无人机河道航拍语义分割数据集 | 水利巡检、水体识别、洪涝监测、水资源AI分析数据集10330期

无人机河道航拍语义分割数据集 | 水利巡检、水体识别、洪涝监测、水资源AI分析数据集10330期

摘要：一套面向无人机航拍河道场景的水体语义分割开源数据集，适配主流深度学习语义分割框架，可直接用于水体区域提取、常态化河道巡检、洪涝灾害范围评估、水资源动态监测等水利AI业务，标注规范、开箱即用，适配算法原型开发、模型迭代与工程落地。

标签：#无人机河道巡检 #水体语义分割 #水利AI #洪涝灾害监测 #水资源智能分析 #航拍图像分割 #深度学习数据集 #环境监测CV #河流区域识别

传统河道、流域、水资源监测长期依靠人工徒步、船只巡航完成巡查与水体范围统计，河道跨度大、沿岸地形复杂，部分浅滩、急流、偏远水域人员与船只难以抵达，巡检覆盖不全、作业风险高、人力与时间成本居高不下。在汛期洪涝灾害场景中，人工排查受淹区域速度慢、范围统计误差大，无法为应急指挥提供实时、精准的可视化数据支撑；同时，传统监测手段难以实现全天候、高频次流域动态追踪，无法满足现代化智慧水利、河湖长制的数字化管理需求。

如今无人机航拍+语义分割已成为水利行业智能化升级的主流路线，依靠AI自动分割水体区域，可快速划定河流、湖泊、积水、受淹区域边界。但目前行业普遍存在专业水体分割标注数据稀缺、通用分割数据集与河道航拍场景不匹配、标注格式混乱、复杂水面场景样本不足等问题，大幅抬高了水利AI算法落地门槛。

本次分享的河道航拍语义分割数据集，聚焦真实野外河道、自然水域场景，专门针对水体区域做精细化像素级标注，格式兼容主流语义分割框架，数据场景丰富，能够有效解决水利视觉算法研发过程中数据短缺、场景适配差的痛点。

二、数据集整体详情

2.1 核心基础信息

本数据集为纯语义分割任务专用标注数据集，区别于图像分类、目标检测数据集，以像素级水体区域分割为核心标注目标，所有数据均来源于无人机实地航拍，贴合真实水利巡检作业画面。

1. 标注目标：单类别语义分割，仅区分水体区域与背景区域，标注聚焦水域边界、水面范围，精准适配河道识别、积水提取、洪区划定等核心业务。
2. 数据规模：总计644张高清航拍标注图像，数据体量适中，兼顾模型训练效率与泛化能力，非常适合语义分割算法入门验证、中小型模型训练、企业原型项目开发、高校水利AI实训。
3. 场景覆盖：样本涵盖不同光照、不同岸线形态、不同水流状态的河道场景，有效降低单一环境数据造成的模型过拟合问题，提升模型在野外复杂水域的鲁棒性。
4. 数据格式：采用计算机视觉语义分割任务通用标准格式，图像与掩码标签一一对应，兼容U-Net、PSPNet、SegFormer、YOLO-Seg等主流深度学习框架，无需复杂格式转换，下载后可直接加载训练。
   

2.2 核心落地应用价值

1. 算法研发支撑：为水体语义分割模型提供标准化训练、验证数据，助力开发者调试网络结构、优化损失函数、对比不同分割算法性能。
2. 常态化水资源监测：结合无人机航拍，自动分割、统计流域水体面积，实现水资源分布常态化盘点与动态追踪，替代人工丈量统计。
3. 洪涝灾害应急处置：汛期快速分割识别积水、淹没区域范围，输出精准水域边界数据，辅助灾情评估、人员转移、抢险路线规划。
4. 生态环境监测：应用于河湖生态管护、水域岸线监管、黑臭水体范围圈定等场景，推动计算机视觉技术在水利、环保垂直领域规模化落地。
   

2.3 数据集核心优势

• 场景垂直化：原生无人机河道航拍数据，水面反光、岸线遮挡、远景水域等真实干扰场景全覆盖，远优于通用户外分割数据集；
• 标注轻量化：单类别分割任务，学习门槛低、训练收敛速度快，新手可快速上手；
• 算力友好：644张图像体量小，普通家用GPU、边缘算力设备即可完成全流程训练与推理，无需高性能集群；
• 全框架兼容：标准掩码标注格式，适配PyTorch、TensorFlow两大主流生态，适配绝大多数开源语义分割项目。

