0


输电线路/杆塔/电力设施/安全穿戴等目标检测数据集

需要的同学私信联系,推荐关注上面图片右下角的订阅号平台 自取下载。

对无人机、线路固定监控、变电站内巡检机器人、站内固定摄像头等采集的图像或视频进行端到端目标检测,采用深度学习和传统图像处理技术结合的技术实现巡检图像智能理解,实现输电线路和变电站设备识别、缺陷检测、异物检测等,能有效提高电力系统的安全性。因此小编整理了一份超完整的AI+电力智慧检测数据合集,包含10+电力领域细分场景的目标检测数据集,助力AI+电力智慧检测的研究与创新。

1. 广东电网绝缘手套穿戴检测数据集

2. 广东电网安全服穿戴检测数据集

3. 广东电网高空作业安全带佩戴检测数据集

4. 南方电网杆塔异物检测数据集

5. AI电力巡线安全帽检测数据集

6. 变电站智能巡检数据集

7. 输电线路杆塔鸟巢检测数据集

8. 输电杆塔目标检测数据集

9. 高压线路绝缘子缺陷检测数据集

10. 输电线路金具数据集

01

广东电网绝缘手套穿戴检测数据集

【数据背景】电网作业人员每天需要在现场进行验电断电操作,为保证操作安全,必须要求验电人员必须佩戴橡胶绝缘手套才可进行验电停电等操作。同时,现场需要有监护人员在旁监督验电人员的动作规范,以及意外情况发生时及时报警救助。该场景提供的训练数据集中,包含的具体标签及解释如下:

badge:监护袖章(只识别红色袖章)

person:图中出现的所有在场人员

glove:绝缘手套(橡胶材质)

wrongglove:未穿戴绝缘手套(其它手套或裸露手掌)

operatingbar:操作杆

powerchecker:验电笔

通过上述信息,要求目标检测算法能够在电网现场作业过程中,模型最终以“人”为单位自动检测出以下内容:

1.1 识别出所有在场人员,并具体区分出监护人员(佩戴红色袖章);

1.2 识别出在场的合规佩戴绝缘手套(到小臂处的橡胶材质)人员,以及不合规佩戴绝缘手套(佩戴其他材质手套、赤裸手掌、半裸手掌、手部皮肤有裸露等,均属于不合规)人员;

1.3 识别出现场人员是否有手持工具(操作杆或绝缘笔);

其中有几种特殊情况需要注意:

情况1:两只手都可以观察到,但是只佩戴了1只手套,为不合规佩戴。

情况2:两只手只能看到一只手,也只佩戴了一只手套,为合规佩戴。

情况3:手套没有戴在手上,手拿手套,为不合规。

086e0e6afb7c081f81fc6fd1a97477b1.jpeg

【算法结果】需要在测评集合上进行预测,提交评估结果。要求以单个json文件提交。具体文件要求如下:

[{
    "image_id": int,
    "category_id": int,
    "bbox": [xmin,ymin,xmax,ymax],
    "score": float
}]

image_id为测试数据中image在csv当中的序列号,从0开始,为0、1、2、3……的int类型数字,其最大值小于599,超出则会报错;因为存在同一个框多个识别结果的情况,提交结果的条数不设限,可以超过600条。

category_id为需要检测的结果类别,同样为int,category_id每次只提交1个类别,若一个框满足多个识别结果,需要分block来写。需要提交的测试结果为以下几类,且图像的category_id应与下方的注释保持相同:

guarder(监护人员)

gloveperson(规范佩戴绝缘手套人员)

wronggloveperson(不合规佩戴绝缘手套人员)

operator(有手持工具人员)

【数据文件】数据集的文件列表共包含4个文件,1_testa_user.csv、1train_rname.csv、1_images.tar.gz和1_test_images.tar.gz。

1_images.tar.gz为训练图像集,大小约11.0GB;

1_test_images.tar.gz为测试图像集,大小约2.5GB;

1train_rname.csv为训练集标注;

1_testa_user.csv为测试集信息。

02

广东电网安全服穿戴检测数据集

【数据背景】根据广东电网公司规定,作业人员每天需要全身穿着工作服,保持员工精神面貌整齐统一,也为户外操作的作业人员提供了一份安全屏障。而监护人员,则需要额外在工作服上佩戴一个红色的袖章。在该场景提供的训练数据集中,包含的具体标签及解释如下:

badge:监护袖章(只识别红色袖章)

person:图中出现的所有在场人员

clothes:合规工作服

wrongclothes(包含“wrongbottom” 、“wrongtop” 、“wrongsuit”标签):不合规工作服(含有上衣开襟、挽裤腿、挽袖、不成套等现象)

通过上述信息,要求目标检测算法能够在电网现场作业过程中,模型最终以“人”为单位自动检测出以下内容:

2.1 识别出所有在场人员,并具体区分出监护人员(佩戴红色袖章);

2.2 识别出合规穿戴工作服的作业人员;

