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:

复制代码
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:

复制代码
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
xchenhao2 天前
人脸图像识别实战:使用 LFW 数据集对比四种机器学习模型(SVM、逻辑回归、随机森林、MLP)
机器学习·支持向量机·人脸识别·数据集·逻辑回归·svm·cv
智数研析社12 天前
9120 部 TMDb 高分电影数据集 | 7 列全维度指标 (评分 / 热度 / 剧情)+API 权威源 | 电影趋势分析 / 推荐系统 / NLP 建模用
大数据·人工智能·python·深度学习·数据分析·数据集·数据清洗
xchenhao12 天前
Scikit-Learn 对糖尿病数据集(回归任务)进行全面分析
python·机器学习·回归·数据集·scikit-learn·特征·svm
xchenhao12 天前
Scikit-learn 对加州房价数据集(回归任务)进行全面分析
python·决策树·机器学习·回归·数据集·scikit-learn·knn
xchenhao13 天前
SciKit-Learn 全面分析分类任务 breast_cancer 数据集
python·机器学习·分类·数据集·scikit-learn·svm
semantist@语校14 天前
第十九篇|东京世界日本语学校的结构数据建模:制度函数、能力矩阵与升学图谱
数据库·人工智能·线性代数·矩阵·prompt·github·数据集
xchenhao16 天前
SciKit-Learn 全面分析 digits 手写数据集
python·机器学习·分类·数据集·scikit-learn·svm·手写
深度学习lover16 天前
<数据集>yolo梨幼果识别数据集<目标检测>
python·yolo·目标检测·计算机视觉·数据集
却道天凉_好个秋17 天前
深度学习(四):数据集划分
人工智能·深度学习·数据集
爱补鱼的猫猫18 天前
快速构建数据集-假数据(生成&划分)
数据集