© 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
湖州吴兴知识产权运营有限公司
企业湖州吴兴知识产权运营有限公司成立于2024年，位于浙江省。所属行业为科技推广和应用服务业。经营范围包括知识产权服务（专利代理服务除外）；物联网技术服务；数据处理和存储支持服务；信息咨询服务（不含许可类信息咨询服务）。
科技推广和应用服务业
数据集列表
番茄病虫害高效识别图像标注数据
数据可用于农作物病害检测、叶片计数等相关的目标检测和图像分类模型训练。可应用于番茄作物叶片病害的高效识别和计数，帮助种植业从业者提前做好相关的病害预防措施，保障产量；对通用的作物病害防控具有重要的数据价值。本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集，涵盖了不同光照条件、生长阶段和病害程度的番茄叶片图像。图像预处理，基于原始分辨率和特征，通过随机亮度调整-对比度数据增强-随机旋转-随机缩放-随机翻转来增加图像，提高模型的泛化能力，确保叶片的纹理和病害特征不被改变。对比度增强：将图像像素值减去图像均值，乘以一个随机生成的对比度因子，再加回图像均值。在保持图像整体亮度不变的情况下，增强或减弱图像的对比度。通过随机调整对比度，可以模拟不同光照条件下叶片的视觉效果，增强模型对各种实际场景的适应能力采用COCO包围框格式进行目标检测标注，标注过程使用包围框(x,y,width,height)对每个叶片进行精确定位。将COCO格式转换为CSV格式：x1=x,y1=y,x2=x+width,y2=y+height,cls∈{"Earlyblightleaf","Septorialeafspot","bacterialspot","lateblight","mosaicvirus","yellowvirus","moldleaf"}，cls为类别，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-11-12 更新2270
缺陷检测图像数据
本数据集是结合若干专利运营时的测试算法的数据，构成脱敏后的目标检测数据集。对陶瓷、晶圆、金属轴承、光学镜片、半导体wafer、碳纤维复合材料、硬质合金刀具、磁性材料、玻璃纤维扫描图分别进行了统一二值化处理，并标记为4种尺度缺陷。本数据将工件柱面图像进行切分，标记，可用于非特定柱面缺陷检测的目标检测模型训练，应用到生产上，可以结合机器人和机器视觉技术，实现自动化生产线上的缺陷检测，实时检测工件表面的缺陷，确保产品质量符合标准，提高生产管理的智能化水平。数据采集与标注阶段利用高分辨率成像设备对陶瓷、晶圆、金属轴承、光学镜片、半导体wafer、碳纤维复合材料、硬质合金刀具、磁性材料和玻璃纤维等多种材料的柱面进行扫描。图像经过预处理，首先将工件柱面图像进行切分和展开，形成细长的纹理图像。之后，对增强后的图像进行统一的二值化处理,通过Otsu方法自适应计算。二值化之后，为进一步增强数据的多样性，采用随机裁剪-随机旋转-随机翻转对图像进行增强。使用labelme等标注工具基于视觉特征判断对缺陷的位置进行精确标注，使用COCO包围框(x,y,width,height)进行定位和目标检测标注，将缺陷分为裂纹/划痕、凹陷、气孔、腐蚀磨损四种尺度类别，并根据大小和深浅进行分类。
将COCO包围框转换为CSV格式。转换公式如下：x1=x,y1=y,x2=x+width,y2=y+height,cls="Defect-{1,2,3,4}"
filename为扫描图，x1,y1,x2,y2是坐标。cls是标记4种类别，分别对应裂纹/划痕、凹陷、气孔、腐蚀磨损4种情况。
浙江省数据知识产权登记平台2024-10-25 更新6410
常见皮肤问题的图像精确识别和定位数据
