PLAIR-AW

PLAIR-AW数据集由南通大学创建，旨在解决智能电网中无人机拍摄的电力线航拍图像在恶劣天气条件下的恢复问题。该数据集包含多种恶劣天气条件下的合成图像，如雾霾、雨雪等，基于公开的电力线航拍图像数据集CPLID、TTPLA和InsPLAD构建。数据集大小为15347条，涵盖不同分辨率的图像，用于训练和测试。创建过程遵循数学模型，模拟真实恶劣天气环境。该数据集主要应用于电力线自主检查，提高检测精度，确保电力系统的稳定性和可靠性。The PLAIR-AW dataset was created by Nantong University, aiming to solve the image restoration problem of overhead power line aerial images captured by unmanned aerial vehicles (UAVs) under adverse weather conditions in smart grids. Constructed based on three public overhead power line aerial image datasets, namely CPLID, TTPLA, and InsPLAD, this dataset includes synthetic images under various adverse weather conditions such as haze, rain, and snow. Comprising 15,347 image samples with different resolutions, the dataset is designed for model training and testing. Its development follows mathematical models to simulate real-world adverse weather environments. This dataset is mainly applied to autonomous inspection of overhead power lines, with the goals of improving detection accuracy and ensuring the stability and reliability of power systems.

原始信息汇总

PLAIR-AW 数据集概述

数据集名称

PLAIR-AW

数据集全称

Power Line Aerial Image Restoration under Adverse Weather: Datasets and Baselines

数据集描述

PLAIR-AW 数据集旨在解决恶劣天气条件下电力线航拍图像的质量恢复问题。该数据集通过合成的方式，基于公开的电力线航拍图像数据集 CPLID、TTPLA 和 InsPLAD，生成了多种恶劣天气条件下的图像数据集，包括：

• 去雾数据集：

  • HazeCPLID
  • HazeTTPLA
  • HazeInsPLAD

• 去雨数据集：

  • RainCPLID
  • RainTTPLA
  • RainInsPLAD

• 去雪数据集：

  • SnowCPLID
  • SnowInsPLAD

数据集用途

该数据集用于评估和改进在恶劣天气条件下电力线航拍图像的恢复算法，从而提高电力线自主巡检的检测精度。

数据集特点

• 首次发布针对恶劣天气条件下电力线航拍图像恢复的数据集。
• 基于现有公开数据集合成，涵盖去雾、去雨和去雪三种主要恶劣天气条件。
• 提供了图像恢复领域的最先进方法作为基线方法，并进行了大规模的实验评估。

搜集汇总

数据集介绍

构建方式

PLAIR-AW数据集的构建基于深度学习方法，旨在恢复在不利天气条件下拍摄的电力线航拍图像。数据集的构建过程涉及对公共电力线航拍图像数据集（如CPLID、TTPLA、InsPLAD）进行模拟，以生成包含雾、雨、雪等不利天气条件的图像。具体来说，雾图像的生成采用大气散射模型（ASM），雨图像的生成采用综合雨模型（CRM），雪图像的生成采用刘等人提出的数学模型。这些模拟图像与原始清洁图像形成配对，用于训练和测试图像恢复模型。

使用方法

使用PLAIR-AW数据集的方法包括单一种类不利天气去除、多种不利天气去除和所有-in-one不利天气去除。在单一种类不利天气去除中，可以使用如FFANet、AECR-Net、Dehazeformer等模型进行去雾处理；在多种不利天气去除中，可以使用如SwinIR、Uformer、Restormer等模型；在所有-in-one不利天气去除中，可以使用如AirNet、TransWeather、PromptIR等模型。使用这些模型时，需要将数据集中的图像作为输入，经过模型的处理得到恢复后的清洁图像。

