1. 数据集背景与应用场景解析
这个无人机高精度城市河道治理垃圾检测数据集,是我在参与某沿海城市智慧水务项目时积累的实战成果。当时我们面临的核心痛点是:传统人工河道巡检效率低下,小型漂浮垃圾经常被漏检,而市面上现有的数据集要么类别不符,要么样本量不足。经过三个月的无人机航拍和标注工作,最终形成了这个包含5类2600张标注图像的数据集。
从实际应用来看,这个数据集特别适合以下三类场景:
- 河道日常巡检:无人机每小时可覆盖5公里河道,配合该数据集训练的模型,能自动标记塑料瓶、泡沫箱等常见污染物位置
- 暴雨后垃圾堆积监测:洪水冲刷带来的突发性垃圾聚集,通过航拍对比可快速评估污染程度
- 清洁作业效果验证:清理前后拍摄对比,量化评估治理成效
关键提示:数据集中的"聚苯乙烯"类别特指外卖盒、泡沫箱等白色污染物,这类轻质垃圾在河道拐弯处最易堆积,是需要重点监测的对象
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集核心技术指标详解
2.1 数据采集与标注规范
我们采用大疆M300 RTK无人机搭配H20T混合传感器负载,在离水面15-30米高度拍摄,确保单个像素对应实际尺寸2-3cm。标注时遵循以下原则:
- 目标可见性原则:只标注完全露出水面的物体,被水淹没超过1/3的垃圾不做标注
- 阴影处理规范:物体投射在水面的阴影不纳入标注范围
- 多角度覆盖:同一段河道在不同光照条件(顺光/逆光)下重复采集
标注文件采用YOLO格式,每个txt文件包含:
code复制<class_id> <x_center> <y_center> <width> <height>
所有坐标值已归一化处理,可直接用于训练。
2.2 类别定义与样本分布
| 类别ID | 中文名称 | 英文标签 | 样本量 | 典型场景示例 |
|---|---|---|---|---|
| 0 | 瓶子 | bottle | 632 | 矿泉水瓶、饮料瓶 |
| 1 | 硬塑料 | hard_plastic | 587 | 塑料桶、玩具碎片 |
| 2 | 口罩 | mask | 429 | 一次性医 |
