无人机电力巡检图像数据集 | 输电线路避障识别、语义分割、目标检测、深度学习模型训练素材10298期

标签：#无人机电力巡检 #输电线路识别 #电缆电塔检测 #图像分割数据集 #UNet语义分割 #YOLO目标检测 #智慧电网AI运维 #计算机视觉工程实战

---

国内输电线路覆盖山地、丘陵、旷野等复杂野外环境，传统人工巡检模式不仅作业半径大、徒步巡检效率极低，还存在高空触电、山体滑坡、极端天气作业等重大安全隐患。现阶段无人机已成为电力线路巡检的主流载体，但无人机自主避障、航线悬停、线路精准跟踪高度依赖AI视觉算法：如何从航拍画面中精准区分不同类型电缆、差异化输电塔，过滤无效背景干扰，是实现无人机全自动巡检、智能避障的核心技术难点。而行业内专业标注的输电线路图像数据集稀缺、类别划分粗糙、标注格式不统一，大幅抬高了电力视觉算法的研发门槛。本次分享的无人机输电线路专用标注数据集，面向目标检测+语义分割双任务设计，细分线路与塔架品类、增设无效背景过滤类别，完美适配UNet、YOLO等主流深度学习模型，可直接用于无人机避障算法、线路分割模型、电力设施目标检测系统的训练、调优与工程落地，帮助研发团队快速攻克电力巡检视觉识别难题。

二、数据集详细介绍

2.1 整体概述

本数据集为无人机航拍视角下的户外输电线路实景图像，聚焦无人机电力巡检避障、线路分割、设施识别三大核心场景，针对电力行业设施特征做精细化类别划分，同时适配目标检测、语义分割两大计算机视觉主流任务。数据标注规范统一，无需二次格式转换，可无缝对接PyTorch、TensorFlow、PaddlePaddle等框架，兼顾学术研究、算法实训与工业项目落地等多种使用场景。

2.2 类别体系（6大细分类别）

数据集结合输电线路现场运维、无人机避障的实际需求，对电力核心设施进行精细化拆分，同时设置空类过滤冗余背景，类别体系贴合真实巡检工况，解决通用数据集品类模糊、无法满足细分识别的问题：

类别名称	场景释义	应用方向
电缆1	第一类输电电缆	线路跟踪、障碍物预判、语义分割
电缆2	第二类输电电缆	区分不同规格线缆，适配精细化避障逻辑
格构塔	钢结构格构式输电塔	大型电力塔架识别、远距离目标检测
塔_tucohy	特种结构输电塔	异形塔架识别，适配复杂线路巡检场景
木质塔	木质材质输电塔	老旧线路塔架专项识别，差异化运维
空类	无效背景/无目标区域	过滤天空、植被、地面等干扰，降低模型误检率

2.3 核心数据参数

1. 数据总量：共计1927张全标注实景图像，数据体量处于电力视觉数据集中等水平，既可以满足中小型深度学习模型完整训练、特征学习需求，又不会因数据量过大拉长训练周期、增加硬件算力消耗，在训练效率与模型泛化能力之间实现平衡。
2. 图像质量：图像分辨率适配无人机航拍标准，能够清晰呈现电缆走向、塔架轮廓、部件细节等关键特征，可支撑模型完成小目标特征提取、边缘轮廓分割等任务，适配野外逆光、强光、复杂遮挡等真实拍摄环境。
3. 标注格式：原生适配主流目标检测标注格式，同时兼容语义分割任务标签规则，一套数据可同时开展YOLO目标检测、UNet语义分割两类实验，拓展性极强。
4. 适用场景：无人机自主避障算法、输电线路语义分割、电力设施多目标检测、巡检航线智能规划、线路状态监测等。

