Infrared-ai-research-lab/PROGRESS.md

工作进度记录

项目概述

• 项目名称: 红外故障检测 (InfraredFault)
• 项目路径: /home/sky/files/PythonProjects/InfraredFault/2BaseOnYOLO_InfraredData
• 基于报告: 李傲琦-阶段性报告(202602).pdf
• 目标: 基于YOLO实现红外图像目标识别与ROI区域温度特征提取
• 更新日期: 2026-03-26

---

阶段一：项目初始化与环境配置 ✅

完成时间

2026-03-26

完成内容

1. 环境配置

• 使用 uv 管理Python环境
• 初始化项目 infrared-fault (Python 3.10)
• GPU支持：
  • GPU: NVIDIA GeForce RTX 4060 (8GB)
  • 驱动版本: 595.79
  • CUDA Driver: 13.2
  • PyTorch 2.11.0+cu130
  • cuDNN 9.19.0.56
  • YOLO GPU推理已验证 ✅
• 安装核心依赖：
  • torch==2.11.0, torchvision==0.26.0 (深度学习框架)
  • ultralytics>=8.4.27 (YOLOv8目标检测)
  • opencv-python (图像处理)
  • numpy, pandas, pillow, matplotlib, seaborn, scikit-learn, tqdm

2. 项目目录结构

1BaseOnYOLO/
├── data/
│   ├── images/           # 红外图像目录
│   ├── labels/           # YOLO标注文件目录
│   └── yaml/
│       └── dataset.yaml  # YOLO数据集配置
├── models/
│   └── train/            # 训练输出目录
├── src/
│   ├── __init__.py
│   ├── detect.py         # YOLO检测模块
│   ├── extract_temp.py   # ROI温度特征提取
│   ├── diagnose.py       # 故障诊断Pipeline
│   └── utils/
│       ├── __init__.py
│       └── temp_utils.py # 温度特征工具函数
├── weights/              # 模型权重目录
├── 工作计划.md            # 项目工作计划
└── pyproject.toml        # uv项目配置

3. 核心模块实现

src/detect.py - YOLO目标检测模块

• InfraredDetector 类：红外图像目标检测器
  • load_model(): 加载YOLO模型
  • detect(): 返回检测结果列表（含bbox、confidence、class_id、class_name）
  • detect_and_draw(): 检测并绘制结果图像
• train_yolo_model(): YOLO模型训练函数
• validate_model(): 模型验证函数

src/extract_temp.py - ROI温度特征提取模块

• TempFeatureExtractor 类：温度特征提取器
  • detect_and_extract(): 检测+温度提取
  • extract_from_roi(): 从ROI提取温度特征
  • extract_from_bbox(): 从指定边界框提取温度特征
• load_infrared_image(): 加载红外图像
• batch_extract_features(): 批量处理图像

src/diagnose.py - 故障诊断模块

• FaultDiagnoser 类：故障诊断器
  • diagnose(): 单图故障诊断
  • _check_fault(): 判断是否故障
  • _classify_fault(): 故障分类（hotspot/local_overheating/overheat/suspect）
  • _generate_summary(): 生成诊断摘要
  • batch_diagnose(): 批量诊断
• load_threshold_config(): 加载温度阈值配置

src/utils/temp_utils.py - 温度特征工具函数

• extract_temp_stats(): 温度统计特征（max/min/mean/std/median）
• extract_temp_histogram(): 温度分布直方图
• calculate_temp_gradient(): 温度梯度特征
• extract_temp_features(): 完整温度特征提取
• normalize_roi(): ROI归一化处理

data/yaml/dataset.yaml - YOLO数据集配置

• 数据集路径配置
• 类别定义（fault）
• 图像尺寸和批量大小配置

4. Git提交记录

Commit	消息
10094b1	初始化项目结构
f393acd	添加pyproject.toml项目配置
81fdf8b	添加uv.lock依赖锁文件
8e12633	添加源代码：检测、温度提取、诊断模块
fdd9274	更新.gitignore忽略.python-version

---

阶段二：YOLO模型训练与优化 ✅

状态: 已完成

完成内容

1. 训练脚本

• scripts/train.py: YOLO模型训练脚本
• scripts/prepare_dataset.py: 数据集准备脚本
• scripts/create_sample_dataset.py: 示例数据集生成器

2. 测试脚本

• scripts/test_cuda.py: CUDA/cuDNN环境测试脚本

3. 数据集下载与转换

• 数据来源: SCIDB红外电力设备数据集
• 下载URL: data/dataurls.txt (895个链接)
• 下载完成: 763张图像
• 类别: Wave Traps(153), Power Transformers(178), Circuit Breakers(162), Surge Arresters(181), Disconnectors(89)
• 训练集: 610张, 验证集: 153张
• 格式: YOLO格式 (data/infrared/)
• 类别ID: Wave Traps=0, Power Transformers=1, Circuit Breakers=2, Surge Arresters=3, Disconnectors=4

4. 模型训练

• 基础模型: YOLOv8n (nano)
• 训练轮数: 46 epochs (EarlyStopping触发，最佳在epoch 26)
• 图像尺寸: 640
• 批量大小: 16
• 训练设备: GPU (CUDA)
• 训练状态: ✅ 已完成
• 模型权重: weights/infrared_yolov8n.pt

5. 训练结果（5类别模型）

类别	Precision	Recall	mAP@0.5
Wave Traps	0.998	1.000	0.995
Power Transformers	0.993	1.000	0.995
Circuit Breakers	0.998	1.000	0.995
Surge Arresters	1.000	0.971	0.995
Disconnectors	0.998	1.000	0.995
总体	0.997	0.994	0.995

