隧道目标识别实验过程（一）数据集的制作

最新推荐文章于 2026-06-01 10:12:58 发布
转载 最新推荐文章于 2026-06-01 10:12:58 发布 · 944 阅读 · 1 ·
本内容遵循CC 4.0 BY-SA版权协议
原文链接：http://www.cnblogs.com/zhoulixue/p/6781960.html
本文介绍了一种从隧道监控视频(.dav格式)中提取并转换为.avi格式的方法，并进一步将视频分解为图片帧的过程。同时，设计了包含非机动车辆、小型机动车辆、大型机动车辆和行人的目标类别，使用imagelabel工具制作了XML标注文件。

数据获取

获得隧道监控视频

原始的隧道监控视频是.dav格式，我直接用优酷播放器转换成.avi格式的视频文件。

原始视频（.dav）

优酷:

转码后的文件：

将视频转换成图片

利用Total Video Converter软件将.avi视频转换成图片得到原始的图片数据:

 

 数据集制作

隧道内目标的种类初步设计为（1）非机动车辆cyclist（2）小型机动车辆car（3）大型机动车辆bus（4）行人pedestrian

利用imagelabel工具制作xml文件：

 

转载于:https://www.cnblogs.com/zhoulixue/p/6781960.html

aibi8107
关注
一种基于关键信息监督的隧道雷达数据衬线识别算法
weixin_70923796的博客
03-10 922
模型，通过对高斯分布的热图进行监督，既提升了预测精度，成为一种全微分模型的热图监督法，又具备直接坐标回归方式的空间泛化能力，兼顾了坐标回归和热图回归两种方式的优点，实现衬砌线的智能判识。展示了各网络所生成的关键点及曲线拟合的效果，最终衬砌线的拟合效果取决于关键点预测的位置信息，关键点稀疏将导致曲线不接近真实衬砌线条，对于同一张输入图像，本文方法所拟合的衬砌线最贴合真实衬砌线条，而其他两个网络均存在线条不平滑、与真实衬砌线存在较大差距等缺点。关键点检测已广泛应用于人脸。，标注出的脱空区域与衬砌结构形态类似。
渗透测试方法论（渗透过程）
weixin_47104450的博客
07-24 997
通用测试框架流程 通用测试框架流程分为10个过程，分别是： 1.范围界定 2.信息搜集 3.目标识别 4.服务枚举 5.漏洞映射 6.社会工程学 7.漏洞映射 8.权限提升 9.访问维护 10.文档报告 1.范围界定 （1）取得授权 接到项目后跟客户确定范围，如果在测试范围之内就是合法授权的 （2）测试对象是什么 比如测试的是哪个IP段、哪个网址、哪些资产、哪些域名 （3）应当采取何种测试方法 比如黑盒或者是白盒，包括里面的具体手段，例如：扫描、手工等 （4）在测试过程中需要满足的条件 这里也包括一些限制条
隧道裂缝检测数据集_20251119_014804.zip
12-27
隧道裂缝检测数据集 一、基础信息 数据集名称：隧道裂缝检测数据集 图片数量： 训练集：783张图片 验证集：497张图片 总计：1280张图片 分类类别： '0'：数据集中的唯一类别，适用于裂缝相关检测任务。 标注格式： YOLO格式，包含多边形或关键点标注，适用于实例分割或关键点检测任务。 数据格式：图片来源于隧道检查场景，细节清晰。 二、适用场景 基础设施安全检测系统开发： 数据集支持实例分割或关键点检测任务，帮助构建能够自动识别隧道裂缝区域并精确定位的AI模型，辅助工程师进行结构健康评估和维护决策。 建筑与维护应用研发： 集成至基础设施管理平台，提供实时裂缝检测功能，为维护团队提供早期风险预警和维修指导。 学术研究与工业创新： 支持计算机视觉与土木工程交叉领域的研究，助力发表高水平工程AI论文，推动自动化检测技术发展。 教育与培训： 数据集可用于工程学院或专业培训机构，作为学生学习裂缝检测技术和结构监测实践的重要资源。 三、数据集优势 精准标注与专业性： 每张图片均经过专业标注，确保裂缝区域的准确勾勒和定位，提升模型学习效果。 专注于隧道裂缝检测，覆盖实际应用场景，具有高度实用性和针对性。 任务适配性强： 标注兼容主流深度学习框架（如YOLO等），可直接用于实例分割或关键点检测任务，支持模型快速部署。 实际应用价值突出： 专注于基础设施安全与风险评估，为隧道维护、灾害预防和自动化检查提供可靠数据支撑。
铁轨裂纹数据集（第二部分）
11-19
这个数据集是自己制作的铁轨裂纹数据集，使用LabelImg软件自己标注的，格式为VOC2007。数据集图片共14010张。这是第二部分，第一部分请下载另外一个压缩包，即VOC2007第一部分。
多种隧道裂缝数据集可用于目标检测分类
02-27
内含多种数据集，可供深度学习跑模型使用，用yolov8跑出来的模型map值0.85。都是在毕设期间一张张打标签，一共有2100多张图片（标签有txt和xml两种格式）制作不易
隧道裂缝剥落渗水识别数据集labelme格式2802张3类别
最新发布
FL1623863129的博客
06-01 271
重要说明：可以将数据集用labelme打开编辑，json数据集需自己转成mask或者yolo格式或者coco格式作语义分割或者实例分割。数据集格式：labelme格式(不包含mask文件，仅仅包含jpg图片和对应的json文件)标注类别名称:["boluo","leifeng","shenlou"]特别声明：本数据集不对训练的模型或者权重文件精度作任何保证。标注规则：对类别进行画多边形框polygon。标注数量(json文件个数)：2802。图片数量(jpg文件个数)：2802。
水泥路面、桥梁基建、隧道裂痕裂缝检测数据集
