Long Range Drone Detection (LRDD) Version 2

LRDDv2数据集由美国德雷塞尔大学电气与计算机工程系的研究人员创建，是一个用于无人机检测的数据集。该数据集包含39516张经过仔细注释的图像，以及超过8000张包含目标范围信息的图像。LRDDv2数据集着重于长距离无人机图像，并提供了多种环境下的图像，包括不同的天气条件、光照场景和背景环境。该数据集的目的是为了提高无人机检测算法的性能，使其能够在实际应用中更可靠和高效地集成无人机。

The LRDDv2 dataset was created by researchers from the Department of Electrical and Computer Engineering at Drexel University, USA, and is a dataset dedicated to unmanned aerial vehicle (UAV) detection. It contains 39,516 meticulously annotated images, as well as over 8,000 images with target range information. The LRDDv2 dataset focuses on long-range UAV imagery, and provides samples captured across diverse environments including varying weather conditions, lighting scenarios and background contexts. The goal of this dataset is to enhance the performance of UAV detection algorithms, enabling their more reliable and efficient integration into real-world applications.

搜集汇总

数据集介绍

构建方式

LRDDv2数据集的构建采用了多源数据采集策略，通过DJI Mavic Air 2无人机及智能手机（iPhone 12/15 Pro Max和Google Pixel 6）同步采集1080p分辨率视频流，覆盖单/多无人机场景、多样化背景及50-350英尺距离范围。数据预处理阶段以10fps采样率提取视频帧，并基于无人机飞行日志的GPS坐标与高度信息，通过球面半正矢公式计算绝对距离。标注环节采用YOLO格式，结合人工校验与YOLOv5辅助标注技术，使用LabelImg工具完成39,516张图像的精细化边界框标注，其中8,000张包含独特的无人机距离信息。

使用方法

LRDDv2适用于三阶段研究流程：模型预训练阶段建议与Drone-vs-Bird数据集联合使用，经基准测试表明其组合可使YOLOv8模型的mAP@50提升23.1%（Detfly数据集）；算法验证阶段需重点测试小目标检测性能，推荐以边界框面积≤250像素作为长距离检测评估阈值；特定任务拓展时，可利用8,000张含距离标注的图像开发深度估计模块，通过解析水平距离（haversine公式计算）与高度差（ΔHeight）的几何关系，构建端到端的无人机定位系统。数据集已按YOLO格式组织，并提供天气、时间戳等元数据以支持条件化训练。

背景与挑战

背景概述

随着无人机（UAV）在商业应用中的迅速普及，远距离无人机检测成为确保空中安全的关键技术。由德雷塞尔大学电气与计算机工程系Amirreza Rouhi等研究人员于2025年8月发布的LRDDv2数据集，作为LRDDv1的升级版本，包含39,516张精细标注的图像，其中8,000余幅带有目标距离信息，填补了现有数据集中远距离检测和距离估计的空白。该数据集特别关注1080p分辨率下像素数不超过50的远距离无人机图像，覆盖多种天气条件、光照变化及复杂背景，显著提升了无人机检测算法在真实场景中的泛化能力。

当前挑战

LRDDv2数据集针对两大核心挑战展开：其一，远距离小目标检测难题，无人机在图像中仅占极少数像素时易与背景混淆，且受大气湍流、光学畸变等物理因素干扰；其二，数据构建过程中需克服多模态信息同步的复杂性，如通过哈弗辛公式融合GPS坐标与飞行日志计算绝对距离，并处理移动摄像头与动态目标的相对运动。此外，数据标注需平衡效率与精度，采用YOLOv5辅助标注与人工校验相结合的方式应对万级图像中微小目标的标注挑战。

常用场景

经典使用场景

LRDDv2数据集在无人机长距离检测领域具有广泛的应用场景，尤其在复杂环境下的无人机识别任务中表现突出。数据集包含了多种天气条件、光照变化和背景干扰下的无人机图像，为算法提供了丰富的训练样本。研究人员可以利用该数据集开发高效的无人机检测模型，特别是在城市安防、航空管制和边境监控等需要远距离探测的场景中。

解决学术问题

LRDDv2数据集解决了无人机检测领域中几个关键学术问题。首先，它填补了长距离无人机检测数据不足的空白，为小目标检测算法提供了宝贵的训练资源。其次，数据集包含的距离信息为无人机测距算法的发展奠定了基础。此外，多样化的环境条件设置帮助研究人员开发更具鲁棒性的检测模型，解决了复杂背景下无人机识别准确率低的问题。

实际应用

在实际应用方面，LRDDv2数据集已被成功部署于多个关键领域。城市安防系统利用该数据集训练的模型实现了对非法无人机的有效监控；航空管理部门通过基于该数据集的算法提升了机场周边空域的监管能力；军事防御系统则将其用于边境地区的无人机入侵检测。这些应用显著提高了相关领域的安全防护水平。

数据集最近研究

最新研究方向

随着无人机技术的迅猛发展，其在商业和民用领域的广泛应用对长距离无人机检测技术提出了更高要求。LRDDv2数据集的推出，标志着无人机检测领域的一个重要突破。该数据集不仅包含了39,516张经过精细标注的图像，还特别提供了超过8,000张图像的目标距离信息，这在现有数据集中尚属首次。这一特性为开发能够准确估计无人机距离的算法提供了可能，极大地推动了无人机检测技术的发展。在当前的研究热点中，如何利用深度学习技术提升小目标检测的准确率，尤其是在复杂环境下的长距离无人机检测，成为了学术界和工业界共同关注的焦点。LRDDv2数据集通过涵盖多种天气条件、光照变化、背景多样性以及遮挡场景，为这一研究方向提供了丰富的数据支持。此外，该数据集还特别强调了无人机在远距离下的检测挑战，其中大部分图像中的无人机在1080p分辨率下仅占50像素或更少，这对于开发能够在实际应用中有效工作的检测系统至关重要。

相关研究论文

• LRDDv2: Enhanced Long-Range Drone Detection Dataset with Range Information and Comprehensive Real-World Challenges

  Drexel University,Philadelphia,PA,USA · 2025年