【工业场景】用YOLOv8实现工业配电柜开关状态识别

最新推荐文章于 2025-03-24 11:28:33 发布
最新推荐文章于 2025-03-24 11:28:33 发布
阅读量1.2k 收藏 18
点赞数 25
分类专栏： 工业应用场景 YOLOv8及改进创新点合集 文章标签： YOLO 机器学习 人工智能 计算机视觉 目标跟踪 python 工业
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/qq_38308388/article/details/144985972
版权

        工业配电柜是工业生产中不可或缺的设备，用于控制和分配电力供应。配电柜通常包含多个开关，用于打开和关闭不同的电路和设备。为了确保正常的电力供应和安全运行，及时准确地识别配电柜开关的状态非常重要。

        传统的配电柜开关状态识别方法通常需要人工观察和判断，这种方法存在识别不准确、效率低下和存在人为误判等问题。而使用YOLOv8实现配电柜开关状态识别可以有效解决这些问题。

        YOLOv8是一种基于深度学习的目标检测算法，可以实现实时、准确的目标识别。通过训练一个YOLOv8模型，可以将图像中的配电柜开关准确地识别出来，并判断其状态是开启还是关闭。

        利用YOLOv8实现工业配电柜开关状态识别具有以下意义：

  1. 提高识别准确率：使用YOLOv8模型可以准确地识别配电柜开关，避免了人工观察和判断带来的误差。

  2. 提高工作效率：YOLOv8可以实时处理图像，可以大大提高配电柜开关状态识别的速度，提高工作效率。

  3. 减少人工成本：自动化的配电柜开关状态识别可以减少人工操作的需求，降低了人力成本。

  4. 提升安全性能：及时准确地识别配电柜开关状态有助于及时处理电力故障和提高安全性能，减少事故发生的可能性。

        综上所述，使用YOLOv8实现工业配电柜开关状态识别能够提高识别准确率、工作效率和安全性能，具有重要的背景意义。

 

目录

🍉🍉1.数据集介绍

🍇🍇2.实现效果

🍓🍓3.YOLOv8算法步骤

🍋3.1数据准备

🍋3.2模型选择

🍋3.3加载预训练模型

🍋3.4数据组织 

🍭🍭4.目标检测训练代码

🐸🐸5.目标检测推理代码

整理不易，欢迎一键三连！！！

送你们一条美丽的--分割线--

🍉🍉1.数据集介绍

        首先介绍使用的数据集，数据集中共包含48张影像，部分影像展示如下：

 

label包含48个xml格式的label文件和48个txt格式的label文件。

示例xml文件内容为：

<annotation>
<folder>图片</folder>
<filename>1.bmp</filename>
<path>/home/1.bmp</path>
<source>
<database>Unknown</database>
</source>
<size>
<width>1920</width>
<height>1080</height>
<depth>3</depth>
</size>
<segmented>0</segmented>
<object>
<name>lamp_tripoff</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>733</xmin>
<ymin>145</ymin>
<xmax>800</xmax>
<ymax>233</ymax>
</bndbox>
</object>
<object>
<name>lamp_closeon</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>812</xmin>
<ymin>142</ymin>
<xmax>875</xmax>
<ymax>221</ymax>
</bndbox>
</object>
<object>
<name>lamp_storedon</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>884</xmin>
<ymin>129</ymin>
<xmax>952</xmax>
<ymax>205</ymax>
</bndbox>
</object>
<object>
<name>digital_ammeter</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>778</xmin>
<ymin>299</ymin>
<xmax>936</xmax>
<ymax>505</ymax>
</bndbox>
</object>
<object>
<name>knob2trip</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>472</xmin>
<ymin>673</ymin>
<xmax>545</xmax>
<ymax>790</ymax>
</bndbox>
</object>
<object>
<name>knob2trip</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>552</xmin>
<ymin>651</ymin>
<xmax>621</xmax>
<ymax>766</ymax>
</bndbox>
</object>
<object>
<name>knob2close</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>630</xmin>
<ymin>638</ymin>
<xmax>699</xmax>
<ymax>751</ymax>
</bndbox>
</object>
<object>
<name>clamp_close</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>709</xmin>
<ymin>603</ymin>
<xmax>782</xmax>
<ymax>738</ymax>
</bndbox>
</object>
<object>
<name>clamp_trip</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>775</xmin>
<ymin>584</ymin>
<xmax>843</xmax>
<ymax>717</ymax>
</bndbox>
</object>
<object>
<name>clamp_trip</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>842</xmin>
<ymin>575</ymin>
<xmax>912</xmax>
<ymax>703</ymax>
</bndbox>
</object>
<object>
<name>clamp_trip</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>920</xmin>
<ymin>563</ymin>
<xmax>990</xmax>
<ymax>687</ymax>
</bndbox>
</object>
<object>
<name>knob2Mclose</name>
<pose>Unspecified</pose>
<truncated>0</truncated>
<difficult>0</difficult>
<bndbox>
<xmin>829</xmin>
<ymin>744</ymin>
<xmax>942</xmax>
<ymax>884</ymax>
</bndbox>
</object>
</annotation>

