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

1. 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；
2. 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；

3. 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

1. 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；
2. 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；

3. 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

1. 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；
2. 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；
3. 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；

4. 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

1. 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；
2. 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；
3. 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

1. 深度学习框架：ultralytics YOLOv11、PyTorch
2. 界面开发：PyQt5
3. 图像处理：OpenCV、NumPy
4. 数据解析：json、xml工具库

六、实际电力运维落地应用场景

1. 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；
2. 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；
3. 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；
4. 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

1. 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；
2. 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；
3. 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；
4. 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

1. 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；
2. 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；
3. 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；
4. 移动端移植：打包程序至安卓平板，运维外勤现场离线检测；
5. 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。