光伏检测数据集(六种)
1.并网光伏系统故障诊断数据集
(该数据集为excel张,对故障类型完成标注)。
2.分布式光伏目标检测数据集
(该数据集共4000+张分布式光伏高清图片,均已标注)
3.光伏电池板缺陷检测数据集
(该数据集共2400+张光伏板缺陷高清图片,均已标注)。
4、光伏电池板语义分割数据集
(该数据集共9000+张光伏电池板高清图片,均已标注)。
5、光伏电池异常检测数据集
(该数据集共2000+张累计光伏电池异常高清图片,均已标注。
6、光伏模组功率预测数据集(excel数据集)
(该数据集包括一个模组的一年数据)
1. 并网光伏系统故障诊断数据集
数据集名称
并网光伏系统故障诊断数据集(Grid-Tied PV System Fault Diagnosis Dataset)
数据集概述
该数据集专为并网光伏系统的故障诊断设计,包含Excel表格形式的数据,对光伏系统中可能出现的各种故障类型进行了详细的标注。数据集中的每一行代表一个故障事件,包含了故障发生的时间、地点、故障类型、故障描述等信息。
数据集特点
- Excel格式:数据以易于处理的Excel表格形式提供,方便导入到数据分析软件中。
- 详细标注:对每一种故障类型都进行了详细的标注,便于故障模式识别。
- 实际应用场景:适用于并网光伏系统的故障诊断与维护,帮助运维人员快速定位故障原因。
数据集构成
- 数据格式:Excel表格
- 数据内容:故障发生时间、地点、故障类型、故障描述等信息。
数据集用途
- 故障诊断:帮助运维人员快速识别并网光伏系统的故障类型。
- 预防维护:通过对历史故障数据的分析,提前预防潜在故障的发生。
- 研究与开发:作为研究基准,支持故障诊断算法的研发。
示例代码
1import pandas as pd
2
3# 数据集路径
4fault_diagnosis_file = 'path/to/grid_tied_pv_system_fault_diagnosis.xlsx'
5
6# 读取Excel文件
7df = pd.read_excel(fault_diagnosis_file)
8
9# 显示前几行数据
10print(df.head())
2. 分布式光伏目标检测数据集
数据集名称
分布式光伏目标检测数据集(Distributed PV Target Detection Dataset)
数据集概述
该数据集包含4000+张高清图片,涵盖了分布式光伏系统的多种场景,每张图片均已标注目标对象的位置信息,适用于分布式光伏系统的物体检测任务。
数据集特点
- 高清图像:所有图像均为高清画质,确保细节清晰可见。
- 详细标注:每张图片都有详细的标注信息,便于训练目标检测模型。
- 多样场景:涵盖多种分布式光伏应用场景,提高模型泛化能力。
数据集构成
- 图像数量:4000+张高清图片
- 标注信息:每张图片包含目标对象的位置信息。
数据集用途
- 目标检测:训练模型识别分布式光伏系统中的目标对象。
- 自动化监控:结合自动化设备,实现分布式光伏系统的实时监控。
- 研究与开发:作为基准数据集,支持目标检测技术的研究与发展。
示例代码
1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6distributed_pv_images_dir = 'path/to/distributed_pv_target_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(distributed_pv_images_dir)
10image_file = image_files[0] # 假设取第一张图
11image_path = os.path.join(distributed_pv_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()
3. 光伏电池板缺陷检测数据集
数据集名称
光伏电池板缺陷检测数据集(PV Panel Defect Detection Dataset)
数据集概述
该数据集包含2400+张高清图片,涵盖了光伏电池板上的多种缺陷类型,如裂纹、脏污、损坏等,每张图片均已标注缺陷的具体位置,适用于光伏电池板缺陷检测任务。
数据集特点
- 高清图像:所有图像均为高清画质,确保缺陷细节清晰可见。
- 详细标注:每张图片都有详细的缺陷位置标注信息。
- 多样缺陷:涵盖多种光伏电池板缺陷类型,提高模型检测能力。
数据集构成
- 图像数量:2400+张高清图片
- 标注信息:每张图片包含缺陷的具体位置信息。
数据集用途
- 缺陷检测:训练模型识别光伏电池板上的缺陷类型。
- 质量控制:帮助制造商及时发现和处理光伏电池板上的缺陷。
- 研究与开发:作为基准数据集,支持缺陷检测技术的研究与发展。
示例代码
1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_panel_defects_images_dir = 'path/to/pv_panel_defect_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(pv_panel_defects_images_dir)
10image_file = image_files[0] # 假设取第一张图
11image_path = os.path.join(pv_panel_defects_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()
4. 光伏电池板语义分割数据集
数据集名称
光伏电池板语义分割数据集(PV Panel Semantic Segmentation Dataset)
数据集概述
该数据集包含9000+张高清图片,每张图片均附有详细的像素级标签,适用于光伏电池板的语义分割任务。通过像素级别的标注,可以帮助模型区分电池板的不同区域。
数据集特点
- 高清图像:所有图像均为高清画质,确保像素级别的细节清晰可见。
- 像素级标注:每张图片都有详细的像素级标签信息。
- 多样场景:涵盖多种光伏电池板应用场景,提高模型分割能力。
数据集构成
- 图像数量:9000+张高清图片
