无人机河道非法捕鱼网分割数据集 | 非法捕鱼网 河道巡检 实例分割 无人机航拍 渔业执法 生态保护9071期
数据集概述
本数据集专注于无人机航拍视角下河道中非法捕鱼网的像素级分割，服务于河道巡检、渔业执法及水域生态保护。数据由大疆Mavic 2在100米高度垂直俯拍采集，图像分辨率高、场景真实，适配非法捕鱼网自动识别、河道智能巡查及渔业资源保护等应用。
数据集核心信息
| 数据要素 | 详细说明 |
|---|---|
| 类别 | 共 1 类：非法捕鱼网（捕鱼养殖/非法捕鱼网） |
| 数量 | 1391 张图像 |
| 格式 | 原始图片 + 二值图分割标签（Binary Mask） |
| 数据量 | 约 1.94 GB |
| 应用价值 | 1. 河道巡检 ：支撑无人机对河道内非法捕鱼网的自动化识别与定位，提升巡查效率。 2. 渔业执法 ：为渔政部门提供非法捕捞行为的影像证据，辅助执法取证与整治决策。 3. 生态保护 ：通过定期监测，评估非法捕鱼网对鱼类资源与水域生态的影响，服务鱼种保护。 4. 算法研发：为高分辨率遥感图像中的小目标分割、水面目标检测等算法提供真实场景下的训练与评测数据。 |
数据三要素解析
类别与分割目标
- 数据集定义 1 个核心类别：非法捕鱼网（捕鱼养殖/非法捕鱼网），聚焦于河道中布设的网具目标。
- 采用 二值图分割标签，即每个像素标注为"网具"或"背景"，可支持像素级精度的目标提取与面积统计。
- 数据为经过挑选的高质量样本，全部由人工手动标注，标注精度高，能够满足精细分割模型的训练需求。
数据规模与采集条件
- 图像总量约 1391 张，规模适中，适合作为水面小目标分割任务的基准数据集。
- 图像分辨率高达 5280×2970，细节丰富，有利于识别水面上的细长网具结构。
- 采集条件统一：无人机型号 DJI Mavic 2 ，飞行高度 100米 ，拍摄角度 90°（垂直俯拍），保证了数据的空间一致性与可比性。
格式与结构
- 提供原始图片与对应的二值分割掩码，标签与图像一一对应，数据结构规范。
- 二值图可直接用于语义分割模型（如U-Net、DeepLab系列、YOLOv8-seg等）的训练与评估。
- 数据量约 1.94 GB，便于本地存储与快速加载。
应用与扩展
- 数据集可扩展用于 网具面积估算 、布设位置分析 及 时序变化监测（对比不同时期影像，判断网具是否清除）。
- 可结合 河道GIS数据 构建非法捕鱼高风险区域图，辅助执法巡查路线规划。
- 数据可迁移至 其他水面漂浮物（如垃圾、水草）的分割任务，进行微调适配。
知识普及：无人机水面目标分割的技术要点
- 小目标与细长结构：捕鱼网在水面影像中通常呈现为细长、网格状或低对比度的线条结构，对分割算法的边缘保持能力要求较高。建议采用具有跳跃连接（skip connection）的网络结构（如U-Net）以保留细节。
- 水面反光与波纹干扰：水面反光、波浪纹理、船只尾迹等易与网具混淆。高分辨率影像有助于区分，同时可引入多尺度特征融合增强鲁棒性。
- 垂直俯拍的优势：90°垂直俯拍能够减少透视畸变，使网具形态更接近真实几何形状，有利于分割精度。
- 执法应用闭环：分割结果可进一步计算网具覆盖面积、位置坐标，并自动生成巡检报告，为渔政执法提供高效、客观的技术支撑。
快速开始（代码示例）
使用本数据集进行语义分割训练的典型流程如下（以 YOLOv8-seg 为例，需先将二值图转换为多边形标注或直接使用掩码）：
1. 准备配置文件 (data.yaml)
yaml
path: ./dataset
train: images/train
val: images/val
nc: 1
names: ['illegal_fishing_net']2. 启动分割训练
python
from ultralytics import YOLO
model = YOLO("yolov8m-seg.pt")
model.train(
data="data.yaml",
epochs=100,
imgsz=1024, # 高分辨率输入有助于小目标分割
batch=8,
device=0
)标签
非法捕鱼网 河道巡检 实例分割 无人机航拍 渔业执法 生态保护 YOLO格式 深度学习数据集 计算机视觉