深度学习框架基于UNET __无人机建筑垃圾分割检测数据集 无人机建筑垃圾分割检测系统 自动识别非法倾倒建筑垃圾行为，辅助城管取证 _

🏗️ 数据集类别（共 10 类）

🔍 应用场景

该数据集主要用于：

• 灾后评估：地震、台风、洪水等自然灾害后的建筑物损毁程度分析
• 城市更新监测：识别拆迁现场的建筑垃圾分布
• 遥感影像分割：基于无人机或卫星图像进行语义分割（如 U-Net、DeepLabV3+）
• AI 辅助救援决策：快速定位可通行道路、被困区域和危险建筑

💡 注：Pool和Sand可能是为特定地理环境（如沿海城市）设计的补充类别，有助于提升模型在复杂背景下的泛化能力。

✅ 总结

这是一个典型的高分辨率航拍/遥感图像语义分割数据集，专注于灾害响应与城市基础设施状态评估。其核心任务是识别不同类型的建筑损伤和环境要素，适用于深度学习模型训练（如 Segmentation, Detection, Classification），尤其适合用于智慧城市、应急管理系统、国土测绘等领域。

基于无人机建筑垃圾分割检测数据集的完整实现方案，包含：

✅UNet 语义分割训练代码（PyTorch）
✅数据预处理脚本（JSON → Mask）
✅Web 系统搭建（Django + WebGIS）
✅模型推理与可视化
✅系统部署建议

📁 一、数据集概览

💡 虽然你提到“类别：建筑垃圾”，但根据 Recall-Confidence 曲线图，实际是多类语义分割数据集，其中Debris是关键目标。

🗂️ 二、博主建议目录结构

debris_segmentation_system/ ├── data/ │ ├── images/ # 原始图像 │ ├── masks/ # 分割掩码（PNG） │ └── annotations/ # JSON 标注（可选） ├── models/ │ └── unet_debris.pth # 训练好的 UNet 模型 ├── train.py # UNet 训练脚本 ├── infer.py # 推理脚本 ├── web_app/ │ ├── views.py │ ├── models.py │ └── templates/ │ └── index.html └── requirements.txt

📦 三、requirements.txt

torch==2.0.1 torchvision==0.15.2 opencv-python==4.8.0 numpy==1.24.3 Pillow==9.5.0 matplotlib==3.6.3 django==4.2.7 pyecharts==2.0.0 shapely==2.0.0

安装：

pipinstall-r requirements.txt

🔁 四、JSON → PNG 掩码转换（utils/json_to_mask.py）

# utils/json_to_mask.pyimportjsonimportcv2importnumpyasnpfrompathlibimportPathdefjson_to_mask(json_path,output_dir,class_name="Debris"):withopen(json_path,'r')asf:data=json.load(f)if'annotations'notindata:returnNoneh,w=data['imageHeight'],data['imageWidth']mask=np.zeros((h,w),dtype=np.uint8)forannindata['annotations']:ifann['label']==class_nameand'polygon'inann:points=np.array(ann['polygon'],dtype=np.int32).reshape(-1,2)cv2.fillPoly(mask,[points],color=255)output_path=Path(output_dir)/f"{Path(json_path).stem}.png"cv2.imwrite(str(output_path),mask)returnoutput_pathif__name__=="__main__":json_dir="data/annotations"mask_dir="data/masks"Path(mask_dir).mkdir(parents=True,exist_ok=True)forjson_fileinPath(json_dir).glob("*.json"):print(f"Processing{json_file.name}")json_to_mask(json_file,mask_dir)print("✅ 所有 JSON 已转为掩码！")

💡 假设 JSON 中的label字段为Debris，且包含polygon数组。

🧠 五、UNet 模型定义（models/unet.py）

# models/unet.pyimporttorchimporttorch.nnasnnimporttorch.nn.functionalasFclassDoubleConv(nn.Module):def__init__(self,in_channels,out_channels):super().__init__()self.conv=nn.Sequential(nn.Conv2d(in_channels,out_channels,kernel_size=3,padding=1),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True),nn.Conv2d(out_channels,out_channels,kernel_size=3,padding=1),nn.BatchNorm2d(out_channels),nn.ReLU(inplace=True))defforward(self,x):returnself.conv(x)classDownSample(nn.Module):def__init__(self,in_channels,out_channels):super().__init__()self.maxpool_conv=nn.Sequential(nn.MaxPool2d(2),DoubleConv(in_channels,out_channels))defforward(self,x):returnself.maxpool_conv(x)classUpSample(nn.Module):def__init__(self,in_channels,out_channels,bilinear=True):super().__init__()self.up=nn.Upsample(scale_factor=2,mode='bilinear',align_corners=True)ifbilinearelsenn.ConvTranspose2d(in_channels//2,in_channels//2,kernel_size=2,stride=2)self.conv=DoubleConv(in_channels,out_channels)defforward(self,x1,x2):x1=self.up(x1)diff_y=x2.size()[2]-x1.size()[2]diff_x=x2.size()[3]-x1.size()[3]x1=F.pad(x1,[diff_x//2,diff_x-diff_x//2,diff_y//2,diff_y-diff_y//2])x=torch.cat([x2,x1],dim=1)returnself.conv(x)classUNet(nn.Module):def__init__(self,n_channels=3,n_classes=2):super().__init__()self.inc=DoubleConv(n_channels,64)self.down1=DownSample(64,128)self.down2=DownSample(128,256)self.down3=DownSample(256,512)self.down4=DownSample(512,512)self.up1=UpSample(1024,256)self.up2=UpSample(512,128)self.up3=UpSample(256,64)self.up4=UpSample(128,64)self.outc=nn.Conv2d(64,n_classes,kernel_size=1)defforward(self,x):x1=self.inc(x)x2=self.down1(x1)x3=self.down2(x2)x4=self.down3(x3)x5=self.down4(x4)x=self.up1(x5,x4)x=self.up2(x,x3)x=self.up3(x,x2)x=self.up4(x,x1)logits=self.outc(x)returntorch.sigmoid(logits)

