无人机视角垃圾检测数据集,26700余张无人机图像,超过4万标注信息,共3.6GB数据量,可用于环卫快速检查,垃圾快速定位等应用。

无人机视角垃圾检测,26700余张无人机图像,超过4万标注信息,共3.6GB数据量,可用于环卫快速检查,垃圾快速定位等应用。

名称

无人机视角垃圾检测数据集

规模
  • 图像数量:26700余张
  • 标注信息:超过4万条
  • 数据量:约3.6GB
数据特点
  • 高分辨率:所有图像均为高分辨率,能够提供丰富的细节信息,有助于提高检测精度。
  • 多样化场景:图像采集自多种环境和场景,包括城市街道、公园、海滩等,涵盖了不同类型的垃圾。
  • 详细标注:每张图像都附有详细的边界框标注,标明了垃圾的位置和类别。
  • 多类垃圾:数据集涵盖了多种常见的垃圾类型,如塑料瓶、纸张、烟蒂、食品包装等。
应用场景
  • 环卫快速检查:通过无人机进行大面积的环境监测,快速发现并定位垃圾,提高环卫工作的效率。
  • 垃圾快速定位:帮助相关部门及时清理垃圾,减少对环境的影响。
  • 智能城市管理:集成到智能城市管理系统中,提升城市的整体清洁度和管理水平。
  • 环境保护:支持环保项目,监测和评估特定区域的垃圾污染情况,为环境保护措施提供依据。
  • 研究与教育:用于科研机构的研究以及相关院校的教学,帮助学生和研究人员更好地了解垃圾检测技术。

数据集结构

假设数据集的文件结构如下:

复制代码
drone_waste_detection_dataset/
├── images/
│   ├── image_0001.jpg
│   ├── image_0002.jpg
│   └── ...
├── annotations/
│   ├── annotation_0001.xml
│   ├── annotation_0002.xml
│   └── ...
└── metadata.csv

metadata.csv 文件内容示例:

复制代码
image_id, location, date, time
image_0001, City Park, 2023-01-01, 10:00:00
image_0002, Beach, 2023-01-01, 10:05:00
...

annotations/annotation_0001.xml 示例(使用Pascal VOC格式):

复制代码
<annotation>
    <folder>drone_waste_detection_dataset</folder>
    <filename>image_0001.jpg</filename>
    <size>
        <width>1024</width>
        <height>768</height>
        <depth>3</depth>
    </size>
    <object>
        <name>Plastic Bottle</name>
        <bndbox>
            <xmin>150</xmin>
            <ymin>200</ymin>
            <xmax>350</xmax>
            <ymax>400</ymax>
        </bndbox>
    </object>
    <object>
        <name>Paper</name>
        <bndbox>
            <xmin>400</xmin>
            <ymin>300</ymin>
            <xmax>500</xmax>
            <ymax>400</ymax>
        </bndbox>
    </object>
    ...
</annotation>

代码示例

下面是一个简单的Python脚本示例,展示如何加载和可视化这些数据集的一部分。我们将使用OpenCV来读取图像,并使用xml.etree.ElementTree来解析VOC格式的标注文件。

复制代码
import os
import cv2
from xml.etree import ElementTree as ET
import pandas as pd

def parse_voc_annotation(xml_file):
    tree = ET.parse(xml_file)
    root = tree.getroot()
    
    boxes = []
    labels = []
    
    for obj in root.findall('object'):
        label = obj.find('name').text
        bndbox = obj.find('bndbox')
        
        xmin = int(bndbox.find('xmin').text)
        ymin = int(bndbox.find('ymin').text)
        xmax = int(bndbox.find('xmax').text)
        ymax = int(bndbox.find('ymax').text)
        
        boxes.append([xmin, ymin, xmax, ymax])
        labels.append(label)
    
    return boxes, labels

def load_drone_data(image_dir, annotation_dir, metadata_file):
    images = []
    annotations = []
    metadata = pd.read_csv(metadata_file)
    
    for index, row in metadata.iterrows():
        image_id = row['image_id']
        location = row['location']
        date = row['date']
        time = row['time']
        
