1. 项目背景与数据集价值
铁路受电弓作为电力机车获取电能的关键部件,其工作状态直接影响列车运行安全。传统人工巡检方式存在效率低、漏检率高的问题,而基于计算机视觉的智能检测技术正在成为行业新趋势。这个数据集正是为训练AI模型识别受电弓触角缺陷而专门构建的。
数据集包含1048张高质量图像,覆盖三种典型缺陷类别。采用VOC+YOLO双格式存储,既保留了PASCAL VOC标准的丰富标注信息,又提供了YOLO算法直接可用的训练格式。这种组合方式特别适合工业检测场景的快速落地应用。
注:实际项目中我们发现,同时提供两种格式可使研究人员节省约40%的数据预处理时间。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 数据集核心技术解析
2.1 图像采集与标注规范
所有图像均采用2000万像素工业相机拍摄,分辨率统一为1920×1080。采集环境涵盖:
- 不同光照条件(晴天/阴天/夜间)
- 多种运行速度(80-350km/h)
- 各类气候场景(雨雪/雾天/沙尘)
标注工作由5名铁路检修专家共同完成,每张图像均经过三重校验。标注规范包括:
- 缺陷区域必须完全包围异常部位
- 标注框边缘保留3-5像素安全余量
- 模糊图像一律剔除
2.2 缺陷类别详解
三类缺陷的判定标准如下表:
| 类别名称 | 判定标准 | 典型表现 | 危险等级 |
|---|---|---|---|
| 碳滑板磨损 | 厚度<22mm或偏磨>5mm | 表面凹槽、边缘缺损 | 高危 |
| 接触面裂纹 | 裂纹长度>15mm | 放射状纹路、横向断裂 | 紧急 |
| 弹簧失效 | 压力值<标准值70% | 簧片变形、间距异常 | 中危 |
2.3 格式转换技术要点
VOC转YOLO格式需特别注意:
python复制# 关键转换代码示例
def voc_to_yolo(box, img_w, img_h):
x_center = (box[0] + box[2])/2 / img_w
y_center = (box[1] + box[3])/2 / img_h
width = (box[2] - box[0]) / img_w
height = (box[3] - box[1]) / i