模型性能: mAP@0.5 = 99.5%, mAP@0.5:0.95 = 99.5%, Precision = 99.7%, Recall = 99.4%

待完成

• 准备YOLO格式数据集
• 数据集划分（训练集/验证集）
• YOLOv8模型训练（28 epochs完成）
• 导出best.pt模型
• 模型评估与优化（EarlyStopping在epoch 28触发）

---

阶段三：ROI温度特征提取 ✅

状态: 已完成

完成时间

2026-03-26

完成内容

1. 温度统计特征 (src/utils/temp_utils.py)

• extract_temp_stats(): max/min/mean/std/median 温度统计
• extract_temp_histogram(): 温度分布直方图（32 bins）
• calculate_temp_gradient(): 温度梯度特征（Sobel算子）
• normalize_roi(): ROI归一化处理（minmax/zscore）

2. 温度特征提取器 (src/extract_temp.py)

• TempFeatureExtractor 类:
  • detect_and_extract(): 检测+温度特征提取
  • extract_from_roi(): 从ROI提取完整温度特征
  • extract_from_bbox(): 从指定边界框提取温度特征
• load_infrared_image(): 红外图像加载
• batch_extract_features(): 批量处理

3. 端到端测试验证

• YOLO检测: 成功检测到Wave Traps，置信度0.995
• 温度特征: 成功提取temp_max=255, temp_mean=97.49, gradient等
• 故障诊断: 成功诊断出1个故障

---

阶段四：故障诊断接口 ✅

状态: 已完成

完成时间

2026-03-26

完成内容

1. 故障诊断器 (src/diagnose.py)

• FaultDiagnoser 类:
  • diagnose(): 单图故障诊断（检测+温度提取+判断）
  • _check_fault(): 根据温度阈值判断是否故障
  • _classify_fault(): 故障分类（hotspot/local_overheating/overheat/suspect）
  • _generate_summary(): 生成诊断摘要
  • batch_diagnose(): 批量诊断
• load_threshold_config(): 加载温度阈值配置

2. 故障分类规则

类型	条件
hotspot	std_temp > 30
local_overheating	temp_range(max-mean) > 50
overheat	max_temp > 180
suspect	其他情况

3. 输出格式

{
  "image": "FLIR0150.jpg",
  "detections": [...],
  "faults": [{
    "bbox": [...],
    "confidence": 0.995,
    "temp_max": 255.0,
    "fault_status": "abnormal",
    "fault_type": "hotspot"
  }],
  "summary": {
    "status": "fault_detected",
    "fault_count": 1,
    "abnormal_count": 1
  }
}

---

阶段五：测试与验证 ✅

状态: 已完成

完成时间

2026-03-26

完成内容

1. 端到端流程测试

• ✅ YOLO目标检测正常工作
• ✅ ROI温度特征提取正常
• ✅ 故障诊断Pipeline正常工作
• ✅ 批量诊断功能正常

2. 测试结果

测试项	结果
检测速度	~5ms/图像（GPU inference）
温度特征提取	成功提取7维特征
诊断状态	返回结构化JSON结果
批量诊断	153张验证集图像全部处理成功

3. 性能指标

• GPU推理速度: 4.4-9.2ms/图像
• 检测置信度: >0.99
• 温度特征: max/min/mean/std/median/histogram/gradient

---

更新记录

• 2026-03-26: 完成阶段一，项目初始化与环境配置
• 2026-03-26: 完成数据集下载（763张），开始YOLOv8训练
• 2026-03-26: 完成4 epoch训练，mAP@0.5达99.5%，模型已保存
• 2026-03-26: 修复GPU环境问题，PyTorch 2.11.0+cu130与cuDNN 9.19.0.56正常工作
• 2026-03-26: 修复diagnose.py导入错误，完成阶段三（ROI温度特征提取）和阶段四（故障诊断接口）代码实现
• 2026-03-26: 完成端到端Pipeline测试，所有模块正常工作
• 2026-03-26: 完成阶段二训练优化：28 epochs训练，mAP@0.5=99.5%, Precision=100%, Recall=100%
• 2026-03-26: 修复convert_to_yolo.py类别ID错误，重新转换数据集并训练5类别模型
• 2026-03-26: 5类别模型训练完成：46 epochs，mAP@0.5=99.5%，各类别均衡

---

新数据集训练记录 (12类)

完成时间: 2026-03-26

新数据集概况

• 数据集: 12类电力设备红外图像
• 训练集: 6735张
• 验证集: 767张
• 类别: bushing, arrester, breaker, clamp, conservator, current-transformer, disconnector, disconnector2, disconnector3, heat-sink, insulator, transformer

训练配置

• 基础模型: YOLOv8n
• 训练轮数: 50 epochs
• 图像尺寸: 640
• 设备: NVIDIA GeForce RTX 4060 (GPU)

验证结果

指标	值
mAP@0.5	76.42%
mAP@0.5:0.95	61.64%
Precision	66.58%
Recall	87.93%

各类别性能

类别	Precision	Recall	mAP@0.5
bushing	0.925	0.990	0.994
arrester	0.930	0.980	0.991
breaker	0.797	0.910	0.898
clamp	0.781	0.973	0.918
conservator	0.546	0.823	0.718
current-transformer	0.856	0.977	0.951
disconnector	0.651	0.975	0.813
disconnector2	0.306	0.767	0.286
disconnector3	0.566	0.940	0.886
heat-sink	0.612	0.429	0.546
insulator	0.731	0.966	0.880
transformer	0.289	0.822	0.290

数据问题

• 发现2张图像标签存在类别ID越界问题（class 12超出0-11范围），需要修正
• disconnector2和transformer类别mAP较低，可能需要更多训练数据或数据增强