        示例txt文件内容为：

9 0.399219 0.175 0.034896 0.081481
10 0.439323 0.168056 0.032813 0.073148
2 0.478125 0.15463 0.035417 0.07037
3 0.446354 0.372222 0.082292 0.190741
4 0.264844 0.677315 0.038021 0.108333
4 0.305469 0.656019 0.035937 0.106481
5 0.346094 0.643056 0.035937 0.10463
6 0.388281 0.620833 0.038021 0.125
7 0.421354 0.602315 0.035417 0.123148
7 0.456771 0.591667 0.036458 0.118519
7 0.497396 0.578704 0.036458 0.114815
11 0.461198 0.753704 0.058854 0.12963

        其中训练验证比例为9：1，也可自行分数据集。

 

🍇🍇2.实现效果

        使用YOLOv8实现的配电柜状态预测效果如下：

🍓🍓3.YOLOv8算法步骤


         通过目标检测方法对数字仪表表盘进行目标识别的方法不限，本文仍以YOLOv8为例进行说明。

🍋3.1数据准备


        数据集共包含48张影像，其中训练集和验证集9:1划分。主要是指示灯、数字电压表、旋钮、夹钳开关等状态识别。
        模型训练label部分采用的是YOLO格式的txt文件，所以如果自己的数据集是xml格式需要进行转换哦。具体txt格式内容如1.数据集介绍中所示。
                        

🍋3.2模型选择

        以YOLOv8n为例，模型选择代码如下：


from ultralytics import YOLO
 
# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights

         其中yolov8n.yaml为./ultralytics/cfg/models/v8/yolov8n.yaml，可根据自己的数据进行模型调整，打开yolov8n.yaml显示内容如下：

# Ultralytics YOLO 🚀, AGPL-3.0 license
# YOLOv8 object detection model with P3-P5 outputs. For Usage examples see https://docs.ultralytics.com/tasks/detect
 
# Parameters
nc: 14 # number of classes
scales: # model compound scaling constants, i.e. 'model=yolov8n.yaml' will call yolov8.yaml with scale 'n'
  # [depth, width, max_channels]
  n: [0.33, 0.25, 1024] # YOLOv8n summary: 225 layers,  3157200 parameters,  3157184 gradients,   8.9 GFLOPs
  s: [0.33, 0.50, 1024] # YOLOv8s summary: 225 layers, 11166560 parameters, 11166544 gradients,  28.8 GFLOPs
  m: [0.67, 0.75, 768] # YOLOv8m summary: 295 layers, 25902640 parameters, 25902624 gradients,  79.3 GFLOPs
  l: [1.00, 1.00, 512] # YOLOv8l summary: 365 layers, 43691520 parameters, 43691504 gradients, 165.7 GFLOPs
  x: [1.00, 1.25, 512] # YOLOv8x summary: 365 layers, 68229648 parameters, 68229632 gradients, 258.5 GFLOPs
 
# YOLOv8.0n backbone
backbone:
  # [from, repeats, module, args]
  - [-1, 1, Conv, [64, 3, 2]] # 0-P1/2
  - [-1, 1, Conv, [128, 3, 2]] # 1-P2/4
  - [-1, 3, C2f, [128, True]]
  - [-1, 1, Conv, [256, 3, 2]] # 3-P3/8
  - [-1, 6, C2f, [256, True]]
  - [-1, 1, Conv, [512, 3, 2]] # 5-P4/16
  - [-1, 6, C2f, [512, True]]
  - [-1, 1, Conv, [1024, 3, 2]] # 7-P5/32
  - [-1, 3, C2f, [1024, True]]
  - [-1, 1, SPPF, [1024, 5]] # 9
 