- 标注信息:每张图片包含详细的像素级标签信息。
数据集用途
- 语义分割:训练模型区分光伏电池板的不同区域。
- 自动化检测:结合自动化设备,实现光伏电池板的精细化检测。
- 研究与开发:作为基准数据集,支持语义分割技术的研究与发展。
示例代码
1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_panel_segmentation_images_dir = 'path/to/pv_panel_semantic_segmentation/images'
7pv_panel_segmentation_labels_dir = 'path/to/pv_panel_semantic_segmentation/labels'
8
9# 选取一张图像及其标签文件
10image_files = os.listdir(pv_panel_segmentation_images_dir)
11image_file = image_files[0] # 假设取第一张图
12image_path = os.path.join(pv_panel_segmentation_images_dir, image_file)
13
14label_file = os.path.splitext(image_file)[0] + '_seg.png' # 假设标签文件名格式
15label_path = os.path.join(pv_panel_segmentation_labels_dir, label_file)
16
17# 加载图像和标签
18image = cv2.imread(image_path)
19label = cv2.imread(label_path, cv2.IMREAD_GRAYSCALE)
20
21# 绘制图像和标签
22fig, axs = plt.subplots(1, 2, figsize=(20, 10))
23axs[0].imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
24axs[0].set_title('Original Image')
25axs[0].axis('off')
26
27axs[1].imshow(label, cmap='gray')
28axs[1].set_title('Segmentation Label')
29axs[1].axis('off')
30
31plt.show()
5. 光伏电池异常检测数据集
数据集名称
光伏电池异常检测数据集(PV Cell Anomaly Detection Dataset)
数据集概述
该数据集包含2000+张高清图片,涵盖了光伏电池上的多种异常情况,如短路、烧损、裂纹等,每张图片均已标注异常的具体位置,适用于光伏电池异常检测任务。
数据集特点
- 高清图像:所有图像均为高清画质,确保异常细节清晰可见。
- 详细标注:每张图片都有详细的异常位置标注信息。
- 多样异常:涵盖多种光伏电池异常类型,提高模型检测能力。
数据集构成
- 图像数量:2000+张高清图片
- 标注信息:每张图片包含异常的具体位置信息。
数据集用途
- 异常检测:训练模型识别光伏电池上的异常情况。
- 预防维护:帮助制造商及时发现和处理光伏电池上的异常。
- 研究与开发:作为基准数据集,支持异常检测技术的研究与发展。
示例代码
python
深色版本
1import os
2import cv2
3import matplotlib.pyplot as plt
4
5# 数据集目录路径
6pv_cell_anomalies_images_dir = 'path/to/pv_cell_anomaly_detection/images'
7
8# 选取一张图像及其标签文件
9image_files = os.listdir(pv_cell_anomalies_images_dir)
10image_file = image_files[0] # 假设取第一张图
11image_path = os.path.join(pv_cell_anomalies_images_dir, image_file)
12
13# 加载图像
14image = cv2.imread(image_path)
15
16# 绘制图像
17plt.figure(figsize=(10, 10))
18plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))
19plt.axis('off')
20plt.show()
6. 光伏模组功率预测数据集
数据集名称
光伏模组功率预测数据集(PV Module Power Prediction Dataset)
数据集概述
该数据集包含一个光伏模组一年的数据,涵盖了模组在不同环境条件下的功率输出情况,适用于光伏模组功率预测任务。数据以Excel表格形式提供,方便导入和分析。
数据集特点
- 长时间序列:数据覆盖了一整年的时间跨度,有助于模型学习长期趋势。
- 详细记录:包括环境条件(温度、光照强度等)和功率输出信息。
- 实际应用:适用于光伏模组功率预测,帮助优化能源管理系统。
数据集构成
- 数据格式:Excel表格
- 数据内容:环境条件(温度、光照强度等)和功率输出信息。
数据集用途
- 功率预测:训练模型预测光伏模组在不同环境条件下的功率输出。
- 能源管理:结合预测模型,优化能源管理系统。
- 研究与开发:作为基准数据集,支持功率预测技术的研究与发展。
示例代码
1import pandas as pd
2
3# 数据集路径
4power_prediction_file = 'path/to/pv_module_power_prediction.xlsx'
5
6# 读取Excel文件
7df = pd.read_excel(power_prediction_file)
8
9# 显示前几行数据
10print(df.head())
总结
以上六个光伏检测数据集覆盖了从故障诊断、目标检测、缺陷检测、语义分割、异常检测到功率预测等多个方面,为光伏系统的研究、开发和应用提供了丰富的数据支持。无论是对于学术研究还是工业应用,这些数据集都是极其宝贵的资源。