杆塔螺栓识别数据集 | 杆塔螺栓 电力巡检 小目标检测 缺陷识别 目标检测 YOLO格式 9251期

数据集概述

本数据集专注于输电杆塔螺栓状态的视觉检测与分类，服务于电力巡检、结构安全评估及运维管理。数据涵盖三种典型的螺栓状态，适配无人机或机器人巡检系统中的目标检测任务，帮助及时发现杆塔连接件的松动或缺失。

数据集核心信息

完整类别列表（共3类）

数据三要素解析

类别与目标覆盖

• 数据集定义 3 类螺栓状态，覆盖了缺陷状态（缺失）和正常状态（正向、侧向）。
• 区分“正向”和“侧向”螺丝，有助于模型适应无人机巡检时不同角度的拍摄视角，提升识别的鲁棒性。
• 目标在图像中尺寸较小，属于典型的电力小目标检测场景。

数据规模与划分

• 图像总量约 857 张，按 9:1 比例划分为训练集（771张）与验证集（86张）。
• 数据量较小，但模型 mAP 达到 95.5%，说明目标特征明显，数据集质量高。
• 附赠基于该数据集训练的 best.pt 权重，并附带数据划分脚本，可自定义比例重新划分。

格式与结构

• 采用通用 YOLO 格式（txt），可直接接入主流检测框架（如 YOLOv11）。
• 图像分辨率为 640×640，适配轻量级模型的训练与边缘部署。
  

知识普及：电力小目标检测的技术要点

• 极小目标挑战：在航拍图像中，螺栓通常只有几十甚至几个像素大小，常规网络极易漏检。需采用高分辨率输入、多尺度特征融合或专门的小目标检测头。
• 视角与姿态多样性：无人机巡检时拍摄角度多变，螺丝可能呈现正向、侧向甚至背面，模型需学习不同视角下的纹理与形状特征。
• 背景干扰：杆塔金属结构复杂，存在锈迹、阴影、其他金具等干扰，模型需精准区分螺丝与背景。
• 样本不平衡：缺失螺丝（缺陷）的样本通常少于正常螺丝。训练时可考虑使用类别加权损失或数据增强策略，提高对缺失缺陷的召回率。
• 应用闭环：检测结果可结合杆塔编号，生成缺陷工单，指导维修人员精准补装，保障电网安全。

快速开始（代码示例）

配置文件 data.yaml 示例：

train: ./dataset/images/train
val: ./dataset/images/val
nc: 3
names: ['缺失螺丝', '正向螺丝', '侧向螺丝']

启动 YOLOv11 训练：

from ultralytics import YOLO

model = YOLO('yolo11n.pt')
model.train(
    data='data.yaml',
    epochs=100,
    imgsz=640,
    batch=16,
    device=0
)

标签

杆塔螺栓 电力巡检 小目标检测 缺陷识别 目标检测 YOLO格式 深度学习数据集 计算机视觉