YOLO26变电站液体泄露红外检测系统（项目源码+5035张YOLO数据集+模型权重+UI界面+python+深度学习+远程环境部署）

摘要

变电站内的液体泄漏（如绝缘油、冷却液等）是电力系统中的常见隐患，传统可见光检测方法易受光照、遮挡及环境干扰影响。本文提出一种基于YOLO26深度学习模型的红外图像液体泄露检测系统。利用红外成像技术对变电站关键设备区域进行监测，采用YOLO26算法对泄漏区域进行目标检测。实验采用自建红外数据集，共包含5035张图像，其中训练集3524张、验证集504张、测试集1007张，类别为“leak”。模型训练结果显示，检测精度（Precision）最高达到1.00，召回率（Recall）接近1.00，F1值最大为0.94，mAP50达到0.98，mAP50-95也达到0.98。混淆矩阵分析表明，模型对液体泄露目标的漏检率为0，背景误检率仅为6%。整体结果表明，该系统在复杂变电站环境下具备高精度、低误报、高鲁棒性的检测能力，可满足实际部署要求。

引言

随着我国电力系统规模的不断扩大，变电站作为电网的核心节点，其运行安全性直接关系到整个电力系统的稳定。变电站内广泛使用变压器油、开关冷却油等液体介质，这些液体一旦发生泄漏，不仅会造成设备损坏，还可能引发火灾、爆炸等严重事故。因此，对变电站液体泄漏进行实时、准确的检测具有重要的工程价值和现实意义。

传统的液体泄漏检测方法主要包括人工巡检、压力监测、液位监测及可见光视频监控等。人工巡检效率低、依赖经验，难以实现7×24小时连续监测；压力与液位传感器只能反映整体状态，无法定位微小泄漏点；可见光监控则容易受到夜间、雨雾、光照变化等条件的影响，导致漏检或误报。

近年来，红外热成像技术因其不受可见光限制、可捕捉温度异常等特点，在工业设备状态监测中得到广泛应用。液体泄漏通常伴随温度变化（如泄漏液体与设备表面温差），在红外图像中形成明显特征。同时，深度学习目标检测算法（尤其是YOLO系列）的发展，为实现自动化、高精度的泄漏检测提供了技术基础。

本研究针对变电站典型液体泄漏场景，构建了红外图像数据集，并基于YOLO26算法训练专用检测模型。通过分析模型的精度、召回率、F1值、混淆矩阵及训练收敛性，验证该方法在变电站环境下的可行性与可靠性，为后续工程化部署提供依据。

目录

摘要

详细功能展示视频

功能模块

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

引言

背景

1. 变电站液体泄漏的主要类型与危害

2. 现有检测方法的局限性

3. 红外热成像 + 深度学习的优势

数据集介绍

数据构成

类别与标注

训练结果

检测精度分析（非常好）

1. F1-Confidence 曲线​编辑

2. Precision-Confidence 曲线​编辑

3. Recall-Confidence 曲线​编辑

4. PR 曲线​编辑

混淆矩阵分析（无明显误检）

原始混淆矩阵：​编辑

归一化混淆矩阵：​编辑

训练过程分析（收敛良好）​编辑

Ultralytics YOLO26

概述

主要功能

常用标注工具

详细功能展示视频

功能模块

✅用户登录注册：支持密码检测，密码加密。

注册

登录

✅图片检测：可对图片进行检测，返回检测框及类别信息。

✅参数实时调节（置信度和IoU阈值）

✅视频检测：支持视频文件输入，检测视频中每一帧的情况。

✅摄像头实时检测：连接USB 摄像头，实现实时监测。

✅日志记录：日志标签页记录操作和错误信息，带时间戳

✅结果保存模块：支持图片/视频/摄像头检测结果保存

1、用户管理模块

2、界面与交互模块

3、检测源管理模块

4、检测参数配置模块

5、YOLO检测核心模块

6、结果显示模块

7、结果保存模块

8、工具栏功能

9、辅助功能

10、数据校验模块

背景

1. 变电站液体泄漏的主要类型与危害

变电站中常见的液体介质包括：

• 变压器绝缘油：用于绝缘和散热，泄漏后会导致绝缘性能下降、局部放电甚至烧毁。

• 断路器液压油/冷却油：影响机械操作机构的正常动作。

• 电缆填充油：泄漏会导致电缆绝缘老化加速。

• 冷却介质（如水、氟化液）：用于大功率电力电子设备散热。

这些液体一旦泄漏，可能带来以下严重后果：

• 设备故障：油位下降导致散热不良、绝缘击穿。

• 环境污染：矿物油泄漏对土壤和地下水造成长期污染。

• 火灾爆炸风险：高温设备表面遇油易引发火灾。

• 停电事故：严重泄漏可能导致变电站被迫停运，影响区域供电。

2. 现有检测方法的局限性

因此，亟需一种自动、实时、高精度的泄漏检测方法。

3. 红外热成像 + 深度学习的优势

红外热成像具有以下特点：

• 全天候工作能力：不受夜间、雾霾、强光等影响。

• 温度敏感：泄漏液体与背景温差形成清晰热特征。

• 非接触式：适合高压、危险区域监测。

深度学习目标检测算法（尤其是YOLO）具备：

• 端到端检测：无需手工特征设计。

• 实时性能：推理速度快（>30 FPS），适合监控场景。

• 高精度：在多种工业检测任务中表现优异。

数据集介绍

数据构成

类别与标注

• 类别数量：nc = 1

• 类别名称：['leak']