2.3 识别出不合规穿戴工作服的作业人员。其中工作服上装下装不配套,工作服穿着有开襟、挽裤腿、挽袖子等情况,均属于不规范穿戴工作服的场景。

a98caf0500a09973e5285a27e1357b48.jpeg

【算法结果】需要在测评集合上进行预测,提交评估结果。要求以单个json文件提交。具体文件要求如下:

[{
    "image_id": int,
    "category_id": int,
    "bbox": [xmin,ymin,xmax,ymax],
    "score": float
}]

image_id为测试数据中image在csv当中的序列号,从0开始,为0、1、2、3……的int类型数字,其最大值小于599,超出则会报错;因为存在同一个框多个识别结果的情况,提交结果的条数不设限,可以超过600条。

category_id为需要检测的结果类别,同样为int,category_id每次只提交1个类别,若一个框满足多个识别结果,需要分block来写。需要提交的测试结果为以下几类,且图像的category_id应与下方的注释保持相同:

guarder(监护人员)

rightdressed(合规穿戴工作服人员)

wrongdressed(不合规穿戴工作服人员)

注意:所有出现的人物(包括电网作业人员、监护人员、旁观的电网工作人员、路人等)均需进行工作服穿戴的识别。

例:有一位身着工作服的电网工作人员出现在现场,非当场作业人员也并非监护人员,仍需识别其工作服着装是否合规。如果有一位路人(没穿工作服)出现,需要判断其为wrongdressed(不合规穿戴工作服人员)。

【数据文件】数据集的文件列表共包含4个文件,2_testa_user.csv、2train_rname.csv、2_images.tar.gz和2_test_images.tar.gz。

1_images.tar.gz为训练图像集,大小约12.8GB;

1_test_images.tar.gz为测试图像集,大小约2.6GB;

1train_rname.csv为训练集标注;

1_testa_user.csv为测试集信息。

03

广东电网高空作业安全带佩戴检测数据集

【数据背景】在广东电网作业人员的日常工作中,经常需要爬到供电塔架高处进行检查。为了保障作业人员的安全,广东电网规定:攀爬离地人员必须佩戴安全带,并在现场配有监护人员,以防止出现意外情况。在该场景提供的训练数据集中,包含的具体标签及解释见下:

badge:监护袖章(只识别红色袖章)

offground:离地状态的人

ground:着地状态的人

safebelt:佩戴安全带

通过上述信息,要求目标检测算法能够在电网现场作业过程中,模型最终以“人”为单位自动检测出以下内容:

3.1 识别出所有在场人员,并具体区分出监护人员(佩戴红色袖章);

3.2 识别出现场佩戴安全带的人员;

3.3 识别出处于离地状态的人员;

eb41e1f96c1b00ea928d34cdc37aa321.jpeg

【算法结果】需要在测评集上进行预测,提交评估结果。要求以单个json文件提交。具体文件要求如下:

[{
    "image_id": int,
    "category_id": int,
    "bbox": [xmin,ymin,xmax,ymax],
    "score": float
}]

image_id为测试数据中image在csv当中的序列号,从0开始,为0、1、2、3……的int类型数字,其最大值小于599,超出则会报错;因为存在同一个框多个识别结果的情况,提交结果的条数不设限,可以超过600条。

category_id为需要检测的结果类别,同样为int,category_id每次只提交1个类别,若一个框满足多个识别结果,需要分block来写。需要提交的测试结果为以下几类,且图像的category_id应与下方的注释保持相同:

guarder(监护人员)

safebeltperson (佩戴安全带人员)

offgroundperson(离地状态人员)

注意:所有出现的人物(包括电网作业人员、监护人员、旁观的电网工作人员、路人等)均需进行相关标签的识别。

例:有一位身着工作服的电网工作人员出现在现场,非当场作业人员也非监护人员,仍需识别其是否佩戴安全带。如果有一位路人出现,没有匹配的标签描述,则不提交结果。如果有路人处于离地状态,可以将其识别成离地状态人员。

【数据文件】数据集的文件列表共包含6个文件,3_images.tar.gz、3train_rname.csv、3_test_imagesa.tar.gz、3_testa_user.csv、3_testa_user.csv、3_testB.zip、3_testb_imageid.csv。

3_images.tar.gz为训练图像集,大小约10.5GB;

3train_rname.csv为训练集标注信息;

3_test_imagesa.tar.gz为A榜测试集,大小约2.4GB;

3_testa_user.csv为A榜测试集信息;

3_testB.zip为B榜加密数据集,大小约8.2GB;

3_testb_imageid.csv为B榜加密数据信息。

04

南方电网杆塔异物检测数据集

【数据背景】输电线路异物分布范围广,种类多,在杆塔上可能存在鸟巢、风筝、绳索等杂物,在架空线上也可能搭挂风筝、气球、塑料薄膜等杂物,因此检测存在一定的难度。我国输电线路巡检基本以人工巡检方式为主,但传统的人工巡检方式效率低、限制多,还往往会消耗大量的人力物力,后来引入直升机沿线巡检的方法,但该方法飞行作业十分危险且培训及维护费用极其昂贵,无法在很大程度上缓解人工巡检带来的问题。最近几年,GPU计算能力不断提升,电力领域也有越来越多的研究者选择将机器视觉技术与深度学习算法相结合进行目标检测算法技术的研究及应用。

