新能源风机视觉数据集_如何通过卫星影像识别风机目标

 

需要的同学私信联系，推荐关注上面图片右下角平台自取下载。

全球风电装机的快速扩张推高了风电场运维巡检的需求，原本高度依赖人力的风电运维巡检工作正因智能化、数字化、无人化技术的应用出现变革。AI+智慧风机检测可以促进风电领域运维检测新技术产、学、研、用协作，引领行业技术创新，助力风电智慧检测高质量发展，进一步推广智能巡检、缺陷检测、在线监测、智慧运维、无损检测等方向的创新应用，如风机设备部件识别、风机表面缺陷检测、风机无人机智能巡检等。因此小编在这里整理了一份AI+智慧风机检测数据集，共包含7+细分场景数据集，助力AI+智慧风机检测的研究与创新。来吧，涨涨姿势~

1. 风机表面缺陷检测数据集

2. 风机机舱目标检测数据集

3. 风机设备部件分割数据集

4. 浙江大学风机瑕疵检测数据集

5. 多视图陆上风机遥感检测数据集

6. 无人机影像风机遥感检测数据集

01

—

风机表面缺陷检测数据集

【数据背景】风机是风电站获取风能最关键的设备，由于长期处于台风、雷电、冰雪、盐雾等恶劣天气环境中，风机载荷也随着转速的变化而变化。长此以往，风机的表面容易出现裂纹、砂眼、分层、脱粘等缺陷。国内外发生过多起因风电叶片掉落造成的事故，造成巨大财产损失和人身安全威胁。因此通过一定的无损检测技术对运行中的风机状态进行定期的检测和评估，在其遭受严重损害之前及时进行维护，具有十分重大的意义。

【应用领域】AI+风机表面缺陷检测

【文件目录】包含以下2个数据文件：

dataset：图像样张与标注数据

README.txt：数据说明

【数据说明】检测目标以Pascal VOC格式进行标注，未对图像进行预处理。数据集共包含5062+风机图像样张，dataset包含5062+图像样张及其对应的xml标注，使用时可以自行划分训练集、验证集和测试集。缺陷检测标签主要包含5大类，分别为crack—裂缝、damage—瑕疵损坏、dirt—污垢、erosion—侵蚀以及tuunderstrike—雷击。需要注意的是，一张图像样张中可能没有缺陷、多个同类缺陷或者多个不同缺陷。

02

—

风机机舱目标检测数据集

【数据背景】机舱是风力发电机最关键最重要的部件，机舱内部包括风力发电机的很多关键设备，包括齿轮箱、发电机等，维护人员可以通过风电机塔进入机舱。风机机舱目标检测是利用计算机视觉技术，对机舱目标进行自动化识别和定位的过程，进一步可以评估机舱状态。通过风机机舱目标检测，可以实现自动化的运维管理和状态诊断，提高风力发电机的可靠性和运行效率，降低运维成本和人工干预。

【应用领域】AI+风机机舱目标检测

【文件目录】包含以下4个数据文件：

train：训练集

valid：验证集

test：测试集

README.txt：数据说明

【数据说明】检测目标以Pascal VOC格式进行标注，对每个图像进行以下预处理，统一调整大小为640x640。数据集共包含2810+风机图像样张，所有图像样张均包含xml标注，train包含2117+图像样张及其对应的xml标注，valid包含501+图像样张及其对应的xml标注，test包含192+图像样张及其对应的xml标注，使用时也可以自行划分训练集、验证集和测试集。最后，检测标签主要包含3大类，分别为hub—机舱、tower—机身以及blade—风机叶片。

03

—

风机设备部件分割数据集

【数据背景】对风机的关键部件进行状态监测是十分重要的，监测的基础是对风机各个设备部件进行准确的分割识别。基于该数据集，可以训练或微调语义分割模型，将图像中的每个像素进行分类，使得同一类别的像素具有相同的标签，从而将风机图像中的不同部分（例如叶片、塔筒、发电机等）进行准确的分割，以便进行后续的分析和处理。基于此实现运行状态下的实时设备分割，对风电场的安全高效运行具有重要作用。

【应用领域】AI+风机设备部件分割

【文件目录】包含以下2个数据文件：

dataset：图像和标注数据

README.txt：数据说明

【数据说明】检测目标以Pascal VOC格式进行标注，对每个图像进行以下预处理，统一调整大小为1280x1080。数据集共包含7993+风机设备部件图像样张，所有图像样张均包含对应的XML标注，数据集未采用数据增广，可以自行划分训练集、验证集和测试集。最后，设备部件标签主要包含4大类，分别为hub—机舱、trunk—机身、Leading—叶片以及pressure—桨毂。

