集装箱损伤检测数据集 | 7731张YOLO港口验箱数据集适用于港口闸口验箱、残损鉴定与目标检测研究一、数据集概述本数据集是一个面向港口物流与货运质检场景的集装箱外观损伤检测数据集共包含7731张高质量标注图像训练集6331张、验证集933张、测试集467张为单类别检测任务对集装箱箱体上的凹陷、破洞、变形、锈蚀等各类损伤统一标注为“损伤”。集装箱在国际货运周转过程中不可避免地会产生各种外观损伤及时检测与定损是明确运输责任、保障货物安全的关键环节。传统集装箱验箱依赖人工目检效率低且标准不一在大型港口的高吞吐量场景下已成为瓶颈。基于计算机视觉的自动验箱系统可在闸口、堆场实现集装箱损伤的无人化快速检测与记录。该数据集可广泛应用于港口闸口视觉检测系统、集装箱残损鉴定平台并可扩展用于船舶、货运卡车等大型装备的损伤检测研究适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。随着智慧港口建设和物流数字化转型的快速发展利用计算机视觉技术实现集装箱损伤的自动检测已成为提升验箱效率、降低人工成本、支撑货损定责的重要手段。本数据集针对集装箱损伤检测场景中损伤形态多样、目标尺度差异大、拍摄条件复杂等问题进行专项构建可为港口智能验箱系统与残损鉴定平台提供高质量数据支撑。数据集下载通过网盘分享的文件集装箱表面损伤检测数据集链接: https://pan.baidu.com/s/1AwEkQISuU9q7BJhY2RS3lg?pwdn96y提取码: n96y二、数据集基本信息项目内容数据集名称集装箱损伤检测数据集数据规模7731张高质量标注图像train 6331 valid 933 test 467任务类型目标检测Object Detection检测目标集装箱箱体损伤类别数量nc1类标注方式Bounding Box目标框标注数据格式YOLO标准格式数据来源真实港口物流与货运场景采集数据划分Train / Valid / Test适配模型YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等三、数据集类别说明本数据集为单类别目标检测数据集聚焦于集装箱箱体损伤区域的精准检测与定位类别简洁明确统一标注各类损伤适配单目标检测任务需求。类别配置nc:1names:-damage类别详情类别ID类别名称英文名称类别说明0损伤damage集装箱箱体上的凹陷、破洞、变形、锈蚀等各类损伤单类别设计使模型能够专注于损伤区域的特征学习统一标注各类损伤形态提高检测精度与定位准确性特别适用于港口闸口验箱、堆场巡检与残损鉴定等专项应用场景。四、数据集结构说明数据集采用标准YOLO目录结构组织已按训练集、验证集、测试集进行科学划分结构清晰便于直接接入主流检测框架。集装箱损伤检测数据集-1类/ ├── train │ ├── images │ └── labels ├── valid │ ├── images │ └── labels ├── test │ ├── images │ └── labels └── data.yaml各数据集作用如下train/images labels训练集图像与标签6331张用于模型参数学习与特征提取valid/images labels验证集图像与标签933张用于超参数调优、早停监控及防止过拟合test/images labels测试集图像与标签467张用于最终模型性能评估与泛化能力测试。标注文件为同名.txt格式每行格式为类别索引 x_center y_center width height坐标均为归一化值原标注中少量越界坐标已修复配套data.yaml已配置好类别名称与数量可直接适配YOLO系列等目标检测框架。五、数据集核心优势1. 规模较大的港口验箱数据集本数据集共7731张图像数据规模较大训练样本充足6331张训练图像充分保障模型收敛验证集规模大933张验证图像支撑可靠性能评估测试集规范467张测试图像满足泛化能力评估划分比例合理约8:1.2:0.6符合深度学习训练规范2. 专注集装箱损伤检测本数据集以集装箱外观损伤检测为核心任务所有图像聚焦于真实港口物流与货运场景下的集装箱采集覆盖凹陷、破洞、变形、锈蚀等各类损伤。类别设计贴合港口验箱、残损鉴定实际需求更利于训练出针对集装箱损伤的高精度检测模型。覆盖损伤形态包括凹陷与变形破洞与穿孔锈蚀与腐蚀结构变形3. 贴近真实港口作业环境数据覆盖不同箱型、角度、光照下的损伤形态不同箱型不同尺寸、颜色、新旧程度的集装箱不同角度侧面、斜角、不同巡检视角不同光照白天强光、阴天、不同时段光照真实作业场景闸口、堆场等港口作业环境有效保障模型在实际港口验箱中的泛化能力。4. 多尺度损伤检测挑战损伤目标尺度差异大对模型的多尺度检测能力要求较高小尺度小面积锈斑、细微划痕中尺度局部凹陷、小破洞大尺度大型结构变形、大面积锈蚀同图多尺度同一箱体上不同尺度的损伤并存覆盖从微小锈斑到大型结构变形的完整尺度谱系具有良好的算法检验价值。5. 标注质量可靠所有图像均经过人工标注标注质量可靠边界框规整、覆盖损伤区域单类别判别标准统一清晰原标注中少量越界坐标已修复满足高精度检测模型训练需求有效保证模型训练质量。6. 即用型数据组织标准目录结构YOLO格式标注可直接用于模型训练降低使用门槛。六、适用场景港口闸口视觉检测系统在港口闸口部署自动验箱系统对进出场集装箱进行损伤检测与记录提升通关效率。集装箱残损鉴定平台为残损鉴定提供客观的损伤检测依据辅助责任判定与理赔处理。堆场集装箱巡检在堆场巡检中自动检测集装箱损伤情况支撑箱况管理与维修调度。物流货损定责在货损纠纷中提供客观的损伤检测证据辅助运输责任划分。船舶与货运卡车损伤检测可扩展应用于船舶、货运卡车等大型装备的外观损伤检测研究。教学科研用于工业场景目标检测算法研究与模型调优等科研场景。七、适用研究方向本数据集可广泛应用于以下研究领域集装箱损伤检测与评估研究单类别目标检测研究多尺度目标检测研究小锈斑到大型变形工业视觉与港口智能化研究物流与供应链数字化研究YOLO系列模型优化研究轻量化检测模型与边缘部署研究域适应与跨场景泛化研究八、总结集装箱损伤检测数据集包含7731张高质量标注图像采用标准YOLO格式构建专注于集装箱箱体损伤的检测与定位任务。数据集以单类别损伤为核心检测目标覆盖凹陷、破洞、变形、锈蚀等各类损伤形态及不同箱型、角度、光照下的真实港口场景具有样本量大、多尺度检测挑战、标注质量可靠等特点可广泛应用于港口闸口验箱、残损鉴定、堆场巡检、货损定责等领域是开展集装箱损伤检测算法研发与智慧港口验箱系统建设的优质数据资源。
