摘要

变电站作为电力系统的核心枢纽节点，其安全稳定运行直接关系到国民经济的正常运转与公共安全。在变电站各类设备故障中，液体泄漏（如变压器油、冷却液等）是较为常见且危害严重的异常现象之一。传统的人工巡检方式存在效率低下、漏检率高、无法实时监控等问题，难以满足现代智慧电网对设备状态感知的智能化、实时化、精准化需求。近年来，红外热成像技术因其非接触、全天候、直观可视等优势，在工业设备故障检测领域得到了广泛应用。与此同时，以YOLO系列为代表的目标检测算法在计算机视觉领域取得了突破性进展，为红外图像中的异常目标自动识别提供了强有力的技术支撑。

针对上述需求，本文设计并实现了一套基于改进YOLOv8s的变电站液体泄漏红外识别检测系统。该系统以YOLOv8s作为基础检测网络，利用自行构建的红外泄漏图像数据集进行训练与优化，数据集包含训练集3,524张、验证集504张、测试集1,007张，类别为单一泄漏目标（leak）。经过200轮迭代训练，模型在验证集上取得了mAP@0.5为0.969、全类别F1分数达0.94的优异性能，展现了良好的检测精度与鲁棒性。在系统层面，项目基于PyQt5框架开发了功能完备的图形用户界面，集成了用户注册登录、图片/视频/摄像头多源检测、置信度与IoU阈值实时调节、检测结果可视化展示、日志记录以及结果保存等核心功能模块。系统采用多线程并发处理机制保障界面流畅性，支持GPU加速推理以满足实时检测需求，整体架构清晰、扩展性强。本系统的实现为变电站液体泄漏隐患的智能化监测提供了一种高效、可靠的技术方案，具有良好的工程应用前景与推广价值。

关键词：YOLOv8；变电站；液体泄漏检测；红外图像；目标检测；PyQt5；深度学习

订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html

https://blog.csdn.net/m0_68036862/category_13147048.html

项目演示视频

引言

1.1 研究背景与意义

电力工业是国民经济发展的重要基础产业，而变电站作为电力系统中实现电压变换、电能分配与线路连接的关键设施，其运行安全性直接决定着电力供应的可靠性与稳定性。在变电站长期运行过程中，各类充油设备（如油浸式变压器、电抗器、互感器等）由于密封老化、材料缺陷、安装不当或外部环境侵蚀等原因，不可避免地会出现绝缘油、冷却液等液体的渗漏现象。液体泄漏不仅会造成设备绝缘性能下降、散热效率降低，严重时还可能引发放电事故、火灾甚至爆炸，对设备资产和人员安全构成极大威胁。

据统计，在变电站各类设备故障中，由液体泄漏引发或诱发的故障占有相当比例。然而，当前绝大多数变电站仍然依赖人工定期巡检的方式对设备渗漏情况进行排查，这种方式存在以下显著局限：其一，巡检周期固定，无法实现全天候不间断监测，泄漏可能在巡检间隙发生而未被及时发现；其二，部分泄漏点位置隐蔽、渗漏量微小，仅凭肉眼观察难以准确识别；其三，人工巡检受天气、光照、人员经验等主观因素影响较大，检测质量参差不齐。因此，亟待发展一种能够实现非接触式、全天候、高灵敏度的液体泄漏自动检测技术。

红外热成像技术为解决上述问题提供了有效途径。液体泄漏往往伴随着局部温度场的变化——泄漏液体挥发吸热会导致泄漏点周围温度降低，或在设备运行负荷变化时因介质损耗产生局部温升，这些温度异常区域在红外图像中会形成区别于背景的热特征，从而为泄漏位置的识别提供了物理基础。相较于可见光成像，红外成像不受光照条件限制，能够昼夜工作，且能“看见”肉眼难以察觉的温度差异，非常适合变电站户外环境的设备监测需求。

与此同时，深度学习技术特别是目标检测算法的迅猛发展，为红外图像的自动判读与异常识别注入了新的活力。以YOLO（You Only Look Once）为代表的单阶段目标检测算法，凭借其端到端的回归思想、极高的推理速度和良好的检测精度，已成为工业视觉检测任务中最受欢迎的算法框架之一。YOLOv8作为该系列的最新迭代版本，在骨干网络、特征融合和损失函数等方面进行了进一步优化，在保持实时性的同时显著提升了检测精度，为变电站液体泄漏的智能检测提供了坚实的技术基础。

1.2 国内外研究现状

在工业设备泄漏检测领域，国内外学者和工程技术人员已经开展了大量研究工作。传统方法主要依赖传感器检测（如可燃气体传感器、压力传感器、超声波传感器等）和人工巡检，这些方法各有侧重但普遍存在监测范围有限、设备布设成本高、难以精确定位泄漏源等问题。近年来，随着计算机视觉和深度学习技术的快速发展，基于图像的泄漏检测方法逐渐成为研究热点。

