温州轨道交通S2线无人机视角下异物检测数据

本数据集为轨道交通智能巡检算法训练构建。通过无人机搭载高清摄像头、激光雷达、红外传感器等多模态设备采集，结合经本数据集训练调优的轨道交通智能巡检算法，显著提升轨道交通线路巡查、设备巡检、保护区巡护及工地巡查的效率，整体效率提升50%以上。本数据集面向轨道交通垂直领域图像识别算法厂商，提供高精度、场景化的训练数据支持，可针对性优化异物检测算法模型，显著提升复杂环境下的识别准确率与泛化能力。本数据集重点解决接触网、轨道区域异物挂搭带来的供电中断与行车风险，覆盖鸟窝与高空悬浮物（包含塑料薄膜、气球、风筝等轻质异物），模拟不同悬挂高度、形变状态及背景复杂度，强化异物检测算法对微小、半透明、遮挡目标的检出能力，保障列车运行安全。一、加工前的数据说明
本数据集原始数据全部来源于轨道交通无人机智能巡检系统，为分辨率不低于4K的航拍影像。采集过程遵循预设航线与飞行参数，确保图像具备时空一致性与视角多样性。每张原始图像均包含完整的传感器元数据，涵盖GPS坐标、拍摄时间戳、无人机姿态参数等信息，同时包含接触网设备、轨道结构、行人、车辆、自然环境等场景要素。数据未经任何裁剪、压缩或标注处理，原始图像中可能存在人脸、车牌号、设备编号等个人敏感信息及公共数据。
二、处理规则
脱敏处理。依托深度学习目标检测与OCR技术，自动识别定位图像人脸、车牌、敏感文字及地理水印；通过单向不可逆算法做高斯模糊和像素替换，脱敏后无法还原原始特征与信息，且处理结果均人工复核，兼顾脱敏彻底性与巡检核心图像特征保留。
目标检测。采用YOLOv8深度学习算法对脱敏后图像进行初步检测，输出目标类别属性及精确位置坐标。
协同标注。采用“工具+AI预标注+人工补位”协同模式。首先由已训练模型对全量图像进行AI预标注，自动生成初始XML标签。专业标注员在可视化工具中仅需对不足15%的低置信度样本进行精细化修正与补位，标注完成后由工具内置规则校验XML格式合规性。
数据增强。针对轨道交通巡检中接触网异物、绝缘子破损等极端罕见场景样本稀缺问题，引入生成对抗网络技术，从少量真实缺陷样本中学习关键特征分布，合成高保真罕见缺陷图像，有效弥补真实数据中长尾类别样本不足的短板。
三、数据内容描述
本数据集由处理后图像文件与对应标注文件组成。图像文件为.jpg格式，其中人脸、车牌等敏感信息已作彻底模糊化处理；标注文件为.xml格式，包含两类巡检目标：“nc#鸟巢”和“yw_gkxfw#高空悬浮物”（其中高空悬浮物包含塑料薄膜、气球、风筝等轻质异物），每类目标均配有精确位置坐标与类别标签。数据集不包含任何原始敏感数据或可还原的个人信息，符合数据安全与隐私保护合规要求。

搜集汇总

背景与挑战

背景概述

本数据集针对轨道交通智能巡检场景，通过无人机搭载多模态设备采集高分辨率航拍影像，经脱敏、AI预标注及人工修正后生成图像与标注文件。重点覆盖鸟窝与高空悬浮物（如塑料薄膜、气球、风筝）两类异物，旨在优化异物检测算法在复杂环境下的准确率与泛化能力，保障列车运行安全。