防震锤数据集VOC-2200张

最新推荐文章于 2024-07-25 10:48:05 发布
最新推荐文章于 2024-07-25 10:48:05 发布
阅读量277 收藏
点赞数
分类专栏： 数据集 文章标签： 深度学习 目标检测 图像处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/lwx666sl/article/details/132945110
版权

防振锤，是为了减少导线因风力扯起振动而设的。高压架空线路杆位较高，档距较大，当导线受到风力作用时，会发生振动。导线振动时，导线悬挂处的工作条件最为不利。由于多次振动，导线因周期性的弯折会发生疲劳破坏。当架空线路档距大于120米时，一般采用防振锤防振。

今天要介绍的数据集则是防震锤数据集：

数据集名称：防震锤数据集

数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml)
图片数量(jpg文件个数)：以文件包含图片数量为准（在2200张左右）
标注数量(xml文件个数)：以文件包含标注数量为准（在2200张左右）

使用标注工具：labelImg

标注规则：对类别进行画矩形框

如下为标注图片案列：

熬夜写代码的平头哥
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
专栏目录
输电线路缺陷绝缘子数据集（包括：缺损、放电、防震锤等）
weixin_51496832的博客
11-01 1897
绝缘子缺陷图像数据集由标记好的高质量的绝缘子缺陷图像数据集组成输电线路绝缘子。图像以绝缘子串为主要主体和载体类。这些图像包含3个子类： 1. 闪络损伤绝缘子外壳； 2. 破碎的绝缘子壳； 3.良好的绝缘外壳。
输电线路电力巡检数据集，包括绝缘子、均压环、防震锤、输电线路异物检测、鸟巢、气球垃圾等
10-26
针对输电线路无人机巡检任务，根据输电线路缺陷的基本特征，自建可用于输电线路多目标缺陷识别的数据集；绝缘子识别+缺陷检测，防震锤识别+缺陷检测（锈蚀）；均压环识别+均压环缺陷检测（倾斜）输电线路异物检测，鸟巢，气球、垃圾等；对数据集图像进行分类、标注和增强，原图经过翻转、旋转、缩放和亮度对比度增强，已打好标签。或联系Q：2954644583
【数据集】各类绝缘子、鸟巢及防震锤数据集汇总
白桃deep_learning博客
07-31 2118
数据集
【目标检测数据集汇总】各类目标检测数据集VOC+YOLO格式地址汇总
lwx666sl的博客
06-04 1574
目标检测数据集VOC+YOLO数据集地址汇总
基于YOLOv5的输电线路绝缘子缺陷检测项目
爱分享数据的一个人的博客
12-07 6408
本项目基于YOLOv5算法，针对488幅绝缘子缺陷图像，开展其缺陷的智能检测和识别研究。
2024年目标检测数据集大合集所有下载地址汇总
FL1623863129的博客
04-30 2314
数据集名称下载地址 瓷砖瑕疵检测数据集VOC+YOLO标注.zip点我下载 道路路标交通标志检测数据集VOC+YOLO格式877张4类别.zip点我下载 钢材缺陷检测数据集VOC+YOLO格式386张5类别.7z点我下载 中国交通标志检测数据集VOC+YOLO格式5998张58类别.7z点我下载 道路交通事故检测数据集VOC+YOLO格式11819张2类别.7z点我下载 钢丝绳破损灼伤缺陷检测数据集VOC+YOLO格式1318张2类别.7z点我下载 公共场所危险物品检测数据集VOC+YOLO格式1431
输电线路、变电站、电网智能应用相关数据集（全网最全）
DM_zx的博客
02-26 7590
输电线路、变电站、电网智能应用相关数据集（全网最全）
防震锤目标检测数据集VOC格式-2238张.zip
04-27
在实际应用中，首先需要解压"防震锤目标检测数据集VOC格式-2238张.zip"文件，得到fzc-voc目录。该目录下应该有两部分：图像文件夹和Annotations文件夹。图像文件夹存储了2238张图片，而Annotations文件夹则包含相应...
目标检测数据集绝缘子缺陷防震锤1688张5类别VOC格式
04-19
数据集格式：Pascal VOC格式(不包含分割路径的txt文件和yolo格式的txt文件，仅仅包含jpg图片和对应的xml) 图片数量(jpg文件个数)：1688 标注数量(xml文件个数)：1688 标注类别数：5 标注类别名称:["flashover",...
绝缘子防震锤螺丝VOC+YOLO格式2511张7类别
01-08
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件) 图片数量(jpg文件个数)：2511 标注数量(xml文件个数)：2511 标注数量(txt文件个数)：...
卷积神经网络（三）-zfNet
07-25 1166
ZFNet（Zeiler & Fergus Net）是由Matthew D. Zeiler和Rob Fergus在2013年提出的卷积神经网络模型，它是基于AlexNet进行改进而来的。ZFNet在当年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC)中取得了冠军,尤其在分类和定位任务上表现突出。
OpenCV 图像处理 轮廓检测基本原理
weixin_46999174的博客
07-25 1974
轮廓发现是图像处理中的一个重要步骤，用于检测物体的边界和形状。本文讲解了基本实现原理和代码实现
kettle spoon 免安装包
08-01
kettle spoon 免安装包
2024江西省行政区划矢量图层-省市县乡镇四级行政区划数据下载-带python代码
最新发布
08-01
2024最新江西省行政区划矢量图层数据，包含省、市、县、乡镇四级行政区划数据下载，附带shp转geojson的python代码
大数据中心建设方案.pptx
08-01
大数据中心建设方案.pptx
《通信原理(第6版)》教案.doc
08-01
《通信原理(第6版)》教案
竞争对手消费费用结果分析.xlsx.xlsx
08-01
销售管理，客户类型，客户满意度，客户登记，进销存，客户记录 适用人群：学习不同技术领域的小白或进阶学习者；可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。