三、深度学习实战代码（附河道场景专属注释）

基于水利行业语义分割常用框架U-Net与Ultralytics YOLO-Seg编写全套代码，包含环境部署、数据集加载、模型训练、图像推理、结果可视化全流程，所有代码结合河道航拍、水面分割场景做针对性注释与参数调优。

3.1 运行环境依赖安装

适配 Python 3.8 ~ 3.11，支持 Windows / Linux 系统，CUDA 10.2 及以上版本均可运行。

# 安装语义分割核心依赖库pipinstalltorch torchvision# 深度学习基础框架pipinstallsegmentation-models-pytorch==0.3.3# 快速调用U-Net等经典分割模型pipinstallopencv-python pillow numpy# 图像处理、矩阵运算pipinstallalbumentations# 图像增强，适配水面反光、光照变化场景pipinstalltqdm# 训练进度可视化

3.2 数据集标准目录结构（通用语义分割格式）

遵循行业通用目录规范，图像与掩码标签文件名一一对应，解压后直接使用，无需重构路径：

water_segment_dataset/ ├── images/ # 无人机航拍原图（总计644张） │ ├── train/ # 训练集图像 │ ├── val/ # 验证集图像 │ └── test/ # 测试集图像 ├── masks/ # 语义分割掩码标签（单通道PNG，像素值代表类别） │ ├── train/ │ ├── val/ │ └── test/ └── water_config.yaml # 数据集配置文件（类别、路径、超参数）

3.3 数据集配置文件water_config.yaml

针对水体单类别分割场景编写配置文件，适配YOLO-Seg系列框架：

# 无人机河道水体语义分割 - 数据集配置文件# 数据集根路径（根据本地实际存放路径修改）path:./water_segment_dataset# 训练、验证、测试集图像路径train:images/trainval:images/valtest:images/test# 分割类别数量：2类（背景、水体）nc:2# 类别名称映射names:0:背景1:水体# 河道航拍专属数据增强（针对水面反光、逆光、画面翻转优化）fliplr:0.5# 左右翻转，提升模型对不同走向河道的适应性hsv_h:0.015# 色相微调，适配早晚光照变化hsv_s:0.7# 饱和度微调，削弱水面反光干扰

3.4 自定义数据集加载脚本water_dataset.py

基于PyTorch Dataset 封装数据集类，适配U-Net训练，适配航拍图像与掩码读取逻辑：

""" 河道水体分割 - 自定义数据集加载类 适配场景：无人机航拍河道图像、像素级水体掩码标签 适配框架：PyTorch + segmentation-models-pytorch """importosimportnumpyasnpfromPILimportImagefromtorch.utils.dataimportDatasetimportalbumentationsasAfromalbumentations.pytorchimportToTensorV2classWaterSegmentDataset(Dataset):def__init__(self,image_dir,mask_dir,transform=None):# 图像文件夹、掩码标签文件夹路径self.image_dir=image_dir self.mask_dir=mask_dir self.transform=transform# 读取所有图像文件名，保证图像与标签顺序一致self.images=sorted([fforfinos.listdir(image_dir)iff.endswith(('.jpg','.png'))])def__len__(self):# 返回数据集总样本数returnlen(self.images)def__getitem__(self,idx):# 拼接单张图像与标签完整路径img_name=self.images[idx]img_path=os.path.join(self.image_dir,img_name)mask_path=os.path.join(self.mask_dir,img_name.replace(".jpg",".png"))# 读取航拍图像与分割掩码image=np.array(Image.open(img_path).convert("RGB"))mask=np.array(Image.open(mask_path),dtype=np.float32)# 掩码二值化：1=水体，0=背景（适配单类别水体分割）mask[mask>0]=1.0# 执行数据增强（针对水面反光、光照干扰做增强）ifself.transform:aug=self.transform(image=image,mask=mask)image=aug["image"]mask=aug["mask"]returnimage,mask# 定义训练集数据增强策略（河道场景专属）defget_train_aug():returnA.Compose([A.Resize(640,640),# 统一图像尺寸，适配航拍宽画幅A.HorizontalFlip(p=0.5),# 随机左右翻转A.RandomBrightnessContrast(p=0.3),# 明暗、对比度调整，削弱水面反光A.Normalize(),ToTensorV2()])# 定义验证集数据增强（仅归一化，不做随机变换）defget_val_aug():returnA.Compose([A.Resize(640,640),A.Normalize(),ToTensorV2()])