04

—

浙江大学风机瑕疵检测数据集

【数据背景】来自浙江大学收集并整理的风机表面瑕疵数据集。由于风力发电机的所在环境恶劣、所受应力强烈等因素，风机的叶片表面可能产生油污、砂眼等瑕疵，这严重影响了风力发电的效率和安全性。当前叶片表面损伤检测方法多为人为操作，存在耗时长、效率低、主观性强等缺点。因此基于风机图像数据，利用图像处理、机器学习、深度学习等计算机视觉技术，针对风机瑕疵进行自动检测算法的研究与开发是风机资产预测性维护的重要内容。

【应用领域】AI+风机表面瑕疵检测

【文件目录】包含以下4个数据文件：

train：训练集

valid：验证集

test：测试集

README.txt：数据说明

【数据说明】检测目标以Pascal VOC格式进行标注，对每个图像进行以下预处理，统一调整大小为640x640。数据集共包含5288+风机表面图像样张，所有图像样张均包含xml标注，train包含4330+图像样张及其对应的xml标注，valid包含681+图像样张及其对应的xml标注，test包含277+图像样张及其对应的xml标注。数据集未采用数据增广，使用时也可以自行划分训练集、验证集和测试集。需要注意的是，该数据集涉及细粒度目标识别，一张图像样张中可能没有瑕疵、1个瑕疵或者很多个瑕疵，瑕疵标签均表示为Wind_turbine_dmg。

05

—

多视图陆上风机遥感检测数据集

【数据背景】多视图陆上风机遥感检测数据图像是在大的时间跨度内拍摄的，包含同一风电场在不同时间的遥感图像。根据土地背景，数据集可分为五类：沙地、林地、草地、雪地和荒地。丰富的土地背景可以提高模型的鲁棒性，不同的标记格式和大量的风机个体可以满足不同模型的目标检测。受不同功率风力涡轮机的尺寸、遥感卫星的多角度成像特性、不同季节不同的太阳辐射角度以及植被遮蔽的影响，风力涡轮机在图像上表现出较大的差异。

【应用领域】AI+陆上风机遥感检测

【文件目录】包含以下3个数据文件：

Annotations：VOC格式的标注数据

JPEGImages：图像样张数据

labels：YOLO格式的标注数据

【数据说明】数据集同时具有YOLO和VOC标记格式，未对每个图像进行统一尺寸的预处理。风机阴影的图像特征比风机机身的图像特征更明显，因此为了检测模型更好地识别风机，在使用labelImg工具标记风机目标检测框时，将风机机身和风机阴影作为一个整体进行标记。数据集共包含1270+陆上风机遥感图像样张，包含4459个单独的风力涡轮机，所有图像样张均包含xml和txt标注，使用时可以自行划分训练集、验证集和测试集。

06

—

无人机影像风机遥感检测数据集

【数据背景】风力涡轮机是风力发电场站的重要资产，它的运行状态将直接关系到风机性能以及电站效益。由于其在高空、全天候条件下工作，承受载荷较大，时刻遭受各种介质侵蚀或影响，为保证风力发电机的正常工作和寿命，需要定期对风机叶片进行巡检。传统的风机人工巡检方式主要依靠巡检人员利用高倍望远镜检查、高空绕行下降目测检查等方式，巡检效率低、工作强度高、巡检质量无法保证，影响检测结果及效率。基于无人机的高度自动化巡检，可以实现全程可视化自主巡检设计和智能状态识别，进行精细化巡检和检测报告生产。

【应用领域】AI+无人机影像风机遥感检测

【文件目录】包含以下4个数据文件：

train：训练集

valid：验证集

test：测试集

README.txt：数据说明

【数据说明】检测目标以Pascal VOC格式进行标注，对每个图像进行以下预处理，统一调整大小为416x416。数据集共包含4075+无人机影像样张，所有图像样张均包含xml标注，train包含3565+图像样张及其对应的xml标注，valid包含340+图像样张及其对应的xml标注，test包含170+图像样张及其对应的xml标注，使用时也可以自行划分训练集、验证集和测试集。目标检测标签主要包含4大类，分别为antenna—输电杆塔、chimney—烟囱、power-lines—输电线以及wind-turbine—风机，其中大部分目标为风机。

07

—

结束语

以上就是AI+新能源风机视觉数据集的所有内容了，更多数据集下载请关注文章顶部图片右下角平台即可获取。