电力施工作业安全行为检测图像数据集
电力施工作业安全行为检测图像数据集，图片总共 2300左右，标注为voc(xml)格式，包含高空抛物，未佩戴安全带，高处作业无人监护等。
电力施工作业安全行为检测图像数据集
数据集描述
这是一个专门用于电力施工作业安全行为检测的图像数据集。数据集总共包含大约2300张图片，涵盖了多种常见的不安全行为，目的是帮助训练计算机视觉模型识别电力施工现场中的潜在安全隐患。
类别
数据集中标注的行为类别主要包括但不限于：
- 高空抛物
- 未佩戴安全带
- 高处作业无人监护
- 其他不安全行为（如不戴头盔、不穿防护服等）
标注格式
数据集中的标注采用了VOC（Visual Object Classes）格式，每个图像文件都有一个对应的XML文件，其中包含了图像中每个对象的位置信息（边界框坐标）和类别标签。
图像来源
图像数据来源于真实的电力施工现场，涵盖了不同的时间和天气条件，确保了数据集的多样性和实用性。
数据集结构
典型的VOC数据集结构如下：
1dataset/
2├── Annotations/
3│ ├── img_0001.xml
4│ ├── img_0002.xml
5│ └── ...
6├── ImageSets/
7│ ├── Main/
8│ │ ├── train.txt
9│ │ ├── val.txt
10│ │ └── test.txt
11├── JPEGImages/
12│ ├── img_0001.jpg
13│ ├── img_0002.jpg
14│ └── ...
15└── labels/
16 ├── train/
17 │ ├── img_0001.txt
18 │ ├── img_0002.txt
19 └── val/
20 ├── img_0001.txt
21 ├── img_0002.txt应用场景
该数据集可以用于训练和评估机器学习模型，特别是在电力施工领域的安全监管方面。具体应用场景包括但不限于：
- 自动识别施工现场的安全隐患。
- 协助现场管理人员及时发现并纠正不安全行为。
- 提升施工人员的安全意识。
示例代码
下面是一个使用Python和相关库（如OpenCV、PyTorch等）来加载和展示数据集的简单示例代码：
1import os
2import cv2
3import xml.etree.ElementTree as ET
4from PIL import Image
5import numpy as np
6import torch
7from torchvision import transforms
8
9# 数据集路径
10dataset_path = 'path/to/dataset/'
11
12# 加载图像和标签
13def load_image_and_label(image_path, annotation_path):
14 # 读取图像
15 image = Image.open(image_path).convert('RGB')
16 # 解析XML文件
17 tree = ET.parse(annotation_path)
18 root = tree.getroot()
19 objects = []
20 for obj in root.findall('object'):
21 name = obj.find('name').text
22 bbox = obj.find('bndbox')
23 xmin = int(bbox.find('xmin').text)
24 ymin = int(bbox.find('ymin').text)
25 xmax = int(bbox.find('xmax').text)
26 ymax = int(bbox.find('ymax').text)
27 objects.append([xmin, ymin, xmax, ymax, name])
28 return image, objects
29
30# 展示图像
31def show_image_with_boxes(image, boxes):
32 img = np.array(image)
33 for box in boxes:
34 xmin, ymin, xmax, ymax, name = box
35 cv2.rectangle(img, (xmin, ymin), (xmax, ymax), (0, 255, 0), 2)
36 cv2.putText(img, name, (xmin, ymin - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
37 cv2.imshow('Image with Boxes', img)
38 cv2.waitKey(0)
39 cv2.destroyAllWindows()
40
41# 主函数
42if __name__ == "__main__":
43 images_dir = os.path.join(dataset_path, 'JPEGImages')
44 annotations_dir = os.path.join(dataset_path, 'Annotations')
45
46 # 获取图像列表
47 image_files = [f for f in os.listdir(images_dir) if f.endswith('.jpg')]
48
49 # 随机选择一张图像
50 selected_image = np.random.choice(image_files)
51 image_path = os.path.join(images_dir, selected_image)
52 annotation_path = os.path.join(annotations_dir, selected_image.replace('.jpg', '.xml'))
53
54 # 加载图像和标签
55 image, boxes = load_image_and_label(image_path, annotation_path)
56
57 # 展示带有标注框的图像
58 show_image_with_boxes(image, boxes)这段代码演示了如何加载图像和其对应的XML标注文件，并在图像上绘制边界框和类别标签。您可以根据实际需求进一步扩展和修改这段代码，以适应您的具体应用场景。
原文地址：https://blog.csdn.net/2301_78240361/article/details/142373331
免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！