# YOLOv8.0n head
head:
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 6], 1, Concat, [1]] # cat backbone P4
  - [-1, 3, C2f, [512]] # 12
 
  - [-1, 1, nn.Upsample, [None, 2, "nearest"]]
  - [[-1, 4], 1, Concat, [1]] # cat backbone P3
  - [-1, 3, C2f, [256]] # 15 (P3/8-small)
 
  - [-1, 1, Conv, [256, 3, 2]]
  - [[-1, 12], 1, Concat, [1]] # cat head P4
  - [-1, 3, C2f, [512]] # 18 (P4/16-medium)
 
  - [-1, 1, Conv, [512, 3, 2]]
  - [[-1, 9], 1, Concat, [1]] # cat head P5
  - [-1, 3, C2f, [1024]] # 21 (P5/32-large)
 
  - [[15, 18, 21], 1, Detect, [nc]] # Detect(P3, P4, P5)

        主要需要修改的地方为nc，也就是num_class，此处数据集类别为14类，所以nc=14。

        如果其他的模型参数不变的话，就默认保持原版yolov8，需要改造模型结构的大佬请绕行。

🍋3.3加载预训练模型

         加载预训练模型yolov8n.pt，可以在第一次运行时自动下载，如果受到下载速度限制，也可以自行下载好（下载链接），放在对应目录下即可。

🍋3.4数据组织 

         yolov8还是以yolo格式的数据为例，./ultralytics/cfg/datasets/data.yaml的内容可以修改为自己的数据格式，以我的peidiangui_detect_coco128.yaml文件为例，具体内容如下：

path: /home/zhouyuan/mnt/peidiangui/ # dataset root dir
train: images/train # train images 
val: images/test # val images
test: # test images (optional)

# Classes
names:
  0: lamp_tripon
  1: lamp_closeoff
  2: lamp_storedon  #灯具仓库
  3: digital_ammeter #数字安培计
  4: knob2trip  #旋钮跳闸
  5: knob2close #旋钮关闭
  6: clamp_close #夹钳闭合
  7: clamp_trip #夹钳跳闸
  8: knob2Mtrip 
  9: lamp_tripoff  #灯跳闸
  10: lamp_closeon  #灯闭合
  11: knob2Mclose
  12: digital_voltmeter #数字电压表
  13: lamp_storedoff  #灯灭

🍭🍭4.目标检测训练代码

        准备好数据和模型之后，就可以开始训练了，train.py的内容显示为：

from ultralytics import YOLO
 
# Load a model
model = YOLO('yolov8n.yaml')  # build a new model from YAML
model = YOLO('yolov8n.pt')  # load a pretrained model (recommended for training)
model = YOLO('yolov8n.yaml').load('yolov8n.pt')  # build from YAML and transfer weights
 
# Train the model
results = model.train(data='peidiangui_detect_coco128.yaml', epochs=100, imgsz=640)


训练完成后的结果如下：

        其中weights文件夹内会包含2个模型，一个best.pth，一个last.pth。

  至此就可以使用best.pth进行推理配电柜开关状态了。贴上我的训练结果：

        由于数据量太少，个别类别训练样本极少，所以整体训练效果不是很好，我后续根据情况删除了一些类别，训练为完之后精度提升很大，感兴趣的同学可以自行修改数据集。 

 

🐸🐸5.目标检测推理代码

        批量推理python代码如下：

from ultralytics import YOLO
from PIL import Image
import cv2
import os
 
 
model = YOLO('/yolov8/runs/detect/train5/weights/best.pt')  # load a custom model
path = '/home/dataset/peidiangui/images/'  #test_image_path_dir
img_list = os.listdir(path)
for img_path in img_list:
###  =============detect=====================
    im1 = Image.open(os.path.join(path,img_path))
    results = model.predict(source=im1, save=True,save_txt=True)

