热成像实例分割电力设备数据集(3类,838张)

在现代电力系统的运维管理中,红外热成像 已经成为检测设备隐患、预防故障的重要手段。相比传统可见光图像,红外图像可揭示设备温度分布,从而更直观地反映过热、老化等问题。而在AI赋能下,通过实例分割技术对热成像中的电力设备进行精细识别与区域分割,为智能巡检系统提供了关键能力支持。

本文将介绍一个专注于电力设备的热成像实例分割数据集,该数据集通过红外图像标注,助力模型精准识别高压场景中的关键部件,为智能运维提供视觉基础。

一、数据集概述

该数据集主要包含高压电力系统中典型设备的红外热成像图像 ,并为每张图像中存在的设备进行了像素级别的实例分割标注。相较于常规目标检测框(bounding box),实例分割更精确地描绘出设备的形状轮廓,适用于精细识别与空间分析任务。数据集中共标注了以下 3 类关键电力设备:

类别编号 类别名 说明
0 Bushing 套管,高压电流引出设备的重要绝缘部件,过热可能导致放电事故
1 Current_Transformer 电流互感器(CT),用于测量与保护,次级短路可能导致升温
2 Lightning_Arrester 避雷器(LA),防止雷击冲击电网,老化或失效后可能局部发热

这些设备在电力运维中均为重点监测对象,尤其在高温环境或负荷较大的情况下更易发生热故障。

  • 📊 图像总数8385 张

  • 🏷 目标类别数3类

  • 📁 标注格式YOLO 格式、json格式、Mask格式

每张图像都配有精确的目标轮廓标注,并标注了对应的部件类别,用于支持目标分割任务。标注后的数据集如下所示:

二、数据集标签介绍

为了方便在不同任务或模型中使用,该热成像实例分割数据集提供了三种主流的标签格式:YOLO格式、JSON格式、Mask格式

3.1 分割 JSON 格式

JSON 标签格式是通过 LabelMe 工具标注生成的。LabelMe 是一款轻量级且功能强大的开源图像标注工具,广泛应用于实例分割、目标检测和图像分类等视觉任务。它支持手动绘制多边形、矩形等多种标注形状,并将标注结果以结构化的 JSON 文件形式保存,便于后续数据处理与模型训练。

3.2 分割 yolo 格式

为了支持 YOLO 系列实例分割模型(如 YOLOv11-seg)的训练,本文提供了将 LabelMe 生成的 JSON 标注文件转换为 YOLO 实例分割格式 的转换代码。该过程的核心在于:提取 JSON 文件中的多边形坐标点,并将其按照图像尺寸进行归一化处理,以满足 YOLO 格式对坐标规范的要求。代码如下所示:

python 复制代码
import json
import os
 
class_dict = {
    "Bushing": 0,
    "Current_Transformer": 1,
    "Lightning_Arrester": 2
}
 
 
def translate_info(label_json, label_txt):
    # 检查json文件是否存在
    assert os.path.exists(label_json), "file:{} not exist...".format(label_json)
    # read json
    with open(label_json, "r") as f1:
        data = json.load(f1)
        img_height = data['imageHeight']
        img_width = data['imageWidth']
        object_num = len(data['shapes'])
 
        with open(label_txt, "w") as f:
            for index in range(object_num):
                seg_label = []
                # 获取每个object的类别信息和关键点信息
                class_name = data['shapes'][index]['label']
                class_index = class_dict[class_name]  # 目标id从0开始
                seg_label.append(class_index)
                seg_points = data['shapes'][index]['points']
                for point in seg_points:
                    point_x = round(point[0] / img_width, 6)
                    point_y = round(point[1] / img_height, 6)
                    seg_label.append(point_x)
                    seg_label.append(point_y)
 
                info = [str(i) for i in seg_label]
 
                f.write(" ".join(info) + "\n")
 
 
 
def main():
    label_json_path = r"./data/labels_json"
    label_txt_path = r"./data/labels_yolo"
    label_list = os.listdir(label_json_path)
    label_list = [label for label in label_list if label.endswith('.json')]
    for label_name in label_list:
        label_name = label_name.split(".json")[0]
        label_xml = os.path.join(label_json_path, label_name + ".json")
        label_txt = os.path.join(label_txt_path, label_name + ".txt")
        translate_info(label_xml, label_txt)
 
 
if __name__ == "__main__":
    main()

