输电线路缺陷检测数据集（绝缘子自爆，破损，闪络，鸟巢，防震锤脱落五种缺陷）

输电线路数据集（绝缘子自爆，破损，闪络，鸟巢，防震锤脱落五种缺陷）包括：

1.绝缘子自爆
2.绝缘子破损绝、闪络
3.鸟巢
4.防震锤脱落

数据增强后的数量
对应数量：1828，1467，4370，1050，2185

用Lableme标注的，每张图片都会有一个相应的xml文件在旁边，数据集亲测有效，可用于深度学习目标检测研究。
自己用过yolov3，v5，v8，v9训练过，都有改进空间。下面训练结果是yolov8训练结果。

数据集名称

输电线路缺陷检测数据集

数据集概述

这是一个专注于输电线路中常见缺陷检测的数据集，特别是绝缘子自爆、破损、闪络、鸟巢以及防震锤脱落等五种典型缺陷。数据集已经过数据增强处理，包含不同数量的图片，旨在通过深度学习技术如YOLO系列模型来实现对这些缺陷的自动识别与分类。

数据集特点

多样性：涵盖输电线路中常见的五种缺陷类型，提供了丰富的训练样本。
数据增强：经过数据增强处理后，各类缺陷的数量分别为：绝缘子自爆1828张、绝缘子破损和闪络1467张、鸟巢4370张、防震锤脱落1050张、绝缘子破损与闪络2185张。
标注格式：使用LabelMe工具进行了详细标注，每张图片都有一个对应的XML文件，记录了图像中每个缺陷对象的位置信息。
适用模型：数据集已经在YOLOv3、YOLOv5、YOLOv8和YOLOv9等多个版本的模型上进行了验证，表明其适用于深度学习目标检测研究。

数据集构成

图像数量：总计约10900张图片（根据具体的数据增强程度可能有所变化）。
标签格式：每张图片都有一个对应的XML文件，用于记录图像中缺陷对象的类别、位置等信息。
标签种类：
- 绝缘子自爆
- 绝缘子破损
- 绝缘子闪络
- 鸟巢
- 防震锤脱落

数据集用途

缺陷检测：用于训练和评估识别输电线路中常见缺陷的算法。
质量控制：在电力行业应用中，可以辅助实现输电线路的自动化检测，提高巡检效率和准确性。
研究与开发：作为研究基准，帮助学术界和工业界评估不同目标检测算法的性能。
教育与培训：作为教学案例，帮助学生了解和掌握计算机视觉技术在实际问题中的应用。

数据集获取

输电线路缺陷检测数据集可以从相关的科研机构或开源项目中获得。请确保在使用数据集时遵循相关的许可条款和使用规定。

数据集使用说明

由于数据集已经过LabelMe标注，且每张图片都有一个对应的XML文件，因此可以直接用于目标检测任务中的模型训练。如果你打算使用YOLO系列模型进行训练，可能需要将XML格式的标注转换成YOLO所需的TXT格式。

数据集转换示例

以下是一个简单的Python脚本示例，用于将XML格式的标注转换为YOLO所需的TXT格式：

1import os
2import xml.etree.ElementTree as ET
3from PIL import Image
4
5# 数据集目录路径
6data_dir = 'path/to/transmission_line_defect_dataset'
7image_dir = os.path.join(data_dir, 'images')
8annotation_dir_xml = os.path.join(data_dir, 'annotations_xml')
9annotation_dir_yolo = os.path.join(data_dir, 'annotations_yolo')
10
11if not os.path.exists(annotation_dir_yolo):
12    os.makedirs(annotation_dir_yolo)
13
14# 类别映射字典
15class_map = {
16    'insulator_burst': 0,  # 绝缘子自爆
17    'insulator_damage': 1, # 绝缘子破损
18    'insulator_flashover': 2, # 绝缘子闪络
19    'nest': 3, # 鸟巢
20    'damper_fallen': 4, # 防震锤脱落
21    'insulator_damage_and_flashover': 5 # 绝缘子破损与闪络
22}
23
24for xml_file in os.listdir(annotation_dir_xml):
25    if not xml_file.endswith('.xml'):
26        continue
27    
28    tree = ET.parse(os.path.join(annotation_dir_xml, xml_file))
29    root = tree.getroot()
30    
31    image_file = os.path.splitext(xml_file)[0] + '.jpg'  # 假设图像格式为.jpg
32    image_path = os.path.join(image_dir, image_file)
33    image = Image.open(image_path)
34    width, height = image.size
35    
36    with open(os.path.join(annotation_dir_yolo, os.path.splitext(xml_file)[0] + '.txt'), 'w') as f:
37        for obj in root.findall('object'):
38            label = obj.find('name').text.lower().strip()
39            if label in class_map:
40                class_id = class_map[label]
41                
42                bbox = obj.find('bndbox')
43                xmin = int(bbox.find('xmin').text)
44                ymin = int(bbox.find('ymin').text)
45                xmax = int(bbox.find('xmax').text)
46                ymax = int(bbox.find('ymax').text)
47                
48                x_center = (xmin + xmax) / 2.0
49                y_center = (ymin + ymax) / 2.0
50                w = xmax - xmin
51                h = ymax - ymin
52                
53                x_center /= width
54                y_center /= height
55                w /= width
56                h /= height
57                
58                f.write(f"{class_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}\n")