【应用领域】AI+电力目标检测

【文件目录】南网初赛train、南网初赛val和南网复赛数据集.zip三个文件夹,xml标注文件与jpg图像文件保存在每个文件夹中

【数据说明】南网初赛train的数据大小约2.8GB(带xml标注),南网初赛val的数据大小约1.1GB(不带xml标注),南网复赛数据集的数据大小约1.7GB(带xml标注),train约1300+图像样本,val约300+图像样本,异物类型包含4类:鸟巢、风筝、气球、垃圾。

c5e6f61dd0f5c4665dc34dc1a4e2a720.jpeg

05

AI电力巡线安全帽检测数据集

【数据背景】目前安全帽检测大多针对工地和大型机械,电力行业的安全帽检测数据集较少,本次我们挑选了一个安全帽检测数据集,大部分图片来自电力行业,包括电杆安装、电力高架施工、电力抢修等场景;小部分来自其他行业。

【应用领域】AI+电力目标检测

【文件目录】Annotations和JPEGImages两个文件夹

【数据说明】VOC格式数据,Annotations目录下是xml标注文件,JPEGImages目录下是jpg图像文件,数据大小约127.9M

26d12b6e750488c54b9129d309658dc6.jpeg

06

变电站智能巡检数据集

【数据背景】传统的变电站巡检方式通常需要大量的人力和时间投入,而且往往只能进行定期巡检,无法实时监测设备状态。智能巡检系统能够实现设备的全时段、全方位监测,减少人力资源的消耗,并且可以通过数据分析和预测,优化维护计划,降低运营成本。

【应用领域】AI+电力目标检测

【文件目录】Annotations和JPEGImages两个文件夹

【数据说明】Annotations目录下是xml标注文件,JPEGImages目录下是jpg图像文件,数据集包含8376张巡检图像,带xml标注,数据大小约9.6GB,共包含17类巡检标签。

146b2e05b919146a771f488978b0fe67.jpeg

07

输电线路杆塔鸟巢检测数据集

【数据背景】电力行业电线杆塔等位置常常会出现鸟巢,不及时移除将带来安全隐患和用电保障隐患,作为保障,需要在指定区域识别处是否有鸟类筑巢。

【应用领域】AI+电力目标检测

【文件目录】Annotations和JPEGImages两个文件夹

【数据说明】Annotations目录下是xml标注文件,JPEGImages目录下是jpg图像文件,数据集包含200张有鸟巢目标的电力线或杆塔图像,带xml标注,数据大小约0.64GB。

0c8c80132d1610b1169e6742f2b2ee5e.jpeg

08

输电杆塔目标检测数据集

【数据背景】高压输电线路杆塔是国家电网建设的重要组成部分,它的安全关系着电力安全和国计民生。当前,高压杆塔巡视工作方法传统,无法实时监测和应对突发性地质灾害导致的高压杆塔塔基倾斜、滑坡等事故。因此,基于AI的全自动目标检测方法可以实时监测高压杆塔,是保障输电线路安全运行的有效途径。

【应用领域】AI+电力目标检测

【文件目录】Annotations和JPEGImage两个文件夹

【数据说明】Annotations目录下是xml标注文件,JPEGImage目录下是jpg图像文件,数据集包含400张输电线路杆塔图像,数据大小约0.14GB。

a9208ad159e04cfd51962ec116616e11.jpeg

09

高压线路绝缘子缺陷检测数据集

【数据背景】随着国家西电东送战略的提出,特高压输电和高压输电变得尤为重要,输电线路的巡检是保证输电正常的重要一环。智能化电网的快速发展,巡检无人机、机器人正在逐步代替传统人工巡检。绝缘子是输电线路的重要组成部分,是唯一的电气绝缘件和重要的结构支撑件,绝缘子性能及其配置的合理性直接影响线路的安全稳定运行。本数据集部分来源于无人机真实拍摄,部分来自图片合成。

【应用领域】AI+电力目标检测

【文件目录】Annotations和JPEGImages两个文件夹

【数据说明】Annotations目录下是xml标注文件,JPEGImages目录下是jpg图像文件,数据集包括600张高压输电线路缺损的绝缘子图片,采用VOC标注格式,可自行进行训练集、验证集的划分。

96a0f1f6768abe5e6de33b1d63ee93a6.jpeg

10

结束语

以上就是输电线路和变电站相关数据集的所有内容了,更多数据集下载请关注文章图片右下角平台即可获取。


本文转载自: https://blog.csdn.net/2301_80430808/article/details/134392982
版权归原作者 2301_80430808 所有, 如有侵权,请联系我们删除。

“输电线路/杆塔/电力设施/安全穿戴等目标检测数据集”的评论:

还没有评论