2.4 产业与技术应用价值

1. 工程落地层面：赋能智慧电网全自动巡检系统，依托AI识别结果实现无人机自动避障、定点悬停巡检，替代高危人工巡检，压缩运维成本，提升线路故障排查效率。
2. 算法研发层面：补齐输电线路细分品类的训练数据短板，助力工程师优化模型在野外复杂背景、小目标、遮挡场景下的识别精度与鲁棒性，推动电力视觉算法迭代。
3. 学习实训层面：适合深度学习从业者、电力智能化开发人员开展目标检测+语义分割多任务联合实战，完整覆盖数据集处理、模型训练、推理部署全流程。
4. 安全保障层面：精准区分各类电力设施与无效背景，减少无人机巡检过程中的误判、撞线风险，保障巡检设备与输电线路双重安全。
   

三、运行环境与依赖配置

3.1 推荐运行环境

操作系统：Windows 10/11、Ubuntu 18.04/20.04、macOS；
Python版本：3.8 ~ 3.11（全框架兼容）；
硬件建议：GPU（NVIDIA，CUDA 11.2及以上），8G显存可满足基础训练，16G及以上显存可开启大批次训练与数据增强；CPU仅支持推理与小规模调试。

3.2 依赖库一键安装命令

同时适配YOLO目标检测、UNet语义分割两大任务，集成图像处理、模型训练、数据统计全套工具：

# 电力巡检视觉项目全套依赖安装
pip install ultralytics torch torchvision opencv-python numpy pillow matplotlib scikit-image albumentations

• ultralytics：YOLO系列模型核心库，用于输电设施目标检测；
• torch/torchvision：PyTorch基础框架，支撑UNet语义分割模型训练；
• albumentations：专业图像增强库，适配野外航拍图像数据增广；
• scikit-image：图像轮廓、边缘处理，辅助分割任务后处理。

四、深度学习实战代码（附带电力巡检场景专属注释）

结合数据集特性，提供数据集划分、YOLOv8多目标检测训练、UNet线路语义分割训练、批量图像推理四大核心模块，代码针对无人机航拍、电力小目标、复杂背景做专项优化，每段代码附带行业实战经验注释。

4.1 数据集自动划分脚本（训练集:验证集 = 8:2）

场景经验：1927张航拍图像按8:2划分后，训练集1542张、验证集385张，样本分布均衡。输电线路图像存在大量相似背景、连续拍摄画面，代码开启全局随机打乱，避免同一场景数据集中在单一集合，防止模型出现验证集泛化失效问题。同时兼容检测/分割两类数据目录结构。

import os
import random
import shutil

# ===================== 全局配置（根据本地路径修改）=====================
raw_data_root = "./power_line_raw"   # 原始数据集根目录
split_data_root = "./power_line_split" # 划分后数据集保存目录
train_ratio = 0.8  # 训练集占比
img_suffix = [".jpg", ".png", ".jpeg"] # 支持图像格式
# ===================================================================

def split_power_dataset():
    # 初始化训练、验证文件夹
    train_img_dir = os.path.join(split_data_root, "train", "images")
    train_label_dir = os.path.join(split_data_root, "train", "labels")
    val_img_dir = os.path.join(split_data_root, "val", "images")
    val_label_dir = os.path.join(split_data_root, "val", "labels")

    # 递归创建文件夹
    for dir_path in [train_img_dir, train_label_dir, val_img_dir, val_label_dir]:
        os.makedirs(dir_path, exist_ok=True)

    # 遍历所有图像文件
    all_img_list = []
    for root, dirs, files in os.walk(raw_data_root):
        for file in files:
            if os.path.splitext(file)[-1].lower() in img_suffix:
                all_img_list.append(file)

    # 核心操作：全局随机打乱，规避航拍连续画面带来的数据偏差
    random.shuffle(all_img_list)
    split_index = int(len(all_img_list) * train_ratio)
    train_files = all_img_list[:split_index]
    val_files = all_img_list[split_index:]

