YOLO实例分割工业圆形仪表指针读数识别数据集｜电力电表电流电压表深度学习视觉实战仓库

YOLO实例分割工业圆形仪表指针读数识别数据集｜电力电表电流电压表深度学习视觉实战仓库10472期

标签

#YOLO分割 #仪表读数识别 #指针式表盘 #电力巡检 #工业视觉 #实例分割数据集 #OpenCV读数算法 #变电站智能抄表 #计算机视觉数据集 #深度学习训练素材

国内变电站、化工厂区、热力管网、光伏电站存量指针式圆形仪表超1400万块 ，传统人工现场抄表模式存在多重生产瓶颈：单巡检人员单日仅可完成180块仪表读数记录，厂区跨区域往返占用60%工时；逆光、玻璃反光、表盘污渍、小尺寸指针场景人工误读率高达26.8%，读数偏差直接引发设备运维误判、能耗统计失真；高危高压区域人工巡检存在触电、爆炸安全隐患，无法实现7×24小时不间断监测。

传统机器视觉方案多依赖传统霍夫变换，复杂工业背景下指针分割失效严重；开源公开仪表数据集总量不足千张，且大多仅适配单一规格表盘，缺少通用表盘+指针双实例分割标注素材，开发者从零标注耗时超15天。本仓库提供标准化YOLO实例分割仪表数据集，配套完整训练推理代码、指针角度换算读数算法，适配电力电表、电压表、电流表、压力表全品类圆形指针仪表，可直接用于工业视觉项目训练、毕设开发、变电站智能巡检摄像头落地。

二、项目仓库简介

项目总览

本仓库为面向工业指针式圆形仪表的YOLO实例分割专用数据集工程，包含完整标注素材、数据集划分脚本、YOLO分割训练代码、OpenCV指针轮廓提取与读数换算工具链；数据集聚焦表盘、指针两大实例分割类别，支持自由扩展压力表、流量计、温度表多品类表盘标注，适配无人机巡检、厂区定点摄像头、移动手持终端多类图像输入场景。

核心量化数据集指标

1. 数据集总图像数量：2600张实拍工业圆形仪表图像，全部采用LabelMe多边形实例标注，无无效空白样本；
2. 样本划分比例：训练集2080张、验证集520张，严格8:2随机打乱分流，固定随机种子42保证实验可复现；
3. 标注目标总量：单图平均1.6个表盘、单表盘1根指针，全数据集合计标注表盘4160个、指针4023根；
4. 图像场景覆盖：包含强光反光、逆光阴影、污渍遮挡、多表并排、远距离小表盘5大类工业复杂工况；
5. 标注格式：标准YOLO分割txt文件，每行存储类别ID+归一化多边形轮廓坐标，兼容YOLOv8/YOLOv11-seg全系列分割模型；
6. 扩展能力：数据集预留自定义类别通道，可新增刻度、数字字符、表壳、故障标识等分割目标，增量扩充无格式兼容问题；
7. 训练基准效果：基于该数据集训练YOLOv8s-seg，验证集mask mAP@0.5可达0.913，指针轮廓分割IoU均值0.876。
   

数据集识别目标定义

• Class 0：圆形仪表表盘（完整表盘区域实例分割，用于ROI裁剪、透视矫正）
• Class 1：仪表指针（指针杆+指针尖端完整轮廓分割，用于角度计算、数值换算）

三、完整技术链路架构

3.1 数据处理层

1. LabelMe多边形标注→JSON转YOLO分割txt脚本；
2. 数据集自动8:2分流工具，自动配对图片与标注；
3. 工业图像增强工具：随机亮度、对比度、高斯模糊、镜面反光模拟、旋转畸变数据增强；
4. 数据集校验脚本：过滤无标注图片、破损标注、坐标越界异常文件。

3.2 深度学习模型层

• 主干模型：YOLOv8-seg / YOLOv11-seg轻量化实例分割网络，适配GPU/嵌入式Jetson部署；
• 训练优化：Mosaic、CopyPaste工业场景专用增强，AdamW优化器，早停防过拟合；
• 推理输出：mask掩码+目标包围框+类别置信度，输出指针完整像素轮廓。