3.3 分割 mask 格式

为了支持 UNet 及其变体(如 UNet++、Attention-UNet 等)等语义分割模型的训练,本文提供了将 LabelMe 格式的 JSON 标注文件转换为 mask 标签图的方法。在转换过程中,根据 JSON 文件中每个电力设备的多边形轮廓信息,在与原始红外图像尺寸一致的空白图像上绘制对应的填充区域,从而生成像素级的 mask 图像。

在生成的 mask 中,背景区域的像素值为 0,各电力设备实例的区域像素值依次递增(如 1 表示 Bushing,2 表示 Current_Transformer,3表示 Lightning_Arrester),满足多类别实例分割任务的需求。所有生成的 mask 标签图与原始图像保持相同命名,便于训练过程中进行自动加载与配对使用。

python 复制代码
import cv2
import json
import numpy as np
import os


class_dict = {
    "Bushing": 1,
    "Current_Transformer": 2,
    "Lightning_Arrester": 3
}


def json_to_mask(image_path, json_path, save_mask_path):
    # 读取 JSON 文件
    with open(json_path, mode='r', encoding="utf-8") as f:
        configs = json.load(f)

    # 获取图像尺寸
    shapes = configs["shapes"]
    image = cv2.imread(image_path)
    imageHeight, imageWidth = image.shape[:2]

    # 创建空白图像用于生成掩码
    mask = np.zeros((imageHeight, imageWidth), np.uint8)

    # 绘制轮廓,将所有有标注的区域填充为 对应的数值
    for shape in shapes:
        label_name = shape["label"]
        points = np.array(shape["points"], dtype=np.int32)
        cv2.drawContours(mask, [points], -1, class_dict[label_name], -1)  # 255 表示白色,-1 表示填充


    # 保存生成的掩码图像
    cv2.imwrite(save_mask_path, mask)
    return mask

if __name__ == "__main__":
    save_mask_root = r'./labels_mask'  # 保存mask图路径
    json_root = r'./labels_json'  # 读取json路径
    image_root = r'./images'   # 原始图像

    # 确保保存目录存在
    os.makedirs(save_mask_root, exist_ok=True)

    # 遍历 JSON 文件并生成掩码
    for file in os.listdir(json_root):
        name, ext = os.path.splitext(file)
        image_path = os.path.join(image_root, f"{name}.jpg")
        save_mask_path = os.path.join(save_mask_root, f"{name}.png")
        json_path = os.path.join(json_root, file)

        # 检查图像和 JSON 文件是否存在
        if os.path.exists(image_path) and os.path.exists(json_path):
            json_to_mask(image_path, json_path, save_mask_path)

基于上述处理流程,热成像电力设备实例分割数据集已完成图像与标签的标准化转换,统一提供以下内容:

  • 经过预处理并转换为 .jpg格式的红外图像;

  • 对应的三种类型标注文件,包括:

    • YOLO 格式(适用于 YOLO 系列的实例分割模型,如 YOLOv8/v11-seg);

    • Mask 图像格式(适用于 UNet 及其变体,如 UNet++、Attention-UNet 等语义分割模型);

    • LabelMe 原始 JSON 格式(用于可视化查看和进一步标注编辑)。

下载链接 :热成像实例分割电力设备数据集

相关推荐
Ronin-Lotus4 小时前
深度学习篇---剪裁&缩放
图像处理·人工智能·缩放·剪裁
cpsvps4 小时前
3D芯片香港集成:技术突破与产业机遇全景分析
人工智能·3d
国科安芯5 小时前
抗辐照芯片在低轨卫星星座CAN总线通讯及供电系统的应用探讨
运维·网络·人工智能·单片机·自动化
AKAMAI5 小时前
利用DataStream和TrafficPeak实现大数据可观察性
人工智能·云原生·云计算
Ai墨芯1115 小时前
深度学习水论文:特征提取
人工智能·深度学习
无名工程师5 小时前
神经网络知识讨论
人工智能·神经网络
nbsaas-boot5 小时前
AI时代,我们更需要自己的开发方式与平台
人工智能
SHIPKING3935 小时前
【机器学习&深度学习】LLamaFactory微调效果与vllm部署效果不一致如何解决
人工智能·深度学习·机器学习
jonyleek7 小时前
如何搭建一套安全的,企业级本地AI专属知识库系统?从安装系统到构建知识体系,全流程!
人工智能·安全
MQ_SOFTWARE7 小时前
AI驱动的金融推理:Fin-R1模型如何重塑行业决策逻辑
人工智能·金融