基于 YOLOv8 的无人机红外可见光光伏缺陷检测数据集与训练指南
在光伏电站的智能运维中,利用无人机搭载红外相机进行自动巡检已成为主流趋势。然而,面对复杂的光照、阴影以及细微的组件缺陷,单一模态往往难以达到理想的识别精度。为此,我们整理了一套包含 650 张图像的双模态数据集,旨在辅助开发者构建高精度的缺陷检测模型。
一、数据集概览
本数据集的核心优势在于红外热成像与可见光图像的严格对应。每张有效样本都包含一对图像(红外 + 可见光),并配有 PASCAL VOC XML 格式的标注文件。
| 项目 | 详情 |
|---|---|
| 总图像数量 | 650 对(每对含红外与可见光各一张) |
| 标注格式 | PASCAL VOC (.xml) |
| 图像分辨率 | 工业级拍摄,通常为 1024×1024 或更高 |
| 应用场景 | 光伏板故障诊断、AI 辅助运维 |
💡 提示:虽然原始数据未明确划分比例,建议在实际使用前按 7:2:1 的比例自行划分为训练集、验证集和测试集。
二、数据结构设计
为了便于后续加载与训练,建议按照以下目录结构组织文件:
photovoltaic_defect_dataset/
├── images/
│ ├── infrared/ # 存放红外图像 (如 0001_ir.jpg)
│ └── visible/ # 存放可见光图像 (如 0001_vis.jpg)
├── annotations/ # 存放对应的 XML 标注文件
│ ├── 0001.xml
│ └── ...
└── labels.txt # 类别名称映射表
命名规范上,请确保同一场景下的红外图、可见光图和 XML 文件名保持一致(例如 0001),仅后缀不同,这样在编写数据加载器时会更加高效。


