近日，山东大学红外感知技术与应用团队研究人员在Scientific Data期刊发表题为Tri-band vehicle and vessel dataset for artificial intelligence research的研究论文，正式发布首个公开的三波段（可见光VIS、短波红外SWIR、长波红外LWIR）车辆与船舶数据集。该数据集在目标检测、多波段图像融合等领域具有重要应用价值，为自动驾驶、船舶监控、恶劣天气感知等场景提供了高质量数据支撑。

创新突破：填补三波段数据空白，解决行业痛点。当前，人工智能在交通监控、自动驾驶等领域的应用高度依赖数据集，但现有数据集多局限于单一波段（如可见光或红外），难以应对复杂场景需求。例如，可见光数据在夜间或雾天失效，红外数据在温差小场景中精度不足。研究团队针对这一瓶颈，历时多年构建了首个同步覆盖可见光、短波红外与长波红外的三波段数据集，具备以下核心优势：1.多波段协同、跨谱段时空一致。通过精密光学设备与算法设计，确保三波段图像在时间同步与视场一致性上的严格对齐，为多模态信息融合奠定基础。2.多场景覆盖。数据集涵盖城市道路、港口、海岸等多样化场景，并包含晴天、雨雪、雾霾等多种天气条件下的数据，显著提升模型泛化能力。3.高精度标注。60%数据经人工标注，支持主流目标检测算法（如YOLOv8、SSD）训练，实测平均精度（mAP）超0.8，验证了数据集的可靠性。

技术验证：目标检测与图像融合双效提升。研究团队利用该数据集开展了系统性验证。在目标检测任务中，YOLOv8模型对车辆和船舶的识别准确率分别达到89%和97%，尤其在夜间或低能见度场景中，红外波段数据显著提升检测稳定性。此外，团队基于小波变换多波段图像融合算法对多维信息融合进行验证，成功将可见光的细节信息与红外的热成像特征结合，在雾天船舶检测等任务中实现互补增强。实验表明，融合图像可同时保留交通信号灯倒计时（可见光）与车辆热源分布（红外）等关键信息，为复杂环境感知提供新思路。

数据集已在国际平台Figshare及山东大学激光与红外系统教育部重点实验室官网、光学高等研究中心官网开源，包含2,769组车辆数据与1,350组船舶数据，每组均提供三波段原始图像及标注文件。目前，数据集已被国内外科研院所、高校、科技公司等80余家单位150余科研团队下载使用，其应用场景覆盖公共安全、海洋监测、高校教育教学、创新创业等，为我国智能感知科技发展与人工智能创新应用注入新动能。

此项工作获国家自然科学基金、山东省重点研发计划、山东省自然科学基金、山东省自然科学基金创新发展联合基金、山东大学基本科研业务费专项资金、山东大学自研自制仪器设备培育项目、山东大学研究生教育教学改革研究项目等支持。