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

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

一、数据集概述

• 本数据集聚焦于无人机航拍视角下的公路沿线滑坡灾害识别。
• 主要服务于公路安全预警、滑坡隐患排查及地质灾害应急响应。
• 数据由 DJI MAVIC 2 无人机实采，覆盖多种飞行高度与视角，场景真实。
• 涵盖 1 类核心灾害目标（滑坡），适配目标检测模型训练及自动化巡检系统开发。
• 提供双格式标签，开箱即用，适合地质灾害相关的计算机视觉研究。
  
  

二、数据集核心信息

• 类别数量 ：共 1 类（滑坡）。
• 数据规模 ：共计 1892 张图像，总大小约 459 MB。
• 图像格式与分辨率 ：图像为 JPG/PNG，分辨率为 1280×720。
• 标注格式 ：同时提供 XML （VOC格式）与 TXT（YOLO格式）。
• 采集条件 ：采集高度 40～120m ，采集角度 0～90°。
• 应用价值 ：支撑公路沿线边坡滑坡的自动识别、道路阻断评估及滑坡风险区划，辅助交通与应急管理部门决策。
  

三、数据要素详细解析

1. 类别与目标特征

• 滑坡（landslide）：目标为发生滑移、坍塌的边坡区域，通常表现为植被破坏、大面积裸土或岩石裸露。
• 在公路巡检场景中，滑坡目标形态极其不规则，边界模糊，且常与正常的路基开挖面、采石场混淆。
• 目标尺度差异巨大，从局部的边坡溜坍到阻断公路的大型塌方均有涵盖。

2. 规模与场景特征

• 数据集规模适中（1892张），具备一定的样本丰富度，能够支撑模型训练。
• 采集高度（40-120m）和角度（0-90°）跨度大，包含了正视、侧视、俯视等多种视角，有助于提升模型对不同飞行姿态的泛化能力。
• 背景包含公路、植被、山体、天空等，真实反映山区公路的复杂环境。

3. 格式与结构

• 双格式标注（XML 和 TXT）极大方便了不同框架的使用者，无需额外的格式转换工作。
• 图像与标签严格一一对应，数据结构规范。

四、知识普及：公路滑坡视觉检测技术要点

• 背景干扰与类间相似性：滑坡裸露的黄土和碎石，在视觉上极易与合法的道路施工开挖面、裸露的山体岩石混淆。模型需结合上下文（如是否位于公路边坡、是否有破坏痕迹）进行综合判别。
• 形态多变与边界模糊：滑坡没有固定的几何形状，边缘往往呈现不规则的蔓延状。传统的边界框（Bounding Box）可能包含大量背景，建议探索实例分割（Segmentation）以获取更精确的灾害范围。
• 光影与天气影响：山区光照不均，阴影容易掩盖滑坡细节；雨雾天气也会降低图像对比度。训练时加入亮度、对比度增强及天气模拟，可提升模型鲁棒性。
• 应用闭环：检测结果可结合无人机航线与 GPS 信息，生成公路沿线滑坡风险分布图，及时指导道路封锁、清障抢修及交通疏导。

五、快速开始（代码示例）

1. 准备配置文件 (data.yaml)

train: ./dataset/images/train
val: ./dataset/images/val
nc: 1
names: ['滑坡']

2. 启动 YOLOv8 训练

from ultralytics import YOLO

model = YOLO('yolov8m.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

标签

公路巡检、滑坡检测、地质灾害、无人机航拍、目标检测、YOLO格式、VOC格式、深度学习数据集、计算机视觉