用matlab编写一个防震锤图像识别程序
03-28
防震锤图像识别程序一般可以分为以下几个步骤： 1. 数据准备：收集防震锤的图像数据集，并进行标注。这里需要至少包括两类图像，一类是防震锤图像，另一类是非防震锤图像。 2. 特征提取：对于每个图像，可以提取出一些特征，比如颜色、形状、纹理等。这里可以使用MATLAB中的图像处理工具箱提供的函数来实现。 3. 训练模型：将提取出的特征输入到机器学习模型中进行训练，比如支持向量机（SVM）或者深度神经网络（DNN）。这里可以使用MATLAB中的机器学习工具箱提供的函数来实现。 4. 测试模型：使用测试集来评估训练好的模型的准确率和召回率。 5. 应用模型：将测试好的模型应用到新的图像中，识别其中是否包含防震锤。 下面是一份参考代码： % 1. 数据准备 % 假设防震锤图像存储在'hammer'文件夹中，非防震锤图像存储在'non-hammer'文件夹中 hammer_dir = './hammer/'; non_hammer_dir = './non-hammer/'; % 读取防震锤图像 hammer_files = dir([hammer_dir, '*.jpg']); num_hammer = length(hammer_files); hammer_data = cell(num_hammer, 1); for i = 1:num_hammer hammer_data{i} = imread([hammer_dir, hammer_files(i).name]); end % 读取非防震锤图像 non_hammer_files = dir([non_hammer_dir, '*.jpg']); num_non_hammer = length(non_hammer_files); non_hammer_data = cell(num_non_hammer, 1); for i = 1:num_non_hammer non_hammer_data{i} = imread([non_hammer_dir, non_hammer_files(i).name]); end % 标注数据 labels = [ones(num_hammer,1); zeros(num_non_hammer,1)]; % 2. 特征提取 % 提取颜色特征 color_features = zeros(num_hammer+num_non_hammer, 3); for i = 1:num_hammer+num_non_hammer if i <= num_hammer img = hammer_data{i}; else img = non_hammer_data{i-num_hammer}; end color_features(i,:) = mean(mean(img,1),2); end % 提取纹理特征 texture_features = zeros(num_hammer+num_non_hammer, 1); for i = 1:num_hammer+num_non_hammer if i <= num_hammer img = hammer_data{i}; else img = non_hammer_data{i-num_hammer}; end texture_features(i) = std2(rgb2gray(img)); end % 3. 训练模型 % 将颜色和纹理特征合并 features = [color_features, texture_features]; svm_model = fitcsvm(features, labels); % 4. 测试模型 % 随机选择5个防震锤图像和5个非防震锤图像进行测试 test_hammer_idx = randperm(num_hammer, 5); test_non_hammer_idx = randperm(num_non_hammer, 5); test_data = [hammer_data(test_hammer_idx); non_hammer_data(test_non_hammer_idx)]; test_labels = [ones(5,1); zeros(5,1)]; % 提取测试集特征 test_color_features = zeros(10, 3); test_texture_features = zeros(10, 1); for i = 1:10 if i <= 5 img = test_data{i}; else img = test_data{i-5}; end test_color_features(i,:) = mean(mean(img,1),2); test_texture_features(i) = std2(rgb2gray(img)); end test_features = [test_color_features, test_texture_features]; % 预测测试集标签 test_pred_labels = predict(svm_model, test_features); % 计算准确率和召回率 accuracy = sum(test_pred_labels == test_labels) / length(test_labels); recall = sum(test_pred_labels(test_labels==1) == 1) / sum(test_labels==1); % 5. 应用模型 % 读取新图像 new_img = imread('./new.jpg'); % 提取新图像特征 new_color_features = mean(mean(new_img,1),2); new_texture_features = std2(rgb2gray(new_img)); new_features = [new_color_features, new_texture_features]; % 预测新图像标签 new_pred_label = predict(svm_model, new_features);
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

熬夜写代码的平头哥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值