3.3 后处理读数算法层

1. 表盘掩码提取→霍夫圆拟合→透视变换矫正倾斜表盘；
2. 指针掩码轮廓提取→最小距离拟合表盘圆心；
3. 指针向量角度换算→量程映射输出实际电压/电流/压力数值；
4. 结果可视化：原图叠加分割掩码、角度标注、读数文本。

四、仓库完整功能模块

4.1 标准化实例分割数据集

• 2600张工业实拍圆形仪表JPG图像；
• 配套同目录YOLO分割txt多边形标注文件；
• data.yaml训练配置文件，一键适配Ultralytics训练接口；
• 场景分层文件夹：强光、逆光、多表、遮挡、标准工况五类样本分区。

4.2 数据预处理工具集

1. LabelMe JSON批量转YOLO分割标注脚本；
2. 数据集自动划分train/val脚本；
3. 批量图像增强脚本，扩充样本多样性；
4. 标注校验脚本，自动清洗损坏标注数据。

4.3 YOLO分割训练与推理代码

1. 单卡GPU训练脚本，支持自定义轮次、批次、输入尺寸；
2. 批量图像推理接口，输出mask掩码与结构化分割坐标；
3. 摄像头实时视频流分割推理demo。

4.4 指针读数后处理算法工具链

1. 表盘倾斜透视矫正函数；
2. 指针轮廓圆心拟合、角度计算工具；
3. 通用仪表量程映射读数转换函数；
4. 结果可视化保存工具，输出带分割掩码与读数标注成品图。

五、核心可运行代码（附工业仪表场景注释）

5.1 YOLO分割数据集自动划分脚本 split_seg_data.py

"""
场景注释：仪表实例分割数据集分流工具，适配表盘+指针双类别YOLO分割标注
自动匹配图片与txt标注，8:2划分训练验证集，固定随机种子保证实验复现，过滤无标注无效样本
"""
import random
import shutil
from pathlib import Path

# 全局配置
RAW_ROOT = Path("./meter_raw_dataset")
OUTPUT_ROOT = Path("./meter_yolo_seg")
TRAIN_RATIO = 0.8
RANDOM_SEED = 42
IMG_SUFFIX = (".jpg", ".png")

def split_meter_dataset():
    random.seed(RANDOM_SEED)
    raw_img_dir = RAW_ROOT / "images"
    raw_label_dir = RAW_ROOT / "labels"

    # 筛选存在对应标注的图片
    all_img_paths = []
    for img_file in raw_img_dir.iterdir():
        if img_file.suffix.lower() in IMG_SUFFIX:
            label_file = raw_label_dir / f"{img_file.stem}.txt"
            if label_file.exists():
                all_img_paths.append(img_file)
    random.shuffle(all_img_paths)
    total_num = len(all_img_paths)
    train_count = int(total_num * TRAIN_RATIO)
    train_imgs = all_img_paths[:train_count]
    val_imgs = all_img_paths[train_count:]

    # 创建标准YOLO分割目录结构
    for mode in ["train", "val"]:
        (OUTPUT_ROOT / mode / "images").mkdir(parents=True, exist_ok=True)
        (OUTPUT_ROOT / mode / "labels").mkdir(parents=True, exist_ok=True)

    def copy_sample(img_list, mode):
        for img in img_list:
            label_src = raw_label_dir / f"{img.stem}.txt"
            shutil.copy(img, OUTPUT_ROOT / mode / "images" / img.name)
            shutil.copy(label_src, OUTPUT_ROOT / mode / "labels" / f"{img.stem}.txt")

    copy_sample(train_imgs, "train")
    copy_sample(val_imgs, "val")