在红外图像处理方面，早期研究多采用图像分割、边缘检测、形态学处理等传统图像处理技术提取疑似泄漏区域，但这类方法对图像质量要求较高、泛化能力有限，难以应对复杂背景和噪声干扰。深度学习方法引入后，研究者开始利用卷积神经网络对红外图像中的异常区域进行特征学习和分类识别。然而，专门针对变电站液体泄漏红外检测的研究仍相对较少，公开可用的红外泄漏数据集也十分匮乏，这在一定程度上制约了该领域的深入研究。

在目标检测算法层面，YOLO系列算法因其卓越的速度与精度平衡，在工业缺陷检测、安防监控、自动驾驶等领域得到了广泛应用。YOLOv8相较于前代版本，采用了更高效的C2f模块替代传统的C3模块，改进了特征金字塔结构以增强多尺度特征融合能力，并引入了更加合理的损失函数设计，使得模型在小目标检测和复杂背景下的表现进一步提升。这些特性对于红外图像中尺度不一、形态多变的泄漏区域检测具有天然适配性。

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

训练过程

训练结果

一、检测精度指标分析

1.1 综合精度表现卓越

模型训练200轮后的最终性能指标如下：

分析说明：

• mAP@0.5达到0.969，意味着在IoU阈值为0.5的标准下，模型对泄漏目标的检测平均精度接近97%，这是一个非常高的数值，表明模型能够以极高的准确率定位和识别红外图像中的液体泄漏区域。对于变电站泄漏检测这一实际应用场景而言，该精度水平已具备工程化部署的条件。

• mAP@0.5:0.95达到0.799，该指标衡量模型在多个IoU阈值（从0.5到0.95，步长0.05）下的平均表现。0.799的数值说明模型不仅能够在宽松的定位要求下表现优异，即使在高精度定位要求下（IoU=0.75以上），模型仍然保持了良好的检测能力，边界框回归精度较高。

• Precision（精确率）为0.939，表示模型预测为泄漏的所有目标中，有93.9%确实是真正的泄漏区域。高精确率意味着模型的误报率极低，这对于变电站实际应用至关重要——较低的误报率可以减少运维人员因频繁误报而产生的疲劳和信任度下降。

• Recall（召回率）为0.947，表示实际存在的泄漏目标中有94.7%被模型成功检测出来。高召回率意味着漏检率极低，这对于安全保障类应用尤为关键——尽可能避免泄漏事件被遗漏。

1.2 精确率-召回率曲线表现优异

从PR曲线（Precision-Recall Curve）分析，泄漏类别（leak）的mAP@0.5达到0.969，曲线整体呈现典型的“高精确率-高召回率”理想形态：

• 曲线在Recall较低时Precision接近1.0，说明模型在低召回率区间具有极高的预测可信度；

• 随着Recall提升至0.9以上，Precision仍能维持在0.93以上，表明模型在全召回范围内均保持了极高的预测质量；

• 曲线下方包围面积大，几乎没有明显的性能衰减拐点，反映模型对不同尺度、不同形态的泄漏目标均具有良好的适应能力。

1.3 F1分数与置信度阈值关系理想

从F1曲线分析，全类别F1分数峰值达到0.94，对应的置信度阈值为0.323：

• 在置信度阈值0.1至0.7的宽泛区间内，F1分数始终保持在0.92以上的高位水平，说明模型输出的置信度得分具有很好的概率校准特性，模型对自身预测结果的置信度评估准确可靠；

• 峰值F1=0.94意味着模型在精确率与召回率之间达到了近乎完美的平衡，二者基本相当，没有出现严重的偏向性（如过分保守或过分激进）；

• 最佳置信度阈值0.323相对较低，这在实际应用中是一个积极信号——意味着模型即使采用较低的置信度截断，仍然能够保持极高的预测质量，为根据不同应用场景灵活调整置信度阈值提供了充足的余量。

1.4 混淆矩阵验证模型可靠性

从归一化混淆矩阵来看：

分析说明：

• 泄漏目标被正确识别的概率为96%，仅有4%的泄漏目标被误判为背景，进一步验证了模型的高召回特性；

• 背景被正确识别的概率为100%，背景区域被误判为泄漏的概率仅为4%，进一步验证了模型极高的精确率；

• 泄漏与背景之间的混淆程度极低（交叉误判率仅为4%），表明模型已经充分学习了泄漏目标在红外图像中的判别性特征，具备良好的类间可分性。

二、训练过程收敛性分析

2.1 损失函数平滑收敛

从训练损失曲线分析（基于results.csv数据）：

分析说明：

• 所有损失函数均呈现单调递减趋势，未出现震荡或发散现象，说明训练过程稳定，学习率调度策略合理，优化器（SGD）的参数更新方向始终正确；

• train/cls_loss下降幅度高达88.2%，从2.46降至0.29，分类损失的大幅下降意味着模型对泄漏目标的类别判别能力得到了充分学习，分类决策边界清晰；

