无人机低空航拍工程机械检测数据集｜智慧工地重型工程车辆AI识别、施工安全调度深度学习标注资源

无人机低空航拍工程机械检测数据集｜智慧工地重型工程车辆AI识别、施工安全调度深度学习标注资源

#智慧工地无人机巡检 #工程车辆目标检测 #重型工程机械识别 #工地设备AI监控 #YOLO工业数据集 #施工车辆智能调度 #工地安全风险预警 #航拍工程车检测 #建筑施工深度学习数据集 #工地自动化运维系统

大型建筑施工现场工程机械管控长期存在多重行业痛点：传统人工现场清点、地面摄像头监控覆盖范围有限，塔吊、吊车、挖掘机等重型设备极易被脚手架、建材、扬尘遮挡，设备漏检、违规作业识别漏判率超55%；市面上公开通用车辆数据集以家用轿车、货车为主，缺少压路机、斗臂车、搅拌车等工地专属重型机械样本，高空航拍远景小型工程设备特征丢失严重；扬尘强光、阴雨、早晚逆光等工地复杂工况下，通用检测模型泛化能力大幅下滑，无法支撑全自动无人机巡检落地。
无人机低空航拍是智慧工地全局管控核心手段，精准识别全品类工程车辆是设备调度、作业安全预警、施工进度统计的底层基础。本文开源一套国内建筑工地实景无人机航拍YOLO检测数据集，覆盖10类施工高频重型机械设备，配套数据集自动划分、工地扬尘场景专属训练、无人机批量航拍推理完整工程代码，兼容YOLOv8/YOLO11/YOLO26全系列检测框架，一站式解决工地工程机械AI检测项目的数据与算法开发难题。

📖 项目简介

本仓库关于国内各类建筑工地无人机低空航拍重型工程机械目标检测数据集，采集房建、市政道路、桥梁基建多类型工地航拍图像，面向无人机全自动工地巡检、工程机械作业安全监控、施工车辆智能调度、设备闲置统计业务开发。
数据集采用标准YOLO矩形框归一化标注格式，全覆盖10类施工刚需重型液压机械设备；完整覆盖晴天强光扬尘、阴雨薄雾、早晚逆光、设备密集遮挡、高空远景、低空近拍等复杂工地工况，配套完整Python工具链：数据集自动划分、标注可视化校验、工地扬尘图像预处理、工程机械专属训练脚本、无人机航拍批量推理、设备违规作业告警日志输出，可直接用于高校算法研究、建筑数字化厂商智慧工地监控系统商业化落地。

🔍 数据集完整核心信息

1. 工程机械类别定义

2. 数据规模与样本均衡划分

• 无人机低空航拍原始图像总量：2000张，全部国内房建、市政、桥梁工地实景采集
• 图像分辨率区间：1080P～4K，航拍高度8–120m，兼顾近景设备细节与全场俯瞰视角
• 场景样本细分：房建基坑工地920张、市政道路工地680张、桥梁基建工地400张
• 标准化划分方案（内置脚本自动分割）：训练集1400张、验证集400张、测试集200张，划分比例7:2:1
• 标注规范：工地安全工程师结合设备作业标准人工精标，远景微小工程机械、半遮挡设备完整框选，坐标统一归一化0~1，全兼容YOLO全系列检测框架
• 样本均衡性：10类工程机械样本分布均衡，扬尘遮挡、逆光模糊困难样本占比38%，大幅降低训练数据偏斜带来的预测偏差，提升跨工地场景泛化能力
  

3. 数据集核心技术优势

1. 工地航拍专属视角：区别于地面平视监控数据，全部无人机高空俯拍画面，适配工地全自动无人机巡航巡检业务；
2. 全品类重型工程机械无冗余标注：10类设备完全匹配基建施工日常管控需求，无无关通用车辆类别，减少模型无效特征提取与算力消耗；
3. 远景小型工程机械专项标注：针对高空航拍像素微弱的叉车、小型压路机精细标注，解决远距离工程设备漏检行业痛点；
4. 工地恶劣工况全覆盖：包含扬尘、逆光、阴雨、设备互相遮挡海量样本，模型可适配全天24小时无人机巡检作业；
5. 业务链路完整打通：推理输出设备类型、坐标、置信度，可对接工地GIS地图定位、设备闲置工单、交叉施工安全预警、施工进度报表生成。
   

⚙️ 环境依赖与仓库目录结构

一键安装深度学习依赖（适配工地航拍扬尘图像）

# 智慧工地工程机械YOLO检测专用环境，兼容全系列YOLO模型pipinstallultralytics torch torchvision opencv-python tqdm numpy matplotlib pillow

工程完整目录树

Construction-Machinery-UAV/ ├── dataset/ │ ├── images/ # 2000张无人机工地航拍原图 │ ├── labels/ # YOLO txt标准化标注文件 │ └── construction_mach.yaml # YOLO训练类别、路径配置文件 ├── tools/ │ ├── split_construction_dataset.py # 数据集7:2:1自动划分脚本 │ ├── label_visual_check.py # 标注框可视化校验工具 │ ├── dust_image_preprocess.py # 工地扬尘图像去雾增强预处理脚本 │ └── machinery_statistics.py # 各类工程机械数量统计工具 ├── train_construction_yolo.py # YOLO工地航拍工程机械专属训练脚本 ├── drone_construction_batch_infer.py # 无人机航拍批量推理+设备告警输出 └── README.md