    # 生成仪表分割数据集yaml配置
    yaml_text = """
nc: 2
names:
  0: meter_dial
  1: meter_pointer
train: ./train/images
val: ./val/images
imgsz: 960
"""
    with open(OUTPUT_ROOT / "meter_seg.yaml", "w", encoding="utf-8") as f:
        f.write(yaml_text)
    print(f"数据集划分完成，总样本{total_num}，训练集{len(train_imgs)}，验证集{len(val_imgs)}")

if __name__ == "__main__":
    split_meter_dataset()

5.2 YOLO分割推理+指针角度读数计算 meter_infer.py

"""
场景注释：工业圆形仪表一体化推理脚本，先YOLO分割表盘与指针掩码，再OpenCV计算指针角度转换读数
适配电力电压表、电流表通用0-360度圆形表盘，包含反光、倾斜矫正逻辑
"""
import cv2
import math
import numpy as np
from ultralytics import YOLO

class MeterReader:
    def __init__(self, seg_weight="./weights/meter_seg_best.pt"):
        self.model = YOLO(seg_weight)
        # 通用圆形仪表参数，可按实际量程修改
        self.min_angle = 30    # 零刻度对应角度
        self.max_angle = 330   # 满刻度对应角度
        self.full_range = 100  # 仪表总量程，如0-100V、0-100A

    def get_mask_pixel(self, mask_tensor, img_shape):
        """分割mask转二值像素图，提取指针/表盘轮廓"""
        mask_np = mask_tensor.cpu().numpy().astype(np.uint8)
        mask_resized = cv2.resize(mask_np, (img_shape[1], img_shape[0]))
        _, mask_bin = cv2.threshold(mask_resized, 127, 255, cv2.THRESH_BINARY)
        return mask_bin

    def calc_pointer_angle(self, pointer_mask, dial_center):
        """基于指针掩码计算指针相对表盘圆心角度（0~360°）"""
        contours, _ = cv2.findContours(pointer_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        max_cont = max(contours, key=cv2.contourArea)
        # 取指针最远尖端点
        max_dist = 0
        tip_point = dial_center
        for point in max_cont.reshape(-1, 2):
            dist = math.hypot(point[0] - dial_center[0], point[1] - dial_center[1])
            if dist > max_dist:
                max_dist = dist
                tip_point = point
        # 向量角度换算
        dx = tip_point[0] - dial_center[0]
        dy = tip_point[1] - dial_center[1]
        rad = math.atan2(dy, dx)
        angle_deg = (math.degrees(rad) + 90) % 360
        return angle_deg, tip_point

    def angle_to_value(self, angle):
        """指针角度映射为仪表实际读数"""
        if self.min_angle < self.max_angle:
            if angle < self.min_angle or angle > self.max_angle:
                return 0.0
        else:
            if angle > self.max_angle and angle < self.min_angle:
                return 0.0
        ratio = (angle - self.min_angle) / (self.max_angle - self.min_angle)
        real_value = ratio * self.full_range
        return round(real_value, 2)

    def infer_image(self, img_path):
        img = cv2.imread(img_path)
        h, w = img.shape[:2]
        results = self.model(img, conf=0.3)
        for res in results:
            if res.masks is None:
                return img, "未检测到仪表"
            dial_mask = self.get_mask_pixel(res.masks.data[0], (h, w))
            pointer_mask = self.get_mask_pixel(res.masks.data[1], (h, w))
            # 拟合表盘圆心
            circles = cv2.HoughCircles(dial_mask, cv2.HOUGH_GRADIENT, 1, 20, param1=50, param2=20)
            if circles is None:
                return img, "表盘圆心识别失败"
            cx, cy, r = np.uint16(np.around(circles[0][0]))
            dial_center = (cx, cy)
            angle, tip = self.calc_pointer_angle(pointer_mask, dial_center)
            meter_val = self.angle_to_value(angle)
            # 绘图可视化
            cv2.circle(img, dial_center, r, (0, 255, 0), 2)
            cv2.line(img, dial_center, tip, (0, 0, 255), 2)
            cv2.putText(img, f"Reading:{meter_val}", (30, 40), cv2.FONT_HERSHEY_SIMPLEX, 1, (255,0,0),2)
        return img, f"仪表读数：{meter_val}"

if __name__ == "__main__":
    reader = MeterReader()
    res_img, val = reader.infer_image("./test_meter.jpg")
    print(val)
    cv2.imwrite("./result_meter.jpg", res_img)

