© 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
浙江利珉环境科技有限公司
企业浙江利珉环境科技有限公司成立于2003年，位于浙江省。所属行业为生态保护和环境治理业。经营范围包括技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广；固体废物治理；资源再生利用技术研发；再生资源回收（除生产性废旧金属）。
高新技术企业专精特新并购融资生态保护和环境治理业
数据集列表
无人机智能识别巡查浮游植物数据
本数据集专用于河道、景观水体等水域环境的日常巡查。针对水面浮游植物聚集问题，无人机在70至100米高度对水面进行巡航拍摄，通过图像色彩分析与纹理特征提取技术，识别水面藻类聚集区域的位置与范围。
该数据可服务于城市水环境治理、河道保洁、景观水体维护等场景。根据监测水体类型的不同，识别结果可分类推送：河道区域发现藻类聚集，优先通知河道巡查人员安排打捞作业；景观水体（如公园湖泊）发现藻类，优先通知园林养护单位进行清理，防止影响景观效果。1、数据来源：数据来源于本企业无人机智能巡查系统。
2、高分辨率图像通过无人机采集，记录丰富元信息，包括样本编号、监测水体类型、图像分辨率(pix)、采样时间、影像存储路径、采样点坐标、飞行高度(m)、藻类分布区域、置信度阈值、藻类识别置信度、场景分类和目标类型，所有数据均经过人工清洗与校验，确保数据质量与准确性。
3、算法基于YOLOv8m，集成SAHI切片推理技术。切片尺寸设置为640×640像素，能够有效保留水面藻类的斑块状分布特征；切片重叠率为0.2，在保证检测连续性的同时减少计算冗余。针对水面反光问题，训练时采用数据增强策略，包括随机亮度调整和镜面反射模拟，提升模型对反光区域的鲁棒性。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。
4、在推理阶段，设定置信度阈值为0.5，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.5的检测框视为正样本（浮游植物），小于0.5的检测框视为背景负样本。
浙江省数据知识产权登记平台2026-06-25 更新50
无人机智能识别巡查路面泥沙数据
本数据集专用于城市道路、市政道路的环卫清洁管理。针对道路施工、车辆带泥、建筑运输等导致的路面泥沙堆积问题，无人机在70至100米高度对城区道路进行巡航拍摄，通过图像识别与目标区域提取方式，对路面泥沙堆积区域的位置、范围及相关属性进行识别与整理。该数据可服务于环卫作业公司、市政保洁团队等，为清扫调度、保洁派单提供数据支撑，引导清洁车辆优先处理泥沙堆积区域，保障道路整洁与通行安全。1、数据来源：数据来源于本企业无人机智能巡查系统。
2、高分辨率图像通过无人机采集，记录样本编号、图像分辨率(pix)、巡检时间、影像存储路径、泥沙位置坐标、飞行高度(m)、泥沙覆盖区域、堆积面积等级、堆积类型、泥沙识别置信度、标签类别等字段，所有数据均经过人工清洗与校验，确保数据质量与准确性。本数据集以巡检图像中的路面泥沙区域为核心，对泥沙覆盖区域进行标注，堆积类型作为人工标注属性，用于描述泥沙堆积的分布形态特征。
3、算法基于YOLOv8m，集成SAHI切片推理技术。切片尺寸设置为512×512像素，能够有效覆盖泥沙堆积物的纹理特征，同时保留足够的上下文信息用于区分泥沙与正常路面；切片重叠率为0.3，确保堆积物边缘区域被多次检测，减少漏检。针对路面阴影干扰问题，训练时采用阴影区域补偿算法和对比度自适应增强，消除树荫、建筑物阴影对泥沙识别的干扰。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小16。
4、在推理阶段，设定置信度阈值为0.5，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.5的检测框视为正样本（泥沙），小于0.5的检测框视为背景负样本。
浙江省数据知识产权登记平台2026-06-05 更新20
无人机AI智能识别压缩车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（压缩车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（压缩车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新40
无人机AI智能识别雾炮车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（雾炮车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（雾炮车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新400
无人机AI智能识别洒水车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（洒水车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（洒水车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新640
无人机智能识别巡查浮游植物数据
本数据集专用于河道、景观水体等水域环境的日常巡查。针对水面浮游植物聚集问题，无人机在70至100米高度对水面进行巡航拍摄，通过图像色彩分析与纹理特征提取技术，识别水面藻类聚集区域的位置与范围。
该数据可服务于城市水环境治理、河道保洁、景观水体维护等场景。根据监测水体类型的不同，识别结果可分类推送：河道区域发现藻类聚集，优先通知河道巡查人员安排打捞作业；景观水体（如公园湖泊）发现藻类，优先通知园林养护单位进行清理，防止影响景观效果。
浙江省数据知识产权登记平台2026-06-10 更新20
无人机智能识别巡查路面泥沙数据
本数据集专用于城市道路、市政道路的环卫清洁管理。针对道路施工、车辆带泥、建筑运输等导致的路面泥沙堆积问题，无人机在70至100米高度对城区道路进行巡航拍摄，通过图像识别与目标区域提取方式，对路面泥沙堆积区域的位置、范围及相关属性进行识别与整理。该数据可服务于环卫作业公司、市政保洁团队等，为清扫调度、保洁派单提供数据支撑，引导清洁车辆优先处理泥沙堆积区域，保障道路整洁与通行安全。
浙江省数据知识产权登记平台2026-05-23 更新10
无人机AI智能识别新能源机扫车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（新能源机扫车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（新能源机扫车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新270
无人机AI智能识别三轮清运车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（三轮清运车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（三轮清运车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新320
无人机AI智能识别路面养护车数据
针对城市道路清洁作业，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别作业中的环卫车辆。给环卫企业智能化管理各种环卫车辆提供有力的数据支撑。可广泛应用于：
1、作业车辆轨迹监督
通过搭载的 AI 图像识别模块，无人机可快速区分洒水车、压缩车、三轮清运车、快保车、厨余垃圾清运车等各类环卫作业车辆，并实时比对其预设作业路线与实际轨迹，自动标记并推送至指挥中心，结合 GPS 位置数据生成辅助考核管理。
2、车辆故障状况判别
当环卫车辆（如路面养护车、新能源机扫车、压缩车等）发生故障，自动定位并向指挥中心发送精确坐标，联系维修人员赶赴现场尽快修理。
3、违规车辆监管
对作业时段外运行、未按规划路线行驶、违规停靠等行为（常见于洒水车、机扫车、压缩车等），无人机即时上传车辆编号与位置至指挥中心，自动生成整改工单。
4、作业时长统计
系统可有效统计各类车辆（如雾炮车、厨余垃圾清运车等）的作业时长、覆盖面积，判定有效作业时段，排除空驶、停靠等非作业状态。生成量化考核报表，分析不同车型在各路段的作业效率。1、数据来源: 数据来源于本企业无人机智能巡查系统。2、高分辨率图像通过无人机采集，记录丰富元信息，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（路面养护车），记录边界框及属性，后映射为一级标签（车辆）。3、算法基于YOLOv8m，集成P2层通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。微调时，保留骨干网络低层次特征提取层权重，冻结部分层以防过拟合，调整检测头参数，设置学习率0.01、批量大小8。4、在推理阶段，设定置信度阈值为0.45，目标置信度由模型输出，反映目标检测的可信水平。仅保留高于此阈值的检测结果作为目标，即置信度输出大于等于0.45的检测框视为正样本（路面养护车），小于0.45的检测框视为背景负样本。
浙江省数据知识产权登记平台2025-10-10 更新340