无人机视角垃圾检测，26700余张无人机图像，超过4万标注信息，共3.6GB数据量，可用于环卫快速检查，垃圾快速定位等应用。
名称
无人机视角垃圾检测数据集
规模
- 图像数量：26700余张
- 标注信息：超过4万条
- 数据量：约3.6GB
数据特点
- 高分辨率：所有图像均为高分辨率，能够提供丰富的细节信息，有助于提高检测精度。
- 多样化场景：图像采集自多种环境和场景，包括城市街道、公园、海滩等，涵盖了不同类型的垃圾。
- 详细标注：每张图像都附有详细的边界框标注，标明了垃圾的位置和类别。
- 多类垃圾：数据集涵盖了多种常见的垃圾类型，如塑料瓶、纸张、烟蒂、食品包装等。
应用场景
- 环卫快速检查：通过无人机进行大面积的环境监测，快速发现并定位垃圾，提高环卫工作的效率。
- 垃圾快速定位：帮助相关部门及时清理垃圾，减少对环境的影响。
- 智能城市管理：集成到智能城市管理系统中，提升城市的整体清洁度和管理水平。
- 环境保护：支持环保项目，监测和评估特定区域的垃圾污染情况，为环境保护措施提供依据。
- 研究与教育：用于科研机构的研究以及相关院校的教学，帮助学生和研究人员更好地了解垃圾检测技术。
数据集结构
假设数据集的文件结构如下：
drone_waste_detection_dataset/
├── images/
│ ├── image_0001.jpg
│ ├── image_0002.jpg
│ └── ...
├── annotations/
│ ├── annotation_0001.xml
│ ├── annotation_0002.xml
│ └── ...
└── metadata.csvmetadata.csv 文件内容示例：
image_id, location, date, time
image_0001, City Park, 2023-01-01, 10:00:00
image_0002, Beach, 2023-01-01, 10:05:00
...annotations/annotation_0001.xml 示例（使用Pascal VOC格式）：
<annotation><folder>drone_waste_detection_dataset</folder><filename>image_0001.jpg</filename><size><width>1024</width><height>768</height><depth>3</depth></size><object><name>Plastic Bottle</name><bndbox><xmin>150</xmin><ymin>200</ymin><xmax>350</xmax><ymax>400</ymax></bndbox></object><object><name>Paper</name><bndbox><xmin>400</xmin><ymin>300</ymin><xmax>500</xmax><ymax>400</ymax></bndbox></object>...
</annotation>代码示例
下面是一个简单的Python脚本示例，展示如何加载和可视化这些数据集的一部分。我们将使用OpenCV来读取图像，并使用xml.etree.ElementTree来解析VOC格式的标注文件。
import os
import cv2
from xml.etree import ElementTree as ET
import pandas as pddef parse_voc_annotation(xml_file):tree = ET.parse(xml_file)root = tree.getroot()boxes = []labels = []for obj in root.findall('object'):label = obj.find('name').textbndbox = obj.find('bndbox')xmin = int(bndbox.find('xmin').text)ymin = int(bndbox.find('ymin').text)xmax = int(bndbox.find('xmax').text)ymax = int(bndbox.find('ymax').text)boxes.append([xmin, ymin, xmax, ymax])labels.append(label)return boxes, labelsdef load_drone_data(image_dir, annotation_dir, metadata_file):images = []annotations = []metadata = pd.read_csv(metadata_file)for index, row in metadata.iterrows():image_id = row['image_id']location = row['location']date = row['date']time = row['time']# 加载图像img_path = os.path.join(image_dir, f"{image_id}.jpg")image = cv2.imread(img_path)# 加载对应的标注annotation_filename = f"annotation_{image_id.split('_')[1]}.xml"annotation_path = os.path.join(annotation_dir, annotation_filename)boxes, labels = parse_voc_annotation(annotation_path)if image is not None:images.append((image, location, date, time))annotations.append((boxes, labels))else:print(f"Failed to load image: {img_path}")return images, annotations, metadata# 假设图像存储在'image'目录下，标注文件存储在'annotations'目录下，元数据文件为'metadata.csv'
image_dir = 'path_to_your_image_directory'
annotation_dir = 'path_to_your_annotation_directory'
metadata_file = 'path_to_your_metadata_file'images, annotations, metadata = load_drone_data(image_dir, annotation_dir, metadata_file)# 显示第一张图像及其对应的标注框
img, location, date, time = images[0]
boxes, labels = annotations[0]for box, label in zip(boxes, labels):(xmin, ymin, xmax, ymax) = boxcv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)cv2.putText(img, label, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36, 255, 12), 2)cv2.imshow('Image with Annotations', img)
cv2.setWindowTitle('Image', f'Image: Location {location}, Date {date}, Time {time}')
cv2.waitKey(0)
cv2.destroyAllWindows()说明
- 路径设置：请根据实际的数据集路径调整
path_to_your_image_directory、path_to_your_annotation_directory和path_to_your_metadata_file。 - 文件命名：假设图像文件名分别为
.jpg，标注文件为.xml。如果实际命名规则不同，请相应修改代码。 - 可视化：通过绘制边界框和标签，可以直观地看到图像中的垃圾位置和类别。
进一步的应用
- 训练深度学习模型：可以使用这个数据集来训练卷积神经网络（CNN）或其他机器学习模型，以实现自动化的垃圾检测。
- 数据增强：为了增加数据集的多样性和鲁棒性，可以使用数据增强技术（如旋转、翻转、缩放等）生成更多的训练样本。
- 评估与优化：通过交叉验证和测试集评估模型性能，并不断优化模型参数，以提高检测准确率。
这个数据集对于无人机视角下的垃圾检测具有重要的实用价值，可以帮助相关部门高效地进行环境监测和垃圾清理工作，提升城市环境卫生水平。