© 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，属生态保护和环境治理业，主营城市生活垃圾经营性服务。面向无人机图像、建筑垃圾管理、无人机监测等领域提供数据服务，开放无人机智能识别巡查建筑垃圾数据（无人机图像、建筑垃圾管理）、无人机智能识别巡查生活垃圾数据（无人机监测、垃圾识别）、无人机智能识别巡查路面坑洞数据（无人机巡查、路面病害检测），支撑监测研判与运维优化。
无人机图像建筑垃圾管理无人机监测生态保护和环境治高新技术企业
数据集列表
洒水车作业质量评价与节水管理数据
本数据集用于城市环卫洒水类车辆的作业过程监管、质量复核与节水管理。通过汇集车辆编号、作业日期、作业路段、平均车速、有效作业里程、估算用水量、作业结果评价、复核评分、综合得分等数据，形成可用于作业考核和异常复核的数据资源，辅助判断作业覆盖、车速规范和用水合理情况。
浙江省数据知识产权登记平台2026-08-27 更新00
无人机智能识别巡查违规垂钓数据
本数据集专用于河道、水库、水源保护区等水域的日常巡查管理。针对禁钓区域内的违规垂钓行为，无人机在70至100米高度对水域进行巡航拍摄，通过目标检测技术，精准识别垂钓人员位置与人数。该数据可服务于河道巡查团队、水域物业管理单位等，为日常巡查记录、违规行为取证提供数据支撑，辅助巡查人员及时发现并处置违规垂钓行为，维护水域环境秩序。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、时间段、图像分辨率(pix)、影像存储路径、违规位置坐标、飞行高度(m)、垂钓人员区域、置信度阈值、违规识别置信度、违规行为分类。数据核心为针对"违规垂钓"行为标注的边界框，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512×512像素，适合检测远距离拍摄下的人体小目标；切片重叠率为0.25，确保岸边人员特征完整。针对人体目标特征，训练时采用姿态增强数据扩充。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0.015、批量大小8，较高学习率可加快模型对垂钓这一特定目标特征的学习收敛。
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。较低阈值可提高远距离小目标的检出率，降低漏检风险。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（违规垂钓），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2026-08-15 更新10
车载视角道路垃圾检测模型训练数据集
本数据集专用于训练基于深度学习的道路垃圾目标检测模型（YOLOv8m）。数据集基于清扫车车载前后视角采集的道路图像样本，经过专业人工标注，涵盖落叶、泥沙、大件垃圾三类典型道路垃圾。训练后的模型可部署于清扫车车载端，实现作业过程中的垃圾实时检测与识别；或部署于服务器端，支持大规模图像的批量分析与历史数据挖掘，为智能识别能力建设提供数据支撑。
浙江省数据知识产权登记平台2026-08-04 更新30
基于清扫质量的人员配置优化数据
本数据集专用于城市道路人工作业的定额标准制定与区域人员配置优化。针对环卫公司承包区域的人工作业（普扫、保洁、垃圾收运等），通过分析路段作业里程、作业时长、清扫质量等历史数据，建立单人日标准作业定额模型，并基于路段清扫质量动态调整人员配置，解决"一条路需要配置多少人"的核心管理问题。1、数据采集与预处理：基于人员考勤终端采集位置、轨迹、打卡数据，上报频率60秒/次。剔除作业时长<30分钟、GPS点位<20个的异常记录。按日期、路段聚合（以路段编号+作业日期作为主键），计算作业里程、时长、质检得分等指标。
2、清扫质量评估：质检得分>90分为“优”，>80分为“良”，>70分为“合格”，≤70分为“差”。路段历史平均质检得分>85分为“质量优秀路段”；≥75分为“质量达标路段”；<75分为“质量薄弱路段”。路段连续多日质检得分偏低时，可作为后续作业质量异常提醒和增派协助的依据。
3、质量薄弱路段配置优化：质量薄弱路段（如商业区、人流密集区）通常工作难度大、保洁负担重。若现有配置下清扫质量仍不达标，说明人员配置可能不足。
预测所需人数计算公式：预测所需人数=路段长度×等级系数×质量系数÷单人日定额（3.0），计算结果按系统规则保留两位小数。预测结果为真实计算值，可小于1（表示该路段工作量不足1人全职）。
其中：等级系数根据路段等级确定（一级道路1.2、二级道路1.5、三级道路2.0、背街小巷3.0），等级越低系数越大表示清扫难度越高；质量系数根据质检得分确定（质量优秀路段0.85、质量达标路段1.0、质量薄弱路段1.3），质量越差系数越大表示需要更多人手。
配置状态判定规则：本申报数据以单路段1人标准配置为基准。预测所需人数≤1.1时，配置1人为“配置合理”（1人可满足该路段作业需求）；预测所需人数>1.1时，配置1人为“配置不足”（实际配置低于预测需求，需增配人员）。考虑到实际作业需满足最低人员配置要求，预测所需人数不足1人时，按1人作为基础配置，配置状态判定为“配置合理”。
浙江省数据知识产权登记平台2026-08-01 更新100
基于清扫质量的人员配置优化数据
