高压电线电力巡检六类图像识别数据集(2000张图片已划分、已标注)【数据集分享】

简介: 随着电力巡检场景对智能识别系统的需求不断增长,构建高质量、真实场景覆盖的数据集变得尤为重要。我们发布的这套高压电力巡检六类图像数据集,旨在为研究者与开发者提供一个标准化、实用性强的实验平台。

高压电线电力巡检六类图像识别数据集(2000张图片已划分、已标注)

在电力巡检领域,图像智能识别技术正逐步替代传统人工巡检方式,以实现更高效、更可靠的运行维护管理。本数据集专为高压输电线路的电力巡检任务设计,涵盖六类典型场景与目标,具备高质量图像、完善标注信息与清晰的数据结构,适用于目标检测、故障识别等任务。

数据集共 2000 张图片,已完成标注与划分,具备开箱即用的特性。

已适配优化、划分,不用任何修改,直接使用。

背景

随着电力系统规模的不断扩大和高压输电线路的广泛铺设,输电线路的安全运行已成为保障社会稳定和经济发展的关键环节。传统的人工巡检方式存在诸多不足,如效率低下、作业危险性高、检测结果主观性强等,难以满足现代电网对安全、智能、高效巡检的需求。

近年来,随着人工智能、计算机视觉和无人机技术的迅猛发展,基于图像识别的电力巡检系统逐渐兴起,成为电力运维智能化的重要方向。在这一背景下,高质量、贴近实际场景的图像识别数据集成为推动智能巡检技术落地的基础与前提。

为了满足电力图像识别模型训练与测试需求,我们构建并发布了高压电线电力巡检六类图像识别数据集,覆盖典型巡检目标,提供完整标注信息,旨在为研究者和工程实践者提供标准化、实用性的电力场景数据资源,推动智能电网建设与电力安全保障的发展。

数据集概述

  • 图片总数:2000 张
  • 图像格式:JPG
  • 标注格式:YOLOv5/YOLOv8支持的 .txt 文本格式(一图一标)
  • 类别数量:6 类
  • 类别标签
    1. 电缆破损
    2. 绝缘子破损
    3. 正常电缆
    4. 正常绝缘子
    5. 杆塔
    6. 植被遮挡
  • 数据划分比例
    • Train:1400 张
    • Val:300 张
    • Test:300 张

每张图像均配有标注文件,内容包括类别编号及其对应目标在图像中的相对位置与尺寸(YOLO格式)。

image-20250729120054087

image-20250729120106051

数据集详情

类别名称 类别编号 样本数量(约) 说明
电缆破损 0 300+ 覆盖电缆外皮破损、断裂等异常情况
绝缘子破损 1 280+ 包括瓷质绝缘子损坏、脱落、裂纹等
正常电缆 2 400+ 表面光滑、无破损、结构完整的电缆
正常绝缘子 3 350+ 状态良好、无缺陷的绝缘器元件
杆塔 4 600+ 包括铁塔、输电支架等整体结构目标
植被遮挡 5 200+ 表示输电线路被树枝、藤蔓等遮挡

标注工具:使用 LabelImg 进行手动精标
图像来源:无人机巡检拍摄、模拟数据合成、实地采样数据混合构建
图像分辨率:不固定,常见为1280×720及其变种

image-20250729120023393


适用场景

本数据集适合以下研究与工程应用方向:

  • 目标检测模型训练与测试
  • 电力智能运维系统构建
  • 缺陷检测与告警系统研究
  • 迁移学习与小样本学习实验
  • AI + 电力领域竞赛使用
  • 智慧巡检与边缘计算部署

使用示例

# 项目结构
datasets/
├── images/
│   ├── train/
│   ├── val/
│   └── test/
├── labels/
│   ├── train/
│   ├── val/
│   └── test/
└── dataset.yaml

dataset.yaml 示例

path: ./datasets
train: images/train
val: images/val
test: images/test

nc: 6
names: ['电缆破损', '绝缘子破损', '正常电缆', '正常绝缘子', '杆塔', '植被遮挡']

