© 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
航天科工广信智能技术有限公司
企业航天科工广信智能技术有限公司围绕相关业务开展运营。面向古建筑火灾监测、多模态识别等领域提供数据服务，开放古民居建筑火灾风险防控场景下的多模态感知与行为识别监测数（古建筑火灾监测、多模态识别），支撑监测研判与运维优化。
古建筑火灾监测多模态识别古建筑火灾智能监测智能科技
数据集列表
古建筑文物倾斜智能预测数据
古建筑倾斜预测不同于现代建筑，受文物本体特殊性与监测环境的制约，导致数据异常值与缺失值频发，有效数据样本相对稀缺，如何对古建筑倾斜数据进行分析和精准预测是对其安全研判的重点；该数据采集了古建筑文物的倾斜角度时序数据，包括时间、测点名称和倾斜角度数据。通过对倾斜数据进行分析与建模预测，该算法可直接应用于古民居建筑倾斜状态监测与趋势预测场景，实现对建筑倾斜角度变化趋势的智能预测。该方法以 "异常判别 — 缺失修复 — 时序预测" 为核心技术闭环，首先基于统计准则自动剔除监测序列中的异常值与空值，保障建模数据质量；进而通过最小二乘法对缺失时段进行趋势拟合与数据修复，重建连续完整的倾斜时序；最终引入 KRR 核岭回归模型，结合时间序列交叉验证机制，精准捕捉古民居建筑的倾斜演化规律，可实时输出未来时段的倾斜角度预测值。该算法可将传统 "事后告警" 的被动监测模式升级为 "事前预判" 的主动预警模式，为古建筑结构安全评估、修缮决策制定及文化遗产预防性保护提供 AI 赋能的量化决策依据，可直接应用到古建筑倾斜状态监测与趋势预测场景下，实现对建筑倾斜角度变化趋势进行智能预测。
浙江省数据知识产权登记平台2026-09-28 更新10
景区涂刻行为感知预警数据
采集人工模拟景区游客墙体刻画、违规涂刻的行为视频，依托YOLOv11 构建目标检测与姿态估计双模型融合架构，输出涂刻行为实时检测结果。该数据及算法可应用于景区文物墙体、景观设施涂刻行为智能监测、早期自动预警场景，通过双阈值特征校验抑制复杂环境误报，涂刻行为识别召回率达 97.5%，精准区分正常与违规涂刻行为，形成智能识别、自动预警、人工联动处置的闭环管控，有效提升景区文物及景观设施违规涂刻行为防控效率。1. 数据来源：采集了由企业员工人工模拟涂刻样本的视频数据；
2. 数据处理： 对上述数据进行了以下处理：
（1）构建图像目标检测模型：采用YOLOv11框架为基础，通过随机旋转、缩放、马赛克增强（Mosaic）和混合（MixUp）等数据增强技术检测出目标人员，初步识别出可疑对象（涂刻人员）和干扰对象（正常行人）；
（2）构建人体姿态估计检测模型：采用YOLOv11框架为基础，识别目标人员的涂刻关联行为特征姿态（人体骨骼点），包括左肩、右肩、左肘、右肘、左膝、右膝等关键点；
（3）双模型融合处理：基于构建的目标检测模型，配置基础置信度为0.45，持续时间阈值设置为1.5s，输出涂刻人员的检测目标框，基于构建的姿态评估检测模型，将人体骨骼点与通过目标检测模型检测出的涂刻人员进行关联，设置关联IOU 阈值为0.5，若IOU大于0.5，则认为该检测框与此骨骼点集属于同一目标，进而对该目标行持续轨迹跟踪，判断行为持续时间，精准甄别违规涂刻异常行为（模型精准度以召回率表示）。
浙江省数据知识产权登记平台2026-09-10 更新30
古建筑木柱裂隙监测场景下的多模态智能融合匹配数据
