暴雨淹城AI 却提前 3 小时告诉了我哪条街的排水口堵了 | 雨水箅子检测数据集 | 智慧城市治理之城市排水渠监测 排水设施堵塞检测 下水管道异常检测 街道雨水篦子图像识别2026 年 7 月 17 日重庆。刚结束一场持续 4 小时的暴雨朋友圈里全是“看海”视频。一位管网维护的朋友凌晨三点给我发消息“又一个井盖被顶开车泡了人没事。要是能提前知道哪个箅子堵了就好了。”城市内涝不只是天灾更是信息盲战。当深圳龙岗的“AI 哨兵”能在暴雨中智能分析 24.3 万张监控图片发出 1500 余次预警当济南的智慧系统能提前 24 小时预测易涝点积水深度——我们缺的往往不是算力而是最基础的那一块砖让 AI 认识“雨水箅子”的数据集。今天这份刚开源的**《街道雨水箅子目标检测数据集》**就是想给每一双“城市之眼”装上看懂排水的瞳孔。01 下水道的“准考证”这份数据集到底长什么样这份数据集不炫技专为真实场景落地而生。所有图片均拍摄于真实街道环境未做任何增强处理直接复现“晴天一身灰雨天一身泥”的监控视角。数据集核心指标详细说明总图片数量1,032 张全部为真实场景实拍训练集 / 测试集885 张/147 张严格划分开箱即用标注格式YOLO 格式VOC 格式适配绝大多数主流检测模型标签实例数训练集1,213 个/ 测试集214 个单一类别“雨水箅子”目标明确适用任务排水设施堵塞检测、下水管道异常预警、街道水位关联分析数据集的划分非常干净。训练集 885 张图里框出了 1,213 个箅子实例测试集 147 张图里有 214 个。1:5 左右的训练验证比足够帮你快速跑通基线模型。02 训练你的“内涝之眼”YOLOv5 实战配置有了数据下一步就是喂给模型。这里以最经典的YOLOv5为例展示如何让模型认识这个“城市暗器”。代码里我用决策注释替代了常规语法注释帮你理解每一步的选择逻辑。第一步准备数据集数据集已为你处理成 YOLO 格式标签文件.txt和图片名称一一对应。你只需要建立一个dataset.yaml文件告诉模型去哪找它们# dataset.yaml —— 数据集路径配置文件# 决策注释采用相对路径确保工程迁移时无需反复修改绝对地址path:../datasets/rain_grate# 数据集根目录train:images/train# 训练集图片文件夹val:images/test# 验证集图片文件夹此处使用给定的测试集# 决策注释类别名称必须与标注文件中的数字索引严格对应# 单一类别检测从0开始编号names:0:rain_grate第二步启动训练把显卡转起来在 YOLOv5 目录下运行train.py。关键参数如下# train.py 关键参数配置# 决策注释使用 --cache ram 将图像缓存至内存可大幅降低 I/O 瓶颈但需确保内存≥32GB# 决策注释--weights 选用 yolov5s.pt兼顾精度与推理速度适合边缘端部署python train.py--img640\# 输入图像尺寸--batch16\# 批次大小根据显存调整建议从8起步--epochs100\# 训练轮次该数据集规模下80轮左右即可收敛--data dataset.yaml \# 刚才配置的数据集索引文件--weights yolov5s.pt \# 预训练权重迁移学习核心--cache ram# 加速策略训练关键决策点解读为什么用 640×640 而不是更大雨水箅子在监控画面中属于中小目标640 分辨率能平衡检测精度与显存占用。更大的 1280 分辨率会显著降低训练速度而精度提升有限。为什么选 YOLOv5s 而不是 v8/v11v5s 在工业界部署生态最成熟TensorRT、OpenVINO 等加速工具支持完善适合后续落地到边缘计算设备如济南防汛系统中布设的前端边缘 AI 终端。训练完成后会在runs/train/exp目录下生成权重文件。best.pt是验证集上表现最好的模型last.pt是最后一轮模型建议优先使用best.pt做推理。03 不仅仅是“识图”AI 如何撬动千亿防汛市场有了这套数据集和训练好的模型能做的远不止“识别一个箅子”。结合多地智慧城市实践它的应用场景可以迅速铺开从“被动清掏”到“主动派单”将训练好的模型部署到城市已有的 2 万余路公共视频点位。一旦 AI 识别到箅子被垃圾覆盖或积水漫过阈值自动生成工单推送至网格员——就像衡水市的智慧排水平台让“足不出户就能全面掌握城市排水运行状况”成为现实。与“数字孪生”系统联动模型输出的箅子状态正常/堵塞/缺失可作为水位预测模型的关键输入。淮河水利委员会已能通过数字孪生提前 3-7 天预演洪水。在城市尺度箅子状态数据能让内涝模型从“降雨量推算”升级为“排水能力实时评估”预测精度将大幅提升。低成本巡检替代传统人工巡查需要逐个、逐段打开井盖存在中暑和有害气体中毒风险。AI 视觉巡检能替代 80% 以上的常规巡查人力让一线人员从“烈日下开井盖”解放为“系统前看屏幕”。写在最后我们总在讨论大模型、通用人工智能但真正能守护一座城市的往往不是那个能写诗作画的“全能者”而是那个盯着下水道、认识每一个雨水箅子的“偏科生”。这份 1032 张图片的数据集对于大模型来说微不足道但对于一个内涝频发的街区它可能就是暴雨夜提前 3 小时响起的预警铃。城市治理的精度不在于仰望星空的高度而在于俯身看清脚下每一个排水口的能力。愿这份开源的数据能让更多城市的“血管”在暴雨来临时喘口气。