image-20250720154217655

result_su110kv_vo-37-_jpg.rf.2b42d80550d2708a2bbf8bf24b1bcf86

image-20250720153944921

数据集分享

网盘链接: https://pan.baidu.com/s/1rNbncL8NWHBL9NeXMMkFkw?pwd=inck 提取码: inck

结语

随着电力巡检场景对智能识别系统的需求不断增长,构建高质量、真实场景覆盖的数据集变得尤为重要。我们发布的这套高压电力巡检六类图像数据集,旨在为研究者与开发者提供一个标准化、实用性强的实验平台。
本数据集专为电力巡检任务设计,聚焦高压电线场景下的六类关键目标,包括破损与正常状态的电缆、绝缘子,以及杆塔和植被遮挡等,全面覆盖典型巡检问题。其具备以下特点:
高质量标注:所有图像均采用标准YOLO格式标注,准确标出目标位置与类别;
合理划分结构:已按训练、验证、测试集进行划分,开箱即用;
应用价值广泛:适用于目标检测、缺陷识别、智能巡检等AI+电力应用场景;
支持主流框架:可直接用于YOLOv5/YOLOv8等目标检测模型训练。
本数据集将为电力巡检智能化发展提供坚实数据基础,助力相关研究和工业实践更进一步。欢迎下载、引用与反馈,共同推动电力AI应用的深入发展。

相关文章
|
机器学习/深度学习 算法 计算机视觉
3D目标检测框架 MMDetection3D环境搭建 docker篇
本文介绍如何搭建3D目标检测框架,使用docker快速搭建MMDetection3D的开发环境,实现视觉3D目标检测、点云3D目标检测、多模态3D目标检测等等。
1367 0
|
小程序 网络协议 应用服务中间件
nginx(二)服务器中配置超时时间的方法
访问超时这个事一般都是在nginx中配置的。 之前大脑发昏,一直研究PHP来着,后来发现,不行,PHP超时怎么配都不好用。 首先说一下配置的位置,是在每个域名的配置文件中配置的 我的域名配置文件如下:
702 0
|
10月前
|
数据采集 前端开发 物联网
【项目实战】通过LLaMaFactory+Qwen2-VL-2B微调一个多模态医疗大模型
本文介绍了一个基于多模态大模型的医疗图像诊断项目。项目旨在通过训练一个医疗领域的多模态大模型,提高医生处理医学图像的效率,辅助诊断和治疗。作者以家中老人的脑部CT为例,展示了如何利用MedTrinity-25M数据集训练模型,经过数据准备、环境搭建、模型训练及微调、最终验证等步骤,成功使模型能够识别CT图像并给出具体的诊断意见,与专业医生的诊断结果高度吻合。
17803 7
【项目实战】通过LLaMaFactory+Qwen2-VL-2B微调一个多模态医疗大模型
|
3月前
|
存储 SQL Apache
网易云信 x Doris:降本70%、提速11倍, 统一 ES/InfluxDB/Hive 多技术栈的落地实践
网易云信引入 Apache Doris 统一了原有 Elasticsearch、InfluxDB 和 Hive 多技术栈系统。凭借其高性能和易扩展的特点,提供一站式的数据存储和分析服务。实现机器成本降低 70%、实时场景查询提速 11 倍、离线任务耗时缩短 80% 的显著收益。
246 0
|
5月前
|
数据采集 人工智能 Ubuntu
MyEMS开源能源管理系统开发工具
MyEMS 是一款基于 ISO 50001 标准的开源能源管理系统,支持建筑、工厂等场景的电、水、气等能源数据采集与分析,提供光伏、储能、微电网、AI 优化等功能。系统采用开源工具开发,包括 PyCharm、VS Code、Docker、Ubuntu 等,并搭配 MySQL 数据库及 DBeaver 客户端,助力企业实现低碳发展。社区版完全免费,适合开发者学习和部署。下载地址:[https://gitee.com/myems/myems](./https://gitee.com/myems/myems)。
187 32
|
12月前
|
监控 异构计算
Jetson 学习笔记(八):htop查看CPU占用情况和jtop监控CPU和GPU
在NVIDIA Jetson平台上使用htop和jtop工具来监控CPU、GPU和内存的使用情况,并提供了安装和使用这些工具的具体命令。
869 0
|
人工智能 自动驾驶 算法
本地生活技术雷达——生成式AI(Generative AI)在阿里本地生活的应用与思考
本地生活技术雷达是由本地生活技术中心战略管理&PMO团队开展的,定期扫描和评估新兴技术的战略研究工作。目的是对技术趋势进行前瞻性预判,提出新技术布局建议,在技术驱动业务创新和业务增长、践行社会责任等方面有一些实质性探索。 本篇尝试探讨 1)理解AI范式——从分析型(Analytical AI)到生成式(Generative AI)的拐点在2022年,其对人类社会以及商业模式的长期影响; 2)生成式AI(文生文、文生图、图生图等)在本地业务目前场景的应用和未来的方向。 欢迎技术、产品、运营、战略、管理层、国内国际等各种视角的指点和碰撞!
39946 8
|
Linux Docker 容器
docker安装与加速
docker安装与加速
419 0