采集了木柱的裂隙最大宽度、监测日期、温度、湿度、降水（数值型数据），天气（文本数据）、以及裂隙监测图片数据数据。通过对上述多源数据进行清洗、融合、特征提取与机器学习建模分析，得到木柱裂隙宽度的标注训练预测数据；该数据通过监测数据与图像数据融合，后续可直接通过图像进行木柱裂隙监测，可直接接入现有监测装置应用于古民居木构建筑裂隙病害监测、结构安全状态评估和裂隙发展趋势预测，能够实现对木柱裂隙变化情况的连续量化分析，辅助判断裂隙是否存在扩大趋势，为古民居木构件修缮、日常巡检、病害预警和保护决策提供数据支撑。另外，后续也可将监测裂隙数据与气象数据结合，实现结合气象变化的古民居建筑木柱裂隙预测。1.数据来源：采集了古民居建筑木柱裂隙监测现场的多模态数据，具体包括：木柱裂隙监测数据，主要字段包括监测日期、裂隙最大宽度（mm）以及与裂隙状态相关的其他环境或记录字段；通过现场拍摄获取的木柱裂隙图片数据。
2.数据处理：
对原始监测数据进行了以下处理：
（1）对木柱裂隙监测数据列表目标列进行识别与清洗： 自动识别“裂隙最大宽度（mm）”字段，并根据原始记录内容识别缺失原因，如“位置被动过”、“未记录”等。
（2）缺失数据处理： 对训练阶段中因系统故障导致的部分裂隙宽度缺失数据进行插值填补，同时保证原始数据与处理后数据均可追溯。
（3）图像特征处理： 根据拍摄的木柱裂隙图片，采用 YOLO 模型进行标注，识别出裂隙位置目标框，并生成“图像是否有裂隙”特征，用 1 表示图像中检测或标注到裂隙，用 0 表示未检测到裂隙，空值表示对应图像标注缺失，同时将处理后的木柱裂隙监测数据标注到图像中。
浙江省数据知识产权登记平台2026-09-04 更新20
景区涂刻行为感知预警数据
采集人工模拟景区游客墙体刻画、违规涂刻的行为视频，依托YOLOv11 构建目标检测与姿态估计双模型融合架构，输出涂刻行为实时检测结果。该数据及算法可应用于景区文物墙体、景观设施涂刻行为智能监测、早期自动预警场景，通过双阈值特征校验抑制复杂环境误报，涂刻行为识别召回率达 97.5%，精准区分正常与违规涂刻行为，形成智能识别、自动预警、人工联动处置的闭环管控，有效提升景区文物及景观设施违规涂刻行为防控效率。
浙江省数据知识产权登记平台2026-08-27 更新30
古建筑木柱裂隙监测场景下的多模态智能融合匹配数据
采集了木柱的裂隙最大宽度、监测日期、温度、湿度、降水（数值型数据），天气（文本数据）、以及裂隙监测图片数据数据。通过对上述多源数据进行清洗、融合、特征提取与机器学习建模分析，得到木柱裂隙宽度的标注训练预测数据；该数据通过监测数据与图像数据融合，后续可直接通过图像进行木柱裂隙监测，可直接接入现有监测装置应用于古民居木构建筑裂隙病害监测、结构安全状态评估和裂隙发展趋势预测，能够实现对木柱裂隙变化情况的连续量化分析，辅助判断裂隙是否存在扩大趋势，为古民居木构件修缮、日常巡检、病害预警和保护决策提供数据支撑。另外，后续也可将监测裂隙数据与气象数据结合，实现结合气象变化的古民居建筑木柱裂隙预测。
浙江省数据知识产权登记平台2026-08-21 更新30
景区攀爬行为感知与预警数据
通过采集人工模拟景区各类攀爬动作与正常行走动作作为样本视频数据集，采用YOLOv11构建目标检测与姿态估计双模型融合算法，输出攀爬行为实时检测结果。该数据及算法可应用于景区户外场景攀爬行为智能监测、实时预警与事后追溯场景，通过多模型融合算法降低复杂背景下误报、漏报问题，攀爬行为识别召回率达 96.49%，适配光照变化、小目标远距离等复杂景区环境，形成视频智能分析，全面提升景区违规攀爬行为主动防控与精细化管理能力。1. 数据来源： 收集了企业员工人工模拟攀爬与正常行走的样本视频数据；
