智慧电力设备-多模态（红外、可见光，非一一对应）电力设施检测数据集，2790张，yolo，voc，coco三种标注方式
图像尺寸:416*416
类别数量:13类
训练集图像数量:2254; 验证集图像数量:394； 测试集图像数量:142
类别名称: 每一类图像数 ，每一类标注数
Chave_H_230kV - 隔离开关 H 230kV：147, 254
Disjuntor_T_230kV - 断路器 T 230kV：165, 395
TP_230kV - 电压互感器 230kV：859, 1330
Pararraio_230kV - 避雷器 230kV：509, 852
TC_230kV - 电流互感器 230kV：828, 1512
Pararraio_69kV - 避雷器 69kV：97, 188
Chave_V_230kV - 隔离开关 V 230kV：447, 770
Disjuntor_I_230kV - 断路器 I 230kV：291, 609
Trafo - 变压器：50, 51
TC_69kV - 电流互感器 69kV：250, 469
TP_69kV - 电压互感器 69kV：116, 266
Disjuntor_I_69kV - 断路器 I 69kV：228, 694
Chave_69kV - 隔离开关 69kV：24, 31
image num: 2790
2.模型代码：模型训练使用yolov11n训练，30个epoch训练结果，map如描述图所示。
3.qt界面：运行界面采用pyqt编写，本项目已经训练好模型，配置好环境后可直接使用，运行效果见描述图像
多模态红外+可见光智慧电力设施检测项目完整文档
一、数据集整体基础参数
| 项目 | 详细信息 |
|---|---|
| 数据集名称 | 多模态（可见光+红外）高压电力设备目标检测数据集 |
| 总图像数量 | 2790张 |
| 单图统一尺寸 | 416×416 |
| 模态形式 | 可见光实拍画面、红外热成像画面混合采集，两种画面并非两两配对 |
| 标注格式 | YOLO TXT、VOC XML、COCO JSON 三类通用标注全覆盖 |
| 数据集划分 | 训练集：2254张 验证集：394张 测试集：142张 |
| 总类别 | 13类高压变电电力元器件（230kV、69kV两大电压等级） |
二、13类电力设备详细标注统计汇总
| 类别编号 | 类别原名 | 中文释义 | 含该目标图片数 | 实例标注总数 |
|---|---|---|---|---|
| 0 | Chave_H_230kV | 230kV H型隔离开关 | 147 | 254 |
| 1 | Disjuntor_T_230kV | 230kV T型断路器 | 165 | 395 |
| 2 | TP_230kV | 230kV电压互感器 | 859 | 1330 |
| 3 | Pararraio_230kV | 230kV避雷器 | 509 | 852 |
| 4 | TC_230kV | 230kV电流互感器 | 828 | 1512 |
| 5 | Pararraio_69kV | 69kV避雷器 | 97 | 188 |
| 6 | Chave_V_230kV | 230kV V型隔离开关 | 447 | 770 |
| 7 | Disjuntor_I_230kV | 230kV I型断路器 | 291 | 609 |
| 8 | Trafo | 主变压器 | 50 | 51 |
| 9 | TC_69kV | 69kV电流互感器 | 250 | 469 |
| 10 | TP_69kV | 69kV电压互感器 | 116 | 266 |
| 11 | Disjuntor_I_69kV | 69kV I型断路器 | 228 | 694 |
| 12 | Chave_69kV | 69kV隔离开关 | 24 | 31 |
数据集分布特点
- 样本倾斜分布：230kV电压互感器、230kV电流互感器样本量最多，是变电站核心高频设备；69kV隔离开关、变压器样本偏少，贴合变电站实际布设工况；
- 双模态融合
- 可见光图像：清晰呈现设备外形、结构、锈蚀、破损、机械卡涩等外观故障；
