STN Power Line Assets Dataset (STN PLAD)

STN PLAD是由巴西Recife的Voxar Labs和Universidade Federal de Pernambuco合作创建的高分辨率无人机图像数据集，专注于多尺寸电力线路资产检测。该数据集包含133张图像，总计2409个标注对象，分为五个类别：传输塔、绝缘子、间隔器、塔板和Stockbridge阻尼器。数据收集过程中，无人机在不同光照、天气和角度条件下拍摄，确保了数据的多样性。STN PLAD旨在为计算机视觉社区提供一个公共资源，用于开发和评估自动电力线路检测技术，特别是在电力线路维护和安全检查领域。STN PLAD is a high-resolution unmanned aerial vehicle (UAV) image dataset co-created by Voxar Labs from Recife, Brazil, and Universidade Federal de Pernambuco, focusing on multi-scale power line asset detection. The dataset includes 133 images with a total of 2409 annotated objects, divided into five categories: transmission towers, insulators, spacers, tower platforms, and Stockbridge dampers. During data collection, UAVs captured images under varying lighting, weather and shooting angle conditions to ensure dataset diversity. STN PLAD aims to provide a public resource for the computer vision community to develop and evaluate automated power line detection technologies, especially in the fields of power line maintenance and safety inspection.

搜集汇总

数据集介绍

构建方式

在电力巡检领域，无人机技术的应用日益广泛，为资产检测提供了高效且安全的解决方案。STN PLAD数据集的构建遵循了严谨的数据采集协议，采用DJI Phantom 4 Pro无人机搭载高分辨率相机，在真实的高压输电线路场景中捕获图像。为确保数据的多样性和一致性，专业飞手在保持与输电塔相似距离的前提下，通过变换无人机的视角、拍摄时间、天气条件及光照角度，采集了133张高分辨率图像（分辨率为5472×3078或5472×3648）。随后，两名标注员使用LabelImg工具对图像中的2409个对象进行了边界框标注，涵盖了输电塔、绝缘子、间隔棒、塔板和防震锤五类资产，平均每张图像包含18.1个实例，标注过程注重细节与一致性，以支持深度学习模型的训练需求。

特点

STN PLAD数据集在电力资产检测领域展现出显著的特点。其图像均源自真实世界的高压输电线路环境，背景多样且包含丰富的场景变化，如不同的光照、天气和视角条件。数据集中包含五类尺寸各异的资产对象，从小型的防震锤到大型的输电塔，覆盖了多尺度检测的挑战。与现有公共数据集相比，STN PLAD具有更高的对象密度（平均每图18.1个实例）和更广的资产类别覆盖，提供了更接近实际应用场景的复杂性。此外，数据的高分辨率特性保留了资产的细节信息，但同时也对检测算法处理小目标的能力提出了更高要求，为相关研究提供了有价值的基准。

使用方法

STN PLAD数据集主要用于支持基于深度学习的电力资产检测研究。研究者可将其作为训练和测试数据，应用于对象检测模型的开发与评估。数据集已公开提供，用户可通过GitHub仓库获取图像及标注文件。在使用时，建议遵循标准的机器学习流程，如按比例划分训练集与测试集，并采用交叉验证方法以增强结果的可信度。针对数据集中小目标（如防震锤）检测的难点，可借鉴论文提出的MS-PAD流程，通过分治策略处理高分辨率图像，以提升检测性能。此外，数据集还可用于比较不同检测算法（如SSD、Faster R-CNN）在复杂电力场景下的表现，推动该领域的技术进步。

背景与挑战

背景概述

随着无人机技术在电力巡检领域的广泛应用，传统的人工攀爬输电塔检查方式因其高风险与低效率逐渐被替代。在此背景下，STN电力线路资产数据集（STN PLAD）应运而生，由巴西联邦伯南布哥大学Voxar实验室、In Forma软件公司及东北输电系统公司于2021年联合创建。该数据集旨在解决高压输电线路资产的多尺度检测问题，涵盖输电塔、绝缘子、间隔棒、塔板和防振锤五类关键组件，共包含133张高分辨率无人机图像及2409个标注对象。作为首个公开的多类别真实场景电力资产数据集，STN PLAD通过提供丰富的尺寸、光照、角度与背景变化，显著推动了基于深度学习的自动化电力巡检研究，并为相关算法提供了重要的基准测试平台。

当前挑战

STN PLAD数据集所针对的电力资产检测任务面临多重挑战：其一，资产尺寸差异极大，如防振锤等小目标在超高分辨率图像中仅占极小像素区域，易受背景干扰导致漏检；其二，真实巡检场景中光照变化、天气条件及拍摄视角的多样性增加了模型泛化难度。在数据集构建过程中，挑战同样突出：首先，公开电力资产数据稀缺，现有数据集多局限于单一资产类别或模拟背景，缺乏真实场景多样性；其次，数据标注需应对高分辨率图像中密集小目标的精确定位问题，标注一致性维护与人工成本较高；此外，图像仅采集自巴西单一输电线路，可能引入地域性偏差，限制模型在全球不同电力基础设施上的适用性。

常用场景

经典使用场景

在电力系统维护与智能巡检领域，STN PLAD数据集为基于无人机影像的电力线资产自动检测提供了关键基准。该数据集以其高分辨率、多类别及真实场景特性，成为训练和评估深度学习模型的核心资源。经典应用场景聚焦于利用卷积神经网络，如SSD与Faster R-CNN，对输电塔、绝缘子、间隔棒、塔板和防震锤等五类资产进行精准定位与识别，从而推动自动化巡检技术的演进。

实际应用

在实际应用中，STN PLAD数据集支撑了电力公司无人机智能巡检系统的开发与优化。通过基于该数据集的模型训练，系统能够自动识别输电线路中的各类组件，替代传统人工攀塔检查，显著提升巡检效率与安全性。这不仅降低了维护成本与作业风险，还有助于预防因设备故障引发的停电事故，保障电网稳定运行，体现了计算机视觉技术在关键基础设施维护中的实用价值。

衍生相关工作

STN PLAD的发布催生了多项电力线检测领域的创新研究。例如，基于该数据集分析的MS-PAD流程，通过分治策略优化了小目标检测性能，为高分辨率图像处理提供了新思路。同时，数据集被广泛用作基准，激励研究者开发更高效的检测架构，如改进的特征金字塔网络与多尺度融合方法，这些工作进一步推动了电力线资产自动检测技术向精准化、实时化方向发展。