2. 数据处理： 对上述数据进行了以下处理：
（1）视觉数据处理：采用 YOLOv11 图像检测与姿态估计双模型并行推理，搭载 TensorRT 引擎与 FP16 精度加速，通过 CLAHE 算法完成小目标图像增强引入 DeepSort 框架实现跨帧目标匹配与持续跟踪，提取人体肢体骨架特征、行为特征权重；
（2）多模型融合处理： 基于 YOLOv11与姿态估计双模型 + DeepSort 算法对视频数据进行解析，同时生成结构化数据，包含逐帧 JSON 检测结果，利用以上多模型算法的特征融合技术，对视频数据的行为特征进行双层分析，精准识别异常攀爬行为（0正常行为，1异常攀爬行为），召回率达 96.49%，降低误报率。
浙江省数据知识产权登记平台2026-09-15 更新20
沉降小样本智能测度与预警数据
本数据采集了监测系统下的设备地址、历史沉降量测量值以及高频记录时间戳等多源异构数据；依托自研极小样本时序处理算法，采用时间序列滞后特征重构与多轮残差迭代分析，输出高精度沉降预测数据，模型测试精度达 99.91%。该数据应用于城市老旧桥梁、高架、土建构筑物结构安全智能监测与早期预警，实现根据设备监测 “即插即用” 的部署，精准捕捉不均匀沉降、突发性位移隐患，替代传统人工巡检，提升基础设施动态风险预判能力；同时行业普遍存在历史监测样本稀缺、微小形变预测精度不足痛点，本套小样本特征重构、残差迭代推理流程可直接迁移至企业自研监测模型，大幅降低数据采集与算法研发成本，统一时序沉降预测技术范式；亦可为市政检测、智慧交通运维行业提供标准化量化研判依据，可复用该算法流程完善老旧设施安全评估体系；数据指标可接入城市安全大脑，拓展至隧道、边坡、基坑等土建形变监测场景，支撑行业数字化监测标准建设，赋能智慧城市韧性基础设施运维。1.数据来源：采集了结构健康监测传感器传输的原始感知数据，字段包括：设备地址、沉降量数据（mm）以及记录时间（Y-M-D时间序列格式）。
2.数据处理：
（1）极小样本拦截与特征重构：限制输入总样本量。采用滞后时间窗机制，利用过去连续3个时间点的历史沉降位移作为特征矩阵输入，将一维时间序列转化为多维空间监督学习特征，以此解决极小样本下的特征匮乏问题。
（2）轻量级梯度提升集成算法：引入梯度提升回归树作为核心推理引擎，通过50次残差迭代，让每一棵新生成的决策树专门拟合前一棵树产生的预测残差，逼近真实物理惯性。同时严格限制树深和学习率以消除过拟合风险。
3.数据应用：将上述处理结果应用到基础设施结构健康监测场景下的桥梁沉降智能测度与早期预警场景下，实现了：桥梁沉降安全隐患实现提前主动预警。
浙江省数据知识产权登记平台2026-09-04 更新20
景区攀爬行为感知与预警数据
通过采集人工模拟景区各类攀爬动作与正常行走动作作为样本视频数据集，采用YOLOv11构建目标检测与姿态估计双模型融合算法，输出攀爬行为实时检测结果。该数据及算法可应用于景区户外场景攀爬行为智能监测、实时预警与事后追溯场景，通过多模型融合算法降低复杂背景下误报、漏报问题，攀爬行为识别召回率达 96.49%，适配光照变化、小目标远距离等复杂景区环境，形成视频智能分析，全面提升景区违规攀爬行为主动防控与精细化管理能力。
