企业官网建设流程全解析

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?pwd=n96y
提取码: n96y

二、数据集基本信息

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

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。