违规垂钓行为检测数据

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（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（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.渔政执法部门：基于判罚等级精准定向巡查，对明确垂钓行为即时取证处罚 6.水源保护管理机构：利用违规垂钓评分在饮用水源地建立电子围栏智能监管 7.水库/湖泊管理单位：基于人员距水距离实时监测水库周边人员活动 8.相关研究机构：利用长期监测数据研究人类活动对水域生态的影响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。并提取标注字段，其中包括：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）人员距水距离：取人员标注框底边中点Y坐标与水域区域上边界Y坐标的距离。距离<0.05表示紧邻水域。 （2）钓具角判断：计算OBB四边形的旋转角度(主轴与水平线夹角)，0°≈水平=钓竿，90°≈垂直=站立。 （3）违规垂钓评分 = min(10, (0.1/最大(距水距离,0.001))×3 + (10°≤钓具角≤80°?4:0) + 标注框面积×5)。 （4）判罚等级：违规垂钓评分≤4.42为疑似观察（低风险提示），4.42<违规垂钓评分≤4.76为可能垂钓（中风险提示），违规垂钓评分>4.76为明确垂钓（高风险提示）。

搜集汇总

背景与挑战

背景概述

违规垂钓行为检测数据集包含2000条目标检测图像标注数据，采用OBB旋转标注框格式，记录了坐标归一化后的顶点位置、标注框中心、面积、人员距水距离、钓具角及违规垂钓评分和判罚等级等衍生字段。该数据集可支撑YOLOv8等目标检测模型的训练与验证，并用于优化场景分析算法和标注质量评估，同时为渔政执法、水源保护、水库管理和生态研究等提供数据支持。