Multi-environment Inland Waterway Vessel Dataset (MEIWVD)|船舶检测数据集|内河航道数据集

MEIWVD是一个包含32,478张高质量图像的新船舶检测数据集，由武汉理工大学高性能船舶技术教育部重点实验室构建。该数据集覆盖了阳光、雨、雾、人工照明等多种环境条件下的内河航道场景，综合考虑了图像多样性、样本独立性、环境复杂性和多尺度特性，旨在为船舶目标检测提供一个具有卓越特性的基准数据集。

AI搜集汇总

数据集介绍

构建方式

MEIWVD数据集通过安装在长江流域沿岸的高清摄像头系统采集数据，覆盖晴、雨、雾及人工照明等多种复杂环境条件。研究团队采用自动与人工结合的预处理策略，剔除不可识别图像，并特别保留人类难以辨识但可通过上下文标注的挑战性样本。数据采集历时六个月（2023年11月至2024年4月），最终精选119段视频片段，使用DarkLabel工具完成标注，确保涵盖多视角（前/后/侧）、多光照（强光/弱光/人工光）及多气象条件（晴/阴/雨/雾）场景。

特点

该数据集包含32,478张高质量图像，突出四大核心特征：环境多样性（22.1%晴天、42.1%雾天、4.0%雨天及8.6%夜间灯光场景）、目标类型特异性（45.9%货船、35.9%客船、16.7%浮标）、多尺度特性（28.93%小目标<32×32像素）以及真实场景密度（单图最多含6个目标）。相比现有海事数据集，MEIWVD在绝对尺度上小目标占比提升78倍，更贴合内河航道实际工程需求。

使用方法

研究者可通过GitHub公开获取数据集及标注文件，建议采用YOLOv8等框架作为基线模型。针对多环境特性，推荐集成场景引导图像增强模块（SGIE）进行退化场景适配；对于船舶几何特征提取，参数限制膨胀卷积（PLD-Conv）能有效捕捉长宽比特征；多尺度检测则可采用提出的膨胀残差融合模块（MS-DRF）。实验表明，该方法在[0.5:0.95]IoU阈值下mAP达81.6%，较基准模型提升1.4%。

背景与挑战

背景概述

Multi-environment Inland Waterway Vessel Dataset (MEIWVD) 是由武汉理工大学高性能船舶技术教育部重点实验室的研究团队于2025年提出的重要数据集，旨在解决内河航道复杂环境下的船舶检测问题。该数据集包含32,478张高质量图像，覆盖长江流域常见的货船、客船、浮标和集装箱船等目标，并特别收录了晴天、雨天、雾天和人工照明等多种复杂环境条件下的数据。MEIWVD的创建填补了内河船舶检测领域缺乏多场景基准数据集的空白，为智能船舶视觉感知系统的环境适应性研究提供了重要支撑。该数据集通过考虑图像多样性、样本独立性、环境复杂性和多尺度特征等维度，显著提升了深度学习模型在内河航道实际应用中的泛化能力。

当前挑战

MEIWVD数据集面临的挑战主要体现在两个方面：领域问题挑战方面，内河航道目标检测需要克服狭窄水域、多变天气和岸边城市结构干扰等复杂环境因素，现有检测系统在雾天、雨天等恶劣条件下的鲁棒性显著不足；数据构建挑战方面，研究者需要解决真实场景数据采集难度大、多环境条件覆盖不均衡、小目标（如浮标）标注精度要求高，以及不同光照条件下图像质量差异显著等问题。特别值得注意的是，内河船舶的长宽比特征明显（集中在3-5之间），且28.93%的目标属于32×32像素以下的小目标，这对检测算法的多尺度特征提取能力提出了严峻考验。

常用场景

经典使用场景

MEIWVD数据集在智能船舶视觉感知领域具有广泛的应用价值，尤其在复杂多环境下的内陆航道船舶检测任务中表现卓越。该数据集通过覆盖晴天、雨天、雾天及人工照明等多种环境条件，为深度学习模型提供了丰富的训练和测试数据。其高质量图像和多尺度船舶目标标注，使得该数据集成为评估和优化目标检测算法性能的基准工具。特别是在内陆航道场景中，MEIWVD能够有效模拟真实环境中的挑战，如狭窄水道、多变天气和复杂背景干扰，从而为研究者提供了一个高度真实的实验平台。

衍生相关工作

MEIWVD数据集的发布催生了一系列相关研究工作。基于该数据集，研究者提出了场景引导图像增强（SGIE）模块，通过环境条件自适应提升水面图像质量。参数限制膨胀卷积（PLD-Conv）和多尺度膨胀残差融合（MS-DRF）等方法也被开发用于优化船舶目标的几何特征提取和多尺度检测性能。这些衍生工作不仅推动了内陆航道目标检测算法的进步，还为复杂环境下的计算机视觉研究提供了新思路。MEIWVD的广泛应用进一步促进了智能船舶感知技术的跨学科发展。

数据集最近研究

最新研究方向

近年来，Multi-environment Inland Waterway Vessel Dataset (MEIWVD) 在内陆水道船舶检测领域引起了广泛关注。该数据集以其多环境、多尺度的特性，成为研究复杂环境下船舶检测的重要基准。MEIWVD 涵盖了晴天、雨天、雾天和人工照明等多种复杂环境条件下的高质量图像，为深度学习模型提供了丰富的训练和测试数据。前沿研究方向主要集中在多场景适应性、几何特征提取和多尺度特征融合等方面。例如，提出的场景引导图像增强（SGIE）模块通过环境条件自适应增强水面图像，显著提升了检测器在复杂场景中的性能。此外，参数限制扩张卷积（PLD-Conv）和多尺度扩张残差融合（MS-DRF）模块的引入，进一步优化了模型对内陆水道船舶的几何特征和多尺度对象的检测能力。这些研究不仅推动了内陆水道船舶检测技术的发展，也为智能航运和海事监管提供了重要的技术支持。

相关研究论文

• Inland Waterway Object Detection in Multi-environment: Dataset and Approach

  武汉理工大学高性能船舶技术教育部重点实验室 · 2025年