# 红外故障检测工作计划

## 项目目标

基于YOLO的红外图像目标识别与ROI区域温度特征提取系统

## 项目背景

- 现有数据集：红外图像数据（电气设备）
- 目标：识别红外图像中的设备部件，提取ROI区域的温度特征，用于后续故障诊断

## 工作计划

### 阶段一：项目初始化与环境配置

- [ ] 创建项目目录结构
- [ ] 配置Python环境（Python 3.8+, PyTorch, OpenCV, NumPy）
- [ ] 安装YOLO相关依赖（ultralytics）
- [ ] 整理红外图像数据集，转换为YOLO格式
- [ ] 编写数据配置文件（data.yaml）

### 阶段二：YOLO模型训练与优化

- [ ] 选择合适的YOLO模型（YOLOv8）
- [ ] 编写模型训练脚本
- [ ] 进行模型训练与验证
- [ ] 评估模型性能（mAP, Precision, Recall）
- [ ] 导出训练好的模型（best.pt）

### 阶段三：ROI温度特征提取

- [ ] 设计ROI区域温度提取算法
- [ ] 实现基于检测框的温度统计（最大值、最小值、平均值、标准差）
- [ ] 实现温度分布直方图特征
- [ ] 实现纹理特征（可选：基于GLCM）
- [ ] 封装温度特征提取模块

### 阶段四：故障诊断接口

- [ ] 设计故障诊断流程
- [ ] 封装推理Pipeline（检测+温度提取+诊断）
- [ ] 输出结构化结果（JSON格式）

### 阶段五：测试与验证

- [ ] 准备测试数据集
- [ ] 端到端流程测试
- [ ] 性能优化（推理速度）

## 项目结构

```
1BaseOnYOLO/
├── data/                  # 数据目录
│   ├── images/           # 红外图像
│   ├── labels/           # YOLO格式标注
│   └── yaml/             # 配置文件
├── models/               # 模型目录
│   └── train/            # 训练输出
├── src/                  # 源代码
│   ├── detect.py         # 检测脚本
│   ├── extract_temp.py   # 温度特征提取
│   ├── diagnose.py       # 故障诊断
│   └── utils/            # 工具函数
├── weights/              # 模型权重
├── 工作计划.md
└── README.md
```

## 技术栈

- **深度学习框架**: PyTorch
- **目标检测**: YOLOv8 (ultralytics)
- **图像处理**: OpenCV, NumPy
- **数据格式**: YOLO TXT格式

## 预期输出

1. 训练好的YOLO模型权重
2. ROI温度特征提取模块
3. 故障诊断Pipeline
4. 完整的项目代码和文档