数据包含了不同光照条件和拍摄角度下的图像，可用于医疗美容诊断、皮肤问题检测和个性化治疗方案制定相关的目标检测模型训练。通过精确的目标检测而非简单的图像分类，为医疗美容诊断和治疗方案制定提供更详细的皮肤问题线索。数据采集使用由AI模型生成的皮肤图像。收集涵盖不同肤色、年龄、性别、光照条件和拍摄角度的面容图像和临床面部图像。图像脱敏处理：眼睛区域屏蔽：将眼睛区域像素值置为0，图像裁剪：确保裁剪后的图像不包含眼睛。进行皮肤色值增强（皮肤明度调整和皮肤纹理）-随机旋转等图像增强处理。采用COCO格式进行多类目标检测标注，标注时用LabelImg工具，用包围框(x,y,width,height)精确定位每个皮肤问题。痤疮标注包括红肿部分；普通痣和异常痣主要靠颜色、形状和边缘规则性区分；粉刺标注包括周围轻微发红的区域；疤痕标注整个疤痕区域，包括周围略有变色的皮肤；色斑标注整个色素沉着区域。
将COCO格式转换为CSV格式：
x1=x,y1=y,x2=x+width,y2=y+height,cls∈{acne,mole1,mole2,pimple,scar,spot}分别为：痤疮、普通痣、异常痣、粉刺、疤痕、色斑。cls为类别，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-10-12 更新640
无人机人物热成像标注数据
本算法用于无人机热成像监测系统中的人车非（人、汽车、自行车/非机动车）目标检测，数据可用于无人机热成像监测、夜间搜救、城市安全管理等相关的目标检测模型训练。通过一定数量的专利进行验证，可以评估专利的可行性，也可以评估本数据集的多样性和实用性数据采集自我司结合若干专利进行技术中介、专利运营时的测试数据脱敏后的目标检测数据。利用无人机热成像摄像头在多样化场景中收集图像，预处理，保留原始热成像分辨率和热成像的特征信息。考虑到小目标检测的特殊性，采用多尺度训练策略。随机裁剪-随机旋转-随机翻转-热噪声模拟对图像进行增强。热噪声模拟通过添加高斯噪声来模拟热成像设备的噪声特性。使用LabelImg工具，用包围框(x,y,width,height)定位目标。用COCO格式进行多类目标检测标注，"Person"中，只要能辨认出人形即可标注，即使部分遮挡也标，标注时只包括露出部分；"Car"包括各种机动车，从轿车到卡车都算入，只要能看到车身一部分即可标注露出部分；"Bike"涵盖自行车和电动自行车，整车出现两个轮子才标注。
将COCO格式转换为CSV格式：
x1=x,y1=y,x2=x+width,y2=y+height,cls∈{"Person","Car","Bike"}分别对应行人、机动车辆、自行车及电动自行车等非机动车辆。cls为类别，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-10-12 更新1590
裂缝缺陷专利成果运营数据库标注数据
本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集。数据包含多个生产和质检环节的图像，包括金属、复合材料等多种材料的表面。数据集包含了不同光照条件、表面纹理和颜色下的图像，可用于工业自动化检测、质量控制相关的目标检测模型训练。利用训练好的目标检测模型对生产线上的产品进行实时监控，快速识别并标记出金属、复合材料等表面的缺陷，从而及时采取措施，减少次品率，提高生产效率和产品质量。可以实现多种材料表面常见缺陷的高效识别，对工业自动化检测和质量控制具有重要意义。本数据是评估若干专利进行专利运营时的内部测试数据，图片工业生产线和质检环节的图像切片，包含了金属、复合材料等多种材料表面的图像。对图像预处理，保留原始分辨率，以保留材料表面的原有特征。采用随机旋转-随机缩放-随机亮度调整-随机对比度调整-随机噪声添加对图像进行增强。为提高模型对细微缺陷的识别能力，引入局部对比度增强算法：首先对原始图像应用高斯模糊，然后将原图像与模糊后的图像做差，得到局部细节图。最后，将这个局部细节图与原图像进行融合，融合程度由增强系数（本数据集中为0.5）控制，有效突出局部细节，有助于模型识别微小的裂缝和划痕。标注过程中使用LabelImg，每张图片只由一种缺陷，只打一个标签。数据标注采用CSV格式，filename为图像名，crack为裂缝，dent为凹痕，missing-head为缺头，paint-off为脱漆，scratch为划痕。缺陷存在标记为1，不存在标记为0。标注时只关注主要缺陷，忽略次要或不明显的问题。如果图里有多个缺陷，按最严重的标。
浙江省数据知识产权登记平台2024-10-12 更新220
