Airbus卫星影像全球油库储罐检测数据集

数据集简介

本数据集是由Airbus Defence and Space Intelligence(空中客车防务与航天情报部门)发布的全球油库储罐目标检测专用数据集,汇集98张覆盖全球的SPOT卫星高分辨率影像,包含13592个储油罐精确标注,专门用于训练和评估深度学习目标检测算法在能源基础设施监测任务中的性能。数据集基于Airbus运营的SPOT卫星(空间遥测观测系统)获取,影像分辨率达到1.2米/像素,每张影像尺寸为2560×2560像素,对应地面覆盖约3平方公里,标注位置涵盖全球主要产油国、炼油厂、石油储备基地、港口码头等能源重地。平均每张影像包含138.69个储罐目标,最多单张影像可达893个目标,充分展现了密集目标检测的技术挑战。标注信息采用CSV格式存储,包含影像ID(image_id)、类别标签(class)和边界框坐标(bounds)三个核心字段,所有标注均为oil-storage-tank(储油罐)单一类别,字段完整性达到100%。数据集另附5张未标注的extras影像,可用于模型泛化能力测试。该数据集在能源监控、战略储备评估、环境影响分析、石油贸易情报、目标检测算法研发等领域具有重要应用价值,支持YOLO、Faster R-CNN、RetinaNet等主流检测框架训练。

数据基本信息

数据集规模

字段描述

影像标注密度统计

数据优势

数据样本示例

以下展示数据集的典型标注样本(bounds坐标已简化显示):

样本1 - 大型圆柱形储油罐

影像ID: image_012.jpg

边界框: POLYGON((1234.5 2345.6, 1289.3 2345.6, 1289.3 2398.2, 1234.5 2398.2))

类别: oil-storage-tank

说明: 典型的大型圆柱形储罐,直径约65米,位于炼油厂中心区域,顶部清晰可见

样本2 - 中型储油罐集群

影像ID: image_027.jpg

边界框: POLYGON((3456.7 1234.5, 3512.9 1234.5, 3512.9 1287.3, 3456.7 1287.3))

类别: oil-storage-tank

说明: 中型储罐(直径约45米),与周围储罐紧密排列,间距约20米,形成集群布局

样本3 - 浮顶储罐(带反光)

影像ID: image_045.jpg

边界框: POLYGON((2345.6 3456.7, 2398.2 3456.7, 2398.2 3509.3, 2345.6 3509.3))

类别: oil-storage-tank

说明: 浮顶式储罐,罐顶金属表面产生强反光,在影像中呈亮白色,易于识别

样本4 - 小型储罐

影像ID: image_068.jpg

边界框: POLYGON((4567.8 2345.6, 4603.4 2345.6, 4603.4 2381.2, 4567.8 2381.2))

类别: oil-storage-tank

说明: 小型储罐(直径约30米),用于成品油存储,位于加工区外围,颜色较深

样本5 - 超大型原油储罐

影像ID: image_089.jpg

边界框: POLYGON((1789.4 3678.9, 1901.2 3678.9, 1901.2 3790.5, 1789.4 3790.5))

类别: oil-storage-tank

说明: 超大型原油储备罐(直径约120米),单罐容量可达10万立方米,战略储备设施

样本6 - 港口码头储罐

影像ID: image_053.jpg

边界框: POLYGON((3234.5 2567.8, 3287.1 2567.8, 3287.1 2620.4, 3234.5 2620.4))

类别: oil-storage-tank

说明: 位于港口码头区域的储罐,紧邻卸油管道,用于进口原油中转存储

样本7 - 沙漠环境储罐

影像ID: image_071.jpg

边界框: POLYGON((2678.9 1789.4, 2731.5 1789.4, 2731.5 1842.0, 2678.9 1842.0))

类别: oil-storage-tank

说明: 沙漠地区油田配套储罐,周围地表呈黄褐色,储罐与背景对比强烈

样本8 - 密集排列储罐(893个目标影像样本之一)

影像ID: image_095.jpg

边界框: POLYGON((1567.8 4123.4, 1623.4 4123.4, 1623.4 4179.0, 1567.8 4179.0))

