电缆损伤检测数据集 | 7800张YOLO电力巡检数据集
适用于输电线路巡检、无人机巡线与目标检测研究
一、数据集概述
本数据集针对电缆常见损伤类型进行标注，共包含约7800张高质量标注图像，专为电缆表面损伤检测 模型训练 、验证与测试设计。电缆作为电力传输的核心载体，长期暴露在户外环境中，易受机械外力、雷击、老化等因素影响而产生断裂、击穿等损伤，一旦失效可能引发停电事故甚至火灾。传统人工巡检成本高、危险性大且覆盖范围有限。本数据集可用于训练自动化缺陷检测模型，配合无人机或固定摄像头实现智能巡检，及时发现隐患并降低运维风险与人力成本。该数据集被收录于目标检测泛化能力基准测试集合，具备良好的工业实用价值，适用于YOLOv5/v7/v8/v10/v11/v12等主流检测框架。
随着智能电网建设和电力巡检数字化转型的快速发展，利用 计算机视觉 技术实现电缆损伤的自动检测已成为提升巡检效率、保障电力安全的重要手段。本数据集针对电缆损伤检测场景中损伤类型多样、背景环境复杂、拍摄条件变化大等问题进行专项构建，可为电力智能巡检系统与安全监测平台提供高质量数据支撑。
数据集下载
通过网盘分享的文件：电缆损伤检测数据集-2类
链接: https://pan.baidu.com/s/1ZeXZOVgM2UbykfGNLLbZjQ?pwd=ga88
提取码: ga88
二、数据集基本信息
| 项目 | 内容 |
|---|---|
| 数据集名称 | 电缆损伤检测数据集 |
| 数据规模 | 约7800张高质量标注图像（train 7427 + valid 265 + test 134） |
| 任务类型 | 目标检测（Object Detection） |
| 检测目标 | 电缆断裂、雷击损伤 |
| 类别数量（nc） | 2类 |
| 标注方式 | Bounding Box目标框标注 |
| 数据格式 | YOLO标准格式 |
| 数据来源 | 真实电力巡检场景采集 |
| 数据划分 | Train / Valid / Test |
| 适配模型 | YOLOv5、YOLOv7、YOLOv8、YOLOv10、YOLOv11、YOLOv12、Faster R-CNN等 |
三、数据集类别说明
本数据集为二分类目标检测数据集，共设置2个检测类别，分别对应电缆断裂与雷击造成的损伤，类别划分贴合电力巡检实际需求。
类别配置
nc: 2
names:
- break
- thunderbolt
类别详情
| 类别ID | 类别名称 | 英文名称 | 类别说明 |
|---|---|---|---|
| 0 | 断裂 | break | 电缆因机械外力、老化等原因导致的断裂损伤 |
| 1 | 雷击损伤 | thunderbolt | 电缆因雷击造成的烧蚀、击穿等损伤 |
二分类设计覆盖电缆最主要的两种损伤类型，精准对应电力巡检中的核心隐患，可直接支撑输电线路缺陷检测与安全预警。
四、数据集结构说明
数据集采用标准YOLO 目录结构 组织，已按训练集、验证集、测试集进行科学划分，结构清晰，便于直接接入主流检测框架。
电缆损伤检测数据集-2类/
├── train
│ ├── images
│ └── labels
├── valid
│ ├── images
│ └── labels
├── test
│ ├── images
│ └── labels
└── data.yaml
各数据集作用如下：
- train/images & labels：训练集图像与标签（7427张），用于模型参数学习与特征提取；
- valid/images & labels：验证集图像与标签（265张），用于超参数调优、早停监控及防止过拟合；
- test/images & labels：测试集图像与标签（134张），用于最终模型性能评估与泛化能力测试。
标注文件为同名.txt格式，每行格式为类别索引 x_center y_center width height，坐标均为归一化值，配套data.yaml已配置好类别名称与数量，可直接适配YOLO系列等目标检测框架。
五、数据集核心优势
1. 专注电缆损伤检测
本数据集以电缆表面损伤检测为核心任务，所有图像聚焦于真实电力巡检场景下的电缆采集，覆盖断裂与雷击损伤两类核心缺陷。类别设计贴合输电线路运维与智能巡检实际需求，更利于训练出针对电缆损伤的高精度检测模型。
覆盖损伤类型包括：
- 断裂损伤：机械外力、老化、疲劳导致的断股或断裂
- 雷击损伤：雷击造成的烧蚀、击穿、熔断等损伤
覆盖电缆巡检中的主要隐患类型。
2. 被收录于泛化能力基准
数据集被收录于目标检测泛化能力基准测试集合：
- 泛化测试：用于评估模型在跨域场景下的泛化能力
- 工业实用：具备真实工业场景的应用价值
- 基准认可：作为目标检测算法评测的基准数据之一
- 研究价值：支撑缺陷检测算法的对比研究
3. 贴近真实巡检采集条件
数据来源于真实电力巡检场景，具有以下特点：
- 损伤程度多样：从轻微损伤到严重断裂
- 拍摄距离变化：近景特写到中远距离
- 拍摄角度多样：不同方向的巡检视角
- 背景环境复杂：户外线路、设备近景、不同自然背景
有效保障模型在实际电力巡检中的泛化能力。
4. 高质量人工标注
所有图像均经过高质量人工精准标注：
- 边界框规整，聚焦损伤区域
- 无漏标/错标
- 两类损伤判别标准统一清晰
- 满足缺陷检测模型训练需求
有效保证模型训练质量。
5. 工业实用价值突出
数据集面向电力巡检实际业务需求构建：
- 无人机巡线：支撑无人机自动巡检系统
- 固定监控：支撑输电线路固定摄像头监测
- 人工辅助：辅助巡检人员快速识别隐患
- 安全预警：及时发现隐患，降低运维风险
6. 即用型数据组织
标准目录结构+中文类别配置，无需复杂预处理，可直接用于模型训练，降低使用门槛。
六、适用场景
输电线路电缆缺陷自动巡检
部署于输电线路巡检系统，自动检测电缆断裂与雷击损伤，及时发现安全隐患。
无人机智能巡线与隐患识别
集成于电力巡检无人机，实现输电线路的 自动化 巡线与缺陷识别。
电力设备安全状态监测预警
在电力设备安全监测中实时检测电缆损伤，触发预警并辅助运维决策。
工业质检：线缆生产与安装质量检查
在电缆生产与安装环节进行质量检测，识别表面损伤与缺陷。
电力巡检数据化管理
作为电力巡检数据平台的核心感知模块，实现巡检数据的自动化采集与分析。
教学科研
用于工业缺陷检测 算法 研究、小样本目标检测实验等科研场景。
七、适用研究方向
本数据集可广泛应用于以下研究领域：
- 电力设备缺陷检测研究
- 电缆损伤检测与分类研究（2类）
- 二分类目标检测研究
- 工业视觉与缺陷检测研究
- 无人机巡检视觉研究
- YOLO系列模型优化研究
- 轻量化检测模型与边缘部署研究
- 泛化能力基准测试研究
八、总结
电缆损伤检测数据集包含约7800张高质量标注图像，采用标准 YOLO格式 构建，专注于电缆表面损伤的检测与分类任务。数据集覆盖断裂、雷击损伤2类核心损伤类型，具有样本量大、场景真实、被收录于泛化能力基准等特点，可广泛应用于输电线路巡检、无人机巡线、电力设备监测、工业质检等领域，是开展电缆缺陷检测算法研发与电力智能巡检系统建设的优质数据资源。
