© 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
杭州声贝软件技术有限公司
企业杭州声贝软件技术有限公司，成立于2020年，位于浙江省，所属行业为软件和信息技术服务业，经营范围涵盖软件开发、软件销售、人工智能应用软件开发、人工智能理论与算法软件开发、人工智能基础软件开发、软件外包服务、信息安全设备销售、数字视频监控系统销售、电子产品销售、网络设备销售、数据处理和存储支持服务、信息系统运行维护服务、信息技术咨询服务等。
小微企业高新技术企业雏鹰企业软件和信息技术服务业
数据集列表
智能识别三轮车非法载客算法模型的图像训练数据
本数据集主要用于提升AI模型对三轮车非法载客行为的识别能力与精确性。通过对该数据集的训练，使AI模型能够通过图像分析精准识别三轮车载人数量超标等违法行为，并可应用于城市交通执法、客运市场管理及重点区域（地铁站、商业区等）智能监控等场景。同时，本数据集可为交通执法部门提供智能化监管手段，有效降低因非法载客引发的安全事故风险，并为规范城市客运市场秩序提供数据支持，助力提升城市交通安全管理水平。
1.数据采集
通过企业自有摄像设备自行采集道路三轮车图像，同步记录图像ID、采集时间、设备型号、地理坐标、光照条件、天气状况等数据。
2.数据预处理与标注
通过数据清洗剔除模糊、重复图像。按7:2:1比例划分训练集/验证集/测试集。设置多级标注体系：
一级标签：合规载客/非法载客
二级标签：载客3人/载客4人及以上/违规改装/合规载客（仅以及标签为“合规载客”时，二级标签为“合规载客”）
辅助标注：乘客边界框坐标
3.模型选择与初始化
采用YOLOv8预训练模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小1-32动态调整，锚框参数适配三轮车及乘客形态；集成注意力机制提升小目标（如儿童乘客）检出率。
4.模型训练
基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟复杂场景，添加雨雾遮挡、车身反光等特效，模拟夜间低光照条件。设置早停机制（patience=15），梯度裁剪：max_norm=1.0。
5.模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：mAP@0.5、误报率
场景鲁棒性测试：雨雾天气检出率
并设置渐进式测试：单辆三轮车→多车混杂场景，标准载客→违规改装载客
浙江省数据知识产权登记平台2026-02-04 更新430
智能识别小流速比率异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备小流速数据比率异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别小流速数据异常现象，并可应用于水文监测设备维护、数据质量控制和低流速测量验证等场景。同时，本数据集可为智慧水利系统、生态流量监测平台等建设项目提供决策依据。
1. 数据采集
通过企业自有ADCP设备自行采集监测数据，同步记录数据ID、采集时间段、采集频率、设备型号、地理坐标、总数据条数、小流速数据条数、信号强度、信噪比等数据。
2. 数据预处理与加工
通过数据清洗剔除无效数据，按7:2:1比例划分训练集/验证集/测试集。计算小流速比率（小流速条数/总条数×100%）。
设置多级标注体系：
一级标签：数据正常/小流速异常（小流速比率≥20%）
二级标签：传感器漂移型（小流速比率≥50%且信号强度>60dB）/生物附着型（20%≤小流速比率<50%且信噪比>15dB）/系统噪声型（小流速比率≥20%且信噪比<10dB）
3. 模型选择与初始化
采用小波变换+随机森林模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成流体动力学约束模块。
4. 模型训练
基于Scikit-learn实施训练，采用特征重要性筛选提升效率。设置训练轮次，数据增强模拟噪声干扰等各类异常场景。设置早停机制（patience=5）。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：噪声干扰检出率
并设置渐进式测试：单点异常→连续异常
浙江省数据知识产权登记平台2025-12-19 更新130
智能识别姿态错误率过高算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备姿态数据异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够识别姿态异常现象，并可应用于水文监测设备运维、安装质量评估和测量系统验证等场景。同时，本数据集可为智慧水利系统、自动化监测平台等建设项目提供决策依据。
1. 数据采集
通过企业自有ADCP设备自行采集姿态数据，同步记录数据ID、采集时间、设备型号、地理坐标、横摇角度、纵摇角度、方位角、加速度（X,Y,Z三轴）、信号强度等数据。
2. 数据预处理与加工
通过数据清洗剔除异常记录，按7:2:1比例划分训练集/验证集/测试集，采用多参数加权融合算法计算姿态偏离度计算姿态偏离度。
设置多级标注体系：
一级标签：姿态正常/姿态异常（姿态偏离度≥20%）
二级标签：设备故障型（信号强度<50dB）/安装松动型（横摇或纵摇角度>10°）/水流冲击型（横摇+纵摇角度>15°且加速度均>0.5m/s²）
按设备故障型→安装松动型→水流冲击型的顺位，仅赋予满足最高顺位的标签
3. 模型选择与初始化
采用CNN+LSTM混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成姿态校验模块。
4. 模型训练
