© 2023-2026 上海数据发展科技有限责任公司 版权所有
沪ICP备17003045号-15沪公网安备31010402336585号
湖州创感科技有限公司
企业湖州创感科技有限公司，成立于2022年，位于浙江省，所属行业为科技推广和应用服务业，经营范围涵盖技术服务、技术开发、技术咨询、技术交流、技术转让、技术推广、机械设备研发、电子元器件与机电组件设备销售、金属制品研发、电子专用材料研发、新材料技术研发、机电耦合系统研发、五金产品研发、电机及其控制系统研发、配电开关控制设备研发等。
小微企业科技推广和应用服务业
数据集列表
水果种类识别算法模型训练数据
水果种类识别算法模型在自动化程度持续提升的食品供应链体系中，对保障水果分类的精准性与高效性发挥着不可或缺的作用。依托YOLOv10深度学习框架构建的水果种类检测系统，具备对不同品类水果进行实时识别与精准区分和水果质量判断的的能力，这一特性对于显著提升分类作业的速率与准确度、降低人工操作成本、并推动整体物流环节的优化具有重要现实意义。该模型的核心应用场景在多个领域均可使用：自动化采摘环节、加工包装流程、库存动态管理、零售终端识别、全流程质量管控及消费者科普教育等领域。总体而言，水果种类识别算法模型的深度应用，成功实现了对水果品类的快速识别与精准判定，有效提升了食品产业链各环节的运营效率与产品品质。通过相关技术的持续迭代升级与应用场景的不断拓展，模型可针对不同场景进行结合调整，为食品供应链的智能化转型与高质量发展提供有力支撑。1、数据采集：通过多种途径获取得到原始训练数据，这些数据包含了各种水果在不同场景、不同角度、不同光照条件下的图像，以及相应的标注信息。确保数据的多样性从而为提升模型的泛化能力做准备。
2、文件预处理：通过Labelimg标注工具对每张图片进行标注，把数据集进行分类为训练集、验证集和测试集。生成每个文件的ID，记录水果图片的文件路径。
3、模型训练：针对对应的YOLOv10模型训练过程中，将模型不断调整权重，固定学习率和批量大小的值，设置好权重衰减防止模型过度拟合，提高泛化能力；鉴于图片有存在多个水果的原因，识别得到的的边界框坐标存放于“result/coordinate/”文件夹中，以json文件格式进行保存，并获得定位损失；识别结果有水果的种类及对应个数和水果质量等信息，以json格式保存于"result/words_result/"文件夹中，并获得分类损失。在训练过程中，模型的训练精度随着训练进度会逐步上升。
4、模型评估：使用测试集对模型进行评估，计算模型在不同的样本数据下识别的训练精度、召回率、F1值、以及实时性能评估等性能指标，确保了模型的准确性与适应性。
5、模型应用：将最终训练后得到的模型应用到实际具体的项目中。在实际应用中，再对模型的实时性能、检测的准确性和处理速度进行检测和评估，确保满足应用需求，以达到快速、准确识别的效果。
浙江省数据知识产权登记平台2025-12-19 更新630
水果种类识别算法模型训练数据
水果种类识别算法模型在自动化程度持续提升的食品供应链体系中，对保障水果分类的精准性与高效性发挥着不可或缺的作用。依托YOLOv10深度学习框架构建的水果种类检测系统，具备对不同品类水果进行实时识别与精准区分和水果质量判断的的能力，这一特性对于显著提升分类作业的速率与准确度、降低人工操作成本、并推动整体物流环节的优化具有重要现实意义。该模型的核心应用场景在多个领域均可使用：自动化采摘环节、加工包装流程、库存动态管理、零售终端识别、全流程质量管控及消费者科普教育等领域。总体而言，水果种类识别算法模型的深度应用，成功实现了对水果品类的快速识别与精准判定，有效提升了食品产业链各环节的运营效率与产品品质。通过相关技术的持续迭代升级与应用场景的不断拓展，模型可针对不同场景进行结合调整，为食品供应链的智能化转型与高质量发展提供有力支撑。
