变电站巡检仪表读数智能识别数据集

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。

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~

01


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。

02


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:

03


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。

04


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

05


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。

相关推荐
c7691 分钟前
【文献笔记】Automatic Chain of Thought Prompting in Large Language Models
人工智能·笔记·语言模型·论文笔记
Blossom.11830 分钟前
机器学习在智能供应链中的应用:需求预测与物流优化
人工智能·深度学习·神经网络·机器学习·计算机视觉·机器人·语音识别
Gyoku Mint37 分钟前
深度学习×第4卷:Pytorch实战——她第一次用张量去拟合你的轨迹
人工智能·pytorch·python·深度学习·神经网络·算法·聚类
zzywxc78739 分钟前
AI大模型的技术演进、流程重构、行业影响三个维度的系统性分析
人工智能·重构
点控云40 分钟前
智能私域运营中枢:从客户视角看 SCRM 的体验革新与价值重构
大数据·人工智能·科技·重构·外呼系统·呼叫中心
zhaoyi_he1 小时前
多模态大模型的技术应用与未来展望:重构AI交互范式的新引擎
人工智能·重构
葫三生2 小时前
如何评价《论三生原理》在科技界的地位?
人工智能·算法·机器学习·数学建模·量子计算
m0_751336393 小时前
突破性进展:超短等离子体脉冲实现单电子量子干涉,为飞行量子比特奠定基础
人工智能·深度学习·量子计算·材料科学·光子器件·光子学·无线电电子
美狐美颜sdk6 小时前
跨平台直播美颜SDK集成实录:Android/iOS如何适配贴纸功能
android·人工智能·ios·架构·音视频·美颜sdk·第三方美颜sdk
DeepSeek-大模型系统教程6 小时前
推荐 7 个本周 yyds 的 GitHub 项目。
人工智能·ai·语言模型·大模型·github·ai大模型·大模型学习