基于YOLOv10与华为Atlas 200的远程无人机绝缘子缺陷检测系统

基于YOLOv10与华为Atlas 200的远程绝缘子检测系统

项目概述

开发了一套边缘计算驱动的绝缘子缺陷检测系统，通过YOLOv10模型与华为Atlas 200硬件协同实现高效推理，并模拟电力场景中的服务器-边缘设备通信。

技术实现

1. 模型训练

   • 使用YOLOv10s.pt预训练模型，在绝缘子数据集（来源见下文）上微调，生成专用检测模型。
   • 训练脚本：train_v10.py，数据集划分工具：train_val_split.py。

2. 模型部署

   • 通过华为ATC工具链将模型转换为.om格式，适配Atlas 200 NPU。
   • 转换流程：.pt → .onnx（trans.py） → .om（ATC工具）。

3. 边缘推理

   • 图像预处理后，调用华为NPU API进行推理，输出结果经NMS和坐标后处理，生成绝缘子缺陷信息。
   • 边缘端程序：predict_phots.py（需确认是否为predict_photos.py笔误）。

4. 通信模拟

   • 服务器端（PC）：运行receive_error.py接收检测结果。
   • 边缘端（Atlas 200）：通过TCP协议与服务器交互，发送/接收检测任务与结果。

数据集

项目结构

├── trained_weights/    # 训练好的模型权重
├── predict_phots.py    # 边缘设备检测程序（疑似命名纠错）
├── receive_error.py    # 服务器接收程序
├── train_v10.py        # YOLOv10训练脚本
├── train_val_split.py  # 数据集划分工具
└── trans.py            # 模型格式转换工具

效果展示

系统可实时检测绝缘子缺陷，并通过TCP协议实现服务器与边缘端的数据交互，模拟电力巡检中的远程监控场景。

---

关键改进建议

1. 文件名纠错：检查predict_phots.py是否为predict_photos.py。
2. 通信细节：补充TCP报文格式或协议设计说明。
3. 性能指标：添加推理速度（FPS）、准确率（mAP）等量化结果。

如需进一步细化某部分内容，可随时说明！