背景与挑战

背景概述

随着智能电网建设的不断推进，输电线路的自主巡检（PLAI）因其低成本、高效率和安全性而变得至关重要。PLAI 通过无人机（UAV）捕获的空中图像来准确检测电气组件和缺陷。然而，由于雾霾、雨雪等恶劣天气的影响，空中图像的可见质量不可避免地下降，这严重影响了检测的准确性。为了解决这个问题，研究人员提出了在恶劣天气下进行输电线路空中图像恢复的新任务（PLAIR-AW），旨在从恶劣天气下的退化图像中恢复出清晰、高质量的图像，从而提高 PLAI 的检测性能。为了支持 PLAIR-AW 任务的研究，研究人员创建了多个数据集，包括针对雾霾、雨和雪的不同天气条件下的图像恢复数据集，这些数据集基于公共的输电线路空中图像数据集 CPLID、TTPLA 和 InsPLAD，并通过数学模型进行合成。同时，研究人员还选择了多个最先进的图像恢复方法作为 PLAIR-AW 的基线方法，并在这些数据集上进行了大规模的实证实验，以评估基线方法的性能。

当前挑战

PLAIR-AW 任务面临的主要挑战包括：1) 构建过程中，由于无人机难以在同一场景下同时捕获正常和恶劣天气条件下的图像，因此研究人员采用了在清洁图像上模拟雾霾、雨和雪的数学模型来创建合成数据集。2) 在实际应用中，由于无人机资源的限制，需要开发轻量级的图像恢复模型。3) 目前提出的图像恢复模型并未针对空中图像的特性进行定制，如特殊角度、可变目标方向、小型目标和复杂背景等。4) 研究人员指出，合成数据集可能与真实世界中恶劣天气下的退化空中图像存在偏差，这可能导致在现实评估中产生领域迁移问题。为了解决这些问题，未来的研究需要收集足够的真实世界退化空中图像，并开发半监督学习策略来辅助现有的合成数据集。此外，还需要进一步研究如何增强基线方法的表示能力，使其能够更好地处理空中图像恢复的难题，并探索模型压缩技术来降低恢复模型的参数容量，以满足无人机的资源限制需求。

常用场景

经典使用场景

PLAIR-AW数据集主要用于在恶劣天气条件下，恢复电力线航拍图像的清晰度和质量，以提升电力线自主检测（PLAI）的准确性。通过对无人机捕获的模糊、雨天或雪天图像进行去雾、去雨和去雪处理，PLAIR-AW为电力线自主检测提供了高质量的训练数据，有助于提高检测算法的鲁棒性和实用性。

解决学术问题

PLAIR-AW数据集解决了恶劣天气条件下电力线航拍图像质量下降的问题，从而提高了电力线自主检测的准确性。该数据集通过合成模拟不同天气条件下的图像，为研究者在图像去雾、去雨和去雪领域提供了大量的训练数据，有助于推动相关算法的研究和改进。

实际应用

PLAIR-AW数据集在实际应用中，可以为电力线自主检测提供高质量的训练数据，从而提高检测算法的准确性和鲁棒性。此外，该数据集还可以用于其他领域的图像去噪和增强研究，例如城市监控、遥感图像处理等。

数据集最近研究

最新研究方向

在智能电网的构建中，电力线路自主检测（PLAI）因其低成本、高效率和安全的操作而发挥着至关重要的作用。PLAI通过无人机（UAV）捕获的空中图像，准确检测电力组件和缺陷。然而，恶劣的天气条件，如雾霾、雨雪，会严重降低图像的可见质量，从而影响检测的准确性。为了克服这一问题，研究人员提出了电力线路空中图像在恶劣天气下的恢复（PLAIR-AW）任务，旨在从恶劣天气条件下的退化图像中恢复出清晰的高质量图像，从而提高PLAI的检测性能。为了支持PLAIR-AW任务的研究，研究人员创建了多个合成数据集，包括HazeCPLID、HazeTTPLA、HazeInsPLAD、RainCPLID、RainTTPLA、RainInsPLAD、SnowCPLID和SnowTTPLA，这些数据集涵盖了电力线路空中图像的去雾、去雨和去雪任务。此外，研究人员还选择了图像恢复领域的众多先进方法作为PLAIR-AW的基线方法，并在这些数据集上进行了大规模的实证实验。实验结果表明，基于Transformer的方法在PLAIR-AW任务中表现优于基于CNN的方法。然而，这些方法在无人机资源受限的应用场景中仍存在计算量和参数量过大的问题，未来研究将集中于开发新的轻量级恢复模型，以满足PLAI任务的需求。

相关研究论文

• Power Line Aerial Image Restoration under dverse Weather: Datasets and Baselines

  南通大学 · 2024年