基于TensorFlow实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟浑浊水体等各类异常场景。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：浑浊水体检出率
并设置渐进式测试：单次异常→连续异常，轻度偏离→严重偏离
浙江省数据知识产权登记平台2025-12-19 更新80
智能识别小流速数据异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备小流速数据异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别小流速数据异常现象，并可应用于水文监测设备维护、数据质量控制和低流速测量验证等场景。同时，本数据集可为智慧水利系统、生态流量监测平台等建设项目提供决策依据。
1. 数据采集
通过企业自有ADCP设备自行采集流速数据，同步记录数据ID、采集时间、设备型号、地理坐标、流速、信号强度、信噪比、水温等数据。
2. 数据预处理与加工
通过数据清洗剔除无效数据，按7:2:1比例划分训练集/验证集/测试集。设置标注体系：
一级标签：数据正常/小流速异常
二级标签：传感器漂移型（流速值<0且|流速|>0.05m/s）/生物附着型（0<流速<0.02m/s且信号强度>65dB）/系统噪声型（流速绝对值<0.01m/s且信噪比<10dB）
3. 模型选择与初始化
采用小波变换+随机森林模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成流体动力学约束模块。
4. 模型训练
基于Scikit-learn实施训练，采用特征重要性筛选提升效率。设置训练时长，数据增强模拟气泡干扰等各类异常场景。设置早停机制（patience=5）。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：气泡干扰检出率
并设置渐进式测试：单点异常→连续异常
浙江省数据知识产权登记平台2025-12-19 更新110
智能识别压力异常率超标算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备压力异常率超标的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别因设备故障、环境干扰或操作不当导致的压力异常现象，并可应用于水文监测设备运维、数据质量控制和测量系统验证等场景。同时，本数据集可为智慧水利系统、自动化监测平台等建设项目提供决策依据，提升压力监测数据的可靠性。
1. 数据采集
通过企业自有ADCP设备自行采集压力数据，同步记录数据ID、采集时间、设备型号、地理坐标、压力值、采样频率、平均水温等数据。
2. 数据预处理与加工
通过数据清洗剔除异常值，按7:2:1比例划分训练集/验证集/测试集。基于压力数据计算异常率（异常点数/总点数×100%）。设置多级标注体系：
一级标签：正常/异常（异常率≥10%）
二级标签：设备故障型（持续异常）/环境干扰型（突发异常）/操作不当型（特定模式异常）
3. 模型选择与初始化
采用LSTM+CNN混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成时序特征提取模块。
4. 模型训练
基于TensorFlow实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟各类异常场景，添加噪声干扰等特效。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：噪声干扰检出率
并设置渐进式测试：单点异常→连续异常，稳态工况→极端工况
浙江省数据知识产权登记平台2025-12-19 更新20
智能识别三轮车非法载客算法模型的图像训练数据
本数据集主要用于提升AI模型对三轮车非法载客行为的识别能力与精确性。通过对该数据集的训练，使AI模型能够通过图像分析精准识别三轮车载人数量超标等违法行为，并可应用于城市交通执法、客运市场管理及重点区域（地铁站、商业区等）智能监控等场景。同时，本数据集可为交通执法部门提供智能化监管手段，有效降低因非法载客引发的安全事故风险，并为规范城市客运市场秩序提供数据支持，助力提升城市交通安全管理水平。
浙江省数据知识产权登记平台2026-01-21 更新240
智能识别负流速比率异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备负流速数据比率异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别负流速异常现象，并可应用于水文监测设备校准、数据质量控制和逆向流监测等场景。同时，本数据集可为智慧水利系统、潮汐监测平台等建设项目提供决策依据。
1. 数据采集
通过企业自有ADCP设备自行采集监测数据，同步记录数据ID、采集时间段、采集频率、设备型号、地理坐标、总数据条数、负流速数据条数、信号强度、水流方向角、设备安装角度等数据。
2. 数据预处理与加工
通过数据清洗剔除无效数据，按7:2:1比例划分训练集/验证集/测试集。计算负流速比率（负流速条数/总条数×100%）和方向角偏差（|水流方向角 - 设备安装角度|）。设置多级标注体系：
一级标签：数据正常/负流速异常（负流速比率≥15%）
二级标签：安装错误型（方向角偏差>30°）/传感器故障型（信号强度<50dB且方向角偏差≤30°）/环境干扰型（信号强度≥50dB且方向角偏差≤30°）。
3. 模型选择与初始化
采用3D-CNN+GRU混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成流体动力学验证模块。
4. 模型训练