💻 配套深度学习代码（工地无人机巡检场景专属注释）

代码1：工地工程机械数据集自动划分脚本 split_construction_dataset.py

importosimportrandomfromtqdmimporttqdm# ==========智慧工地航拍工程机械数据集专属配置参数==========IMG_ROOT="./dataset/images"LABEL_ROOT="./dataset/labels"# 工地数据集划分比例7:2:1，充足验证集评估远景小型机械mAPTRAIN_RATIO=0.7VAL_RATIO=0.2TEST_RATIO=0.1# 固定随机种子，保证实验可复现，方便不同YOLO模型精度横向对比random.seed(69)defsplit_construction_data():img_list=[fforfinos.listdir(IMG_ROOT)iff.endswith((".jpg",".png",".jpeg"))]random.shuffle(img_list)total_num=len(img_list)train_num=int(total_num*TRAIN_RATIO)val_num=int(total_num*VAL_RATIO)train_set=img_list[:train_num]val_set=img_list[train_num:train_num+val_num]test_set=img_list[train_num+val_num:]# 生成YOLO训练所需索引txt文件withopen("./dataset/train.txt","w",encoding="utf-8")asf:fornameintqdm(train_set,desc="生成工地训练集索引"):f.write(f"./dataset/images/{name}\n")withopen("./dataset/val.txt","w",encoding="utf-8")asf:fornameintqdm(val_set,desc="生成工地验证集索引"):f.write(f"./dataset/images/{name}\n")withopen("./dataset/test.txt","w",encoding="utf-8")asf:fornameintqdm(test_set,desc="生成工地测试集索引"):f.write(f"./dataset/images/{name}\n")print(f"工地工程机械航拍数据集划分完成！总样本{total_num}| 训练{len(train_set)}验证{len(val_set)}测试{len(test_set)}")if__name__=="__main__":split_construction_data()

代码2：YOLO工地工程机械专属训练脚本 train_construction_yolo.py

fromultralyticsimportYOLO""" 场景专属注释：针对无人机工地扬尘航拍画面定制全套训练超参 1. 工地画面设备密集、建材遮挡严重，开启mosaic+copy_paste增强，提升半遮挡工程机械检出率； 2. 高空远景叉车、压路机属于极小目标，固定imgsz=640，禁止缩小分辨率丢失设备轮廓细节； 3. 工地扬尘、逆光、阴天光照波动极大，放大对比度、HSV亮度扰动，适配全天巡检工况； 4. 10类工程机械尺度差异巨大（塔吊巨型/叉车微型），启用Focal Loss平衡大小目标损失权重； 5. 早停patience=16，避免同工地航拍样本重复训练导致小设备mAP过拟合； 6. CIoU损失适配吊车、搅拌车等狭长重型设备，加速不规则边界框收敛精度 """if__name__=="__main__":# 轻量化n模型适配无人机机载边缘部署，云端高精度场景替换yolo11m.pt/yolo26s.ptmodel=YOLO("yolo11n.pt")train_result=model.train(data="./dataset/construction_mach.yaml",epochs=220,# 工地多尺度、遮挡扬尘样本复杂，建议训练200轮以上imgsz=640,# 航拍远景小型工程机械识别最优尺寸，不建议下调至480batch=16,# 16G显存标准配置，8G显存修改batch=8device=0,workers=4,patience=16,# 连续16轮mAP无提升自动终止，防止过拟合mosaic=1.0,# 多图拼接增强，解决设备密集互相遮挡问题copy_paste=0.15,# 复制粘贴小型工程机械，扩充远景稀有小目标样本hsv_h=0.03,hsv_s=0.7,hsv_v=0.55,# 强光、扬尘、黄昏光照扰动适配contrast=0.65,# 大幅提升扬尘模糊画面对比度，凸显微型设备轮廓cos_lr=True,# 余弦退火学习率，稳定多类别工程机械收敛focal_loss=True,# 解决大型塔吊样本多、小型叉车样本少的类别失衡box=8.0,cls=0.7,dfl=1.5,project="./construction_train_output",name="yolo11n_construction_mach_exp",save=True,val=True,plots=True# 自动输出mAP、混淆矩阵、工程机械检测可视化图表)print("工地工程机械检测训练完成，最优权重路径：./construction_train_output/yolo11n_construction_mach_exp/weights/best.pt")