• 标注方式：手工矩形框标注泄漏区域

• 标注工具：LabelImg

• 标注一致性：由两名专业人员交叉校验

训练结果

检测精度分析（非常好）

1.F1-Confidence 曲线

• 最大 F1 值 = 0.94（置信度阈值约 0.442–0.444）

• 说明模型在精度和召回率之间取得了很好的平衡

• 高置信度区间（>0.6）F1仍稳定在 0.98，说明模型预测非常可靠

2.Precision-Confidence 曲线

• 最高精度 = 1.00（置信度 0.981）

• 模型在高置信度下几乎没有误报

3.Recall-Confidence 曲线

• 召回率随置信度下降而上升

• 在较低置信度（0.0）时召回率 = 1.00，说明模型能检测到几乎所有真实目标

4.PR 曲线

• 近乎完美的右上角曲线

• AP = 1.00，说明模型在精度-召回率上无损失

混淆矩阵分析（无明显误检）

原始混淆矩阵：

• 背景误检为液体泄露：30 次（较低）

• 液体泄露漏检：0 次

• 正确检测：538 + 32 = 570 次

归一化混淆矩阵：

• 背景识别准确率：94%

• 液体泄露识别准确率：100%

• 没有将液体泄露误判为背景

说明模型几乎没有漏检，误检率也极低

训练过程分析（收敛良好）

从results.png中提取关键趋势：

• 无过拟合迹象（train / val 损失同步下降）

• mAP 极高，模型对目标检测非常准确

Ultralytics YOLO26

概述

Ultralytics YOLO26 是 YOLO 系列实时对象检测器的最新演进，从头开始专为边缘和低功耗设备而设计。它引入了简化的设计，消除了不必要的复杂性，同时集成了有针对性的创新，以实现更快、更轻、更易于访问的部署。

YOLO26 的架构遵循三个核心原则：

• 简洁性:YOLO26是一个原生的端到端模型，直接生成预测结果，无需非极大值抑制（NMS）。通过消除这一后处理步骤，推理变得更快、更轻量，并且更容易部署到实际系统中。这种突破性方法最初由清华大学的王傲在YOLOv10中开创，并在YOLO26中得到了进一步发展。
• 部署效率：端到端设计消除了管道的整个阶段，从而大大简化了集成，减少了延迟，并使部署在各种环境中更加稳健。
• 训练创新：YOLO26 引入了MuSGD 优化器，它是SGD 和MUON的混合体——灵感来源于 Moonshot AI 在 LLM 训练中Kimi K2的突破。该优化器带来了增强的稳定性和更快的收敛，将语言模型中的优化进展转移到计算机视觉领域。
• 任务特定优化：YOLO26 针对专业任务引入了有针对性的改进，包括用于Segmentation的语义分割损失和多尺度原型模块，用于高精度姿势估计的残差对数似然估计 (RLE)，以及通过角度损失优化解码以解决旋转框检测中的边界问题。

这些创新共同提供了一个模型系列，该模型系列在小对象上实现了更高的精度，提供了无缝部署，并且在CPU 上的运行速度提高了 43%— 使 YOLO26 成为迄今为止资源受限环境中最实用和可部署的 YOLO 模型之一。

主要功能

• DFL 移除
  分布式焦点损失（DFL）模块虽然有效，但常常使导出复杂化并限制了硬件兼容性。YOLO26 完全移除了 DFL，简化了推理过程，并拓宽了对边缘和低功耗设备的支持。

• 端到端无NMS推理
  与依赖NMS作为独立后处理步骤的传统检测器不同，YOLO26是原生端到端的。预测结果直接生成，减少了延迟，并使集成到生产系统更快、更轻量、更可靠。

• ProgLoss + STAL
  改进的损失函数提高了检测精度，在小目标识别方面有显著改进，这是物联网、机器人、航空影像和其他边缘应用的关键要求。

• MuSGD Optimizer
  一种新型混合优化器，结合了SGD和Muon。灵感来自 Moonshot AI 的Kimi K2，MuSGD 将 LLM 训练中的先进优化方法引入计算机视觉，从而实现更稳定的训练和更快的收敛。

• CPU推理速度提升高达43%
  YOLO26专为边缘计算优化，提供显著更快的CPU推理，确保在没有GPU的设备上实现实时性能。

• 实例分割增强
  引入语义分割损失以改善模型收敛，以及升级的原型模块，该模块利用多尺度信息以获得卓越的掩膜质量。

• 精确姿势估计
  集​成残差对数似然估计​(RLE)，以实现更精确的关键点定位，并优化解码过程以提高推理速度。

• 优化旋转框检测解码
  引入专门的角度损失以提高方形物体的检测精度，并优化旋转框检测解码以解决边界不连续性问题。

常用标注工具

假设您现在准备好进行标注。有几种开源工具可以帮助简化数据标注流程。以下是一些有用的开放标注工具：

Label Studio：一个灵活的工具，支持各种标注任务，并包含用于管理项目和质量控制的功能。 CVAT：一个强大的工具，支持各种标注格式和可定制的工作流程，使其适用于复杂的项目。 Labelme：一个简单易用的工具，可以快速标注带有多边形的图像，非常适合简单的任务。 LabelImg: 一款易于使用的图形图像标注工具，特别适合以 YOLO 格式创建边界框标注。

这些开源工具经济实惠，并提供一系列功能来满足不同的标注需求。

界面核心代码：

详细功能展示视频