温州轨道交通S2线无人机视角下箱门检测数据

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，可针对性优化箱（柜）体缺陷检测算法模型，显著提升复杂环境下的识别准确率与泛化能力。本数据集针对轨道交通供电、通信、信号等关键箱柜设备的运维需求，精准标注箱门闭合正常与箱门闭合异常两类状态。数据集涵盖不同箱体规格、安装位置及开合角度，帮助算法实现设备完整性自动化核验，及时发现非法开启、盗窃破坏或维护遗漏等问题。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：箱门闭合正常#xmbhzc与箱门闭合异#xmbhyc。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

该数据集基于无人机搭载多模态设备采集的4K航拍影像，针对轨道交通供电、通信、信号等关键箱柜设备，精准标注了箱门闭合正常与异常两类状态，涵盖不同箱体规格与安装位置。数据经过脱敏处理、AI预标注与人工修正，并引入生成对抗网络进行数据增强，以提升复杂环境下的识别准确率与泛化能力，支持轨道交通智能巡检算法的训练与优化。