新闻详情

新闻详情

首页 / 资讯中心 / 详情

绝缘套管红外检测数据集 | 绝缘套管 红外检测 电力巡检 发热诊断 9130期

发布时间:2026/11/22 7:43:40来源:尧图网络
绝缘套管红外检测数据集 | 绝缘套管 红外检测 电力巡检 发热诊断 9130期
绝缘套管红外检测数据集 | 绝缘套管 红外检测 电力巡检 发热诊断 9130期数据集概述本数据集专注于变电站绝缘套管的红外热成像视觉检测服务于电力设备状态评估、发热缺陷诊断及智能巡检。数据涵盖绝缘套管目标适配设备定位、温度异常筛查及运维决策等应用。数据集核心信息数据要素详细说明类别共1类绝缘套管数量9900张图像格式图像为 JPG/PNG分辨率640×640标签为 YOLO 格式的 txt 文件水平边界框数据划分训练集6930张验证集1980张测试集990张数据增强已包含旋转增强应用价值1.设备巡检支撑变电站绝缘套管的自动化定位与发热异常检测替代人工红外测温。2.缺陷诊断通过红外图像中套管的温度分布识别过热、温升异常等潜在故障。3.资产管理辅助套管位置确认与台账更新。4.算法研发为红外目标检测、电力设备识别等视觉任务提供大规模训练与评测数据。完整类别列表共1类序号英文名称中文释义标注框数量1Bushing绝缘套管34939数据三要素解析类别与目标覆盖数据集定义1个核心类别绝缘套管Bushing聚焦单一电力设备部件便于快速部署与高精度检测。标注框总数达34939个平均每张图像约含3.5个套管目标属于较密集的标注场景。绝缘套管是变电站常见设备其红外检测对发热缺陷诊断具有直接价值。数据规模与划分图像总量约9900张按7:2:1比例规范划分为训练集6930张、验证集1980张与测试集990张划分规范。图像分辨率统一为640×640可直接输入常见检测网络无需额外预处理。数据集已包含旋转增强有助于提升模型对套管不同朝向的适应能力。公开的模型性能指标显示YOLOv11n 训练100轮后 mAP 达82.2%表明数据集具有较高的标注质量与可区分度。附赠基于本数据集训练的best.pt 模型权重用户可直接推理或作为迁移学习起点。格式与结构采用通用YOLO 格式txt每张图像对应一个同名标签文件包含类别 ID 与归一化边界框坐标可直接接入 YOLOv5、YOLOv8、YOLOv11 等主流检测框架。图像与标签一一对应数据结构规范即拿即用。知识普及绝缘套管红外检测的技术要点红外热成像原理红外图像依赖物体自身热辐射成像可反映设备表面温度分布。套管发热异常如内部接触不良、绝缘老化在红外图像中呈现为高温亮区。套管发热诊断正常运行的套管温度相对均匀若出现局部过热可能预示内部缺陷。结合可见光图像可精确定位故障部位。目标形态与尺度套管在红外图像中呈柱状或伞裙状结构受拍摄角度影响形态变化较大。旋转增强有助于模型适应不同朝向。背景干扰变电站红外图像中其他设备如导线、互感器也可能发热与套管混淆模型需依赖形态特征进行区分。应用闭环检测结果可结合温度数据与设备台账生成套管健康档案与巡检报告辅助运维决策。快速开始代码示例配置文件data.yaml示例train:./dataset/images/trainval:./dataset/images/valtest:./dataset/images/testnc:1names:[Bushing]启动 YOLOv11 训练或加载提供的预训练权重fromultralyticsimportYOLO modelYOLO(yolo11n.pt)# 或加载提供的best.ptmodel.train(datadata.yaml,epochs100,imgsz640,batch16,device0)标签绝缘套管红外检测电力巡检发热诊断目标检测YOLO格式深度学习数据集计算机视觉
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/21 14:14:45

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/21 14:14:26

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/21 21:08:55

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/22 1:51:41

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/21 19:02:25

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/21 14:13:11

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