热门推荐
Together_CZ的博客
12-12 1万+
水泥路面、桥梁基建、隧道裂痕裂缝检测数据集
【目标检测论文解读复现NO.20】基于改进Yolov5的地铁隧道附属设施与衬砌表观病害检测方法
m0_70388905的博客
11-27 2503
本文提出一种基于改进Yolov5的地铁隧道附属设施及衬砌表观病害检测模型。
隧道目标识别实验过程（二）标准VOC数据集和制作后的数据集实验结果对比
05-01 451
VOC标准数据集中一共有20个类别： 'aeroplane', 'bicycle', 'bird', 'boat','bottle', 'bus', 'car', 'cat', 'chair','cow', 'diningtable', 'dog', 'horse','motorbike', 'person', 'pottedplant','sheep', 'sofa', 'train...
智能隧道识别数据集 隧道裂缝数据集 隧道渗水数据集 地铁隧道剥落识别 隧道缺陷识别计算机视觉数据集 隧道巡检数据集 第10210期
QQ_1309399183的博客
11-17 696
智能隧道识别数据集 隧道裂缝数据集 隧道渗水数据集 地铁隧道剥落识别 隧道缺陷识别计算机视觉数据集 隧道巡检数据集 第10210期
隧道渗水识别数据集 隧道安全巡查数据集 地铁地下隧道漏水识别 隧道渗水预警系统 渗水识别数据集 图像分割识别第10201期
QQ_1309399183的博客
11-17 434
隧道渗水识别数据集 隧道安全巡查数据集 地铁地下隧道漏水识别 隧道渗水预警系统 渗水识别数据集 图像分割识别第10201期
智能监控数据集 隧道目标检测数据集 隧道内实时监控与车辆统计计数数据集
qq1309399183的博客
10-16 291
智能监控数据集 隧道目标检测数据集 隧道内实时监控与车辆统计计数数据集
带标注信息的隧道目标识别数据集，可识别隧道内交通事故，起火，人和车辆，均为原始图片，正确识别率可达79.6% ，支持yolo，coco json，pascal voc xml格式
yolo模型训练找我，AI游戏合作找我
01-09 617
带标注信息的隧道目标识别数据集，可识别隧道内交通事故，起火，人和车辆，均为原始图片，正确识别率可达79.6% ，支持yolo，coco json，pascal voc xml格式。
【论文速读】——基于三维激光扫描的NATM隧道变形监测试验与应用
点云侠的博客
09-23 1185
本文针对传统隧道变形监测方法的不足，提出基于三维激光扫描技术和改进Kriging滤波算法的监测方案。研究通过自制靶标布设、高精度点云采集（Z+F IMAGER 5010X扫描仪）和空间插值处理，在长沙某隧道开展实验。结果显示：Kriging算法在断面变形提取中优于传统方法，如K0+202断面拱顶沉降误差降低34.5%，但水平收敛测量仍存在环境干扰问题。该方法实现了非接触式、高密度变形监测，为隧道安全预警提供了新思路，未来需进一步优化算法抗干扰能力。
基于ASF-YOLO融合空间特征和尺度特征的新型注意力尺度序列融合模型开发构建涵洞隧道场景下墙壁建筑缺陷分割检测系统
Together_CZ的博客
12-21 1537
基于ASF-YOLO融合空间特征和尺度特征的新型注意力尺度序列融合模型开发构建涵洞隧道场景下墙壁建筑缺陷分割检测系统
java雷达数据解析_MSTAR雷达数据集总结
weixin_33771816的博客
02-17 1645
本文为原创作品，未经本人同意，禁止转载，禁止用于商业用途！本人对博客使用拥有最终解释权欢迎关注我的博客：http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing/发现好多人都在用这个数据集，在此总结一下MSTAR数据集的有关内容该实验数据采用美国国防高等研究计划署(DARPA)支持的MSTAR计划所公布的实测SAR地面...
[持续更新]基于ubuntu平台学习激光SLAM及目标识别需要的知识体系(内含大量资源索引及案例)，建议收藏，关注！！！
专注 激光SLAM, 目标检测, 欢迎关注, 分享交流！
12-05 1478
摘要： 在Ubuntu平台学习激光SLAM与目标识别需构建多维度知识体系： 系统基础：掌握Ubuntu操作、开发工具链（gcc/CMake/git）及环境配置； 编程与数学：精通C++（智能指针/多线程）和Python，强化线性代数、概率论及优化理论； SLAM核心：学习前端（ICP/NDT）、后端优化（g2o/Ceres）及主流方案（LOAM/LIO-SAM）； 目标识别：涵盖点云聚类（欧式/RANSAC）与深度学习（PointNet/PV-RCNN）； 传感器：熟悉激光雷达/IMU标定与数据同步； 实践
最新案例 | 昇思MindSpore携手梦蝶幻像打造濒危鸟类目标识别和实时追踪系统
Kenji_Shinji的博客
09-21 422
同时，基于全场景AI框架昇思MindSpore强大的深度学习能力，对超过5000多种鸟类的50多万张照片进行学习，准确识别包括种类、行为、雌雄、幼鸟成鸟在内的信息，为专家进行最终物种认定提供重要参考。工作人员对野生动物、特别是濒危动物的研究需求日益增多，虽然红外触发相机可以在一定程度上代替人力跋山涉水，但由于其可感应区域较小，树枝摆动、树叶下落均有可能触发误拍，产生的图片信息数量非常庞大，仅靠人工筛选几乎难以为继，大量宝贵的时间被耗费在繁复的工作之中，效率极低。AI改变世界，昇腾正改变AI。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值