3.5 U-Net 模型训练脚本train_unet_water.py

选用水利分割场景常用的U-Net模型，结合644张样本特性与河道航拍场景调优超参，防止小数据集过拟合：

""" 无人机河道水体分割 - U-Net训练脚本 数据集规模：644张航拍图像 适配场景：水面反光、岸线遮挡、野外河道全域水体分割 核心优化：小数据集防过拟合、水面特征强化 """importtorchimporttorch.nnasnnfromtorch.utils.dataimportDataLoaderimportsegmentation_models_pytorchassmpfromtqdmimporttqdmfromwater_datasetimportWaterSegmentDataset,get_train_aug,get_val_aug# ===================== 全局配置（河道场景专属参数）=====================DEVICE=torch.device("cuda"iftorch.cuda.is_available()else"cpu")# 数据集路径TRAIN_IMG="./water_segment_dataset/images/train"TRAIN_MASK="./water_segment_dataset/masks/train"VAL_IMG="./water_segment_dataset/images/val"VAL_MASK="./water_segment_dataset/masks/val"# 训练超参（644张小数据集，降低batch、减少轮次防过拟合）BATCH_SIZE=8EPOCHS=50LEARNING_RATE=1e-4# =====================================================================deftrain():# 1. 加载训练集、验证集train_dataset=WaterSegmentDataset(TRAIN_IMG,TRAIN_MASK,transform=get_train_aug())val_dataset=WaterSegmentDataset(VAL_IMG,VAL_MASK,transform=get_val_aug())train_loader=DataLoader(train_dataset,batch_size=BATCH_SIZE,shuffle=True,num_workers=2)val_loader=DataLoader(val_dataset,batch_size=BATCH_SIZE,shuffle=False,num_workers=2)# 2. 初始化U-Net模型，骨干网络选用efficientnet-b0（轻量化，适配边缘部署）model=smp.Unet(encoder_name="efficientnet-b0",encoder_weights="imagenet",# 使用预训练权重，小数据集加速收敛in_channels=3,classes=1,# 输出单通道掩码，二分类分割activation="sigmoid").to(DEVICE)# 3. 损失函数 + 优化器（水体分割二分类任务首选BCE损失）loss_fn=nn.BCELoss()optimizer=torch.optim.Adam(model.parameters(),lr=LEARNING_RATE)# 4. 开始迭代训练forepochinrange(EPOCHS):# 训练阶段model.train()train_loss=0.0pbar=tqdm(train_loader,desc=f"Epoch{epoch+1}/{EPOCHS}Train")forimgs,masksinpbar:imgs,masks=imgs.to(DEVICE),masks.to(DEVICE)optimizer.zero_grad()outputs=model(imgs)loss=loss_fn(outputs,masks.unsqueeze(1))loss.backward()optimizer.step()train_loss+=loss.item()pbar.set_postfix({"loss":loss.item()})# 验证阶段model.eval()val_loss=0.0withtorch.no_grad():pbar_val=tqdm(val_loader,desc=f"Epoch{epoch+1}/{EPOCHS}Val")forimgs,masksinpbar_val:imgs,masks=imgs.to(DEVICE),masks.to(DEVICE)outputs=model(imgs)loss=loss_fn(outputs,masks.unsqueeze(1))val_loss+=loss.item()# 打印每轮平均损失avg_train_loss=train_loss/len(train_loader)avg_val_loss=val_loss/len(val_loader)print(f"平均训练损失:{avg_train_loss:.4f}| 平均验证损失:{avg_val_loss:.4f}")# 保存训练完成的模型权重torch.save(model.state_dict(),"./water_unet_best.pth")print("模型训练完成，权重已保存为 water_unet_best.pth")if__name__=="__main__":train()