浙江省数据知识产权登记平台2025-12-05 更新300
基于人脸面部口罩识别的深度学习训练数据
基于人脸面部口罩识别的深度学习训练数据，在诸多场景中有着重要应用。在公共卫生防控方面，机场、车站、商场等人员密集场所，通过部署相关识别系统，利用深度学习训练数据支撑的模型，可实时监测人群口罩佩戴情况。一旦发现未戴口罩者，能及时发出警报或提示，降低病毒传播风险，助力疫情防控常态化工作 。医疗环境里，医院入口、病房区域等，该数据支持下的识别技术可精准区分患者、医护人员是否正确佩戴口罩。像手术室、重症监护室等对卫生要求极高的区域，保证人员规范佩戴口罩，能有效减少病菌交叉感染，保障医疗环境安全。企事业单位的门禁系统也可引入此技术。员工打卡进门时，系统借助训练数据快速识别其是否合规佩戴口罩，既完成身份验证，又确保工作场所防疫安全，提升单位整体防控水平 。1、数据采集：企业采集大量标注佩戴口罩与未佩戴口罩的个体图片，图片涵盖不同场景，不同拍摄角度，不同质量的图片信息，确保数据的多样性从而为提升模型的泛化能力做准备。生成每个文件的ID，记录图片的文件路径。
2、文件预处理：所有图像均经过严格的预处理，包括自动方向校正和EXIF方向信息的剥离，确保所有图像在输入模型前方向一致。此外，为了适应目标检测算法的要求，所有图像都被标准化为固定像素的尺寸，通过拉伸的方式进行调整。再使用自适应均衡化技术来增强图像的对比度，有助于训练出来的模型在不同光照条件下更准确地识别口罩。
3、数据标注：在数据集中，每张图像都被精确标注，定义了戴口罩和未戴口罩两个类别。预处理过后的图片大多数标注框的中心点集中在图像中心区域，标注框的尺寸多集中在一定的范围内，表明大部分人脸标注框的大小比例相对一致，有利于模型识别和预测。
4、模型训练：首先导入并加载预训练的YOLOv8模型。获取数据集的yaml的绝对路径：local/invoice。接着开始训练模型。其中指定了训练数据的配置文件路径，使用CPU进行训练，使用2个工作进程加载数据，输入图像的大小为固定值，学习率固定为0.001，每个批次的大小为8。识别过程中对人脸坐标进行记录标记，以json文件的格式保存到coordinates_num文件夹下。
5、模型预测：使用测试集对模型进行评估，统计和计算模型在不同的样本数据下识别的训练精度、召回率、F1值、以及实时性能评估等性能指标，确保模型进行口罩识别的准确性与适应性。
6、模型应用：将最终训练后得到的模型应用到实际具体的项目中。在实际应用中，根据当前环境场景再对模型的实时性能、检测的准确性和处理速度进行检测和评估，微调和增加部分特定场景数据进行训练，确保满足应用需求，以达到快速、准确识别的效果。
浙江省数据知识产权登记平台2025-10-31 更新180
文件勾选框识别算法模型和图像训练数据
文件勾选框识别算法模型的图像训练数据主要用于在实际场景下对文件勾选框进行识别，存在大批量文件时能高效的提高文件识别和筛选的能力。通过大量多样化的训练样本，算法模型能够学习到不同类型、不同形态勾选框的图像特征，从而更精准地进行识别，满足文档自动化处理、信息提取、表单识别与分析等应用领域的需求。同时，超参数的合理配置进一步优化了模型的性能，使其在面对不同扫描质量、勾选标记样式、文档背景干扰等复杂条件时，具备更出色的泛化能力和适应性。 文件勾选框识别算法模型的图像训练数据是提升模型精准识别勾选框的关键因素。训练数据的丰富性和多样性，使模型能够学习并识别各种勾选框的图像特征，从而在文档自动化处理、信息提取、表单识别与分析等实际场景中准确地完成任务。而且，超参数的优化配置增强了模型的泛化性能和稳定性，使其在面对不同扫描质量、勾选标记样式、文档背景干扰等复杂条件时，仍能保持良好的识别效果。1、原始文件数据来源于企业内部产生的数据，在此步骤中，获取待识别文件及识别文件的路径和读取文件类型。
2、根据自身项目需求和模型要求，使用fitz将原始文件中需要识别的勾选框进行位置追踪和图片截取。
