SkyLi
fd1a5f4050
- Add YOLO-based infrared thermal image detection system - Add dataset configuration (dataset.yaml) with 12 equipment classes - Add training, validation and detection scripts - Add temperature feature extraction and fault diagnosis modules - Update README and CLAUDE.md with correct dataset paths - Optimize .gitignore to track dataset.yaml while ignoring large data files
2.4 KiB
2.4 KiB
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
- 训练好的YOLO模型权重
- ROI温度特征提取模块
- 故障诊断Pipeline
- 完整的项目代码和文档