印刷品表面缺陷检测图像数据
数据包括不同类型的印刷产品在不同光照条件下扫描的图像，可用于印刷品质量控制和自动化检测相关的目标检测模型训练。训练好的模型可以集成到印刷产品的自动化生产线中，实现实时、高效的缺陷检测。这不仅可以减少人工检测的成本和错误率，还可以提高生产线的运行效率和灵活性。模型可以显著提高缺陷检测的准确性和效率，为企业带来显著的经济效益和社会效益。本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集，数据采集与标注阶段利用高分辨率成像设备对印刷品表面进行扫描。图像经过预处理，采用随机旋转-随机缩放-随机亮度调整-随机对比度调整-高斯噪声对图像增强。为提高模型对细微缺陷的识别能力，引入局部对比度增强算法：首先对原始图像应用高斯模糊，然后将原图像与模糊后的图像做差，得到局部细节图。最后，将这个局部细节图与原图像进行融合，融合程度由增强系数（本数据集中为0.5）控制，有效突出局部细节，使用labelme等标注工具基于视觉特征判断对缺陷的位置进行精确标注，使用COCO包围框(x,y,width,height)进行定位和目标检测标注，将COCO包围框转换为CSV格式。转换公式如下：x1=x,y1=y,x2=x+width,y2=y+height,cls∈{"scratch","spot"," blurred image","Ink bleeding"," bubble"}，cls为类别分别代表划痕、斑点、图像模糊、窜墨、气泡5种情况，filenam为图像，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-11-12 更新5883
伞齿常见缺陷高效识别数据
数据集包含了不同加工阶段、不同磨损程度的伞齿图像，可用于机械加工质量控制和自动化检测相关的目标检测模型训练。评估模型对具有改进几何特征的伞齿的泛化性能，特别是在微小缺陷的识别和特征描述性能。应用于实际生产检验能快速识别缺陷，从而及时采取措施，减少次品率，提高生产效率和产品质量。本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集，涵盖伞齿不同加工阶段和磨损程度。表面反射增强：亮度调整：对图像进行亮度和对比度的微调模拟不同光照条件下金属表面的反光效果，增强或减弱图像中的高光溢出，使模型能够适应不同光照强度下的伞齿表面特征。对比度线性变换：对调整后的图像进行对比度线性变换，将图像像素值先减去128，乘以一个随机系数（范围在0.8到1.2之间），最后再加回128。使得金属表面的细微纹理和潜在缺陷更加明显。之后以50%的概率对处理后图像进行随机水平翻转，增强图片多样性和模型鲁棒性。采用COCO格式进行单类"Defect"目标检测标注。使用CVAT工具，通过包围框(x,y,width,height)标注缺陷。标注规则：缺陷最小边长不小于5像素。磨损表现为局部光泽度导致的反光不一致，视为缺陷标注；边缘破损指轮廓不连续或缺口。标注时遇到部分边缘反射不一致视为异常，按缺陷标注。将COCO格式转换为CSV格式：x1=x,y1=y,x2=x+width,y2=y+height,cls="Defect"。cls为类别（单类，缺陷），x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-10-12 更新520
农机专利成果运营库目标检测数据
数据集可用于农业机械自动化、智能农业和精准农业相关的目标检测模型训练。以农机视角为主的、烟草和棉花为代表的大叶作物的识别和定位问题，用于验证相关专利的可行性，还能为智能农业领域提供可靠的植株检测基础，为精准农业管理和自动化操作提供数据支持。本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集，数据采用地面手拍模仿农机和移动机器人视角，在多个农田拍摄图像，高度从地面30cm到150cm不等。使用多角度、多高度的采集方式确保了数据的多样性，涵盖了不同生长阶段、光照条件和种植密度的烟草和棉花植株。对图像进行预处理，保留原始分辨率和特征，以确保植株的自然特征不被改变。同时，应用随机亮度调整、植株对比度增强、随机旋转、随机裁剪等图像增强技术提高模型的泛化能力。使用植株对比度增强算法，通过调整图像像素值相对于图像均值的差异来实现，使植株轮廓更加清晰，有助于提高模型对植株的识别能力，尤其是在复杂背景或光照条件不佳的情况下。采用COCO格式进行双类目标检测标注，标注过程使用包围框(x,y,width,height)对每个植株进行精确定位。将COCO格式转换为CSV格式：
