近年来，清洁机器人加速进入家庭、写字楼、酒店、医院和工厂。经过几轮技术迭代，机器人的导航、避障和全覆盖清扫已经相对成熟，但在”看清地面有什么脏东西”这件事上，多数产品仍有明显短板。打翻的汤汁、卫生间门口的水渍、地毯上的咖啡渍、车间地面的机油——液体污渍是日常清洁中最常见的污染物，却恰恰是通用视觉数据集覆盖最少的场景之一。

从技术角度看，液体污渍本身也不好处理：它形态不规则、透明度高、容易反光，不同光照和地面材质下的视觉差异很大，靠通用模型直接迁移，识别精度往往达不到产品要求。而数据团队自行组织采集，要覆盖不同城市、不同场景、不同污渍类型和光照条件，周期长、标注成本高，很多中小团队难以承担。

液体污渍数据集就是为解决这个缺口整理的垂直图像数据集，现已在典枢数据交易平台上线。它专门面向机器人清洁器的视觉识别与场景理解任务，目前已开放购买。

一、数据集概况

数据集共包含 76,184 张液体污渍透视图，以图像文件形式提供。采集视角采用透视图（perspective view），即模拟机器人清洁器在地面实际行进时”看到”的画面，而不是人站立时的俯视角度——这一选择的意义在于：训练数据和产品上线后设备实际看到的视角一致，模型迁移到端侧时不需要额外做视角校正。

每条样本包含三个字段，完整性均为 100%，可直接进入训练流程：

• image：液体污渍透视图原始图像文件；
• label：污渍类型标签，已按类别完成标注；
• view_type：视角类型，本数据集中统一为透视图。

二、污渍类型与场景覆盖

污渍类型共覆盖六类，基本涵盖日常清洁中遇到的主要液体污染物：

• 液体泼溅：散落状的液体污渍，常见于厨房、餐厅；
• 水渍：透明液体残留，常见于卫生间、走廊；
• 饮料污渍：有色液体残留，常见于客厅、办公室；
• 油污：黏性液体污渍，常见于厨房、工厂；
• 血迹类污渍：特殊液体污渍，多见于医院、实验室；
• 其他液体：各类液体残留，适配通用场景。

采集环境横跨五类真实场景：家庭场景涵盖客厅、厨房、卧室、卫生间；办公场景涵盖办公室、会议室、走廊；商业场景涵盖商场、餐厅、酒店；工业场景涵盖工厂车间、仓库；公共场景涵盖医院、学校、机场。同一类污渍在不同环境、不同背景下的形态差异，对模型的泛化能力是很好的检验。

在细节层面，数据集还刻意保留了多种现实变量：光照条件上包括白天、夜晚和人工照明；地面材质上包括瓷砖、木地板、地毯和水泥地。这些变量恰恰是实验室环境最容易忽略、却最影响现场效果的部分。

三、数据样例说明

由于数据集包含完整原始图像文件，这里按典型场景说明其内容构成：

• 厨房液体污渍：汤汁、饮料泼溅在地板上，对应家庭厨房清洁；
• 卫生间水渍：水龙头、浴缸周围的水渍，对应卫生间清洁；
• 餐厅饮料污渍：餐厅地面的饮料残留，对应商业场所清洁；
• 办公室咖啡污渍：办公室地毯上的咖啡渍，对应办公场所清洁；
• 工厂油污：工厂地面的机油污渍，对应工业清洁；
• 走廊水渍：走廊地面的水渍痕迹，对应公共区域清洁。

可以看出，样例并非影棚摆拍，而是贴近真实使用状态的记录。

四、产品特点

1、任务聚焦。 数据集围绕液体污渍检测这一单一任务组织，而不是通用场景图集，模型在特定任务上的检测精度更容易做上去。

2、视角一致。 全部采用透视图采集，与机器人清洁器的实际作业视角对齐，减少从训练环境到产品现场的适配成本。

3、规模充足。 76,184 张的样本量，可以支撑深度学习模型从训练到调优的完整流程，也方便做交叉验证和 ablation 实验。

4、环境真实。 图像均在实际环境中采集，覆盖多种光照和地面材质，有助于模型在客户真实场景中保持稳定表现，减少”实验室里准、到现场就失灵”的折损。

五、可支持的应用方向

1. 机器人清洁器视觉检测系统。 这是数据集最核心的用途。在该数据集上训练深度学习模型后，清洁机器人能够实时识别工作区域内的液体污渍，规划最优清洁路径，并根据污渍的类型、大小和位置自动选择清洁模式与力度，实现精准、高效的自动化清洁。该方向可落地于家庭扫地机器人、商用清洁机器人和工业清洁机器人等产品线。

2. 自主导航与环境感知。 除了污渍检测，透视图中包含丰富的空间信息。利用这些数据，机器人可以感知房间结构、障碍物位置和地面材质，辅助构建环境地图，提升复杂环境下的导航与避障能力，这对人机共处的服务机器人尤为重要。

3. 智能清洁决策系统。 基于检测结果，可以进一步构建分层清洁策略：对重度污渍增加清洁次数和力度，对轻度污渍快速处理，对血迹类特殊污渍发出警示并建议人工介入。在保证清洁效果的同时，也能避免机器人对整屋区域过度重复作业，延长整机使用寿命。

4. 场景理解与语义分割。 数据集可用于训练语义分割模型，对图像中的污渍、地面、家具、障碍物进行分割识别。例如模型可以判断出沙发下方的污渍适合吸拖、餐桌表面的污渍适合擦拭，让清洁方式更精细，而不是全区域统一模式。

5. 多传感器融合系统。 视觉检测结果可以与激光雷达、深度摄像头、触觉传感器等数据结合：视觉负责识别”哪里有污渍、是什么污渍”，其他传感器提供精确的空间坐标，二者融合后可以更准确地定位污渍的三维位置和范围。

6. 家庭服务机器人研发。 对家庭服务机器人而言，液体污渍检测是从”会走路”到”真智能”的关键一步。基于该数据集训练的模型，可以让机器人像人一样识别地面污渍并采取对应清洁措施，提升用户体验。

六、适合的使用方

• 正在开发扫地机器人、商用清洁设备、工业清洁机器人的产品与算法团队，可借此缩短数据冷启动周期；
• 从事服务机器人、机器视觉、场景理解方向研究的高校和科研机构，可直接作为训练与实验数据；
• 需要真实场景图像做模型验证、对标测试的企业研发团队。

七、总结

液体污渍数据集面向的是一个具体而真实的问题：清洁机器人已经解决了导航和避障，但对地面液体污渍的识别仍然普遍偏弱。这份数据集用 76,184 张透视图，把六类常见液体污渍、五类真实场景、多种光照条件和地面材质集中到一起，并且全部按照机器人的工作视角采集、完成标注，团队拿到后可以直接进入训练流程。

对算法团队来说，它省去了自行组织采集和标注的周期；对产品团队来说，它补上了视觉检测、智能清洁决策、语义分割等功能模块的数据缺口；对研究机构来说，它提供了一个贴近真实作业环境的垂直数据集。随着清洁机器人的竞争从”导航能力”走向”感知能力”，这类聚焦具体任务、贴近真实场景的数据资产，会越来越成为产品差异化的基础。

该数据集目前已在典枢数据交易平台上线，需要了解数据口径或申请样例的读者，可在平台搜索”液体污渍数据集”获取详细资料。