类别: oil-storage-tank

说明: 位于全球最大炼油厂之一的储罐,单张影像包含893个储罐,间距仅10-15米

样本9 - 内陆储备基地储罐

影像ID: image_034.jpg
边界框: POLYGON((4234.5 3456.7, 4289.1 3456.7, 4289.1 3511.3, 4234.5 3511.3))
类别: oil-storage-tank
说明: 国家战略石油储备基地,储罐周围有明显的防护堤坝(圆形或矩形围堰)

样本10 - 化工园区储罐

影像ID: image_082.jpg
边界框: POLYGON((3567.8 2789.4, 3623.4 2789.4, 3623.4 2845.0, 3567.8 2845.0))
类别: oil-storage-tank
说明: 化工产业园区内的成品油储罐,与生产装置(管道、塔器)紧密相连

注:边界框坐标采用POLYGON格式表示,坐标值为影像像素坐标系统(左上角为原点),可转换为标准边界框(xmin, ymin, xmax, ymax)格式用于YOLO/Faster R-CNN训练。

应用场景

场景一:全球能源基础设施监控与战略情报分析

基于本数据集训练的储油罐检测模型可部署于国家能源安全监控系统,通过定期获取的卫星影像自动识别和统计全球主要产油国、战略竞争对手的石油储备规模与变化趋势。系统每周或每月获取一次目标区域的卫星影像,模型在10秒内完成3×3公里区域的全幅扫描,输出所有储罐的位置、数量、尺寸估算。数据集中平均每张影像138.69个目标的高密度标注,确保模型能够处理世界最大炼油厂(如沙特阿拉伯Ras Tanura炼油厂、委内瑞拉Paraguana炼油综合体)的密集储罐布局。实际应用中,可结合历史影像进行时序对比,当检测到储罐数量显著增加(新建扩建)或储罐顶部阴影变化(液位升降)时,自动生成战略情报报告。该系统对政府能源部门、军事情报机构、国际能源署(IEA)具有重要价值,可评估全球石油供应能力、监控OPEC产油国减产承诺执行情况、预警能源供应中断风险。

场景二:石油贸易与市场分析

能源咨询公司、金融分析机构可利用该模型开展全球石油库存监测,评估原油市场供需关系与价格走势。通过对主要石油出口港(如美国库欣储油中心、沙特拉斯坦努拉港、荷兰鹿特丹港)的卫星影像批量处理,可估算浮顶储罐的液位高度(通过罐顶阴影面积反演),推算库存变化。数据集包含的5张未标注extras影像可用于测试模型对新区域的泛化能力,确保跨地理环境的检测准确性。实际操作中,可按周或月度生成全球主要储油枢纽的库存变化曲线,识别库存积压信号(储罐利用率>90%)或供应紧张信号(储罐利用率<50%),为原油期货交易、航运运费预测、炼油厂采购决策提供数据支持。该分析对对冲基金、大宗商品交易商、航运公司具有高商业价值,历史数据显示卫星库存监测比官方统计数据提前2-4周反映市场变化。

场景三:环境保护与安全监管

环保部门、应急管理机构可利用该模型监控油库储罐的合规性与安全状况。通过卫星影像自动识别未经许可的新建储罐、检测储罐周围是否建有规范的防护堤坝(围堰)、评估储罐与居民区的安全距离是否符合法规要求。数据集中最大单张影像893个目标的极高密度标注,使模型能够处理超大型石化园区的复杂场景,避免漏检。实际应用中,可定期扫描全国主要石化基地,识别违规建设、老旧储罐未拆除、环保设施缺失等问题,生成执法清单。该系统对环保监察部门、安全生产监督管理局、城市规划部门具有重要作用,可提升监管覆盖面、降低现场巡查成本、预防泄漏火灾等重大安全事故。

