© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
浙大启真未来城市科技（杭州）有限公司
企业浙大启真未来城市科技（杭州）有限公司成立于2015年，注册地位于浙江省。登记所属行业为软件和信息技术服务业。经营范围涉及技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广，信息系统集成服务，信息技术咨询服务，环保咨询服务，安全咨询服务，数字技术服务，智能农业管理，人工智能硬件销售，环境保护专用设备销售，消防技术服务，安防设备销售，数据处理和存储支持服务等业务。
国有控股小微企业高新技术企业软件和信息技术服务业
数据集列表
无人机智能识别光伏板缺陷算法模型的图像训练数据
无人机智能识别光伏板缺陷算法模型的图像训练数据的应用场景主要集中在提升AI模型对光伏板缺陷的识别能力和准确度。通过对这些数据的训练，AI模型能够有效支撑无人机精准识别热斑效应、晶硅隐裂、表面污损等缺陷类型。本数据集基于地理坐标与二级标注体系，并可通过与SCADA系统的数据联动，支撑自动生成运维工单并标记异常组件地理坐标，形成"监测-诊断-修复"的智能运维闭环，满足新能源场站对复杂地形、多气候条件下的全天候高效巡检需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（热斑/隐裂/污损/正常）、二级标签（（局部热斑/整体热斑、微裂纹/结构断裂、局部污损/整体污损）。③标注关联要素包含接线盒位置、阴影遮挡等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单板检测→组串分析→阵列扫描→复杂地形四阶段测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-07 更新1650
无人机智能识别垃圾堆放算法模型的图像训练数据
无人机智能识别垃圾堆放算法模型的图像训练数据的应用场景主要集中在提升AI模型对垃圾堆放的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在生态环境智能监测中的全域化巡查应用。基于地理坐标与二级标注体系，AI模型可精准识别建筑垃圾、工业废料、生活垃圾等垃圾堆放行为，可应用于支撑环保部门对城乡结合部、河道堤岸、工业园周界等复杂场景的自动化巡检、污染源定位、违法取证及治理效能评估等需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（垃圾堆放/正常）、二级标签（生活垃圾/建筑垃圾/工业废料等）。③关联要素标注包含垃圾桶容量状态、围栏标识、合法堆放区等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单类堆放→混合堆放→伪装堆放→跨季节场景四阶段测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-07 更新1990
无人机智能识别道路坍塌算法模型的图像训练数据
无人机智能识别道路坍塌算法模型的图像训练数据的应用场景主要集中在提升AI模型对道路坍塌的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在复杂地形环境下的全天候灾害监测任务，包括山区公路的路基沉降预警、矿区运输道路的路面裂缝检测、山体滑坡等场景。基于多边形标注与地质数据库的联动分析，能够为道路养护单位、应急管理部门提供塌方范围三维可视化报告，支撑交通管制决策、灾后应急通道规划及基础设施安全评估，显著提升地质灾害响应时效性。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、多边形标注区域等数据，采用三维点云融合技术清洗异常数据。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（坍塌/正常），二级标签（路基沉降/路面裂缝/山体滑坡等）。③关关联要素标注包含地质结构、排水系统状况、护栏变形量等关键特征。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.001-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单点坍塌→连续路段损毁→复杂地形（桥梁/隧道）→地质灾害联动四阶段验证。
6、模型优化：优化多光谱融合推理引擎，保障推理速度，并构建区域性地质特征库。
浙江省数据知识产权登记平台2025-05-07 更新1680
无人机智能识别烟雾算法模型的图像训练数据
无人机智能识别烟雾算法模型的图像训练数据的应用场景主要集中在提升AI模型对烟雾的识别能力和准确度。通过对这些数据的训练，AI模型能够有效支撑无人机在城市安防等场景的智能监管，基于地理坐标与三级标注体系，可精准识别自然火灾、工业排放、民用燃烧等烟雾场景，本数据可应用于与城市安全管理平台的智能联动，从而支撑如火灾等相关突发事件的快速识别和精准定位，以实现快速响应。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（烟雾存在/无）、二级标签（自然火灾/工业排放/民用燃烧等）、三级标签（初燃/扩散/衰减阶段）。③关联要素标注包含植被密度、工业设施等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单源点→多源扩散→复合气象→跨昼夜连续追踪四阶段测试
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-05 更新820
无人机智能识别车辆类型和状态算法模型的图像训练数据
无人机智能识别车辆算法模型的图像训练数据的应用场景主要集中在提升AI模型对车辆类型和状态的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在城市多场景下的车辆识别应用。基于高精度地理坐标与多级标注体系，并通过边界框与动态交通要素（车道线变化、信号灯状态、车距）的关联分析，可支撑无人机在城市主干道流量监控、交叉口违章行为取证、应急车道占用预警等场景中的高置信度识别，可满足交通管理部门对车辆身份特征、运动轨迹及合规状态的多维度感知需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（车辆类型：汽车/卡车/摩托车等），二级标签（车辆状态：行驶/静止）。③关联要素标注包含交通信号灯状态、车道线类型、车距参数等动态信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.001-0.0001动态调整，批量大小32，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。
6、模型优化：优化多尺度推理引擎，保障推理速度，并建立车辆特征库支持增量学习。
