江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期

江西九江地区洪涝无人机高分辨率影像数据集 | 洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估9157期

数据集概述

本数据集面向洪涝灾害场景理解的无人机高分辨率可见光影像 ,聚焦江西九江地区洪涝事件下的地物识别与淹没状态判别。数据可用于灾害监测、受灾范围提取和洪涝遥感语义分割等任务,服务于应急管理、灾后评估及城市防洪规划。

数据集核心信息

数据要素 详细说明
任务类型 语义分割(像素级多类别地物与受淹目标分类)
类别 共 6 类:水体、建筑、道路、淹没建筑、淹没道路、背景
数量 412 张原始影像,12080 张裁切样本
数据量 约 1.64 GB
分辨率 原始图像 5184×3888 ;裁切样本 512×512
格式 图像为 JPG/PNG;标签为像素级语义分割掩膜
数据划分 按 8:1:1 随机划分为训练集、验证集、测试集
应用价值 1. 灾害监测 :支撑洪涝淹没范围的自动化提取与动态监测。 2. 灾后评估 :量化建筑与道路的受淹情况,辅助损失评估与重建规划。 3. 应急响应 :快速定位淹没区域,指导救援力量部署与物资调度。 4. 算法研发:为洪涝遥感语义分割、受淹目标识别等视觉任务提供高分辨率真实场景数据。

完整类别列表(共6类)

序号 中文类别名称 类别说明
1 水体 洪水覆盖的河流、湖泊等水域
2 建筑 未被淹没的建筑物
3 道路 未被淹没的道路
4 淹没建筑 被洪水淹没的建筑物
5 淹没道路 被洪水淹没的道路
6 背景 未归入以上类别的区域

数据三要素解析

类别与场景覆盖

  • 数据集定义 6 类语义类别,覆盖 正常地物 (水体、建筑、道路)与 受淹地物 (淹没建筑、淹没道路)及 背景。
  • 受淹地物类别的设置,使数据集能够直接支撑洪涝灾害的受灾范围提取与淹没状态判别。
  • 类别设置与洪涝遥感语义分割的常见任务需求相衔接。

数据规模与组织形式

  • 数据包含 412 张原始无人机影像(5184×3888)及 12080 张裁切样本(512×512),兼顾真实场景表达与深度学习训练需求。
  • 数据量为 1.64 GB,便于本地存储与快速加载。
  • 裁切样本存储于 images_cropped 与 targets_cropped 目录,并提供了训练/验证/测试样本名称列表(按8:1:1随机打乱)。
  • 数据对应 2022年 九江地区洪涝场景,时间与地点明确。

格式与结构

  • 提供像素级精细标注的语义分割掩膜,可精确勾勒受淹区域边界。
  • 图像与标签一一对应,数据结构规范,便于进行预处理与训练流程集成。
  • 适用于 U-Net、DeepLabv3+、SegFormer 等主流语义分割框架。

知识普及:洪涝场景语义分割的技术要点

  • 类间相似性挑战:水体与道路、建筑与淹没建筑、道路与淹没道路之间存在较强的外观相似性,模型需依赖上下文信息与边界特征进行细粒度区分。
  • 积水反光干扰:洪水表面反光可能导致颜色与纹理失真,影响分割精度,建议在训练中加入相关数据增强。
  • 遮挡与边界模糊:洪水可能部分遮挡建筑与道路,导致边界模糊,需采用多尺度特征融合或边界感知损失提升分割质量。
  • 高分辨率处理:原始图像达 5184×3888,直接训练对显存要求较高,通常采用裁切策略(本数据集已提供512×512裁切样本)或降采样处理。
  • 应用闭环:分割结果可导入GIS系统,生成淹没范围图与灾情评估报告,辅助应急指挥与灾后重建。

快速开始(代码示例)

配置文件 data.yaml 示例:

yaml 复制代码
train: ./dataset/images_cropped/train
val: ./dataset/images_cropped/val
test: ./dataset/images_cropped/test
nc: 6
names: ['水体', '建筑', '道路', '淹没建筑', '淹没道路', '背景']

启动 YOLOv8 语义分割训练:

python 复制代码
from ultralytics import YOLO

model = YOLO('yolov8m-seg.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=512,
    batch=8,
    device=0
)

标签

洪涝监测 语义分割 无人机遥感 淹没识别 灾害评估 YOLO格式 深度学习数据集 计算机视觉

相关推荐
知行产研8 小时前
会感知、能协同,金科【钻孔】智能化路线 | bauma CHINA 2026
大数据·人工智能
谙弆悕博士8 小时前
从“预测下一个词”到“预测世界下一状态”:世界模型是不是下一个AGI叙事?
人工智能·gpt·深度学习·神经网络·agi·jepa·genie 4
敖老师8 小时前
企业知识库 × 飞书机器人 —— 从 0 到 1 接入
人工智能
AI前端工程狮8 小时前
我给 MCP 长任务做了持久化,结果造出一堆僵尸
人工智能·程序员
黑科技iOS上架8 小时前
iOS游戏换皮上架困境:4.3同质化拒审
人工智能·ios·审核
咕泡科技8 小时前
关于机器学习,如何通俗理解全连接层(fully connected layer)?
人工智能·深度学习·机器学习
Java后端的Ai之路8 小时前
Java并发编程22-Lock接口
java·人工智能·prompt·lock
飞Link8 小时前
俯仰角速度是什么?从飞机抬头低头理解 Pitch Rate 与飞行控制
无人机
oil欧哟8 小时前
AI 编程与写作高效工作流:语音输入、反问采访与多话题并行
人工智能
翰墨之道8 小时前
黄仁勋回归传闻升温:英伟达领导层风波牵动AI产业
人工智能·数据挖掘·回归