🚀 六、train.py—— UNet 训练脚本

# train.pyimporttorchimporttorch.nnasnnimporttorch.optimasoptimfromtorch.utils.dataimportDataLoader,DatasetfromPILimportImageimportosimportnumpyasnpclassDebrisDataset(Dataset):def__init__(self,image_dir,mask_dir,transform=None):self.image_dir=image_dir self.mask_dir=mask_dir self.transform=transform self.images=sorted(os.listdir(image_dir))self.masks=sorted(os.listdir(mask_dir))def__len__(self):returnlen(self.images)def__getitem__(self,idx):img_path=os.path.join(self.image_dir,self.images[idx])mask_path=os.path.join(self.mask_dir,self.masks[idx])image=Image.open(img_path).convert("RGB")mask=Image.open(mask_path).convert("L")ifself.transform:image=self.transform(image)mask=self.transform(mask)mask=torch.where(mask>0,torch.tensor(1),torch.tensor(0)).float()returnimage,mask# 数据增强fromtorchvisionimporttransforms transform=transforms.Compose([transforms.Resize((512,512)),transforms.ToTensor(),transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225])])# 初始化device=torch.device("cuda"iftorch.cuda.is_available()else"cpu")model=UNet(n_channels=3,n_classes=1).to(device)criterion=nn.BCELoss()optimizer=optim.Adam(model.parameters(),lr=0.001)dataset=DebrisDataset("data/images","data/masks",transform=transform)dataloader=DataLoader(dataset,batch_size=4,shuffle=True)epochs=10forepochinrange(epochs):model.train()running_loss=0.0forimages,masksindataloader:images,masks=images.to(device),masks.to(device)optimizer.zero_grad()outputs=model(images)loss=criterion(outputs,masks)loss.backward()optimizer.step()running_loss+=loss.item()print(f"Epoch [{epoch+1}/{epochs}], Loss:{running_loss/len(dataloader):.4f}")# 保存模型torch.save(model.state_dict(),"models/unet_debris.pth")print("✅ 模型已保存！")

🔍 七、infer.py—— 推理脚本

# infer.pyimporttorchimportcv2importnumpyasnpfromPILimportImagefrommodels.unetimportUNet model=UNet(n_channels=3,n_classes=1)model.load_state_dict(torch.load("models/unet_debris.pth"))model.eval()defpredict_image(image_path):image=Image.open(image_path).convert("RGB")transform=transforms.Compose([transforms.Resize((512,512)),transforms.ToTensor(),transforms.Normalize(mean=[0.485,0.456,0.406],std=[0.229,0.224,0.225])])input_tensor=transform(image).unsqueeze(0).to("cuda"iftorch.cuda.is_available()else"cpu")withtorch.no_grad():output=model(input_tensor)pred_mask=output.squeeze().cpu().numpy()pred_mask=(pred_mask>0.5).astype(np.uint8)*255returnpred_mask# 使用示例mask=predict_image("data/images/test.jpg")cv2.imwrite("output_mask.png",mask)

🌐 八、Django Web 系统（web_app/views.py）

fromdjango.shortcutsimportrenderfromdjango.httpimportJsonResponsefromdjango.core.files.storageimportFileSystemStoragefrom.modelsimportDetectionRecordimportcv2importosdefindex(request):returnrender(request,'index.html')defdetect_debris(request):ifrequest.method=="POST":image=request.FILES['image']fs=FileSystemStorage()filename=fs.save(image.name,image)input_path=fs.path(filename)output_mask="static/results/"+filename.replace(".jpg","_mask.png")# 推理mask=predict_image(input_path)cv2.imwrite(output_mask,mask)# 保存记录record=DetectionRecord.objects.create(image=image,result_mask=output_mask)returnJsonResponse({'result_url':fs.url(output_mask),'area':int(mask.sum()/255)})

✅ 总结：应用场景

以上文字及代码仅供参考学习。