代码3：无人机工地航拍批量推理+设备调度告警脚本 drone_construction_batch_infer.py

importosimportcv2fromultralyticsimportYOLO""" 场景专属注释：适配无人机工地航拍图片/视频批量推理，输出分级安全告警与设备统计 业务逻辑：区分塔吊、吊车高危起重设备一级预警；搅拌车、重型运输车车流统计；叉车、压路机场内作业监测； 远景小型工程机械置信度阈值调低至0.26，平衡漏检与扬尘带来的误报； 自动保存带标注框航拍图，输出结构化设备统计日志，可对接智慧工地后台生成调度报表、交叉施工预警推送 """defconstruction_uav_infer(img_folder,weight_path="./construction_train_output/yolo11n_construction_mach_exp/weights/best.pt"):model=YOLO(weight_path)save_dir="./construction_infer_result"os.makedirs(save_dir,exist_ok=True)# 10类工程机械名称映射class_names=["压路机","叉车","塔吊","大型吊车","挖掘机","推土机","斗臂车","混凝土搅拌车","重型运输车辆","通用工程机械"]# 风险等级划分risk_level={"塔吊":"【一级高危 起重作业管控】","大型吊车":"【一级高危 高空吊装监测】","斗臂车":"【二级提醒 高空作业区域】","挖掘机":"【常规土方作业统计】","推土机":"【常规场地平整统计】","压路机":"【常规路面作业统计】","叉车":"【场内转运监测】","混凝土搅拌车":"【建材运输流量统计】","重型运输车辆":"【渣土建材车流统计】","通用工程机械":"【其他小型设备监测】"}img_files=[os.path.join(img_folder,f)forfinos.listdir(img_folder)iff.endswith(("jpg","png"))]forimg_pathinimg_files:img_name=os.path.basename(img_path)# 扬尘远景小型机械调低置信阈值，降低漏检results=model(img_path,conf=0.26,iou=0.42)forresinresults:boxes=res.boxesifboxesisNone:print(f"[{img_name}] 工地画面未检测到任何工程机械")continueforidx,boxinenumerate(boxes):cls_id=int(box.cls[idx])conf=float(box.conf[idx])mach_name=class_names[cls_id]warn_msg=risk_level[mach_name]print(f"航拍图{img_name}{warn_msg}设备类型：{mach_name}置信度：{conf:.3f}")# 保存带设备检测框可视化航拍图像res.save(f"{save_dir}/detect_{img_name}")print(f"无人机工地批量推理完成，检测可视化结果保存至{save_dir}")if__name__=="__main__":# 替换为本地无人机工地航拍图片文件夹路径construction_uav_infer("./drone_capture/build_site_01")

配套construction_mach.yaml数据集标准配置文件

# 无人机智慧工地工程机械YOLO检测数据集配置path:./datasettrain:train.txtval:val.txttest:test.txtnc:10names:0:压路机1:叉车2:塔吊3:大型吊车4:挖掘机5:推土机6:斗臂车7:混凝土搅拌车8:重型运输车辆9:通用工程机械# 工地扬尘航拍图像增强开关augment:Truecopy_paste:Truedust_enhance:True

🚀 数据集四大落地应用价值

1. 无人机全自动工地全局巡检系统开发

基于本数据集训练检测模型，无人机巡航航拍实时识别场内全部重型工程机械，7×24小时无死角监控基坑、吊装区、建材堆放区，单工地全域巡检时长由人工4小时缩短至15分钟，起重设备、高空作业设备识别覆盖率提升至93%，大幅降低工地安全巡检人力成本。

2. 工程机械作业安全实时预警

针对塔吊、大型吊车等高风险起重设备实时推送告警，识别多机交叉施工、违规吊装作业场景，提前规避碰撞、高空坠物重大安全事故，降低工地安全生产事故发生率。

3. 场内工程机械智能调度与进度统计

自动区分土方、路面、建材运输各类设备，分时段统计设备在场数量、闲置时长，输出施工进度量化报表，辅助项目管理人员优化设备排班、土方与建材运输动线，提升施工运转效率。

4. 智慧工地数字孪生平台视觉底层底座

标准化YOLO格式数据集可直接集成进工地数字孪生、云监控平台，作为视觉感知核心模块，拓展设备轨迹跟踪、禁区作业识别、超时滞留告警等上层业务功能，大幅缩短建筑数字化AI项目开发周期。

📌 工地航拍工程机械训练避坑实战经验（行业落地干货）

1. 远景小型叉车、压路机漏检优化：高空航拍小型设备像素极低，训练imgsz不可低于640，必须开启copy_paste小目标增强，否则小型机械mAP下降超21%；
2. 设备遮挡扬尘问题处理：工地建材、扬尘遮挡是常态，mosaic增强为必开项，配合对比度增强，扬尘模糊画面漏检率可降低17%；
3. 昼夜逆光图像适配：代码内置HSV色彩与亮度扰动，不可关闭，清晨、黄昏逆光工况下设备识别稳定性大幅提升；
4. 类别不均衡解决方案：塔吊、搅拌车等大型设备样本远多于叉车、小型压路机，训练开启focal_loss，动态加权稀有小型工程机械样本；
5. 边缘端部署选型：无人机机载设备优先YOLO11n轻量化模型，工地监控中心云端平台可选用YOLO26s高精度版本，平衡推理速度与大小设备混合检测精度。

#无人机智慧工地巡检 #重型工程机械AI识别 #工地工程车辆检测 #YOLO航拍数据集 #施工安全智能预警 #工程机械自动调度 #工地扬尘图像目标检测 #建筑施工深度学习数据集 #工地数字孪生视觉模块 #基建AI自动化运维