针对城市道路、河道、城郊公路等，无人机凭借 70 至 100 米的中低空优势，结合高分辨率传感器与 AI 算法，能快速识别路面散落的塑料袋、纸箱、易拉罐等生活垃圾，以及堆积的建筑垃圾、废弃轮胎，道路破损情况等。算法通过分析垃圾与路面的颜色对比（如深色柏油路上的白色塑料袋）、形状特征（如不规则堆积物），精准锁定目标并标记坐标。可高效覆盖长距离路段，弥补人工巡检效率低、存在视野盲区的短板。无人机巡检广泛应用于： 1、城市道路日常巡检：发现道路垃圾，立即标记坐标并同步至环卫调度平台，引导清洁车优先清理，避免垃圾散落影响通行。 2、河道垃圾动态监测：无人机按设定航线低空掠过河道水面，精准识别河道生活垃圾和建筑垃圾等 。实时回传位置信息至河道管理处，协助安排打捞船定点作业，防止垃圾堵塞水闸或腐烂污染水质。 3、道路公路养护巡查：对道路公路进行无人机巡检，除识别路边倾倒的装修废料、生活垃圾外，还能捕捉路面裂缝、坑洼等破损情况。将垃圾分布与道路病害数据整合后，生成综合报告，为养护部门提供 “边清理垃圾边修复路面” 的联动作业依据。
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，包括图像标识ID、图像分辨率(pix)、相机型号、记录时间、文件路径、焦距(mm)、经纬度、海拔(m)、边界框组、置信度阈值、置信度、一级标签和二级标签，经人工清洗剔除噪声，确保数据可靠性。数据采用两级标签：初始细化目标类型标为二级标签（生活垃圾），记录边界框及属性，后映射为一级标签（生活垃圾）。3、算法基于YOLOv8m，集成SAHI通过图像分片优化小目标检测，结合迁移学习加载预训练权重。预训练权重使用在COCO数据集上预训练的模型参数yolov8m.pt，适用于通用目标检测任务。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（生活垃圾），小于0.5的检测框视为背景负样本。
| 字段名 | 类型 | 描述 |
|---|---|---|
图像标识ID |
-- | -- |
图像分辨率(pix) |
-- | -- |
相机型号 |
-- | -- |
记录时间 |
-- | -- |
文件路径 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 图像标识ID | DJI_20250412162255_0001_V.jpeg |
| 图像分辨率(pix) | 4032×3024 |
| 相机型号 | DJI Air 3 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/185712