    # 拷贝图像+对应标签（YOLO标签格式：同名txt文件）
    def copy_data(file_list, img_target, label_target):
        for file_name in file_list:
            img_src = os.path.join(raw_data_root, file_name)
            label_name = os.path.splitext(file_name)[0] + ".txt"
            label_src = os.path.join(raw_data_root, label_name)

            shutil.copy(img_src, os.path.join(img_target, file_name))
            if os.path.exists(label_src):
                shutil.copy(label_src, os.path.join(label_target, label_name))

    copy_data(train_files, train_img_dir, train_label_dir)
    copy_data(val_files, val_img_dir, val_label_dir)

    print("数据集划分完成！")
    print(f"训练集图像数量：{len(train_files)}")
    print(f"验证集图像数量：{len(val_files)}")

if __name__ == "__main__":
    split_power_dataset()

4.2 YOLOv8 输电线路多目标检测训练代码

场景经验：输电电缆、小型塔架属于典型航拍小目标，设置imgsz=800提升小目标特征提取能力；野外图像光照复杂、遮挡频发，开启Mosaic、旋转增强模拟复杂工况；6分类任务采用迁移学习，基于预训练权重微调，大幅提升收敛速度，适合中小规模数据集训练。

from ultralytics import YOLO
import torch

# ===================== 检测模型训练专属配置 =====================
data_yaml_path = "./power_line.yaml"  # YOLO数据集配置文件路径
model_weight = "yolov8s.pt"            # 基础模型：n(轻量)、s(平衡)、m(高精度)
epochs = 120                           # 训练轮次，电力小目标建议100-150轮
img_size = 800                         # 航拍小目标专属分辨率
batch_size = 8                         # 8G显存设8，16G显存可设16
device = 0 if torch.cuda.is_available() else "cpu"
patience = 20                          # 早停机制，连续20轮不提升则停止，防止过拟合
# =================================================================

def train_power_detection():
    # 加载预训练模型
    model = YOLO(model_weight)

    # 启动训练（电力巡检场景超参优化）
    train_res = model.train(
        data=data_yaml_path,
        epochs=epochs,
        imgsz=img_size,
        batch=batch_size,
        device=device,
        patience=patience,
        mosaic=1.0,        # 开启马赛克增强，适配复杂背景与目标重叠
        degrees=15,        # 随机旋转，适配无人机不同拍摄角度
        scale=0.4,         # 尺度变换，适配远近不同距离的电力设施
        box=7.0,           # 提升检测框回归精度，贴合电缆、塔架轮廓
        name="power_line_detect"
    )
    print("YOLOv8目标检测模型训练完成！")
    print("最优权重保存路径：runs/detect/power_line_detect/weights/best.pt")
    return train_res

if __name__ == "__main__":
    train_power_detection()

配套power_line.yaml配置文件（YOLO标准格式）：

train: ./power_line_split/train/images
val: ./power_line_split/val/images
nc: 6  # 类别总数
names: ["电缆1", "电缆2", "格构塔", "塔_tucohy", "木质塔", "空类"]

4.3 UNet 输电线路语义分割训练代码

场景经验：电缆属于细长型线性目标，语义分割对边缘精度要求高；数据集图像背景多为天空、植被，使用UNet基础模型兼顾精度与推理速度，适合无人机边缘端部署；使用albumentations做针对性图像增强，解决野外逆光、阴影问题。

import torch
import torch.nn as nn
from torch.utils.data import Dataset, DataLoader
import albumentations as A
from albumentations.pytorch import ToTensorV2
import cv2
import os

# ===================== 分割任务基础配置 =====================
DEVICE = torch.device("cuda" if torch.cuda.is_available() else "cpu")
IMG_HEIGHT = 640
IMG_WIDTH = 640
BATCH_SIZE = 4
EPOCHS = 80
NUM_CLASSES = 6  # 分割类别与数据集保持一致
train_img_path = "./power_line_split/train/images"
train_mask_path = "./power_line_split/train/masks"
# ===========================================================