• 验证集损失同步下降，训练损失与验证损失之间未出现显著的分化（gap），说明模型未发生过拟合，具有良好的泛化能力——这是训练过程中最重要的积极信号之一；

• val/cls_loss最终降至0.356，在仅有单类别（leak）的分类任务中，这是非常低的分类损失值，表明模型已经能够非常可靠地区分泄漏区域与背景。

2.2 验证指标持续提升

从验证集精度指标来看：

分析说明：

• mAP@0.5:0.95实现了翻倍增长（从0.398提升至0.799），这是训练效果最有说服力的证据之一，说明随着训练的深入，模型不仅学会了分类，更学会了精细的边界框定位；

• Recall提升幅度达51.8%（0.624→0.947），早期模型只能检测约62%的泄漏目标，经过充分训练后能够检测近95%的目标，漏检率大幅降低；

• 指标提升在整个200轮训练中呈渐进式增长，未出现平台期提前到来的现象，说明当前训练轮数设置合理，模型仍有进一步提升的潜力；

• Epoch 179时mAP@0.5达到峰值0.970，并在后续epoch中稳定维持在0.965~0.970区间，说明模型在后期训练中达到了性能饱和状态，训练目标已充分实现。

2.3 Recall-Confidence曲线特性优异

从Recall曲线（R_curve.png）分析：

• 在置信度阈值从0到0.7的宽泛范围内，召回率稳定维持在0.92以上，说明模型在其输出的绝大多数置信度区间内都能保持极高的检出能力；

• 全类别召回率在置信度为0时达到0.97，这是理论上限值，意味着模型对所有泄漏目标均给出了高于背景的置信度得分，没有出现置信度分布的严重扭曲；

• 即使在置信度阈值提高至0.8时，召回率仍保持在0.85，说明模型对高置信度预测结果同样保持了良好的覆盖率，模型输出的高置信度预测具有高度可靠性；

• 曲线整体呈现缓慢下降的平滑形态，而非急剧陡降，反映了模型输出的置信度得分具有良好的判别力和排序能力。

三、模型泛化能力与鲁棒性分析

3.1 单类别检测任务适配性优异

模型配置参数显示：nc: 1, names: ['leak']，即为单类别目标检测任务。在单类别检测场景下，模型需要解决的核心问题是区分“泄漏目标”与“复杂红外背景”之间的差异。从训练结果来看：

• 在单类别配置下，模型仅需学习一个类别的特征表示，这使得模型的参数容量能够更集中地用于学习泄漏目标本身的多变性特征，而非分散到多个类别之间的区分上；

• 红外图像背景通常包含大量设备结构、管道、地面等复杂纹理，模型能够在如此复杂的背景下实现0.96的识别准确率，说明特征提取网络（YOLOv8s的CSPDarknet骨干网络）对红外图像的特征表达具有极强的表征能力；

• 泄漏目标在红外图像中通常表现为不规则的、与周围温度存在差异的区域，其形态、大小、位置具有高度不确定性。模型能够在这些不确定因素下取得稳定的检测效果，验证了YOLOv8s的多尺度特征融合机制（PAN-FPN结构）对尺度变化目标的良好适应性。

3.2 数据集规模与模型复杂度匹配良好

训练配置参数：训练集3,524张，验证集504张，测试集1,007张，batch_size=8，输入尺寸640×640。

• 3,524张训练图像对于训练一个约1,110万参数的YOLOv8s模型而言，数据规模适中。模型在200轮训练后未出现过拟合（验证损失与训练损失保持同步），说明数据量与模型复杂度实现了良好的匹配；

• 从训练损失下降曲线来看，模型在约第100轮后损失下降速度放缓，进入了精细调优阶段，说明模型已经从数据中充分学习了主要特征模式，后期的训练主要集中在细节优化上；

• 测试集1,007张（约为训练集的28.6%），这样的数据划分比例合理，保证了测试结果具有统计学意义。

数据集介绍

划分合理性分析：

• 训练集占比70%，保证了充足的样本用于模型参数学习，使YOLOv8s模型（约1,110万参数）能够充分拟合数据分布；

• 验证集占比10%（504张），样本量足以可靠地评估模型在训练过程中的性能变化趋势，为早停和模型选择提供统计可靠的依据；

• 测试集占比20%（1,007张），较大的测试集规模确保了最终性能评估的统计学意义和可信度。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

订阅此专栏获取文章项目完整源码和数据集https://blog.csdn.net/m0_68036862/category_13147048.html

https://blog.csdn.net/m0_68036862/category_13147048.html

项目演示视频