变压器数据集，电气设备红外热图像数据集，部分带温度显示。变压器红外数据集，温度显示5000多张

news2024/9/19 17:04:30

项目背景：

变压器作为电力系统的关键设备之一，其运行状态直接影响到电网的安全稳定。红外热成像技术因其非接触、快速、直观的特点，在电力设备的故障诊断和状态监测中得到了广泛应用。本数据集旨在为基于红外热图像的变压器状态监测提供高质量的标注数据，支持自动化检测系统的开发与应用。

数据集概述：

名称：变压器红外热图像数据集
规模：共计5,000多张图像，部分图像带有温度显示。
数据类型：红外热图像
设备类型：变压器
标注信息：部分图像带有温度显示，可用于温度分析和故障诊断。

数据集特点：

针对性强：专注于变压器的红外热图像，确保数据集的专业性和实用性。
高质量标注：部分图像带有温度显示，确保数据的准确性和可靠性。
适用范围广：适用于多种深度学习框架，方便科研人员和开发者直接使用。
标准格式：图像格式为.jpg或.png，温度显示部分为文本形式，方便导入不同的检测框架。

数据集内容：

红外热图像：展示了变压器在不同运行状态下的热分布情况。
温度显示：部分图像带有温度数值，可用于分析变压器的热分布和故障诊断。

数据集用途：

故障检测：可用于训练和评估深度学习模型，特别是在变压器故障检测方面。
状态监测：帮助实现变压器的状态监测，减少人工检测的工作量。
科研与教育：为变压器红外热图像检测领域的研究和教学提供丰富的数据支持。

使用场景：

在线监测：在电力系统的在线监测系统中，利用该数据集训练的模型可以实时分析变压器的热分布情况。
故障诊断：在故障诊断和分析中，利用该数据集可以提高故障诊断的准确性和速度。
生产管理：在电力设备的生产和维护管理工作中，利用该数据集可以提高工作效率和安全性。

技术指标：

数据量：共计5,000多张图像，部分带有温度显示。
数据格式：图像格式为.jpg或.png，温度显示部分为文本形式。
标注精度：部分图像带有温度显示，确保数据的准确性和可靠性。

注意事项：

数据隐私：在使用过程中，请确保遵守相关法律法规，保护个人隐私。
数据预处理：在使用前，建议进行一定的数据预处理，如图像归一化等。

获取方式：

下载链接：请访问项目主页获取数据集下载链接。
许可证：请仔细阅读数据集的使用许可协议。

关键代码示例：

以下是关键代码的示例，包括数据加载、模型训练、检测和结果展示。

数据加载：

python

深色版本

1import os
2import cv2
3import numpy as np
4
5# 数据集路径
6DATASET_PATH = 'path/to/dataset'
7IMAGES_DIR = os.path.join(DATASET_PATH, 'images')
8TEMPERATURES_DIR = os.path.join(DATASET_PATH, 'temperatures')
9
10# 加载数据集
11def load_dataset(directory):
12    images = []
13    temperatures = []
14
15    for img_file in os.listdir(IMAGES_DIR):
16        if img_file.endswith('.jpg') or img_file.endswith('.png'):
17            img_path = os.path.join(IMAGES_DIR, img_file)
18            temp_path = os.path.join(TEMPERATURES_DIR, img_file.replace('.jpg', '.txt').replace('.png', '.txt'))
19            
20            image = cv2.imread(img_path)
21            with open(temp_path, 'r') as f:
22                temperature = f.read().strip()
23            
24            images.append(image)
25            temperatures.append(float(temperature))
26
27    return images, temperatures
28
29train_images, train_temperatures = load_dataset(os.path.join(DATASET_PATH, 'train'))
30val_images, val_temperatures = load_dataset(os.path.join(DATASET_PATH, 'val'))
31test_images, test_temperatures = load_dataset(os.path.join(DATASET_PATH, 'test'))

模型训练：

1# 初始化YOLOv8模型
2model = YOLO('yolov8n.pt')
3
4# 定义训练参数
5EPOCHS = 100
6BATCH_SIZE = 16
7
8# 训练模型
9results = model.train(data='transformer_heat_detection.yaml', epochs=EPOCHS, batch=BATCH_SIZE)

模型检测：

1# 加载训练好的模型
2model = YOLO('best.pt')
3
4# 检测图像
5def detect_transformer_heat(image):
6    results = model.predict(image)
7    for result in results:
8        boxes = result.boxes
9        for box in boxes:
10            x1, y1, x2, y2 = box.xyxy[0]
11            conf = box.conf
12            class_id = box.cls
13            
14            # 显示结果
15            cv2.rectangle(image, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
16            cv2.putText(image, f'Heat: {conf:.2f}', (int(x1), int(y1)-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 2)
17    
18    return image
19
20# 测试图像
21test_image = cv2.imread('path/to/test_image.jpg')
22result_image = detect_transformer_heat(test_image)
23cv2.imshow('Detected Transformer Heat', result_image)
24cv2.waitKey(0)
25cv2.destroyAllWindows()

配置文件 `transformer_heat_detection.yaml`：

1train: path/to/train/images
2val: path/to/val/images
3test: path/to/test/images
4
5nc: 1  # Number of classes
6names: ['Transformer']  # Class name
7
8# Training parameters
9batch_size: 16
10epochs: 100
11img_size: [640, 640]  # Image size