# 简易UNet基础模型（轻量化，适配无人机边缘部署）
class DoubleConv(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.conv = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, 3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, 3, padding=1),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True)
        )
    def forward(self, x):
        return self.conv(x)

class UNet(nn.Module):
    def __init__(self, in_channels=3, out_channels=6):
        super().__init__()
        self.in_conv = DoubleConv(in_channels, 64)
        self.down1 = nn.MaxPool2d(2)
        self.conv1 = DoubleConv(64, 128)
        self.down2 = nn.MaxPool2d(2)
        self.conv2 = DoubleConv(128, 256)
        self.up1 = nn.ConvTranspose2d(256, 128, 2, stride=2)
        self.conv3 = DoubleConv(256, 128)
        self.up2 = nn.ConvTranspose2d(128, 64, 2, stride=2)
        self.conv4 = DoubleConv(128, 64)
        self.out_conv = nn.Conv2d(64, out_channels, 1)

    def forward(self, x):
        x1 = self.in_conv(x)
        x2 = self.conv1(self.down1(x1))
        x3 = self.conv2(self.down2(x2))
        x = self.up1(x3)
        x = torch.cat([x, x2], dim=1)
        x = self.conv3(x)
        x = self.up2(x)
        x = torch.cat([x, x1], dim=1)
        x = self.conv4(x)
        out = self.out_conv(x)
        return out

# 数据集加载类（适配电力分割数据）
class PowerSegDataset(Dataset):
    def __init__(self, img_dir, mask_dir, transform=None):
        self.img_dir = img_dir
        self.mask_dir = mask_dir
        self.transform = transform
        self.images = os.listdir(img_dir)

    def __len__(self):
        return len(self.images)

    def __getitem__(self, index):
        img_path = os.path.join(self.img_dir, self.images[index])
        mask_path = os.path.join(self.mask_dir, self.images[index].replace(".jpg", ".png"))
        image = cv2.imread(img_path)
        mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)

        if self.transform:
            aug = self.transform(image=image, mask=mask)
            image = aug["image"]
            mask = aug["mask"]
        return image, mask

# 电力航拍图像专属增强策略
train_transform = A.Compose([
    A.Resize(IMG_HEIGHT, IMG_WIDTH),
    A.HorizontalFlip(p=0.5),
    A.RandomBrightnessContrast(p=0.3),  # 适配野外逆光、明暗变化
    A.ShiftScaleRotate(p=0.3),
    ToTensorV2()
])

# 训练主函数
def train_unet_segment():
    # 初始化数据集、加载器、模型
    dataset = PowerSegDataset(train_img_path, train_mask_path, train_transform)
    loader = DataLoader(dataset, batch_size=BATCH_SIZE, shuffle=True)
    model = UNet(in_channels=3, out_channels=NUM_CLASSES).to(DEVICE)
    loss_fn = nn.CrossEntropyLoss()
    optimizer = torch.optim.Adam(model.parameters(), lr=1e-4)

    # 循环训练
    for epoch in range(EPOCHS):
        model.train()
        total_loss = 0
        for imgs, masks in loader:
            imgs = imgs.to(DEVICE).float() / 255.0
            masks = masks.to(DEVICE).long()
            preds = model(imgs)
            loss = loss_fn(preds, masks)

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
            total_loss += loss.item()

        avg_loss = total_loss / len(loader)
        print(f"第{EPOCHS+1}轮 | 平均损失值：{avg_loss:.4f}")

    # 保存训练完成的分割模型
    torch.save(model.state_dict(), "./unet_power_line_segment.pth")
    print("UNet输电线路语义分割模型训练完成，权重已保存！")

if __name__ == "__main__":
    train_unet_segment()

