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。

电网安全巡检运维场景中，电网变电站内存在大量仪器设备，需要定期巡视，通过仪表盘的读数判断设备的运行状态、健康状况等。现有的巡视模式为工作人员对仪表盘拍照存档，再根据照片手工读取相关数据并记录。

首先，人工读取仪器仪表图像数据存在个体误差与偶然误差，数据难以同一标准下被量化，其精确性也很难得到保障；其次，由于机器人巡检及无人机巡检在巡视过程中采集的图像数据数量大，使人工录入的工作量增大；实际生产环境中存在大量同类型外观类似而量程不同的的仪表盘，易导致人工读取录入时因混淆图像而录入错误数据。通过人工智能技术解决在电网巡检场景中海量图片处理的业务痛点，降低人力成本，提升电网安全维护的效率，助力数字电网持续提升。来吧，涨涨姿势~

数据任务

1.1 该数据集聚焦电力设备仪表盘读数智能识别问题；

1.2 要求开发出可靠的计算机视觉算法，针对变电站电力设备的仪表盘进行智能识别，识别其读数；

1.3 需要通过提供的样本数据（详见数据集描述，不可使用扩展数据集）；

1.4 基于样本数据的检测框 / 分割线等信息，完成图像中表计的指针占全量程的百分比识别。

数据集情况

2.1 数据介绍

数据来源：变电站日常生产过程中的定期巡视，由工作人员或巡检机器人对仪表盘拍照存档；

应用场景：变电站内存在大量仪器设备，需要定期巡视，通过仪表盘的读数判断设备的运行状态、健康状况等；

数据概况：不仅提供彩色的实拍场景图像，同时也提供对应的仪表盘标注信息，每张图象对应一个标注文件。

2.2 数据说明

数据集为人工现场拍摄照片，照片格式为jpg/JPG，每张照片对应有一个同名标注文件，标注文件格式为json。标注文件包含：仪表盘量程、读数，仪表盘定位坐标、刻度值、刻度、指针、螺丝。本次数据集提供含有表计标注结果的图像共计5000张，其中训练集、验证集和测试集按照 7：2：1 的比例进行划分，训练集（有标注）、验证集（有标注）、测试集（无标注）。

2.3 标注格式

标注数据为json文件，其主要的结构如下：

复制代码

{
    "data": {
        "image_url": int,
        "name": str
    },
    "result": {
        "data": [
            {
                "type": rect,   # rect or line
                "label": [
                    str
                ],
                "coordinate": [
                    {
                        "x": xmin,
                        "y": ymin
                    },
                    {
                        "x": xmax,
                        "y": ymin
                    },
                    {
                        "x": xmax,
                        "y": ymax
                    },
                    {
                        "x": xmin,
                        "y": ymax
                    }
                ]
            },
            {
                "type": line,  # rect or line
                "label": [
                    str
                ],
                "coordinate": [
                    {
                        "x": x1,
                        "y": y1
                    },
                    {
                        "x": x2,
                        "y": y2
                    }
                ]
            }             
            ...
        ],
        "info": [
            {
                "value": str,
                "header": str
            },
            ...
        ]
    }
}

2.4 数据样例

数据样例及其可视化结果如下所示：

评估指标

根据每张图像中预测的读数的百分比（percentage）根据测试集标注中的量程信息，计算表计读数：预测读数 = 预测百分比 * (最大测量值 - 最小测量值) + 最小测量值。

样例

预测百分比：

percentage = 0.3

测量范围： $-0.1-0.9$

min = -0.1

max = 0.9

其预测读数计算如下：

value = percentage * (max-min) + min

= 0.3 * (0.9 - (-0.1)) + (-0.1)

= 0.2

预测读数为：0.2

预测读数与真实读数的差异不大于最小刻度（0.02） * 2 的范围视为正确：|预测读数 - 真实读数| <= 2 * 最小刻度。

最终的得分为正确率，计算公式为：正确率=正确图片数量/总图片数量。

基线参考

为实现智能读数，可以采取目标检测->语义分割->读数后处理的方案：

第一步，使用目标检测模型定位出图像中的表计；

第二步，使用语义分割模型将各表计的指针和刻度分割出来；

第三步，根据指针的相对位置和预知的量程计算出各表计的读数。

整个方案的流程如下所示：

基线参考方案的脚本结构如下所示：

deploy

include
src
20190822_105.jpg
CMakeLists.txt
CMakeSettings.json
meter_pipeline.yaml
meter_reader.cpp

images

README.md

reader_infer.py

train_detection.py

train_segmentation.py

结束语

以上就是变电站巡检仪表读数智能识别数据集的所有内容了，更多数据集下载请关注文章顶部图片右下角平台即可获取。

变电站巡检仪表读数智能识别数据集

样例

预测百分比：

测量范围：-0.1-0.9

其预测读数计算如下：

预测读数为：0.2

测量范围： $-0.1-0.9$