光伏板红外-可见光配对缺陷检测数据集 | 光伏板缺陷 红外可见光配准 多模态检测 无人机巡检 目标检测 YOLO格式9094期

光伏板红外-可见光配对缺陷检测数据集 | 光伏板缺陷 红外可见光配准 多模态检测 无人机巡检 目标检测 YOLO格式9094期

数据集概述

本数据集专注于光伏板缺陷的多模态视觉检测,提供红外与可见光一一配对的图像数据,服务于光伏电站智能巡检、缺陷诊断及运维管理。数据采集自无人机航拍,同一时间、同一位置、同一角度拍摄,适配多模态融合检测、缺陷分类及电站健康评估等应用。

数据集核心信息

数据要素 详细说明
类别 共 19 类(红外12类 + 可见光7类,详见下方列表)
数量 2550 张图像(红外 1275 张 + 可见光 1275 张,一一配对)
格式 图像为 JPG/PNG;标签为 XML 格式(含 labels.txt 标签文件)
配对方式 红外与可见光图像同一时间、同一位置、同一角度采集,严格一一对应
应用价值 1. 智能巡检 :支撑光伏电站的自动化缺陷检测,替代人工登高巡检。 2. 多模态融合 :时间与空间对齐的红外+可见光数据,适合多模态特征融合研究。 3. 缺陷诊断 :识别热斑、碎裂、遮挡等多种缺陷,辅助制定维修优先级。 4. 算法研发:为多模态目标检测、图像配准等任务提供高质量基准数据。

完整类别列表(共19类)

序号 缺陷类别名称 所属模态
0 大面积热斑 红外
1 单一热斑 红外
2 二极管短路 红外
3 异常低温 红外
4 遮挡 红外
5 脏污 红外
6 阳光反射 红外
7 鸟粪 红外
8 面板碎裂 红外
9 接线盒异常 红外
10 组件老化 红外
11 虚焊 红外
12 玻璃破损 可见光
13 边框变形 可见光
14 支架锈蚀 可见光
15 杂草遮挡 可见光
16 广告牌遮挡 可见光
17 积雪覆盖 可见光
18 组件错位 可见光

数据三要素解析

类别与缺陷覆盖

  • 数据集定义 19 类光伏板缺陷,按模态分为 红外专属12类 (热斑、二极管短路、异常低温等热特征缺陷)与 可见光专属7类(玻璃破损、边框变形、支架锈蚀等外观缺陷)。
  • 红外模态擅长检测热异常类缺陷,可见光模态擅长检测外观损伤类缺陷,两者互补性强。
  • 配对设计允许模型进行跨模态特征融合,提升缺陷检测的全面性与准确性。

数据规模与配对

  • 图像总量约 2550 张,其中红外与可见光各 1275 张,严格一一对应。
  • 配对图像为同一时间、同一位置、同一角度采集,确保了模态间的空间一致性,是图像配准与多模态融合研究的理想数据。
  • 数据规模适中,适合作为多模态缺陷检测任务的基准数据集。

格式与配套资源

  • 标签为 XML 格式(VOC风格),含 labels.txt 标签说明文件。
  • 附赠 批量去水印代码(OpenCV图像修复算法),可保留缺陷特征与标注框。
  • 附赠 YOLOv8 训练脚本 与 pv_defect.yaml 配置文件,用户可直接运行。
  • 提供推荐目录结构 ,便于数据集组织与管理。

知识普及:光伏板多模态缺陷检测的技术要点

  • 红外与可见光的互补性:红外热成像可检测热斑、二极管短路等电气故障,可见光可检测玻璃破损、边框变形等物理损伤。两者融合可覆盖更全面的缺陷类型。
  • 图像配准:尽管数据集已确保同一位置同一角度采集,实际应用中仍需进行图像配准以消除微小偏移,常用方法包括特征点匹配(SIFT、ORB)与互信息配准。
  • 多模态融合策略 :
    • 早期融合:将红外与可见光图像在输入层拼接,送入单一网络。
    • 中期融合:分别提取两种模态特征,在网络中间层进行融合。
    • 晚期融合:分别检测后,对结果进行决策级融合(如加权框融合)。
  • 去水印处理:数据集附赠的去水印代码可批量处理图像,保留缺陷特征,确保训练数据纯净。
  • 应用闭环:检测结果可结合电站GIS信息,生成缺陷分布图,指导运维人员精准定位与维修。

快速开始(代码示例)

1. 准备配置文件 (pv_defect.yaml)

yaml 复制代码
path: ./dataset_no_watermark
train: images/train
val: images/val
test: images/test
nc: 19
names: ['大面积热斑', '单一热斑', '二极管短路', '异常低温', '遮挡', '脏污', 
        '阳光反射', '鸟粪', '面板碎裂', '接线盒异常', '组件老化', '虚焊', 
        '玻璃破损', '边框变形', '支架锈蚀', '杂草遮挡', '广告牌遮挡', 
        '积雪覆盖', '组件错位']

2. 启动 YOLOv8 训练

python 复制代码
from ultralytics import YOLO
import torch

model = YOLO("yolov8n.pt")
train_config = {
    "data": "./pv_defect.yaml",
    "epochs": 100,
    "imgsz": 700,
    "batch": 16,
    "device": "cuda" if torch.cuda.is_available() else "cpu",
    "workers": 4,
    "lr0": 0.01,
    "augment": True,
    "flipud": 0.5,
    "fliplr": 0.5,
    "mosaic": 0.7,
    "project": "pv_defect_exp",
    "name": "yolov8_pv_defect"
}
results = model.train(**train_config)
val_results = model.val()

3. 批量去水印

python 复制代码
# 使用文章提供的 remove_watermark.py
from remove_watermark import batch_watermark_remove
batch_watermark_remove("./dataset_raw", "./dataset_no_watermark")

标签

光伏板缺陷 红外可见光配准 多模态检测 无人机巡检 目标检测 YOLO格式 深度学习数据集 计算机视觉

相关推荐
Flynn Liang18 分钟前
大模型成本优化:基于 Redis 的可验证语义缓存架构
人工智能·redis·缓存·架构·ai agent·智能体
锋行天下27 分钟前
langgraph全栈项目(一)
前端·人工智能·后端
程序员cxuan35 分钟前
不得了,Google 造反了,Opus 5.5 又被干了
人工智能·后端·程序员
数字新视界1 小时前
能耗管理系统提升企业能源效率的实践与展望
大数据·人工智能·数据中心·机房管理·模块化机房
郝学胜-神的一滴1 小时前
Effective Python 条款36:优雅拼装迭代器与生成器
开发语言·数据结构·人工智能·python·numpy·scikit-learn
Frag0ut2 小时前
Chrome 2026浏览器AI助手全攻略:智能问答与内容创作实战进阶指南
人工智能·chrome·ai助手·本地大模型·浏览器ai·网页智能总结·侧边栏ai
如夏倾城3 小时前
入侵检测系统(IDS)原理、部署模式与 IPS/防火墙对比
大数据·网络·人工智能·网络安全·云原生·架构·kubernetes
Dawson Zhu3 小时前
【模型量化⑤】Weight-Only INT4:AWQ与GPTQ两大算法深度解析
人工智能·语言模型·架构·aigc·agi
水如烟3 小时前
孤能子视角:通用智能 vs 分工协同智能群系统–––集中结晶 vs 分布式结晶
人工智能