        # 加载图像
        img_path = os.path.join(image_dir, f"{image_id}.jpg")
        image = cv2.imread(img_path)
        
        # 加载对应的标注
        annotation_filename = f"annotation_{image_id.split('_')[1]}.xml"
        annotation_path = os.path.join(annotation_dir, annotation_filename)
        boxes, labels = parse_voc_annotation(annotation_path)
        
        if image is not None:
            images.append((image, location, date, time))
            annotations.append((boxes, labels))
        else:
            print(f"Failed to load image: {img_path}")
    
    return images, annotations, metadata

# 假设图像存储在'image'目录下,标注文件存储在'annotations'目录下,元数据文件为'metadata.csv'
image_dir = 'path_to_your_image_directory'
annotation_dir = 'path_to_your_annotation_directory'
metadata_file = 'path_to_your_metadata_file'

images, annotations, metadata = load_drone_data(image_dir, annotation_dir, metadata_file)

# 显示第一张图像及其对应的标注框
img, location, date, time = images[0]
boxes, labels = annotations[0]

for box, label in zip(boxes, labels):
    (xmin, ymin, xmax, ymax) = box
    cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)
    cv2.putText(img, label, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36, 255, 12), 2)

cv2.imshow('Image with Annotations', img)
cv2.setWindowTitle('Image', f'Image: Location {location}, Date {date}, Time {time}')
cv2.waitKey(0)
cv2.destroyAllWindows()

说明

  • 路径设置 :请根据实际的数据集路径调整path_to_your_image_directory、path_to_your_annotation_directory和path_to_your_metadata_file。
  • 文件命名 :假设图像文件名分别为.jpg,标注文件为.xml。如果实际命名规则不同,请相应修改代码。
  • 可视化:通过绘制边界框和标签,可以直观地看到图像中的垃圾位置和类别。

进一步的应用

  • 训练深度学习模型:可以使用这个数据集来训练卷积神经网络(CNN)或其他机器学习模型,以实现自动化的垃圾检测。
  • 数据增强:为了增加数据集的多样性和鲁棒性,可以使用数据增强技术(如旋转、翻转、缩放等)生成更多的训练样本。
  • 评估与优化:通过交叉验证和测试集评估模型性能,并不断优化模型参数,以提高检测准确率。

这个数据集对于无人机视角下的垃圾检测具有重要的实用价值,可以帮助相关部门高效地进行环境监测和垃圾清理工作,提升城市环境卫生水平。

相关推荐
qq_252941316813 天前
无人机视角公路两侧滑坡检测数据集 | 公路巡检 滑坡检测 地质灾害 无人机航拍9302期
yolo·目标检测·目标跟踪·无人机·地质灾害·无人机视角·滑坡检测
城南皮卡丘15 天前
苹果果实成熟度检测数据集 4195张+YOLO格式
深度学习·yolo·目标检测·计算机视觉·数据集
微尘hjx15 天前
【数据集 11】面向城市道路的坑洞检测数据集(含8760张,已按比例划分训练、验证、测试集,支持YOLO全系列训练)
人工智能·yolo·目标检测·数据集·道路坑洞·路坑数据集·路坑
数聚天成DeepSData18 天前
两份名录里的同名机构,主键该怎么合并
人工智能·深度学习·机器学习·数据集·deepsdata
Felaim21 天前
【SLAM】SLAM数据集相机规格说明
数据集·vslam·slam·相机标定
数聚天成DeepSData22 天前
第三方地图工具导出的 Landsat 影像,使用条件和 USGS 官方下载的一样吗
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData23 天前
验收一批标注数据时,一致性到底在比谁和谁
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData24 天前
两批标注数据合并前要核对什么
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData24 天前
外部标注需求里该写清哪几项,样例包才验收得动
人工智能·深度学习·机器学习·数据集·deepsdata
数聚天成DeepSData24 天前
Landsat 影像去哪里下载:选景、批量与脚本检索怎么选
人工智能·深度学习·机器学习·数据集·deepsdata