浓烟明火识别数据

1.算法训练：作为目标检测模型（YOLOv8/YOLOv11等）的训练数据集，除基础检测训练外，算法衍生字段可用于训练场景分析模型（如碰撞风险预测、密度评估等） 2.模型验证与测试：通过验证集和测试集评估模型检测精度（mAP、Precision、Recall），同时验证场景分析算法的准确性和业务价值 3.场景算法优化：利用算法衍生字段的数据分布特征，持续优化场景分析算法的参数阈值（如碰撞风险的IoU阈值、密度指数分段等） 4.标注质量评估：利用坐标的几何一致性（凸四边形验证、面积合理性检查）评估标注质量，建立标注质量反馈机制 5.森林防火指挥中心：能够基于火险等级和火点聚类分析迅速判断火情规模和蔓延趋势 6.城市消防救援部门：能够利用烟区扩散比评估火灾发展态势，优化消防力量调度 7.工业/仓储企业：能够基于烟火检测实现厂区24小时自动消防巡检 8.智慧消防物联网平台：能够集成火险等级评分实现从"看见"到"预警"再到"处置"的闭环 9.保险风险评估机构：能够利用烟火检测数据辅助企业消防安全风险评估1. 数据采集 采集目标检测图像标注数据。标注格式采用OBB旋转标注框格式（4顶点坐标：x1,y1,x2,y2,x3,y3,x4,y4），坐标归一化至[0,1]区间。提取标注字段包括：序号（从1开始连续编号）、图片名称、类型名称、以及OBB标注框坐标。 2. 数据处理 坐标归一化验证：确保所有坐标值均在[0,1]有效范围内；标注框几何有效性检查：验证OBB标注框形成有效凸四边形/HBB标注框宽高均为正值；类别信息校验：确保类型编号与类型名称一一对应，无缺失或错误映射；图片名称去重校验：确保每张图片的标注归属正确，无孤立的标注记录；异常值处理：剔除坐标超出[0,1]范围、面积为0或过大的异常标注。 3. 算法加工 （一）基础几何计算 标注框中心X = (x1+x2+x3+x4)/4，标注框中心Y = (y1+y2+y3+y4)/4，保留6位小数。 标注框面积 = |x1×y2+x2×y3+x3×y4+x4×y1−x2×y1−x3×y2−x4×y3−x1×y4|/2（Shoelace公式），保留6位小数。 （二）场景分析算法 （1）火点聚类编号：将中心距离<0.15的标注框归入同簇（距离阈值0.15对应归一化空间的物理距离），多簇编号代表多处起火。 （2）烟区扩散比=同帧所有浓烟OBB框的Shoelace面积之和÷1.0，面积越大烟势蔓延越广。 （3）火险等级评分=min(10, 火点聚类编号×2+烟区扩散比×8)。 （4）火险等级：<3初期(小火点/零星冒烟)，3-6发展中(多处起火或烟区扩大)，≥6猛烈燃烧(立即报警+消防出动)。

搜集汇总

背景与挑战

背景概述

该数据集包含2000条浓烟明火识别图像标注数据，采用OBB旋转标注框格式，记录了标注框坐标及中心、面积等几何信息，并衍生出火点聚类编号、烟区扩散比、火险等级评分等场景分析字段。数据可支撑目标检测模型的训练与验证，用于火情预警、消防调度及企业消防安全风险评估等，覆盖森林防火、城市消防、工业仓储和智慧消防平台等多个应用场景。