道路交通流与重点车辆分析数据已成功在浙江省数据知识产权登记平台进行登记，应用在无人机航拍交通目标检测、重点车辆监管与拥堵风险评分领域

杭州团簇科技有限公司本次登记的数据知识产权道路交通流与重点车辆分析数据，1.算法训练：作为目标检测模型（YOLOv8/YOLOv11等）的训练数据集，除基础检测训练外，算法衍生字段可用于训练场景分析模型（拥堵程度预测、重点车辆分布评估等）。 2.模型验证与测试：通过验证集和测试集评估模型检测精度（mAP、Precision、Recall），同时验证场景分析算法的准确性和业务价值。 3.场景算法优化：利用算法衍生字段的数据分布特征，持续优化场景分析算法的参数阈值（密度指数饱和阈值、空间聚集度判定阈值等）。 4.标注质量评估：利用标注坐标的几何一致性（凸四边形有效性验证、面积合理性检查、越界检查）评估标注质量，建立标注质量反馈与返修机制。 5.重点车辆监管：危化品运输、公交、警车等重点车辆的分布与占比数据，可供重点车辆动态监控平台用于通行保障与线路风险评估。1. 数据采集：采集公司内部系统中无人机航拍监控视角下的道路场景图像标注数据，原始标注覆盖行人、货车、卡车、小轿车、公交车、危化车、警车、摩托车共8类交通参与者，标注格式采用HBB水平矩形框（中心点坐标+宽高，并给出xmin、ymin、xmax、ymax），坐标归一化至[0,1]区间。提取字段包括序号（从1开始连续编号）、图片名称、类型编号、类型名称及HBB标注框坐标。 2. 数据处理：坐标归一化验证：确保所有坐标值均在[0,1]有效范围内；标注框几何有效性检查：验证框宽、框高均为正值且不超过画面边界；类别信息校验：确保类型编号与类型名称一一对应，无缺失或错误映射；同帧归属校验：确保每条标注归属正确的图片，无孤立标注记录；异常值处理：剔除坐标越界、面积为0或面积超过画面50%的异常标注。 3. 算法加工 （一）基础几何计算 标注框面积=宽度×高度，保留6位小数；xmin=中心X−宽度/2，ymin =中心Y−高度/2，xmax=中心X+宽度/2，ymax=中心Y+高度/2，保留6位小数。 （二）场景分析算法 （1）车道分区：按中心Y坐标划分，中心Y<0.33为快车道，0.33≤中心Y<0.67为混合车道，中心Y≥0.67为慢行道，用于区分不同通行属性区域的交通负荷。 （2）密度指数= MIN(1,同帧目标数/12)，同帧目标数为同一图片名称下的标注框条数。 （3）空间聚集度=MAX(0,1−最近邻距离/0.35)，最近邻距离为与本帧其他标注框中心的最小欧氏距离。 （4）车型混合度=(本帧出现的类别数−1)/7，取值0~1，反映车型混杂程度，车型越杂通行能力折损越大。 （5）重点车辆标记：类型编号为公交车、危化车、警车时取1，其余取0，用于标识需优先保障或重点监管的车辆。 （6）拥堵风险评分=(0.35×密度指数+0.25×空间聚集度+0.20×车型混合度+0.20×重点车辆标记)× 10，保留2位小数。 （7）拥堵风险等级：拥堵风险评分<2.5为畅通，2.5≤拥堵风险评分<4.5为轻度拥堵，4.5≤拥堵风险评分<6.5为中度拥堵，拥堵风险评分≥6.5为严重拥堵。

查看道路交通流与重点车辆分析数据

登记内容：