若需要完整数据集和源代码可以私信。

整理不易，欢迎一键三连！！！


送你们一条美丽的--分割线--


🌷🌷🍀🍀🌾🌾🍓🍓🍂🍂🙋🙋🐸🐸🙋🙋💖💖🍌🍌🔔🔔🍉🍉🍭🍭🍋🍋🍇🍇🏆🏆📸📸⛵⛵⭐⭐🍎🍎👍👍🌷🌷 

ai面板识别
CSDN
05-19 7896
已支持（Java & JS & Python & C & C++），考察：逻辑分析
基于SE-YOLOV4的变电站断路器分合状态识别算法
罗伯特技术屋
11-09 577
针对高压变电站断路器人工检测速度慢、误差大等问题，提出基于YOLOv4改进的变电站断路器分合状态识别方法；针对电力系统背景复杂、断路器分合状态不易识别的问题，加入通道注意力机制，关注目标的显著性特征，忽略非目标区域，然后使用路径聚合网络有效提取目标特征；针对数据样本单一性的问题，提出SE-YOLOv4算法，在其中加入数据增强技术，提高模型的泛化能力，使算法网络具有更强的鲁棒性。
电力场景变电站控制柜状态检测数据集VOC+YOLO格式3000张16类别.7z
08-23
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)：3000 标注数量(xml文件个数)：3000 标注数量(txt文件个数)：3000 标注类别数：16 标注类别名称:["green-green-off","green-green-red","platen-off","platen-on","platen-on-half","red","red-green","red-red","red-red-off","switch-center","switch-center-half","switch-left","switch-right","transformer","transformer-on","transformer-on-half"] 更多信息：https://blog.csdn.net/FL1768317420/article/details/141465891
设备指示灯开关状态识别检测系统 YOLOv5
燧机科技的博客
07-27 578
设备指示灯开关状态识别检测系统是基于yolo网络图像识别系统，无需新增硬件设备指示灯开关状态识别检测系统利用现场已有的监控摄像头代替人工巡检，实现7*24小时自动识别仪表示数或开关状态，通过平台上报管理员提高仪表读数识别的工作效率并降低出错率。
【计算机视觉】工业表计读数（3）--指针及刻度关键点识别
zkw54334的博客
03-18 1440
工业表计（如压力表、电表、气表等）在设备监控和自动化管理中扮演重要角色。传统人工抄表存在效率低、易出错的问题，而自动化检测则可以大幅提升读数准确率和实时性。本文在前端表计区域检测的基础上，进一步聚焦于表针和刻度的关键点定位。具体来说，指针部分主要检测表头和表盘中心两个关键点，而刻度部分则检测每个刻度对应的位置，再通过 OCR 模块识别刻度数值。本文详细介绍了模型的训练和预测代码，并对实验结果进行了分析。
[数据集][目标检测]电力场景配电柜光按钮检测数据集VOC+YOLO格式769张1类别
FL1768317420的博客
08-23 232
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)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。图片数量(jpg文件个数)：769。标注数量(xml文件个数)：769。标注数量(txt文件个数)：769。标注类别名称:["button"]button 框数 = 11106。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
使用YOLOV4 轻松进行开关开闭状态检测
Enigma_tong的博客
01-06 2984
使用YOLOV4 轻松进行开关开闭检测 最近接到了一个开关开闭状态检测的项目，准确率要求很高，要达到99.9%以上，所以顺道试验一下yolov4的性能 yoloV4的训练过程跟yolov3训练并无差异,我把yolov4的git地址和yolov3训练的参考的博客地址放在这里 训练yolov3的过程 yolov4的代码地址 如果需要yolov4的权重文件和主干网络的权重文件，请在这里下载 我训练集使用...
设备指示灯开关状态识别检测系统 yolov5
燧机科技的博客
12-25 1965
设备指示灯开关状态识别检测系统是基于yolo网络深度学习模型，对现场画面进行实时监测识别。自动识别仪表示数或开关状态。我们使用YOLO(你只看一次)算法进行对象检测。YOLO是一个聪明的卷积神经网络(CNN)，用于实时进行目标检测。该算法将单个神经网络应用于完整的图像，然后将图像划分为多个区域，并预测每个区域的边界框和概率。这些边界框是由预测的概率加权的。要理解YOLO，我们首先要分别理解这两个模型。
