OAoussama/blade-inspection-dataset

Blade damage detection — jeu fusionne

Format YOLO : coordonnees normalisees entre 0 et 1, un fichier .txt par image.

Images : train : 4433 · val : 159 · test : 161

Classes

L'ordre des identifiants est fige. Il correspond a l'enumeration DamageClass du backend et aux poids publies. Le modifier renommerait silencieusement chaque detection.

Classe	train	val	test	Total
craze	176	43	38	257
corrosion	4060	29	46	4135
surface_injure	5593	80	53	5726
thunderstrike	182	13	17	212
crack	165	44	31	240
hide_craze	848	37	53	938

Les fichiers de labels vides sont volontaires : ce sont des images de pales sans defaut, utilisees comme exemples negatifs.

Sources

Deux jeux fusionnes apres remappage des identifiants de classe.

WTBD — Ji, L., Cheng, J., Wu, S. Multiclass Dataset for Intelligent Detection of Wind Turbine Blade Defects Using Drone Imagery. Scientific Data 13, 396 (2026). https://doi.org/10.1038/s41597-026-06762-x

Beijing University — wind turbine Dataset. Roboflow Universe (2023). https://universe.roboflow.com/beijing-university-mgsyf/wind-turbine-iw8gk Licence CC BY 4.0. Les neuf categories d'origine ont ete regroupees vers cinq des six classes cibles ; les categories de salissure (poussiere, depots) ont ete ecartees car elles ne constituent pas des defauts structurels.

Avertissement

Le jeu de test provient uniquement de WTBD et n'a pas ete modifie. C'est ce qui permet de comparer les modeles entraines avant et apres l'ajout du second jeu.