试台温度图。数据采集过程采用标准化协议，通过铝制温控平台、RGB相机与红外相机同步记录，经加权平衡与帧平均处理获得准稳态热响应。该数据集旨在支持物理信息深度学习框架的开发，解决木材空间异质性热响应的像素级预测问题，推动木材热性能分析与自适应建筑设计。This study develops a multimodal dataset covering three wood types: poplar, transverse-cut *Eucalyptus robusta*, and radial-cut *Eucalyptus robusta*. The dataset was collected via precise experiments by institutions including the Technical University of Denmark and other relevant organizations. It contains hundreds of samples, with each sample comprising RGB images and corresponding thermal response images, which have spatial resolutions of 176×176 and 128×128 pixels respectively, alongside temperature maps acquired from the temperature-controlled test bench. The data collection follows a standardized protocol, where synchronized recording is conducted using an aluminum temperature-controlled platform, RGB camera, and infrared camera. Quasi-steady-state thermal responses are subsequently obtained through weighted balancing and frame averaging processing. This dataset aims to support the development of physics-informed deep learning frameworks, address the pixel-level prediction issue of thermal responses for wood spatial heterogeneity, and promote wood thermal performance analysis and adaptive architectural design.

搜集汇总

数据集介绍

构建方式

木材作为一种天然各向异性材料，其热响应的空间异质性对传统建筑材料均匀性假设提出了挑战。为精准捕捉这一复杂热行为，研究团队构建了包含三种木材样本的多模态数据集：Poplar（杨木）、Grandis Cross-Cut（大柚木横切面，Grandis-CC）以及Grandis Radial-Cut（大柚木径切面，Grandis-RC）。数据采集采用定制化实验装置，包含温控铝板热源、RGB相机与红外相机（FLIR A700），同步获取空间分辨率均为480×640像素的木材RGB图像及其对应热响应图，并记录热源温度场。每个木材样本被切割为薄板（100×100×3 mm），在5分钟加热至热平衡后移除配重，连续采集10帧准稳态热响应图像以抑制随机噪声。Poplar数据集含120个样本（240个A/B面），Grandis-CC含63个样本（126个A/B面），Grandis-RC含53个样本（106个A/B面），随后分别裁剪为176×176像素与128×128像素的配对图像块，供下游建模使用。

特点

该数据集的显著特点在于其设计深度契合木材热物理机理与预测建模需求。首先，数据集涵盖三种不同结构异质性的木材类型，Poplar具有高视觉方差与热响应离群值，Grandis-CC表现出高度均匀性，Grandis-RC则呈现中等偏低的均值热响应，全面代表了木材内部密度纹理、晶粒取向各向异性导致的广泛热差异。其次，数据集提供严格配对的RGB图像与归一化热响应图，并通过像素级相关性分析揭示了“视觉暗区对应高热导率”的反比物理规律。此外，基于DINOv3视觉Transformer的深度特征分析表明，网络中间层（而非最深层）最有效地捕捉到RGB与热模态间共享的结构形态特征，为跨模态联合分析提供了量化依据。

使用方法

该数据集专为物理信息深度学习框架的热响应预测任务设计，使用方法明确分为三阶段。首先，需以6:2:2比例划分训练、验证与测试集，划分策略严格基于样本物理指标（平均热传导系数k̅*与结构不对称性Δk*）进行双变量排序与KS统计优化的组合分配，确保各子集物理分布高度一致、领域偏移最小。其次，模型以木材RGB图像与热源温度图作为输入，可选择三种范式进行训练：纯数据驱动基线、基于软物理约束的PICNN（通过有限差分残差损失函数嵌入2D稳态热传导方程）以及硬编码物理求解器的PInteCNN（在正向传播中内嵌近似器-预测器-校正器迭代数值求解器）。最终，模型输出像素级预测热响应图，并通过尺度与平移不变的MAE、RMSE及δ01等严格指标进行定量评估。

背景与挑战

背景概述

木材作为一种天然异质性材料，其热响应特性因空间变化的密度和纹理而复杂多样，然而传统建筑设计长期基于均质化假设，导致对木材真实热行为的认知严重不足。为突破这一瓶颈，丹麦技术大学与丹麦皇家艺术研究院的研究团队于2026年构建了包含杨木、Grandis横切及Grandis径切三种木材的多模态数据集，旨在通过同步采集RGB图像与热响应数据，建立像素级跨模态映射。该数据集的核心研究问题在于探索木材视觉外观与热传导之间的内在关联，为自适应建筑设计与智能质量控制提供理论基础。凭借其开创性的物理信息深度学习框架，该数据集有力推动了木材热分析从宏观统计走向微观物理建模的关键转变。

当前挑战

该数据集面临的核心挑战源于木材固有的空间异质性与测量噪声的耦合作用。首先，木材内部各向异性导致的热扩散差异要求模型在像素级别精确捕捉局部密度与纹理变化，而传统数据驱动方法容易将测量噪声误认为真实物理信号。其次，多模态数据采集过程中，薄木材样本在热负载下易发生形变，影响与热床的接触一致性，且红外相机反射辐射校正引入的误差进一步增加了物理建模难度。此外，样本间显著的统计分布差异要求数据划分策略必须严格规避域偏移，确保训练集与测试集共享一致的物理分布特征，这对小样本异质数据集的泛化能力构成了严峻考验。

常用场景

经典使用场景

在木材科学与工程领域，Poplar, Grandis Cross-Cut (Grandis-CC) 与 Grandis Radial-Cut (Grandis-RC) 数据集主要用于探究木材各向异性热响应与视觉特征之间的深层映射关系。由于天然木材内部密度与纤维取向的空间非均质性，其热传导行为极为复杂。该数据集通过精心设计的实验装置，同步采集木材表面的高分辨率RGB图像与红外热响应，并配套测试床温度分布图，为解析木材热物理特性与光学外观的跨模态耦合机制提供了宝贵资源，成为评估热响应预测模型性能的标准基准。

解决学术问题

该数据集针对木材热物性研究中长期存在的关键学术难题提供了有效解决方案：如何在不依赖繁琐接触式测量的前提下，从木材表面RGB图像和有限的热边界条件数据中精准推断其像素级热响应。传统方法要么忽视材料异质性而采用均质假设，要么依赖统计黑箱模型而缺乏物理可解释性。借助此数据集，研究者能够系统验证物理信息深度学习框架的有效性，在预测精度、物理合理性及模型可解释性之间取得精妙平衡。其引入的物理学分层数据划分策略从根源上缓解了小样本高异质性物理数据集中的领域偏移困境，为物理驱动的人工智能方法论树立了重要范本。

衍生相关工作

依托该数据集，学术界衍生出一系列开创性工作。最为突出的是物理信息卷积神经网络（PICNN）与物理集成卷积神经网络（PInteCNN）两种架构的提出，前者将稳态热传导方程的残差作为软约束引入损失函数，后者则将偏微分方程数值求解器硬编码至网络前向传播之中。这些工作系统揭示了软硬物理约束在平衡预测精度与计算稳定性之间的权衡关系，并证明了物理归纳偏置能够有效指导模型在噪声真实数据中学习符合热力学规律的表征。更进一步，数据集推动了基于DINOv3视觉Transformer的跨模态特征分析，证实了网络中问层能最优捕捉木材光学与热学响应的共享几何形态信息，为多模态物理信息学习的理论深化奠定了基础。