本数据集专用于城市道路人工作业的定额标准制定与区域人员配置优化。针对环卫公司承包区域的人工作业（普扫、保洁、垃圾收运等），通过分析路段作业里程、作业时长、清扫质量等历史数据，建立单人日标准作业定额模型，并基于路段清扫质量动态调整人员配置，解决"一条路需要配置多少人"的核心管理问题。
浙江省数据知识产权登记平台2026-07-17 更新40
车载视角道路垃圾检测模型训练数据集
本数据集专用于训练基于深度学习的道路垃圾目标检测模型（YOLOv8m）。数据集基于清扫车车载前后视角采集的道路图像样本，经过专业人工标注，涵盖落叶、泥沙、大件垃圾三类典型道路垃圾。训练后的模型可部署于清扫车车载端，实现作业过程中的垃圾实时检测与识别；或部署于服务器端，支持大规模图像的批量分析与历史数据挖掘，为智能识别能力建设提供数据支撑。1、影像采集与预处理
清扫车作业时启动前后摄像头，采集道路影像样本，影像分辨率为1280×720（720P），同步记录采集时间、车辆编号和摄像头位置。影像数据经预处理，包括去噪、畸变校正、图像增强等，形成适用于目标检测训练的有效样本，剔除车辆静止、转弯、非作业时段的无效影像。为保护车辆隐私信息，提交前对车辆编号字段进行脱敏处理。
2、数据标注与类别定义
采用专业人工标注与AI辅助标注相结合的方式。首先使用预训练模型生成候选标注框，再由专业标注人员逐张审核、调整和补充标注。标注格式采用YOLO标准格式，每个标注框由五个值组成：类别ID、中心点x坐标、中心点y坐标、宽度和高度，所有坐标值均为归一化值（0~1范围）。垃圾类别定义如下：类别0为落叶，指道路上的树叶、枝叶等植物残体；类别1为泥沙，指道路路面沉积的泥土、沙石等细粒物质；类别2为大件垃圾，指道路上的包装袋、纸箱、塑料瓶等人为丢弃物。
3、标注质量控制
标注完成后进行多轮质量审核：首先由标注人员自检，确保标注准确性；然后由质量审核人员进行抽样审核，抽样比例为20%；最后对审核不通过的标注进行修改并复审。标注质量要求：标注框与目标的交并比（IoU）不低于0.7，类别标注准确率不低于95%。达到标准的标注纳入训练数据集，未达标的标注进行修改后重新审核。
浙江省数据知识产权登记平台2026-08-18 更新20
清扫车车载视角清扫率检测分析数据
本数据集专用于清扫车日常运行中的作业效率实时监测与评估。在清扫车作业过程中，通过车载前后摄像头实时采集道路影像，识别作业前后的垃圾分布情况，通过前后对比计算清扫率，评估单次作业效果。该数据可服务于环卫作业公司，为清扫车作业质量管控提供客观数据支撑，及时发现清扫不彻底路段并安排补扫，优化清扫作业排班和路线。1、数据采集与预处理
清扫车作业时启动前后摄像头，前置摄像头采集清扫前道路影像，后置摄像头采集清扫后道路影像，并同步关联作业轨迹编号、检测日期等信息。影像数据经预处理，包括去噪、畸变校正、图像增强等，提取有效作业区段影像，剔除车辆静止、转弯、非作业时段的无效影像。示例数据中的路段名称已作脱敏处理，以“道路A（路段A1-路段A2）、道路B（路段B1-路段B2）……”形式表示，不影响数据结构和算法规则。
2、垃圾检测与清扫率计算
基于目标检测模型（YOLOv8m）识别影像中的垃圾类型和分布区域，仅将识别置信度≥0.75的检测结果纳入统计。针对不同垃圾类型采用差异化指标：落叶计算覆盖面积占比（%），泥沙计算覆盖面积占比（%），大件垃圾计数（个）。分类型清扫率 = (清扫前指标 - 清扫后指标) / 清扫前指标 × 100%。数据表中以“清扫率”字段记录每条垃圾类型检测结果的清扫率；对于同一作业轨迹存在多种垃圾类型的情况，采用算术平均计算总体清扫率：总体清扫率 = Σ(各类型清扫率) / 垃圾类型数量。
3、清扫效率评估
基于清扫率计算结果，输出清扫效率评估结果，包括“清扫率”“总体清扫率”和“综合质量等级”字段。其中，“清扫率”为单条垃圾类型检测结果的清扫率，“总体清扫率”为同一作业轨迹编号下各类型清扫率的平均值，“综合质量等级”为依据总体清扫率形成的等级评价：总体清扫率≥90%为“优”，≥75%为“良”，≥60%为“中”，<60%为“差”。该等级评价即为清扫效果评分结果的分级表达，可服务于环卫作业公司开展作业质量管控，及时发现清扫不彻底路段并安排补扫，优化清扫作业排班和路线。
浙江省数据知识产权登记平台2026-08-08 更新30
无人机智能识别巡查违规垂钓数据
本数据集专用于河道、水库、水源保护区等水域的日常巡查管理。针对禁钓区域内的违规垂钓行为，无人机在70至100米高度对水域进行巡航拍摄，通过目标检测技术，精准识别垂钓人员位置与人数。该数据可服务于河道巡查团队、水域物业管理单位等，为日常巡查记录、违规行为取证提供数据支撑，辅助巡查人员及时发现并处置违规垂钓行为，维护水域环境秩序。
浙江省数据知识产权登记平台2026-08-03 更新00
清扫车车载视角清扫率检测分析数据
本数据集专用于清扫车日常运行中的作业效率实时监测与评估。在清扫车作业过程中，通过车载前后摄像头实时采集道路影像，识别作业前后的垃圾分布情况，通过前后对比计算清扫率，评估单次作业效果。该数据可服务于环卫作业公司，为清扫车作业质量管控提供客观数据支撑，及时发现清扫不彻底路段并安排补扫，优化清扫作业排班和路线。
浙江省数据知识产权登记平台2026-07-23 更新40
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70