《基于YOLOv8的物流车辆货箱门闭合状态检测》（包含源码、可视化界面、完整数据集、部署教程）简单部署即可运行。功能完善、操作简单，适合毕设或课程设计.zip
最新发布
04-16
资源内项目源码是来自个人的毕业设计，代码都测试ok，包含源码、数据集、可视化页面和部署说明，可产生核心指标曲线图、混淆矩阵、F1分数曲线、精确率-召回率曲线、验证集预测结果、标签分布图。都是运行成功后才上传资源，毕设答辩评审绝对信服的保底85分以上，放心下载使用，拿来就能用。包含源码、数据集、可视化页面和部署说明一站式服务，拿来就能用的绝对好资源！！！ 项目备注 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、大作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行修改，以实现其他功能，也可用于毕设、课设、作业等。 下载后请首先打开README.txt文件，仅供学习参考, 切勿用于商业用途。
YOLOv5实现目标识别全流程【超级详细！】
热门推荐
weixin_42377570的博客
01-16 6万+
在深度学习中，目标识别问题是我们所熟知的最经典最重要的问题之一。yolo可以说是目前最火的目标检测算法
如何使yolo训练使用电力设备红外数据集yolov8训练使用 开关柜红外温度过热图像检测数据集，3000张，voc格式，带温度信息，实现可视化评估及推理
2401_86822270的博客
12-26 410
如何使yolo训练使用电力设备红外数据集yolov8训练使用 开关柜红外温度过热图像检测数据集，3000张，voc格式，带温度信息，实现可视化评估及推理
yolov5数据集+电厂配电柜（老式）数据集
02-19
本文将详细介绍一个专门针对电厂老式配电柜的数据集，该数据集用于训练YOLOv5模型，以实现自动识别和定位老式配电柜。 数据集的构建是机器学习模型训练的基础，特别是对于目标检测任务。这个数据集包含了`.jpg`图片...
电力场景配电柜光按钮检测数据集VOC+YOLO格式769张1类别.7z
08-23
使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明：暂无 特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注 更多信息：...
配电箱与配电柜、控制箱的区别
07-14
一个配电箱可以是一个电源进线和多个供电输出回路，从配电箱引出供电输出回路至各个用电负荷，由于配电箱的体积较小，不能放入大型配电设备，所以配电箱的容量都不大，一般4-8个小负荷用一个配电箱，配电箱布置在...
【无标题】设备开关指示灯状态智能识别是什么意思---豌豆云
weixin_43955838的博客
04-26 565
本文将详细解释设备开关指示灯状态智能识别的含义，介绍其工作原理及在各个领域的应用，旨在帮助大家更好地理解这一前沿技术。
配电房数字式仪表读数识别算法开发
zhaotun123的博客
09-11 1546
本文主要介绍了配电房数字式仪表读数识别算法的开发过程，在严重缺乏实际场景图片的情况下，采用了两种数据扩增方法，一种是利用代码自动生成大量图片，另一种是利用爬虫技术从网络爬取相关图片，然后将所有数据组成一个数据集，并进行模型训练，所得模型在测试集的精确率、召回率分别达到0.993、0.983，同时从可视化预测结果来看，模型也具有很好的识别效果，与预期相符，表明了本文提出的数据生成方法及读数识别算法的有效性。
基于单目深度估计的旋钮开关状态识别
zhaotun123的博客
01-20 901
本文介绍了一种基于单目深度估计的配电房旋钮开关状态识别方法，考虑到旋钮开关具有明显凸起的特点，将SOTA的单目深度估计算法Deep-Anything-V2应用于旋钮开关状态的识别过程，测试结果显示，算法能够有效输出深度图信息，可以准确识别出各种旋钮开关的旋转角度，具有良好的适应性和泛化性。
YOLOe问世：三行代码实时“看见一切“，目标检测进入全提示时代
Python_cocola的博客
03-24 483
从2015年YOLOv1首次实现实时检测，到2024年YOLOv10优化效率，YOLO系列始终是目标检测领域的标杆。但传统YOLO如同戴着"类别镣铐"的观察者——只能识别预先定义的物体。当面对未知类别或复杂交互场景时，这种局限性暴露无遗。通过三大模式，让AI像人类一样自由理解世界。就像给机器装上"多模态眼睛"，既能听懂语言指令，又能看懂手势示意，甚至自主发现新事物。在这里插入图片描述。
评论
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

zy_destiny

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