电力施工作业安全行为检测图像数据集

电力施工作业安全行为检测图像数据集,图片总共 2300左右,标注为voc(xml)格式,包含高空抛物,未佩戴安全带,高处作业无人监护等。

电力施工作业安全行为检测图像数据集

数据集描述

这是一个专门用于电力施工作业安全行为检测的图像数据集。数据集总共包含大约2300张图片,涵盖了多种常见的不安全行为,目的是帮助训练计算机视觉模型识别电力施工现场中的潜在安全隐患。

类别

数据集中标注的行为类别主要包括但不限于:

  • 高空抛物
  • 未佩戴安全带
  • 高处作业无人监护
  • 其他不安全行为(如不戴头盔、不穿防护服等)
标注格式

数据集中的标注采用了VOC(Visual Object Classes)格式,每个图像文件都有一个对应的XML文件,其中包含了图像中每个对象的位置信息(边界框坐标)和类别标签。

图像来源

图像数据来源于真实的电力施工现场,涵盖了不同的时间和天气条件,确保了数据集的多样性和实用性。

数据集结构

典型的VOC数据集结构如下:

1dataset/
2├── Annotations/
3│   ├── img_0001.xml
4│   ├── img_0002.xml
5│   └── ...
6├── ImageSets/
7│   ├── Main/
8│   │   ├── train.txt
9│   │   ├── val.txt
10│   │   └── test.txt
11├── JPEGImages/
12│   ├── img_0001.jpg
13│   ├── img_0002.jpg
14│   └── ...
15└── labels/
16    ├── train/
17    │   ├── img_0001.txt
18    │   ├── img_0002.txt
19    └── val/
20        ├── img_0001.txt
21        ├── img_0002.txt
应用场景

该数据集可以用于训练和评估机器学习模型,特别是在电力施工领域的安全监管方面。具体应用场景包括但不限于:

  • 自动识别施工现场的安全隐患。
  • 协助现场管理人员及时发现并纠正不安全行为。
  • 提升施工人员的安全意识。

示例代码

下面是一个使用Python和相关库(如OpenCV、PyTorch等)来加载和展示数据集的简单示例代码:

1import os
2import cv2
3import xml.etree.ElementTree as ET
4from PIL import Image
5import numpy as np
6import torch
7from torchvision import transforms
8
9# 数据集路径
10dataset_path = 'path/to/dataset/'
11
12# 加载图像和标签
13def load_image_and_label(image_path, annotation_path):
14    # 读取图像
15    image = Image.open(image_path).convert('RGB')
16    # 解析XML文件
17    tree = ET.parse(annotation_path)
18    root = tree.getroot()
19    objects = []
20    for obj in root.findall('object'):
21        name = obj.find('name').text
22        bbox = obj.find('bndbox')
23        xmin = int(bbox.find('xmin').text)
24        ymin = int(bbox.find('ymin').text)
25        xmax = int(bbox.find('xmax').text)
26        ymax = int(bbox.find('ymax').text)
27        objects.append([xmin, ymin, xmax, ymax, name])
28    return image, objects
29
30# 展示图像
31def show_image_with_boxes(image, boxes):
32    img = np.array(image)
33    for box in boxes:
34        xmin, ymin, xmax, ymax, name = box
35        cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)
36        cv2.putText(img, name, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
37    cv2.imshow('Image with Boxes', img)
38    cv2.waitKey(0)
39    cv2.destroyAllWindows()
40
41# 主函数
42if __name__ == "__main__":
43    images_dir = os.path.join(dataset_path, 'JPEGImages')
44    annotations_dir = os.path.join(dataset_path, 'Annotations')
45    
46    # 获取图像列表
47    image_files = [f for f in os.listdir(images_dir) if f.endswith('.jpg')]
48    
49    # 随机选择一张图像
50    selected_image = np.random.choice(image_files)
51    image_path = os.path.join(images_dir, selected_image)
52    annotation_path = os.path.join(annotations_dir, selected_image.replace('.jpg', '.xml'))
53    
54    # 加载图像和标签
55    image, boxes = load_image_and_label(image_path, annotation_path)
56    
57    # 展示带有标注框的图像
58    show_image_with_boxes(image, boxes)

这段代码演示了如何加载图像和其对应的XML标注文件,并在图像上绘制边界框和类别标签。您可以根据实际需求进一步扩展和修改这段代码,以适应您的具体应用场景。

相关推荐
命里有定数20 小时前
Ubuntu问题 - 显示ubuntu服务器上可用磁盘空间 一条命令df -h
服务器·ubuntu·数据集
数据猎手小k2 天前
PCBS:由麻省理工学院和Google联合创建,揭示1.2M短文本间的相似性的大规模图聚类数据集。
机器学习·支持向量机·数据集·聚类·机器学习数据集·ai大模型应用
数据猎手小k5 天前
DAHL:利用由跨越 29 个类别的 8,573 个问题组成的基准数据集,评估大型语言模型在生物医学领域长篇回答的事实准确性。
人工智能·深度学习·语言模型·数据集·机器学习数据集·ai大模型应用
此星光明9 天前
GEE 数据集——美国gNATSGO(网格化国家土壤调查地理数据库)完整覆盖了美国所有地区和岛屿领土的最佳可用土壤信息
javascript·数据库·数据集·美国·数据·gee·土壤
OpenBayes9 天前
OpenBayes 一周速览丨VASP 教程上线!HPC 助力材料计算;AllClear 公共云层去除数据集发布,含超 23k 个全球分布的兴趣区域
人工智能·深度学习·机器学习·自然语言处理·开源·数据集·大语言模型
数据猎手小k12 天前
CulturalBench :一个旨在评估大型语言模型在全球不同文化背景下知识掌握情况的基准测试数据集
数据集·机器学习数据集·ai大模型应用
此星光明13 天前
2016年7月29日至2017年2月21日NASA大气层层析(ATom)任务甲醛(HCHO)、羟基(OH)和OH生产率的剖面积分柱密度
数据集·甲醛·nasa·羟基·密度·剖面·hcho
数据猎手小k13 天前
GS-Blur数据集:首个基于3D场景合成的156,209对多样化真实感模糊图像数据集。
数据集·机器学习数据集·ai大模型应用
HyperAI超神经13 天前
贝式计算的 AI4S 观察:使用机器学习对世界进行感知与推演,最大魅力在于横向扩展的有效性
人工智能·深度学习·机器学习·数据集·ai4s·科研领域·工科
HyperAI超神经15 天前
突破1200°C高温性能极限!北京科技大学用机器学习合成24种耐火高熵合金,室温延展性极佳
人工智能·深度学习·机器学习·数据集·ai4s·材料学·合金