场景四:深度学习密集小目标检测算法研发

本数据集为计算机视觉研究者提供了遥感密集小目标检测的极致测试平台。研究者可在此数据集上对比不同算法在高密度场景下的性能,包括:1)单阶段检测器:YOLO系列(v5/v7/v8/v11)、RetinaNet、FCOS;2)双阶段检测器:Faster R-CNN、Cascade R-CNN、Mask R-CNN;3)Transformer架构:DETR、Deformable DETR、DINO。数据集的极高目标密度(最高893个/影像)对测试模型的NMS(非极大值抑制)策略、密集目标处理能力、小目标检测能力提出极限挑战。研究者还可探索遥感图像特有的数据增强策略(如多角度旋转模拟不同卫星过境角度、亮度调整模拟不同光照条件),提升模型鲁棒性。研究成果可发表于CVPR、ICCV、ECCV等顶级计算机视觉会议,或IGARSS、ISPRS等遥感专业会议,推动遥感智能解译技术发展。

场景五:石油储备能力评估与应急响应规划

国家战略石油储备管理部门可利用该模型评估国内外储备能力,优化储备布局与应急响应预案。通过自动识别和测量储罐尺寸(根据影像中储罐像素直径×分辨率计算实际直径,再估算容积),可快速评估特定区域的总储油能力。数据集覆盖全球主要储备基地,训练的模型可识别不同类型储罐(小型30米直径、中型50米、大型80米、超大型120米),支持精细化容量估算。实际应用中,可对比国内储备能力与国际标准(IEA要求成员国储备≥90天进口量),识别储备缺口。在能源供应中断应急场景下(如战争、自然灾害、海上封锁),可快速评估可用储备规模,制定能源调配方案。该技术对国家发展改革委、国家能源局、应急管理部具有战略价值,支撑能源安全政策制定与危机应对能力建设。

数据集总结

本Airbus卫星影像全球油库储罐检测数据集以其真实SPOT卫星遥感数据来源(1.2米分辨率)、极高密度目标标注(13592个标注/98张影像,平均138.69个/张,最高893个/张)和全球地理覆盖(中东、北美、欧洲、亚洲主要产油国)成为遥感密集小目标检测领域的顶级训练资源。数据集提供98张高分辨率JPG格式SPOT卫星影像(2560×2560像素,对应地面3km×3km)及对应的CSV格式标注文件,包含影像ID、类别标签(oil-storage-tank)、边界框坐标(GeoJSON POLYGON格式)三个完整字段,字段完整性达到100%。

数据集的核心价值在于其对真实能源基础设施场景的精准呈现与极限挑战性。影像来源于Airbus运营的SPOT卫星星座,分辨率1.2米/像素,成像质量符合商业与军事应用标准,覆盖全球主要石油生产国(沙特阿拉伯、美国、俄罗斯、中国等)、战略储备基地、港口码头、化工园区等多种地理环境。平均每张影像包含138.69个储罐目标,最高单张影像达到惊人的893个目标,这种密集度在公开遥感数据集中极为罕见,为训练极限密集小目标检测模型提供了无可替代的样本。数据集特别包含5张未标注的extras影像,用于测试模型对新区域的泛化能力,避免过拟合训练数据。

从应用前景来看,该数据集可直接支撑能源安全监控、战略情报分析、石油贸易预测、环境保护监管、目标检测算法研发等多个领域的技术创新与业务应用。在学术研究中,可用于发表遥感密集目标检测、小目标检测、跨地理环境泛化等方向的高水平论文,推动计算机视觉与遥感交叉领域发展;在工程实践中,可助力政府能源部门、军事情报机构、金融分析公司、环保监管部门构建自动化影像分析系统,提升监控效率、降低人工成本、增强决策支持能力。

数据集采用标准CSV格式存储标注信息,边界框坐标采用GeoJSON POLYGON格式,兼容GIS工具(QGIS/ArcGIS)与主流深度学习框架(可通过脚本转换为COCO/PASCAL VOC格式)。98张影像的适中规模便于快速实验与算法验证,同时Airbus官方还提供更大规模的商业数据集用于生产环境部署。对于希望开发遥感智能解译系统、研究密集小目标检测算法、推动能源产业数字化的研究者与从业者,本数据集提供了权威的实验基础与极具挑战性的技术标杆。