FOD-S2R：基于Sim2Real迁移学习的对象检测FOD数据集
计算机视觉与模式识别
2025-12-02 v1 人工智能
摘要
飞机燃油箱内的外来物体碎屑（FOD）构成严重的安全隐患，包括燃油污染、系统故障和增加维修成本。尽管存在这些严重风险，但缺乏针对飞机燃油箱内部复杂封闭环境的专用数据集。为填补这一差距，我们提出了新型数据集FOD-S2R，包含飞机燃油箱内FOD的真实与合成图像。与现有数据集聚焦外部或开放式环境不同，本数据集是首个系统评估合成数据在增强现实世界FOD检测性能方面效果的数据集，尤其是在封闭、封闭结构中。真实子集包括3,114张高分辨率HD图像，来源于受控燃油箱复制品；合成子集包括3,137张使用Unreal Engine生成的图像。数据集包含 various 场视角（FOV）、目标距离、照明条件、颜色以及目标大小。已证明合成数据可减少对大量真实世界标注的依赖并提高视觉模型的通用性。因此，我们对多种最先进的对象检测模型进行基准测试，证明引入合成数据可提高检测准确率并提升对真实世界条件的泛化能力。这些实验表明合成数据在提升模型性能和缩小Sim2Real鸿沟方面的有效性，为开发用于航空维修的自动化FOD检测系统提供了宝贵的基础。
引用
@article{arxiv.2512.01315,
title = {FOD-S2R: A FOD Dataset for Sim2Real Transfer Learning based Object Detection},
author = {Ashish Vashist and Qiranul Saadiyean and Suresh Sundaram and Chandra Sekhar Seelamantula},
journal= {arXiv preprint arXiv:2512.01315},
year = {2025}
}
备注
8 pages, 11 figures