360-变电站可见光缺陷数据集——包含8376张巡检图像，带xml标签，共包含17类巡检标签!具体缺陷分类见下图！缺陷分类：表计破损，绝缘子破损，渗漏油，呼吸器异常，异物8376张图片

最新推荐文章于 2024-09-18 08:30:01 发布

qq767172261

最新推荐文章于 2024-09-18 08:30:01 发布

阅读量872

点赞数 10

分类专栏：数据集文章标签： xml QQ767172261 数据集变电站可见光缺陷

本文链接：https://blog.csdn.net/2301_78240361/article/details/142292247

版权

数据集专栏收录该内容

226 篇文章 8 订阅

订阅专栏

360-变电站可见光缺陷数据集数据集包含8376张巡检图像，带xml标签，共包含17类巡检标签!具体缺陷分类见下图！缺陷分类：表计破损，绝缘子破损，渗漏油，呼吸器异常，异物 8376张图片。

数据集介绍：360°变电站可见光缺陷数据集

项目背景：

电力系统的可靠运行对于社会经济至关重要，而变电站作为电力系统的关键组成部分，其设备状态直接影响电网的安全稳定。本数据集旨在为变电站设备缺陷检测提供高质量的标注数据，支持自动化巡检和故障诊断的研究与应用。

数据集概述：

名称：360°变电站可见光缺陷数据集
规模：共计8,376张巡检图像
标签格式：XML标签
缺陷类别：17类
具体缺陷分类：
- 表计破损
- 绝缘子破损
- 渗漏油
- 呼吸器异常
- 异物

数据集特点：

全面性：涵盖了多种常见的变电站设备缺陷，确保数据集的多样性和实用性。
高质量标注：每张图像都带有详细的XML标签，确保数据的准确性和完整性。
适用范围广：适用于自动化巡检、故障诊断等多个应用场景，提高变电站运维效率。

数据集内容：

表计破损：标注了表计出现破损的情况。
绝缘子破损：标注了绝缘子出现破损的情况。
渗漏油：标注了设备渗漏油的情况。
呼吸器异常：标注了呼吸器工作异常的情况。
异物：标注了设备周围存在异物的情况。

数据集用途：

目标检测：可用于训练和评估目标检测模型，特别是在变电站设备缺陷检测方面。
自动化巡检：帮助实现自动化巡检，减少人工巡检的工作量。
故障诊断：用于故障诊断系统，提高故障诊断的准确性和速度。
学术研究：为变电站设备缺陷检测领域的研究提供丰富的数据支持。

标注详情：

表计破损：标注了表计上的破损区域。
绝缘子破损：标注了绝缘子上的破损区域。
渗漏油：标注了设备上的渗漏油区域。
呼吸器异常：标注了呼吸器的异常情况，如堵塞或损坏。
异物：标注了设备周围的异物，如树枝、塑料袋等。

使用场景：

自动化巡检：在变电站自动化巡检系统中，利用该数据集训练的模型可以自动识别设备缺陷。
故障诊断：在故障诊断系统中，利用该数据集可以提高诊断的准确性和速度。
设备维护：在设备维护工作中，利用该数据集可以提前发现潜在的设备故障，提高维护效率。

技术指标：

数据量：共计8,376张巡检图像，每张图像都带有详细的XML标签。
缺陷种类：涵盖17种常见的变电站设备缺陷，确保数据的多样性和实用性。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

1import os
2import cv2
3from xml.etree import ElementTree as ET
4import numpy as np
5
6# 数据集路径
7DATASET_PATH = 'path/to/dataset'
8IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
9LABELS_DIR = os.path.join(DATASET_PATH, 'labels')
10
11# 加载数据集
12def load_dataset():
13    images = []
14    labels = []
15
16    for img_file in os.listdir(IMAGES_DIR):
17        if img_file.endswith('.jpg'):
18            img_path = os.path.join(IMAGES_DIR, img_file)
19            label_path = os.path.join(LABELS_DIR, img_file.replace('.jpg', '.xml'))
20            
21            image = cv2.imread(img_path)
22            tree = ET.parse(label_path)
23            root = tree.getroot()
24            
25            objects = []
26            for obj in root.findall('object'):
27                name = obj.find('name').text
28                bbox = obj.find('bndbox')
29                xmin = int(bbox.find('xmin').text)
30                ymin = int(bbox.find('ymin').text)
31                xmax = int(bbox.find('xmax').text)
32                ymax = int(bbox.find('ymax').text)
33                
34                objects.append((name, (xmin, ymin, xmax, ymax)))
35            
36            images.append(image)
37            labels.append(objects)
38
39    return images, labels
40
41images, labels = load_dataset()

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='substation_defects.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_defects(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Class: {class_id}, Conf: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_defects(test_image)
23cv2.imshow('Detected Defects', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 `substation_defects.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3
4nc: 17  # Number of classes
5names: ['表计破损', '绝缘子破损', '渗漏油', '呼吸器异常', '异物', ...]  # Class names
6
7# Training parameters
8batch_size: 16
9epochs: 100
10img_size: [640, 640]  # Image size