浙江省数据知识产权登记平台2026-09-01 更新50
田野文物盗掘微震动特征识别数据
本数据采集了田野文物周边7大类典型盗掘相关行为的微振动数据不同监测点位的X/Y/Z三轴加速度峭度值全时段时序序列数据，完整收录锄镐破坏、锄头破坏、跑步行走等典型相关作业振动信息，对原始振动数据进行解析，分析提取出震动信号的空间能量模长与多项式交叉特征参数，该数据可用于构建专属盗掘振动判别模型，可用于精准判断区域内是否发生人为盗掘行为的判定结果，可完全无障碍适配于田野古墓葬、古遗址、野外石刻等露天文物点位无人值守智能化防盗掘安全监测全场景，依托多维特征差异化算法，可精准过滤自然风化沉降、过境车辆通行、野生动物活动、风雨扰动等各类环境白噪声干扰，高效甄别并截获人工开挖、机械钻探、爆破打洞等真实盗掘动作，满足野外文物安防高精度落地标准，从源头大幅降低设备误报、漏报频次，减少人工巡检工作量，为野外文物常态化无人安防、文物执法预警、全域文物安防系统搭建提供核心数据支撑与技术依据。1. 数据来源：该数据为企业采集的田野文物周边7大类典型盗掘相关行为的微振动数据，包括锄镐破坏行为、锄头破坏行为、单人弹跳行为、单人跑步行为、多人行走行为、镐破坏行为、走路行为等不同监测点位不同监测时段的X/Y/Z三轴加速度的时序序列数据。
2. 数据处理：
①降噪处理：基于物理对数公式np.log1p(abs(x))对三轴输入数据进行极值降噪；
②通过时域统计与幅值计算得出XYZ三轴的加速度绝对平均值、方差、方根幅值（RMS）、峭度值、偏斜度、波峰因素、脉冲系数及加速度幅值；经积分运算获取XYZ三轴的速度幅值、位移幅值、速度RMS值及位移RMS值；
③计算频域能量分布：经FFT变换提取X/Y/Z振动频率，识别基频后，计算0.25×、0.5×及3-8×基频加速度谱能量，并提取0.25-0.5×、1-2×等各频段加速度谱能量带及加速度谱总能量；
④将上述高维特征向量输入XGBoost深度决策树集成模型，输出X轴、Y轴、Z轴故障诊断初步结果。为过滤瞬态孤立噪声，引入时间滑动窗口（5帧取3帧）投票算法。对连续5帧的诊断序列进行多数表决，若某故障类别出现≥3次，则确认为最终稳定结果；未达阈值则判定为孤立噪声并过滤，确保故障诊断输出的高鲁棒性与时序连续性。
浙江省数据知识产权登记平台2026-08-21 更新50
沉降小样本智能测度与预警数据
本数据采集了监测系统下的设备地址、历史沉降量测量值以及高频记录时间戳等多源异构数据；依托自研极小样本时序处理算法，采用时间序列滞后特征重构与多轮残差迭代分析，输出高精度沉降预测数据，模型测试精度达 99.91%。该数据应用于城市老旧桥梁、高架、土建构筑物结构安全智能监测与早期预警，实现根据设备监测 “即插即用” 的部署，精准捕捉不均匀沉降、突发性位移隐患，替代传统人工巡检，提升基础设施动态风险预判能力；同时行业普遍存在历史监测样本稀缺、微小形变预测精度不足痛点，本套小样本特征重构、残差迭代推理流程可直接迁移至企业自研监测模型，大幅降低数据采集与算法研发成本，统一时序沉降预测技术范式；亦可为市政检测、智慧交通运维行业提供标准化量化研判依据，可复用该算法流程完善老旧设施安全评估体系；数据指标可接入城市安全大脑，拓展至隧道、边坡、基坑等土建形变监测场景，支撑行业数字化监测标准建设，赋能智慧城市韧性基础设施运维。
浙江省数据知识产权登记平台2026-08-21 更新90