基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟气泡干扰等各类异常场景。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：基础性能指标：准确率、误报率
场景鲁棒性测试：气泡干扰检出率
并设置渐进式测试：单点异常→连续异常
浙江省数据知识产权登记平台2025-12-19 更新70
智能识别负流速数据异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备负流速数据异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别负流速异常现象，并可应用于水文监测设备校准、数据质量控制和逆向流监测等场景。同时，本数据集可为智慧水利系统、潮汐监测平台等建设项目提供决策依据。
1. 数据采集
通过企业自有ADCP设备自行采集水文监测数据，同步记录数据ID、采集时间、设备型号、地理坐标、流速、信号强度、水流方向角、设备安装角度等数据。
2. 数据预处理与加工
通过数据清洗剔除无效数据，按7:2:1比例划分训练集/验证集/测试集。设置多级标注体系：
一级标签：数据正常/负流速异常（流速<-0.1m/s）
二级标签：安装错误型（流速<-0.5m/s且方向角与安装角偏差>45°）/传感器故障型（流速<-0.1m/s且信号强度<50dB）/真实逆向流型（-0.5m/s<流速<-0.1m/s且方向角与潮汐表匹配）
3. 模型选择与初始化
采用3D-CNN+GRU混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成流体动力学验证模块。
4. 模型训练
基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟噪声干扰等各类异常场景。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：噪声干扰检出率
并设置渐进式测试：瞬时异常→持续异常
浙江省数据知识产权登记平台2025-12-19 更新20
智能识别当前选层信号异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备当前选层信号异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别当前固定选层信号异常现象，并可应用于水文监测设备运维、数据质量控制和测量系统验证等场景。同时，本数据集可为智慧水利系统、自动化监测平台等建设项目提供决策依据，提升ADCP设备选层功能的可靠性。
1. 数据采集
通过企业自有ADCP设备自行采集当前选定水层在连续时间点的监测数据，同步记录数据ID、采集起始时间、采集时间间隔、采集持续时间、设备型号、地理坐标、当前选层信号强度、信噪比、回波强度、流速等数据。
2. 数据预处理与加工
通过数据清洗剔除异常值，按7:2:1比例划分训练集/验证集/测试集。基于选层信号数据计算异常指数（信号强度偏离标准值程度）。设置多级标注体系：
一级标签：正常/异常（异常指数≥15%）
二级标签：硬件故障型（持续异常）/软件错误型（逻辑异常）/环境干扰型（突发异常）
3.模型选择与初始化
采用1D-CNN+BiLSTM混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长12-36步动态调整；集成信号处理模块提升特征提取能力。
4. 模型训练
基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟各类异常场景，添加信号干扰、噪声等特效。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：噪声干扰检出率
并设置渐进式测试：单点异常→连续异常，稳态工况→极端工况
浙江省数据知识产权登记平台2025-12-19 更新40
智能识别压力传感器高频异常算法模型的监测训练数据
本数据集主要用于提升AI模型对ADCP设备压力传感器高频异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别高频压力波动异常现象，并可应用于水文监测设备维护、数据质量控制和测量系统验证等场景。同时，本数据集可为智慧水利系统、自动化监测平台等建设项目提供决策依据，提升压力监测数据的可靠性。
1. 数据采集
通过企业自有ADCP设备自行采集压力传感器数据，同步记录数据ID、采集时间、设备型号、地理坐标、压力值、采样频率、平均水温等数据。
2. 数据预处理与加工
通过数据清洗剔除异常值，按7:2:1比例划分训练集/验证集/测试集。运用小波变换，基于压力数据计算高频波动指数（0.1-10Hz频段能量占比）。设置标注体系：
一级标签：正常/异常（波动指数≥15%）
二级标签：传感器故障型（持续高频）/水流冲击型（突发高频）/系统干扰型（特定频段异常）
3. 模型选择与初始化
采用1D-CNN+GRU混合模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小16-64动态调整，时间步长12-36步动态调整；集成小波变换模块提升特征提取能力。
4. 模型训练
基于PyTorch实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强模拟各类异常场景，添加白噪声、脉冲干扰等特效。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。
5. 模型评估
在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含：
基础性能指标：准确率、误报率
场景鲁棒性测试：脉冲干扰检出率
并设置渐进式测试：单点异常→连续异常，稳态流动→湍流工况
浙江省数据知识产权登记平台2025-12-19 更新100