x1=x,y1=y,x2=x+width,y2=y+height,cls∈{Tobaccoplant,Cottonplant}，分别对应烟草植株和棉花植株。cls为类别，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-10-12 更新470
特种设备成果转化库内热成像检测数据
数据来源于不同环境条件（如室内/室外、昼/夜）和不同温度范围的各种特种设备、建筑物和工业设施的热成像扫描，可用于热泄漏检测、能源效率评估和预防性维护相关的目标检测模型训练。通过对建筑物进行热成像扫描，利用数据集训练的目标检测模型可以快速识别出墙体、屋顶、窗户等部位的热量泄漏点，为建筑物节能改造提供精准的数据支持，帮助业主和管理者制定有效的节能措施。在工业上，通过热成像检测和数据集验证的模型，可以及时发现并定位这些设备的热泄漏问题，促进工业设施的能效提升和安全生产。本数据是评估若干专利进行专利运营时的内部测试数据脱敏后的目标检测数据集，包含各种特种设备、建筑物和工业设施的热成像扫描，对图像预处理，保留原始热成像分辨率，采用随机裁剪-随机旋转-随机翻转-温度偏移（±5摄氏度）对图像进行增强。为提高模型对温度边界的感知能力，引入温度梯度感知预处理算法。该算法首先计算温度梯度图，使用Sobel算子计算X和Y方向的梯度，并取最大值作为温度梯度。然后，将这个温度梯度图与原始特征图进行融合，融合程度由系数λ（选用0.2）控制，有效增强温度边界的特征，同时保留原有的温度分布信息，有助于模型更好地识别热泄漏区域。标注工具使用CVAT，采用COCO格式(x,y,width,height)包围框进行单一类别目标检测标注，类别定义为"THERMAL-LEAK"。标注时，只关注图中温度最明显的部分，其余温差不大的忽略不标。
将COCO格式的各个包围框转换为CSV格式：
x1=x,y1=y,x2=x+width,y2=y+height,cls="THERMAL-LEAK"，代表热泄漏。cls为类别，x1,y1,x2,y2是坐标。
浙江省数据知识产权登记平台2024-10-12 更新950
纺织成果转化库内常见缺陷检测数据
数据包括不同类型的织物（如棉、麻、丝绸、合成纤维等）、不同生产阶段（如织造、染色、后整理等）和不同光照条件和织物颜色下的图像，可用于纺织品质量控制和自动化检测相关的目标检测模型训练。训练好的模型可以集成到纺织品的自动化生产线中，实现实时、高效的缺陷检测。这不仅可以减少人工检测的成本和错误率，还可以提高生产线的运行效率和灵活性。数据采集与标注阶段使用由AI模型生成的多类纺织品缺陷图像。图像预处理考虑纺织品缺陷检测特性，采用亮度调整-对比度调整-随机旋转-随机裁剪-随机水平和垂直翻转对图像进行增强。为增强模型对纺织品纹理的感知能力，在图像增强后引入纹理增强模块（TEM）。该模块首先对原始图像应用高斯滤波，然后将滤波后的图像与原图像进行比较，得到纹理差异。最后，将这个纹理差异与原图像进行融合，融合程度由增强系数（本例中为0.3）控制。从而突出纺织品的纹理特征，有助于模型更好地区分缺陷和正常纹理。采用COCO格式包围框(x, y, width, height)进行精确定位，并进行多类别目标检测标注，使用COCO标注过程采用LabelImg工具。 将COCO格式转换为CSV格式： x1 = x, y1 = y, x2 = x + width, y2 = y + height, cls ∈ {"defect1", "defect2", "defect3", "defect4"}，分别对应"划破", "划痕", "划洞", "开线"。 filenam为图像，x1,y1,x2,y2是坐标，cls为类别。
浙江省数据知识产权登记平台2024-10-12 更新640