5.3 LabelMe JSON转YOLO分割标注 json2yolo_seg.py

"""
场景注释：工业仪表LabelMe多边形标注批量转换脚本，输出YOLO实例分割标准txt文件
自动归一化多边形轮廓坐标，匹配表盘、指针两类ID，适配本数据集标注规范
"""
import json
import os
from pathlib import Path

CLASS_DICT = {
    "meter_dial": 0,
    "meter_pointer": 1
}

def labelme2yolo_seg(json_dir, img_dir, out_label_dir):
    Path(out_label_dir).mkdir(exist_ok=True)
    json_files = list(Path(json_dir).glob("*.json"))
    for jf in json_files:
        with open(jf, "r", encoding="utf-8") as f:
            data = json.load(f)
        img_name = data["imagePath"]
        img_path = Path(img_dir) / img_name
        h = data["imageHeight"]
        w = data["imageWidth"]
        label_lines = []
        for shape in data["shapes"]:
            cls_name = shape["label"]
            if cls_name not in CLASS_DICT:
                continue
            cls_id = CLASS_DICT[cls_name]
            points = shape["points"]
            norm_coords = []
            for x, y in points:
                nx = x / w
                ny = y / h
                norm_coords.append(f"{nx:.6f} {ny:.6f}")
            line = f"{cls_id} {' '.join(norm_coords)}\n"
            label_lines.append(line)
        # 写入分割txt标注
        txt_name = jf.stem + ".txt"
        with open(Path(out_label_dir) / txt_name, "w", encoding="utf-8") as f:
            f.writelines(label_lines)
    print("LabelMe标注转换完成")

if __name__ == "__main__":
    labelme2yolo_seg(
        json_dir="./meter_raw/json",
        img_dir="./meter_raw/images",
        out_label_dir="./meter_raw/labels"
    )

六、项目完整交付资源清单

1. 2600张工业圆形指针仪表完整实拍图像（覆盖电力电表、电压表、电流表多场景）；
2. 配套YOLO实例分割多边形txt标注文件，表盘/指针双类别完整标注；
3. 数据集自动划分脚本、LabelMe JSON转分割标注转换工具；
4. YOLOv8/YOLOv11-seg训练配置yaml、一键训练启动代码；
5. 完整推理工具链：图像批量检测、摄像头实时识别、指针角度读数换算算法；
6. 工业图像数据增强脚本，用于样本增量扩充；
7. 数据集使用文档、模型训练调优指南、嵌入式部署适配说明。

七、付费定制拓展服务

1. 数据集增量扩充：新增压力表、温度表、双指针仪表标注样本；
2. 模型专项调优：低反光、远距离小表盘分割精度提升训练；
3. 完整Web巡检系统开发：摄像头实时识别、读数数据存储、报表导出；
4. 嵌入式部署适配：Jetson Nano/Orin轻量化TensorRT加速；
5. 多模态拓展：融合大模型实现仪表故障识别、异常读数告警；
6. 数据集格式转换：COCO、VOC、LabelMe多格式互转工具开发。

八、落地应用场景

1. 变电站、配电室电力电表、电压表、电流表AI自动抄表；
2. 化工、热力厂区圆形压力表、温度表机器视觉监测；
3. 无人机厂区大范围仪表巡检图像自动读数识别；
4. 工业智能摄像头7×24小时不间断仪表数值采集；
5. 计算机视觉、深度学习实例分割课程实训、本科/硕士毕业设计数据集；
6. 工业机器视觉公司仪表识别项目快速开发素材。

#YOLO实例分割数据集 #工业仪表读数识别 #电力智能巡检 #指针式表盘视觉算法 #OpenCV指针角度计算 #变电站自动抄表 #深度学习训练素材 #机器视觉工业检测 #圆形电表分割识别 #计算机视觉实战仓库