3、选择不同类型的勾选框为参考案例导入YOLO预训练模型，初始化并设置合理的参数，比如勾选框坐标，勾选类型，图片尺寸等，优化模型训练过程，记录所训练的学习模型和参数。
4、使用PyTorch深度学习框架加载和初始化模型。将准备好的数据集输入到模型中进行训练。在训练过程中，联合opencv不断调整权重，以最小化预测框与真实框之间的差值。记录训练的训练时长和训练周期（迭代次数）。训练过程中，模型的置信度将逐渐提升。
5、在训练完成后，使用测试集对模型进行评估。计算模型在不同场景下的识别勾选框的准确率。
6、将最终训练、测试后得到的模型应用到具体的项目中。在实际应用中，评估模型的实时性能，包括检测的准确性和处理速度，确保满足项目需求。记录模型在实际应用中的实时性能与准确度的评估。
浙江省数据知识产权登记平台2025-07-01 更新810
基于无监督单分类的布料缺陷检测数据
基于无监督单分类的布料缺陷检测技术在纺织行业中具有重要的实际应用价值。此类检测系统能够在没有缺陷样本或缺陷样本较少的情况下，通过分析正常布料图像的特征，识别出潜在的异常区域。这项技术特别适用于布料生产线的实时质量监控，帮助检测因加工、染色或材料问题而产生的细微瑕疵。相比传统的人工检测，无监督单分类检测能够自动识别异常，提高检测效率和准确性，减少人工干预的成本。数据收集：在该算法中，主要收集正常布料图像和少量缺陷布料图像，以建立单一分类的无监督检测基础。每个样本包含：缺陷数据图像（.png格式）和正常数据图像（.png格式），正常数据作为模型学习的主要样本，用于构建正常布料图像的特征空间，而缺陷数据用于检测模型性能的评估。
数据预处理：对原始布料图像进行预处理操作，包括缩放、归一化等，使得图像符合模型的输入要求。在预处理阶段，重点提取正常布料的特征，以帮助模型构建正常模式的特征分布。
模型构建：利用无监督学习算法构建布料缺陷检测模型。网络输入为正常布料的图像数据，输出为分类结果，0表示正常，1表示缺陷。模型通过对正常样本的特征学习，形成特征空间分布，在检测阶段，偏离正常特征分布的样本即被标记为缺陷。具体算法公式如下：F_normal=Encoder(I_normal),C={0 if D(F_test, F_normal) < T; 1 if D(F_test, F_normal) >= T}。其中Encoder用于提取正常样本I_normal的特征F_normal,D(F_test, F_normal)为测试样本与正常样本特征的距离，当该距离大于阈值T时，分类结果判断为缺陷。模型评估使用平均检出率和平均严判率进行评估，以保证模型的准确性与严格性。
浙江省数据知识产权登记平台2024-12-16 更新520
答题卡自动识别评分算法模型训练数据
随着现代化信息技术的发展，在答题卡阅卷领域已逐步实现计算机取代人工阅卷。计算机阅卷的优点:不但加快了阅卷速度，而且节约了人力资源，避免了人为错误的产生，增加了考试的公平性，进而提高了阅卷质量和效率。计算机识别答题卡后，还能直接读取学生的成绩进行存储并建立数据库，方便长久保存，省去了手工输入学生成绩的步骤。此外，学生答题卡图像识别技术能够和许多信息化技术相融合，便捷地获取答题成绩，进而将其应用到不同的教研系统中进行数据共享，方便数据分析，找出教学中存在的问题从而改进教学方法，具有非常重要的现实意义。1. 数据采集：通过多种途径收集获得历史主流答题卡模板，为保证数据集的训练数据量和多样性，通过对部分答题卡设计各种不同的干扰项，模拟不同光照条件，引入各类干扰因素。对所有的训练数据进行随机排序并设置文件ID。
2. 文件处理：使用PyTorch进行文件预处理，初始化并设置合理参数、数据集训练集路径和测试集路径。使用Hough变换对图像进行倾斜校正，保证文件的导入opencv对文件进行轮廓检测，确定答题卡的样式类型所属。使用label-studio对答题卡进行区域标注，分辨出答题卡的考生信息、选择题、填空题和主观题，得到需要识别的数据图片并对其进行分类和编号标记，确保答题卡后期总分计算等一系列处理。
