无人机巡检中输电线路缺陷检测数据集（YOLO格式）
摘要：本数据集针对输电线路缺陷检测中缺陷特征识别难、人工巡检效率低等问题，构建了包含78,704张图像、356,160个标注框的YOLO格式数据集，涵盖绑线缺陷、并沟线夹缺陷、耐张线夹缺陷、锈蚀缺陷、杆塔损伤五类常见输电线路缺陷，支持多尺度缺陷区域的高精度检测模型训练与评估。
数据集简介
本数据集包含78,704张无人机巡检图像，采用YOLO格式标注绑线缺陷、并沟线夹缺陷、耐张线夹缺陷、锈蚀缺陷、杆塔损伤五类输电线路缺陷，按7:2:1比例划分为训练集（55,092张）、验证集（15,741张）和测试集（7,871张），支持高精度检测模型训练与评估。
数据集概述
本数据集专为输电线路缺陷检测任务构建，包含78,704张无人机巡检图像，共标注356,160个缺陷目标。数据集采用标准YOLO格式，涵 盖绑线缺陷（Binding Defect）、并沟线夹缺陷（Parallel Shell Defect）、耐张线夹缺陷（Tension Shell Defect）、锈蚀缺陷（Corrosion）、杆塔损伤（Tower Damage）五大类别，按7:2:1比例划分为训练集（55,092张）、验证集（15,741 张）和测试集（7,871张）。所有图像来自真实输电线路巡检环境，缺陷区域尺寸多样，对检测算法的泛化能力和精度提出了较高要求 。数据集支持主流深度学习框架直接调用，可用于目标检测模型的训练、验证和性能评估，为输电线路缺陷智能检测提供数据支撑。
数据集来源
本研究所使用的数据集为输电线路缺陷检测数据集，图像数据来源于真实输电线路巡检环境下无人机图像的采集、整理与筛选，并在预 处理后形成适用于目标检测任务的数据集。所有图像均采用YOLO格式进行边界框标注，目标类别定义为绑线缺陷（Binding Defect）、并沟线夹缺陷（Parallel Shell Defect）、耐张线夹缺陷（Tension Shell Defect）、锈蚀缺陷（Corrosion）、杆塔损伤（Tower Damage）五类，共计标注了356,160个缺陷实例。整个标注过程遵循统一规范， 以保证数据标注的一致性和准确性，为后续YOLOv8模型训练、性能评估以及系统应用提供了可靠的数据支撑。
类别定义
标注规范
标注采用 YOLO 格式：每个目标一行，字段为 class x_center y_center width height， 坐标均为相对归一化（0~1）。
图1 标注规范图
数据规模与划分
- 总图像数：78,704张；总标注框数：356,160个
图2 数据集在训练、验证和测试集上的分布
数据集按照约 70:20:10 的比例划分为训练集、验证集和测试集：
图3 数据集划分及用途说明
质量控制
标注采用双阶段质量控制流程：首先进行规范化标注与自检， 确保目标框贴合实例外接矩形且类别一致；随后进行抽样复核， 针对漏标、错标与框位置偏差进行纠正。对争议样本进行二次确认， 以提高跨标注者一致性与总体标注可靠性。
数据格式与使用
数据集采用标准 YOLO 格式组织，通过 data.yaml 配置文件即可快速集成到训练流程中。
目录结构
数据集采用标准 YOLO 格式组织，图像和标注文件分别存放在 images/ 和 labels/ 目录下，并按训练集、验证集、测试集划分。
性能评测
基于 YOLO模型在本数据集上进行训练和评测，使用mAP@0.5与mAP@0.5:0.95等标准指标对模型检测效果进行评估。评测结果如下：
训练过程综合指标曲线图
图3 训练与验证指标随Epoch变化趋势图
精确率-召回率（PR）曲线图
图4 目标检测PR曲线（Precision-Recall）
F1分数-置信度阈值曲线图
图5 不同置信度阈值下的F1曲线
归一化混淆矩阵图（分类误判分析）
图6 归一化混淆矩阵（person / leaflet）
应用案例
图7 应用案例：基于深度学习无人机巡检中输电线路缺陷检测系统
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。 如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
数据大小：16G
原创声明：本项目为原创作品