4.4 批量图像推理脚本（无人机巡检批量筛查）

场景经验：无人机单次巡检会生成数百张航拍图像，该脚本实现全自动批量检测、结果统计。针对电力场景设置较低置信度阈值conf=0.25，避免细小电缆、远端塔架被漏检；自动统计各类设施占比，可直接对接巡检后台生成运维报表。

from ultralytics import YOLO
import os

# ===================== 批量推理配置 =====================
best_model = "./runs/detect/power_line_detect/weights/best.pt"
batch_img_folder = "./batch_inspect_imgs"  # 待检测航拍图像文件夹
class_names = ["电缆1", "电缆2", "格构塔", "塔_tucohy", "木质塔", "空类"]
img_suffix = [".jpg", ".png", ".jpeg"]
conf_threshold = 0.25  # 电力小目标降低置信度，减少漏检
# =======================================================

def batch_power_inspect():
    model = YOLO(best_model)
    class_count = {name: 0 for name in class_names}
    total_num = 0

    # 遍历文件夹所有图像
    for img_name in os.listdir(batch_img_folder):
        if os.path.splitext(img_name)[-1].lower() not in img_suffix:
            continue
        total_num += 1
        img_full_path = os.path.join(batch_img_folder, img_name)
        results = model(img_full_path, conf=conf_threshold)

        # 统计识别结果
        for res in results:
            boxes = res.boxes
            for box in boxes:
                cls_id = int(box.cls.item())
                cls_name = class_names[cls_id]
                class_count[cls_name] += 1

    # 输出巡检统计报告
    print("========== 无人机电力巡检批量识别报告 ==========")
    print(f"本次总计检测图像：{total_num} 张")
    for cls, count in class_count.items():
        ratio = round(count / total_num * 100, 2) if total_num > 0 else 0
        print(f"{cls}：检测到 {count} 个目标，占比 {ratio}%")

if __name__ == "__main__":
    batch_power_inspect()

五、数据集使用技巧与实战经验总结

1. 模型选型建议
   • 无人机端边缘部署：优先选用yolov8n、轻量化UNet，推理速度快、算力占用低，满足实时避障需求；
   • 云端后台高精度分析：选用yolov8m/yolov8l、标准UNet++，提升小目标与遮挡目标识别精度。
2. 数据优化技巧
   航拍图像普遍存在逆光、雾天、远景模糊问题，可结合代码中的albumentations库增加降噪、亮度修复预处理；电缆为线性细长目标，训练时可适当调高box损失权重，优化分割/检测边缘效果。
3. 过拟合规避方案
   本数据集共1927张图像，属于中等规模数据，训练轮次建议控制在80~130轮，配合patience早停机制；不要无限增大batch size，显存不足时优先降低批次，而非关闭数据增强。
4. 工程拓展方向
   • 多任务融合：将目标检测与语义分割结合，同时实现设施定位+线路轮廓提取，优化无人机避障路径规划；
   • 数据扩充：叠加雨天、雾天、夜间红外图像，构建多气候、多模态电力数据集，提升模型全场景适配能力；
   • 二次开发：模型导出为ONNX/TensorRT格式，部署至无人机机载计算模块，实现端侧实时AI巡检。
5. 落地适配要点
   模型训练完成后，可对接无人机飞控SDK，将识别到的电缆、塔架坐标转化为避障指令，形成图像识别-航线调整-自主巡检完整闭环。

六、补充说明

• 数据来源：无人机实地航拍野外输电线路实景图像，无合成数据，场景1:1还原真实电力巡检环境；
• 框架兼容性：全面支持YOLO系列、UNet、Mask R-CNN等检测/分割模型，适配主流深度学习框架；
• 适用人群：深度学习算法工程师、电力智能化研发人员、计算机视觉实训学员、电网运维技术团队。

---

公众号配套标签

#无人机自主避障 #输电线路语义分割 #UNet实战教程 #YOLO电力检测 #智慧电网数据集 #AI电力巡检项目 #计算机视觉工程落地