- 红外热成像图像：捕捉设备发热、接头过热、内部损耗异常等肉眼无法察觉的热缺陷；
两种数据混合训练，模型可同时适配日常巡检可见光拍摄、夜间/缺陷测温红外巡检两套作业场景；
- 场景环境：户外变电站露天设备、户内配电室柜体设备全覆盖，包含强光日照、阴天、逆光、设备遮挡、线缆交错干扰等复杂巡检实景。
三、YOLOv11n模型训练配置与实验结果
训练参数详情
- 基础骨干网络：YOLOv11-n（轻量化小模型）
- 输入分辨率：416×416（与数据集原图尺寸匹配，无需缩放预处理）
- 训练轮次：30 epoch
- IoU阈值：0.5
- 评价指标：mAP@0.5、各类别Precision、Recall
- 训练环境：PyTorch GPU加速训练
训练效果说明
- 轻量化优势：YOLOv11n参数量小、推理速度快，适配变电站巡检无人机、手持红外测温仪、边缘巡检终端嵌入式部署；
- 多类别适配表现
- 大样本设备（互感器、避雷器、主流断路器）识别精度更高，漏检、误检率极低；
- 小样本类别（变压器、69kV隔离开关）精度略有下降，可通过复制小样本、Mosaic增强、复制粘贴数据增广进一步优化；
- 多模态泛化能力：模型统一学习可见光纹理特征与红外温度灰度特征，一套权重即可切换两种巡检画面检测。
四、PyQt可视化电力巡检检测系统
界面核心功能模块![]()
- 数据输入区
支持三类素材导入：本地可见光/红外图片单张检测、巡检视频连续帧解析、摄像头/无人机实时画面流接入；可自由切换可见光模式、红外热成像模式； - 可视化检测窗口
画面绘制彩色检测框区分13类电力设备，框体上方标注设备名称+置信度数值；红外图像可同步叠加温度参考标尺； - 检测结果统计面板
- 全局数据：单帧推理耗时、检出设备总数量、平均置信度；
- 表格明细：逐条罗列设备类别、置信度、设备像素坐标、画面来源；
- 操作功能
检测结果批量保存、缺陷截图归档、系统退出；可自定义置信度阈值过滤低可信度检测框，规避变电站复杂线缆带来的误识别。
系统运行优势
- 跨模态通用：一套程序兼容可见光外观巡检、红外发热缺陷巡检两大电力运维刚需；
- 轻量化运行：CPU端也可流畅推理，无需高性能显卡，运维人员现场笔记本即可使用；
- 运维可归档：所有设备检出记录可留存，用于变电站定期巡检台账记录、设备缺陷溯源排查。
五、系统兼容运行环境
支持操作系统
Windows10/11、Ubuntu Linux 全平台适配
核心依赖库
- 深度学习框架：ultralytics YOLOv11、PyTorch
- 界面开发：PyQt5
- 图像处理：OpenCV、NumPy
- 数据解析：json、xml工具库
六、实际电力运维落地应用场景
- 变电站日常可见光巡检
无人机高空航拍变电站设备，AI自动识别隔离开关、断路器、互感器等器件，排查设备破损、锈蚀、偏移、异物悬挂等外观隐患； - 红外带电测温巡检
运维人员手持红外热像仪拍摄设备接头、线圈、触点，模型识别设备同时定位发热异常部件，预防过热烧毁、短路跳闸事故； - 无人值守场站监测
偏远无人变电站布设可见光+红外双路摄像头，全天候自动巡检，异常设备自动告警推送； - 电力检修辅助定位
检修前期快速统计站内各类设备数量、排布位置，辅助制定检修计划。
七、项目交付内容
- 数据集压缩包：原图 + YOLO标注 + VOC标注 + COCO完整json文件 + 数据集划分清单；
- 训练源码：YOLOv11完整训练脚本、数据集yaml配置文件、30epoch训练完毕最优权重文件；
- PyQt可视化推理程序：完整界面代码、启动运行脚本、环境依赖清单；
- 使用说明文档：环境部署步骤、图片/视频/实时流检测操作教程。
八、后续优化拓展方向
- 精度提升：更换YOLOv11s/m中大型模型，加入CBAM注意力机制，改善小样本电力器件识别效果；
- 缺陷细分：在检测基础上增加分类分支，区分设备正常、轻微发热、严重过热、外观破损等故障等级；
- 实例分割升级：切换YOLOv11-seg，提取设备像素轮廓，精准测算发热区域面积；
- 移动端移植：打包程序至安卓平板，运维外勤现场离线检测；
- 模态对齐优化：构建可见光-红外配对样本，做跨模态特征对齐，进一步提升复杂场景鲁棒性。