当前位置：首页 > news >正文

绝缘子缺陷检测数据集

news 2024/11/15 17:33:29

绝缘子缺陷检测数据集，2800张高清照片，已打好标签txt格式，可直接进行目标检测。7类标签：玻璃绝缘子，玻璃片脏污，玻璃片缺损，聚合物片脏污，聚合物片缺损，聚合物绝缘子，绝缘子闪络。

数据集名称

绝缘子缺陷检测数据集

数据集概述

绝缘子缺陷检测数据集是一个包含2800张高清照片的图像数据集，旨在通过机器学习和计算机视觉技术来识别和分类绝缘子及其部件上的各种缺陷。所有图像都已经过人工或自动标注，并以TXT格式保存了标签信息，可以直接用于目标检测任务中的模型训练。

数据集特点

多样性：该数据集覆盖了多种类型的绝缘子及缺陷，包括玻璃绝缘子、聚合物绝缘子以及它们的脏污、缺损和闪络现象。
高清晰度：所有的图像都是高清照片，有助于提高模型检测的准确性。
标准格式：标签信息以TXT格式存储，符合YOLO等目标检测框架的要求，便于导入和使用。
多标签支持：数据集包含7种不同的标签，涵盖了常见的绝缘子类型及缺陷种类，为模型提供了丰富的训练样本。

数据集构成

图像数量：2800张高清照片
标签格式：TXT文件，每个文件对应一张图像，包含该图像中的每个对象的位置信息（中心点坐标、宽度、高度）以及所属类别编号。
标签种类：
- 玻璃绝缘子
- 玻璃片脏污
- 玻璃片缺损
- 聚合物片脏污
- 聚合物片缺损
- 聚合物绝缘子
- 绝缘子闪络

数据集用途

缺陷检测：可用于训练和评估识别绝缘子上各种缺陷的算法。
质量控制：在工业应用中，可以用于自动化检测电力线路上的绝缘子状况，确保电力设施的安全运行。
研究与开发：为研究人员提供了一个基准数据集，用于算法对比和性能提升的研究。
教育与培训：作为教学资源，帮助学生理解和实践计算机视觉技术在实际应用中的作用。

数据集获取

绝缘子缺陷检测数据集可以从相关科研机构、数据提供商或者通过开源社区获取。请在使用前确认遵守数据集发布方的相关许可协议。

标注示例

每张图片对应的TXT标签文件通常包含一行或多行数据，每一行代表一个对象的标签信息，格式如下：

1label_index x_center y_center width height

其中label_index是从0开始的整数，表示该对象属于哪个类别；x_center, y_center是对象在图片中的中心坐标的归一化值（即除以图片的宽度和高度）；width和height是对象宽高的归一化值。

例如，如果有一个标签文件的内容如下：

10 0.45 0.50 0.10 0.15
22 0.30 0.60 0.08 0.12

则意味着这张图片中有两个对象，第一个对象是玻璃绝缘子（标签序号为0），位于图片中央附近，第二个对象是玻璃片缺损（标签序号为2），位置稍微偏左下方一些。

示例代码

下面是一个简单的Python脚本示例，展示如何读取数据集中的一张图像及其对应的TXT格式标签，并绘制出标注的边界框。

1import os
2import matplotlib.pyplot as plt
3from PIL import Image
4
5# 数据集目录路径
6data_dir = 'path/to/insulator_defect_dataset'
7image_dir = os.path.join(data_dir, 'images')
8annotation_dir = os.path.join(data_dir, 'labels')
9
10# 选取一张图像及其标签文件
11image_files = os.listdir(image_dir)
12image_file = image_files[0]  # 假设取第一张图
13image_path = os.path.join(image_dir, image_file)
14
15annotation_file = os.path.splitext(image_file)[0] + '.txt'
16annotation_path = os.path.join(annotation_dir, annotation_file)
17
18# 加载图像
19image = Image.open(image_path)
20
21# 获取图像尺寸
22width, height = image.size
23
24# 读取标签文件
25with open(annotation_path, 'r') as f:
26    annotations = [line.strip().split() for line in f.readlines()]
27
28# 绘制图像和边界框
29fig, ax = plt.subplots(1, figsize=(10, 10))
30ax.imshow(image)
31ax.axis('off')
32
33for ann in annotations:
34    label_index, x_center, y_center, width, height = map(float, ann)
35    x_min = (x_center - width / 2) * width
36    y_min = (y_center - height / 2) * height
37    x_max = (x_center + width / 2) * width
38    y_max = (y_center + height / 2) * height
39    
40    ax.add_patch(plt.Rectangle((x_min, y_min), x_max - x_min, y_max - y_min, edgecolor='r', facecolor='none'))
41
42plt.show()