输电线路缺陷绝缘子数据集（包括：缺损、放电、防震锤等）

最新推荐文章于 2024-04-16 07:39:03 发布
最新推荐文章于 2024-04-16 07:39:03 发布
阅读量1.8k 收藏 22
点赞数 6
文章标签： 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/weixin_51496832/article/details/127634836
版权

「链接：https://pan.xunlei.com/s/VNFm6-uQX5--wZMGr1epwc9uA1?pwd=zr6g# 提取码：zr6g”复制这段内容后打开手机迅雷App，查看更方便」

星辰～y
关注
  • 6
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 9
    评论
输电线路绝缘子检测数据集（网盘下载链接，160张原图像）
10-13
输电线路绝缘子检测数据集（网盘下载链接，160张原图像）
[数据集][目标检测]道路坑洞目标检测数据集VOC+YOLO格式665张1类别
FL1623863129的博客
12-13 606
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。标注类别名称:["pothole"]图片数量(jpg文件个数)：665。标注数量(xml文件个数)：665。标注数量(txt文件个数)：665。pothole 框数 = 1740。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
【目标检测数据集】绝缘子破损缺陷数据集VOC+YOLO格式
最新发布
lwx666sl的博客
04-16 691
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)：3503 标注数量(xml文件个数)：3503 标注数量(txt文件个数)：3503 标注类别数：4 标注类别名称:["damaged","insulator","nest","suspension"] 每个类别标注的框数： damaged 框数 = 1135 insulator 框数 = 6727 nest 框数 = 23
输电线路/输电通道隐患检测数据集
2301_80430808的博客
10-20 432
输电线路相关的目标检测数据集；鸟巢、风筝、气球等垃圾目标
YOLOv5实战之输电线路绝缘子缺陷检测识别
qq_40716944的博客
10-29 9143
本教程主要是利用YOLOv5算法实现对输电线路绝缘子缺陷进行检测识别。通过无人机搭载相机头云台对输电线路上的绝缘子进行数据采集，挑选出绝缘子上有故障的图片数据，共2000张左右图片，输电线路绝缘子缺陷数据集中的部分图片如下图所示。​​对收集到的2000张左右绝缘子缺陷数据集进行数据标注， 标注了3种常见的绝缘子缺陷类型：insulator、damaged、Flashover，利用LabelImg标注软件对数据进行标注，对标注后的数据进行统计，3种缺陷的标签分布情况如下图所示。​
导线缺陷破损雷击VOC-1300张
lwx666sl的博客
09-17 145
导线缺陷破损雷击VOC-1300张
缺陷绝缘子串识别数据集
12-27
包括缺陷图，掩模图，以及标签
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 6368
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。
电气领域相关数据集（目标检测，分类图像数据及负荷预测），输电线路图像数据
热门推荐
爱分享数据的一个人的博客
03-25 3万+
电气相关图像数据集集及负荷数据集如下（包含缺陷检测与分类）： 1.输电线路巡检鸟巢检测图像数据集（含标签） 下载地址：输电线路鸟巢检测图像数据集下载地址 2.输电线路相关电力金具检测图像数据集 下载地址：输电线路相关电力金具检测图像数据集 3.某用户两年电表电压电流数据 下载地址：某用户两年电表电压电流数据 4.输电线路红外图像与可见光图像 下载地址：输电线路红外图像与可见光图像 5.电网故障下三相光伏系统研究仿真模型（matlab） 下载地址：电网故障下三相光伏仿真模型 6.输.
使用YOLOv7训练钢化玻璃绝缘子及其缺陷检测数据集（使用yolov7训练自己的数据集）
weixin_64278609的博客