3. 文件数据识别：因为主观题有多种解法和描述，目前只能人工审核，所以我们只针对考生信息、选择题和填空题进行训练识别。考生基本信息为准考证号+学生姓名，对考生信息通过ocr文字识别，获取到识别后的考生基本信息并整合为json文件，保存至student_info文件夹中。选择题通过图像平滑滤波+opencv技术识别，得到选择题的答案，对其进行整合为json文件，保存至choice_questions文件夹中。填空题使用ocr文字识别技术，得到各个填空题的答案，整合为json文件，并把它保存至fill_blank文件夹中。
4. 模型训练：通过文件数据识别得到的结果和答案进行对比，使用YOLOv10模型进行训练，将模型不断调整权重，固定学习率和批量大小的值，优化训练损失和验证损失，并且记录训练的训练时长。在训练过程中，模型的训练精度随着训练进度会逐步上升。
5. 模型评估：使用测试集对模型进行评估，计算模型在不同的样本数据下识别的训练精度、召回率、F1值、以及实时性能评估等性能指标，确保了模型的准确性与适应性。
6. 模型应用：将最终训练后得到的模型应用到实际具体的项目中。在实际应用中，通过对不同种类的答题卡进行针对性调整，确保模型识别的速率和准确性。
浙江省数据知识产权登记平台2025-12-19 更新1000
答题卡自动识别评分算法模型训练数据
随着现代化信息技术的发展，在答题卡阅卷领域已逐步实现计算机取代人工阅卷。计算机阅卷的优点:不但加快了阅卷速度，而且节约了人力资源，避免了人为错误的产生，增加了考试的公平性，进而提高了阅卷质量和效率。计算机识别答题卡后，还能直接读取学生的成绩进行存储并建立数据库，方便长久保存，省去了手工输入学生成绩的步骤。此外，学生答题卡图像识别技术能够和许多信息化技术相融合，便捷地获取答题成绩，进而将其应用到不同的教研系统中进行数据共享，方便数据分析，找出教学中存在的问题从而改进教学方法，具有非常重要的现实意义。
浙江省数据知识产权登记平台2025-12-05 更新360
发票识别算法模型训练数据
发票识别算法模型训练数据主要应用于企业运营、税务管理和金融服务等多个领域，是数字化转型的重要支撑。在企业财务核算场景中，这项技术解决了传统人工录入效率低、易出错的痛点。企业通过使用发票识别算法模型可自动提取发票的关键信息，直接缩短报销和入账等流程，显著降低财务人员的重复劳动。电商企业面对海量电子发票，借助该模型能快速完成进项税抵扣核对，避免因漏报、错报导致的税务风险。税务部门通过该智能识别模型对企业上传的发票数据进行批量校验，自动比对发票信息与申报数据的一致性，精准筛查违规行为。从日常报销到税务稽查，从企业管理到金融风控，发票识别模型扮演了重要的角色，提升各领域的工作效率与合规水平。1、数据采集：通过企业现有发票和模拟发票等手段生成收集了大量发票文件，并利用技术手段获取各种票据样本，包括不同拍摄角度、不同布局和不同质量的票据，确保数据的多样性从而为提升模型的泛化能力做准备。生成每个文件的ID，记录发票的文件路径。
2、文件预处理：使用PyTorch进行文件预处理，初始化并设置合理参数、数据集训练集路径和测试集路径，再使用openCV进行轮廓检测，得到发票四个角的边界框坐标，对图片进行去噪、图像增强等步骤，进行透视变换重置图片坐标获得新的标准识别图片。
3、文件数据识别：识别区域个数，针对发票各个识别区域坐标、对标准识别图片各个信息区域使用PP-OCRv4进行文字识别，得到发票关键信息，对识别得到的信息再进行整合为json文件，保存文件至对应文件夹，字段信息为OCR识别结果。