浙江省数据知识产权登记平台2025-04-30 更新570
无人机智能识别人群聚集算法模型的图像训练数据
无人机智能识别人群聚集算法模型的图像训练数据的应用场景主要集中在提升AI模型对人群聚集的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在城市公共安全治理中的智能监测应用。基于地理坐标与三级标注体系，AI模型可精准识别突发事件、商业活动、交通滞留等人群聚集场景，可用于支撑实现与城市客流预警系统的数据联动，满足如重大活动安保、节假日人流管控、应急疏散指挥等城市精细化治理需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（聚集/正常）、二级标签（低密度/中密度/高密度）、三级标签（突发事件/商业活动/交通滞留等）。③标注关联要素包含公共设施、出入口位置等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单人群→多群体→建筑遮挡→特殊光照四阶段测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-07 更新980
无人机智能识别违章建筑算法模型的图像训练数据
无人机智能识别违章建筑算法模型的图像训练数据的应用场景主要集中在提升AI模型对违章建筑的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在国土空间治理中的智能化监测任务，基于地理坐标与二级标注体系，AI模型能区分未批先建/超面积建设/非法改建等违建形态，可应用于山地村落违建排查、工业园区超容建设监测等场景，可应用于支撑相关管理部门对违法建设行为的早发现、精定位、快处置闭环管理需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（违建/合规）、二级标签（未批先建/超面积建设/非法改建等）。③关联要素包含用地性质、产权范围等信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单体建筑→建筑群→混合功能区→历史保护区四阶段测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-07 更新3630
无人机智能识别河道排污口算法模型的图像训练数据
无人机智能识别河道排污口算法模型的图像训练数据的应用场景主要集中在提升AI模型对河道排污口的识别能力和准确度。通过对这些数据的训练，AI模型能够有效支撑无人机精准识别工业废水、生活污水、雨污混排等排污场景。本数据集基于地理坐标与三级标注体系，可为环境执法部门提供在监测预警、污染源定位等决策支持，支撑构建一体化的水环境智慧监管网络。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（排污口/正常）、二级标签（工业废水/生活污水/雨污混排等）、三级标签（隐蔽式/明渠/压力管道等）。③关联要素标注包含管径、水流状态、水体色度异常值等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单一排污口→管网密集区→水体富营养化区域→洪水淹没四阶段场景测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-05 更新2080
无人机智能识别占道经营算法模型的图像训练数据
无人机智能识别占道经营算法模型的图像训练数据的应用场景主要集中在提升AI模型对占道经营的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在城市多维空间下的占道经营智能监测任务，基于地理坐标与二级标注体系，AI模型能区分流动摊贩聚集、固定摊位、货物堆放等占道形态，可适用于重点商圈周边、学校/医院敏感区域及城市主干道等复杂场景的立体化巡查，可支撑城市管理平台自动生成执法热力图、智能预判占道高发时段，并为占道整治提供空间决策依据，满足城市管理者对动态化、高发区占道经营行为的全天候精准管控需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（占道经营/正常）、二级标签（流动摊贩/固定摊位/货物堆放等）。③关联要素标注包含占道标识牌、人行道边界线、盲道纹理等空间特征。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.002-0.0001动态调整，批量大小16，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：① 构建多维评估体系：基础指标（mAP@0.5）、夜间检测率、误报率、漏报率。② 设置渐进式测试：单摊位定位→密集摊位检测→动态摊贩追踪→恶劣天气（雨雾/逆光）四阶段压力测试。
6、模型优化：优化推理引擎，保障推理速度，并建立区域特征库机制。
浙江省数据知识产权登记平台2025-05-01 更新2180
无人机智能识别车辆违停算法模型的图像训练数据
无人机智能识别车辆违停算法模型的图像训练数据的应用场景主要集中在提升AI模型对车辆违停的识别能力和准确度。通过对这些数据的训练，AI模型能够更有效地支撑无人机在城市多场景下的智能违停监管应用。基于高精度地理坐标与多级标注体系，AI模型能精准识别消防通道占用、禁停区停车等细分违停类型，适用于城市道路、社区消防通道、高速公路应急车道等场景的实时巡查，通过边界框与道路标线关联要素分析，实现与GIS系统的空间联动，满足各地城市对复杂路况的全天候监管需求。1、数据来源：原始数据通过自有智能无人机拍摄采集，记录图像ID、采集时间、文件路径、采集设备、地理坐标、拍摄高度、环境参数、边界框组等数据，通过数据清洗，保证数据质量。
2、数据预处理与标注：①对原始数据按7:2:1比例划分训练集/验证集/测试集；②采用多级标注体系：一级标签（违停/正常），二级标签（禁停区停车/消防通道占用/超时停放等）。③标注关联要素包含禁停标识、道路标线等关键信息。
3、模型选择和初始化：采用YOLOv5预训练模型，并初始化模型参数，设置合理的超参数：学习率0.001-0.0001动态调整，批量大小32，锚框参数根据拍摄图像特征优化；同时集成注意力机制增强小目标检测能力。
4、模型训练：使用PyTorch框架实施分布式训练，设置训练时长，采用迁移学习策略，冻结底层特征提取层参数，引入Mosaic数据增强提升复杂场景适应能力，设置早停机制（patience=15）防止过拟合。
5、模型评估：①构建多维度评估体系：基础性能（mAP@0.5）、场景适应性（夜间检测率）、误报率、漏报率；②设置渐进式测试：单车辆→多车辆→复杂背景→极端天气四阶段验证。
模型部署与优化：①开发轻量化推理引擎，保障推理速度；②建立在线学习机制，持续优化区域特征。
浙江省数据知识产权登记平台2025-04-30 更新2660