3.6 图像推理与可视化脚本predict_water.py

加载训练好的模型，对无人机航拍图像做水体分割推理，输出水体掩码与叠加效果图，适配巡检业务可视化需求：

""" 河道水体分割推理脚本 功能：单张/批量航拍图像水体提取、分割结果可视化 落地场景：无人机实时巡检画面分析、洪涝区域离线统计 """importtorchimportcv2importnumpyasnpimportosimportsegmentation_models_pytorchassmbfromPILimportImage# 全局配置DEVICE=torch.device("cuda"iftorch.cuda.is_available()else"cpu")MODEL_PATH="./water_unet_best.pth"# 训练好的权重路径TEST_IMG_DIR="./water_segment_dataset/images/test"# 测试图像目录SAVE_RESULT_DIR="./segment_result"# 结果保存目录os.makedirs(SAVE_RESULT_DIR,exist_ok=True)# 加载模型model=smb.Unet(encoder_name="efficientnet-b0",encoder_weights=None,in_channels=3,classes=1,activation="sigmoid").to(DEVICE)model.load_state_dict(torch.load(MODEL_PATH,map_location=DEVICE))model.eval()defpredict_single_image(img_path):# 读取航拍图像image=cv2.imread(img_path)h,w=image.shape[:2]# 图像预处理img_rgb=cv2.cvtColor(image,cv2.COLOR_BGR2RGB)img_resize=cv2.resize(img_rgb,(640,640))img_tensor=torch.from_numpy(img_resize).permute(2,0,1).float()/255.0img_tensor=img_tensor.unsqueeze(0).to(DEVICE)# 模型推理（阈值0.5区分水体与背景，适配水面模糊边界）withtorch.no_grad():output=model(img_tensor)pred_mask=(output>0.5).float().squeeze().cpu().numpy()# 掩码还原原图尺寸pred_mask=cv2.resize(pred_mask,(w,h))# 生成蓝色掩码图层，叠加到原图（直观展示水体区域）mask_color=np.zeros_like(image)mask_color[pred_mask==1]=[255,0,0]# 蓝色标注水体# 原图+掩码融合result=cv2.addWeighted(image,0.7,mask_color,0.3,0)returnresult# 批量处理测试图像if__name__=="__main__":forimg_nameinos.listdir(TEST_IMG_DIR):ifimg_name.endswith((".jpg",".png")):img_full_path=os.path.join(TEST_IMG_DIR,img_name)seg_result=predict_single_image(img_full_path)save_path=os.path.join(SAVE_RESULT_DIR,img_name)cv2.imwrite(save_path,seg_result)print(f"批量水体分割完成，结果已保存至{SAVE_RESULT_DIR}")

四、数据集使用策略 & 场景化深度思考

4.1 数据划分建议

数据集共644张航拍图像，结合语义分割任务特性与小样本训练规则，推荐划分比例：

• 训练集：70%（451张），用于模型主体训练；
• 验证集：15%（97张），用于训练过程中监控精度、防止过拟合；
• 测试集：15%（96张），用于模型最终效果评估与业务仿真测试。
  划分时保证不同光照、不同河道形态样本均匀分布，避免局部场景数据集中。

4.2 河道航拍分割场景调优经验

1. 应对水面反光干扰：水面强反光是河道分割最大难点，训练阶段开启亮度、对比度随机变换，推理时可搭配图像滤波预处理，能明显提升边界分割精度。
2. 小样本防过拟合：本数据集仅644张图像，训练时建议选用轻量化骨干网络、降低BatchSize、配合早停机制，不要使用过深的网络结构。
3. 边缘部署适配：U-Net轻量化版本推理速度快，训练后的模型可直接部署在无人机机载端、水利边缘网关，实现航拍+实时分割端到端巡检。
4. 边界优化：河道水岸交界区域像素模糊，可在后处理中使用形态学运算优化分割边缘，提升水域面积统计精度。

4.3 技术拓展方向

1. 多任务融合：在水体分割基础上叠加目标检测，同时实现水域分割+河道漂浮物、违建船只识别，打造一体化智能巡检系统。
2. 时序分析：结合多时段航拍时序图像，分析水体面积变化，实现流域水位、水量动态监测。
3. 跨场景迁移：基于本数据集做预训练，再用本地流域数据微调，快速适配不同地域河道、湖泊、水库场景。

五、总结

本套无人机河道航拍水体语义分割数据集，聚焦水利行业刚需场景，644张标注样本场景丰富、标注规范、格式通用，完美适配语义分割算法训练与水利AI工程落地。配套U-Net全流程代码覆盖数据加载、训练、推理、可视化，从算法研发到业务部署形成完整链路。

该数据集既适合AI学习者入门语义分割任务，也可作为水利、环保企业智慧巡检、洪涝监测项目的基础数据底座，能够大幅降低水利计算机视觉项目的研发成本与周期。

附加标签：#U-Net实战 #语义分割开源 #智慧水利 #航拍图像AI分析 #洪涝区域识别