4、模型训练：针对对应的YOLOv10模型训练过程中，将模型不断调整权重，固定学习率和批量大小的值，优化训练损失和验证损失，并且记录训练的训练时长。在训练过程中，模型的训练精度随着训练进度会逐步上升。
5、模型评估：使用测试集对模型进行评估，计算模型在不同的样本数据下识别的训练精度、召回率、F1值、以及实时性能评估等性能指标，确保了模型的准确性与适应性。
6、模型应用：将最终训练后得到的模型应用到实际具体的项目中。在实际应用中，再对模型的实时性能、检测的准确性和处理速度进行检测和评估，确保满足应用需求，以达到快速、准确识别的效果。
浙江省数据知识产权登记平台2025-10-24 更新460
基于目标检测的布料缺陷检测数据
基于目标检测的布料缺陷检测技术在纺织制造业中具有显著应用价值。通过目标检测算法对布料图像中的缺陷区域进行标记，可以快速识别和定位织物上的常见缺陷，例如断纱、污点和织疵。这项技术能有效替代人工检测，适用于生产线上的实时检测与质量控制，提高生产效率和成品质量一致性，减少人为误差。数据收集：在该算法中，收集布料缺陷图像及其对应的缺陷边界框（bbox）作为训练和验证数据集的基础。每个样本包含：缺陷数据图像（.png格式文件）和真实缺陷边界框标签（.json格式），用于记录缺陷的具体位置和范围，作为目标检测模型的监督数据。
数据预处理：对原始布料图像进行预处理，包括缩放、归一化等操作，使图像符合神经网络的输入要求。预处理后生成的图像数据（.npy格式）包含了结构化信息，便于模型从中提取有效特征，以提升缺陷检测的准确性。
模型构建：利用基于目标检测的卷积神经网络对布料缺陷进行检测。网络输入为预处理后的图像数据，输出为预测的缺陷边界框（bbox）。模型包含特征提取器和边界框生成器两个部分，分别用于提取图像特征和生成缺陷位置标记。具体算法公式如下：F=Encoder_features(I),P=Detector_bbox(F)。其中，Encoder_features用于从预处理图像I中提取高维特征F，Detector_bbox生成预测分割标签P通过这种方式，模型能够准确定位并分割布料中的缺陷区域。检测结果使用平均准确率和平均召回率进行评估，确保模型在实际应用中提供高准确率和召回率的检测效果。
浙江省数据知识产权登记平台2024-12-16 更新1280
基于实例分割的布料缺陷检测数据
基于实例分割的布料缺陷检测技术在纺织行业具有重要的应用价值。通过对布料图像进行缺陷检测，可以快速、准确地识别出织物上的瑕疵，如断纱、污点和织疵等。这项技术能代替传统的人工检测，提高检测效率，保证产品质量的一致性，适用于布料生产线上实时缺陷检测和质量监控，帮助工厂在早期阶段识别缺陷，从而减少次品率，提升生产效率和产品质量。数据收集：在该算法中，首先收集布料图像及其对应的缺陷标注作为训练和验证数据集的基础。每个布料图像样本包含：缺陷数据（.png格式文件）和真实分割标签（.png格式），用于标注布料中缺陷的具体位置与轮廓，作为模型的监督学习目标数据。
数据预处理：对原始布料图像进行预处理，包括缩放、归一化等操作，使图像适配神经网络的输入需求。预处理图像（.npy格式）便于模型从结构化信息中学习和提取有效特征，帮助模型在细节层面上更精准地识别缺陷。
模型构建：利用基于目标检测的卷积神经网络来进行布料缺陷检测。网络输入为预处理后的图像数据，输出为预测的缺陷分割标签。模型包括编码器和解码器两个部分，分别用于特征提取和分割标签生成。具体算法公式如下：F=Encoder_features(I),P=Decoder_segmentation(F)。其中，Encoder_features用于从预处理图像I中提取高维特征F，Decoder_segmentation生成预测分割标签P通过这种方式，模型能够准确定位并分割布料中的缺陷区域。分割结果使用平均IoU指标进行评估，确保模型能够提供可靠的缺陷检测效果。
浙江省数据知识产权登记平台2024-12-16 更新730