本数据集主要用于提升AI模型对城市公共区域路灯故障的识别能力与精确性。通过对该数据集的训练，使AI模型能够通过图像分析精准识别路灯不亮、频闪、亮度不足等故障类型，并可应用于市政照明管理、智慧城市运维等场景。同时，本数据集可为城市照明管理部门提供智能化巡检手段，显著提升路灯故障排查效率，降低人工夜间巡查成本，保障市民夜间出行安全，并为城市照明系统的智能化维护与升级提供数据支持。
1.数据采集 通过企业自有摄像设备自行采集公共区域路灯图像，同步记录图像ID、采集时间、设备型号、地理坐标、光照条件、天气状况等数据。 2.数据预处理与标注 通过数据清洗剔除模糊、过曝或低光图像。按7:2:1比例划分训练集/验证集/测试集。设置多级标注体系： 一级标签：正常/故障 二级标签：完全熄灭/频闪/亮度不足/部分损坏/其他 辅助标注：路灯位置边界框坐标。 3.模型选择与初始化 采用YOLOv8预训练模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小1-32动态调整，锚框参数适配路灯形态；集成低光照增强模块提升暗光环境检测能力。 4.模型训练 基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟复杂夜间场景，添加雨雾干扰、车灯眩光、树枝遮挡等特效。设置早停机制（patience=15），梯度裁剪：max_norm=1.0。 5.模型评估 在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含： 基础性能指标：mAP@0.5、误报率 场景鲁棒性测试：极低光照检出率 并设置渐进式测试：单灯故障→多灯混合故障，标准路灯→老旧/破损路灯。
| 字段名 | 类型 | 描述 |
|---|---|---|
图像ID |
-- | -- |
采集时间 |
-- | -- |
设备型号 |
-- | -- |
地理坐标 |
-- | -- |
光照条件 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 图像ID | STREETLIGHT_20240620_2205_001,STREETLIGH |
| 采集时间 | 6/20/2024 22:05,6/20/2024 22:05,6/20/202 |
| 设备型号 | Canon EOS R5,Canon EOS R5,Canon EOS R5,C |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8416454