尾矿库检测数据集,包含1183张图像(全部处理为1024×1024尺寸),1728个尾矿实例,数据量2GB;数据集分别在2016年、2018年、2020年和2021年采集四年不同的样本数据,所有这些数据都基于国内光学卫星图像;使用有向检测框标记
尾矿库检测数据集介绍
名称
尾矿库检测数据集
规模
- 图像数量:1183张
- 实例数量:1728个尾矿实例
- 数据量:约2GB
- 图像尺寸:所有图像处理为1024×1024像素
采集时间
- 2016年
- 2018年
- 2020年
- 2021年
数据来源
- 卫星图像:基于国内光学卫星图像,确保了数据的高分辨率和高质量。
标注方式
- 有向检测框:每个尾矿实例使用有向检测框进行标注,提供了更精确的位置和方向信息。
数据特点
- 多时相数据:数据集包含四年的不同样本数据,可以用于分析尾矿库随时间的变化情况。
- 高分辨率:所有图像都处理为1024×1024像素,提供了丰富的细节信息,有助于提高检测精度。
- 详细标注:每个尾矿实例都有详细的有向检测框标注,包括位置、大小和方向,便于训练高精度的检测模型。
- 多样性:数据集涵盖了不同年份和季节的图像,能够应对不同的环境条件和变化。
应用场景
- 安全监测:实时或定期监测尾矿库的安全状况,及时发现潜在的风险和问题。
- 环境评估:评估尾矿库对周围环境的影响,支持环境保护措施的制定。
- 灾害预警:通过分析尾矿库的变化趋势,提前预警可能发生的灾害事件。
- 合规性检查:帮助企业确保尾矿库管理符合相关法规和标准。
- 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尾矿库管理和监测技术。
数据集结构
假设数据集的文件结构如下:
tailings_dam_dataset/
├── images/
│ ├── 2016_0001.jpg
│ ├── 2016_0002.jpg
│ ├── 2018_0001.jpg
│ ├── 2018_0002.jpg
│ └── ...
├── annotations/
│ ├── 2016_0001.xml
│ ├── 2016_0002.xml
│ ├── 2018_0001.xml
│ ├── 2018_0002.xml
│ └── ...
└── metadata.csv
metadata.csv
文件内容示例:
image_id, year, location
2016_0001, 2016, Location A
2016_0002, 2016, Location B
2018_0001, 2018, Location C
2018_0002, 2018, Location D
...
annotations/2016_0001.xml
示例(使用Pascal VOC格式):
<annotation>
<folder>tailings_dam_dataset</folder>
<filename>2016_0001.jpg</filename>
<size>
<width>1024</width>
<height>1024</height>
<depth>3</depth>
</size>
<object>
<name>TailingsDam</name>
<bndbox>
<xmin>150</xmin>
<ymin>200</ymin>
<xmax>350</xmax>
<ymax>400</ymax>
</bndbox>
<angle>45.0</angle> <!-- 有向检测框的角度 -->
</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 pd
import numpy as np
def parse_voc_annotation(xml_file):
tree = ET.parse(xml_file)
root = tree.getroot()
boxes = []
angles = []
for obj in root.findall('object'):
bndbox = 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)
angle = float(obj.find('angle').text)
boxes.append([xmin, ymin, xmax, ymax])
angles.append(angle)
return boxes, angles
def load_tailings_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']
year = row['year']
location = row['location']
# 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"{image_id}.xml"
annotation_path = os.path.join(annotation_dir, annotation_filename)
boxes, angles = parse_voc_annotation(annotation_path)
if image is not None:
images.append((image, year, location))
annotations.append((boxes, angles))
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_tailings_data(image_dir, annotation_dir, metadata_file)
# 显示第一张图像及其对应的标注框
img, year, location = images[0]
boxes, angles = annotations[0]
for box, angle in zip(boxes, angles):
(xmin, ymin, xmax, ymax) = box
# 绘制有向检测框
rect = ((xmin + (xmax - xmin) / 2, ymin + (ymax - ymin) / 2), (xmax - xmin, ymax - ymin), angle)
box_points = cv2.boxPoints(rect)
box_points = np.int0(box_points)
cv2.drawContours(img, [box_points], 0, (0, 255, 0), 2)
# 绘制角度文本
text = f"{angle:.1f}°"
cv2.putText(img, text, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.9, (36, 255, 12), 2)
cv2.imshow('Image with Annotations', img)
cv2.setWindowTitle('Image', f'Image: Year {year}, Location {location}')
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:通过绘制有向检测框和角度文本,可以直观地看到图像中的尾矿实例及其方向。
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,以实现自动化的尾矿库检测。
- 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。
这个数据集对于尾矿库的安全监测和管理具有重要的实用价值,可以帮助相关部门及时发现和处理潜在的风险,保障环境和人员安全。