无人机航拍输电线路配网绝缘瓷瓶检测图像数据集（含VOC标签，数量不多）

人工智能-机器学习-高精度快速边界元法及其在绝缘子电场计算中应用研究.pdf

人工智能-机器学习-高电压绝缘子绝缘性能在线智能检测方法的研究.pdf

由于电力线绝缘子的故障导致输电系统的故障，因此广泛使用基于空中平台的绝缘子检查系统。 绝缘子缺陷检测是针对航空图像中的复杂背景执行的，这提出了一个有趣但具有挑战性的问题。基于手工特征或浅层学习技术的传统方法只能在特定的检测条件下（例如何时）定位绝缘子并检测故障。在某些对象范围或特定照明条件下，具有足够的先验知识，背景干扰小。 本文讨论了使用航空图像自动检测绝缘子缺陷，准确定位从实际检查环境捕获的输入图像中出现的绝缘子缺陷的方法。我们提出了一种新颖的深度卷积神经网络（CNN）。级联体系结构，用于执行定位和检测。绝缘子中的缺陷。 级联网络使用基于区域提议网络的CNN将缺陷检查转换为两级目标检测问题。 为了解决实际检查环境中缺陷图像的稀缺性，还提出了一种数据增强方法，该方法包括以下四个操作：1）仿射变换； 2）仿射变换； 2）仿射变换。 2）绝缘子分割和背景融合； 3）高斯模糊； 4）亮度转换。 使用标准绝缘子数据集，缺陷检测精度和建议方法的召回率分别为0.91和0.96，并且可以成功检测到各种条件下的绝缘子缺陷。 实验结果表明，该方法符合绝缘子缺陷检测的鲁棒性和准确性要求。

早期检测一次配电系统中受损（部分损坏）的户外绝缘子对持续供电和公共安全至关重要。 无人机（UAV）提供了一种更安全、自主、高效的方法来检查环境不关闭配电系统的电力系统组件。在这部作品中，一部小说数据集是通过使用无人机捕捉真实图像和手动生成的图像来设计的克服数据不足的问题。基于深拉普拉斯金字塔的超分辨率图像该网络用于重建高分辨率的训练图像。提高微光图像，微光图像增强技术用于鲁棒曝光校正训练图像的一部分。

采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。

当前yolo系列性能最好的目标检测算法！！！（同时轻微降点实现端到端检测），相对于yolo_v4,yolo_v5,pp_yolo等性能较好的算法，在速度仅仅增加1ms左右的情况下，mAP精度实现0.8-2.9左右的涨点。本算法是根据旷视科技开源算法yolox复现的pytorch版本，内含各种对数据集处理，裁剪，数据增强的脚本，标注好的数据集，推理结果以及详细的使用说明，可轻松迁移到其他例如车牌人脸虫害识别，遥感、缺陷、自动驾驶等检测业务场景。也可作为高校大学生的毕业课程设计使用。

配网低压绝缘子缺陷检测数据集（含txt标签，1w多张图像）

输电线路绝缘子检测数据集（VOC标签，160多张原图，无扩充）

内含复合绝缘子憎水性等级图像样本，共计4536张图像，含有HC1-HC7等级，每类最少600张图像，可用于憎水性等级识别，判断复合绝缘子的憎水性情况，是否进行更换............