11-22 2428
数据集中的图片均选自与无人机在电力巡检过程中的航拍图片。
YOLOv3绝缘子缺陷检测+VOC格式数据集
12-29
1、YOLOv3绝缘子缺陷检测模型，附有各种训练曲线图，可使用tensorboard打开训练日志，用于检测电塔绝缘子有破损缺陷的的位置 2、包含数据集
电气类4.输电线路绝缘子缺陷检测图像数据集
03-01
内含输电线路绝缘子缺陷检测图像数据集，4500多张图片，带VOC格式xml标签，类别有insulator和defect两种，可以用于电气工程专业在计算机视觉应用领域做研究，例如目标检测、图像识别、深度学习等！！！ txt文件内有下载链接和提取码，放心下载即可！！！！
YOLOv7绝缘子缺陷检测模型+代码+数据集
12-23
1、YOLOv7绝缘子缺陷检测模型，附有各种训练曲线图，可使用tensorboard打开训练日志，用于检测电塔绝缘子有破损缺陷的的位置 2、包含数据集
YOLOV5电线绝缘子缺陷检测数据集+代码+模型+视频讲解
03-15
绝缘子作为输电环节中的重要设备，在支撑固定导线，保障绝缘距离的方面有着重要作用。深度学习技术的大量应用，计算机运算性能的不断提高，为无人机准确识别和定位绝缘子，实时跟踪拍摄开辟了新的解决途径。本文对输电线路中绝缘子进行识别及定位，利用深度学习技术采取基于YOLOv5 算法的目标检测手段，结合绝缘子数据集的特点，对无人机拍摄图片进行训练，实现对绝缘子精准识别和定位，大幅提升无人机巡检时对绝缘子设备准确跟踪、判定的效率，具有十分重要的应用效果。本项目可以作为计算机专业毕业涉及，提供处理好的数据集、视频和三组训练好的模型，部署简单，并且具有可用于图片检测和视频检测的图形化界面，方便易用。
输电线路电力金具数据集(2k多张图像，含标签)
10-12
输电线路电力金具数据集(2k多张图像，含标签)
高压输电线路绝缘子缺陷检测数据集.zip
10-15
该数据集部分来源于无人机真实拍摄，部分来自图片合成，高压输电线路绝缘子的缺陷检测是线路巡检的重要组成部分。 该数据集包括600张高压输电线路缺损的绝缘子图片，采用VOC标注格式，可自行进行训练集、验证集的...
YOLO电力输电线路中绝缘子等各种金属器件检测数据集
06-10
电力书输电线路中绝缘子等各种金属器件检测数据集，使用lableimg标注软件，标注好的高质量图片数据，图片格式为jpg，标签有两种，分别为VOC格式和yolo格式，分别保存在两个文件夹中，可以直接用于YOLO系列算法；...
输电线路鸟巢图像数据集(200张图像 voc标签)
06-19
### 回答1： 输电线路鸟巢图像数据集是一个用于训练计算机视觉算法的数据集，它由200张包含输电线路和鸟巢的图像以及对应的VOC标签组成。这个数据集的目的是帮助开发者开发更好的算法，以便在输电线路维护和鸟巢管理方面提高效率和准确性。 这个数据集的特点在于它包含了输电线路和鸟巢这两个不同的目标，这使得算法开发者可以根据不同目标分别优化算法。此外，数据集中的图像和标签是经过专业团队标注和筛选后的，因此具有较高的质量和准确性。 该数据集可以用于训练和测试各种计算机视觉算法，例如目标检测、分类和分割等。开发者可以利用这个数据集开发出更好的算法，用于自动化输电线路维护和鸟巢管理等应用场景中。 总之，输电线路鸟巢图像数据集是一个极具价值和应用前景的数据集，在计算机视觉领域具有很大的研究和应用价值。 ### 回答2： 输电线路鸟巢图像数据集是一种用于训练计算机视觉模型的数据集，其中包含了200张与输电线路相关的图像，同时也提供了每张图像的标注信息（VOC标签），以便模型可以学习识别图像中的不同对象和结构。这个数据集对于研究输电线路安全、进行风险评估以及优化电网系统等方面都有着重要的应用价值。 通过分析这个数据集，我们可以对输电线路进行更全面、准确的理解，对输电设备和构造进行分类、检测和分割，以及识别其中的故障和隐患等。同时，这个数据集也提供了对电网设施管理和检修的有效帮助，通过计算机视觉技术的应用，可以提高管理效率和减少人为差错。 总之，输电线路鸟巢图像数据集是一种非常有价值的数据集，可以为电力行业和电力设备管理提供更加有效、快速和准确的支持。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 9
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
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