基于 YOLO11 的电力线路绝缘子智能检测系统

让无人机拍回来的几千张巡检图，自动告诉运维"画面里几串绝缘子，分别在哪"。

一、背景

视频演示与源码下载

https://www.bilibili.com/video/BV1fmar6PEkJ/

包含：
📦完整项目源码
📦预训练模型权重
🗂️数据集

1.1 行业痛点

输配电线路是城市电网的"动脉"，绝缘子作为支撑导线、防止漏电的关键金具，长期暴露在高压、雨雪、紫外辐射下，极易出现自爆、闪络、污秽。绝缘子位置定位是巡检的第一步，也是后续"缺陷分类、状态评估、自动告警"等所有自动化任务的入口。

传统巡检的痛点：

输电塔少则三五公里一座，多则横跨山区，靠人去爬塔费时费力还危险；
改用无人机航拍 + 人工看片：拍 1 公里能产出几百张图，运维盯着电脑找绝缘子常常一天看不完；
不同塔型、不同视角下绝缘子尺度差异巨大（一串 vs 一片），传统模板匹配根本扛不住。

本项目用 YOLO11n 把"绝缘子在哪"做成一个单类高召回的检测模型，配套 Streamlit 前端，让运维从"翻图"变成"上传 → 看结果 → 导出 ROI"。

1.2 项目运行效果

1.3 项目介绍

核心创新点：

维度	说明
单类聚焦	`nc=1, names=['绝缘子']`，只解决"在哪"，不混"什么缺陷"，召回率拉满
多源接入	支持航拍图、巡检视频、现场摄像头三类输入；前端一键切换
多尺度鲁棒	训练集涵盖近景特写（一串绝缘子）到远景全景（整段杆塔），imgsz=640 + DFL 回归对小目标更稳
工程化	模型 ≈ 6MB，可下沉到边缘 AI 盒子（无人机机载 / 路口杆塔 IPC）
行业话术	UI 用国网蓝 + 高压警示橙，侧栏直接显示行业方向、典型场景、部署位置

技术栈：

层	选型
检测模型	YOLO11n（ultralytics 官方，预训练 yolo11n.pt）
训练框架	ultralytics ≥ 8.3
后端推理	Python 3.10 + PyTorch（CPU / MPS / CUDA / NVIDIA Jetson 自适应）
前端	Streamlit + Plotly
视频解码	OpenCV + imageio-ffmpeg
部署形态	Streamlit / Docker；可导出 ONNX 给机载推理

二、设计框架

┌──────────────────────────────────────────────┐ │ 巡检终端 │ │ 无人机 RTK 影像 / 巡检视频 / 杆塔现场摄像头 │ └─────────────┬────────────────────────────────┘ ▼ HTTP（默认 8501） ┌──────────────────────────────────────────────┐ │ Streamlit 应用 app/streamlit_app.py │ │ ├─ 单张航拍图 / 批量巡检图 / 视频 / 摄像头 │ │ ├─ infer_image_path() 单帧推理 │ │ └─ render_batch_analysis() 类别 + 数量图表 │ └─────────────┬────────────────────────────────┘ ▼ ultralytics.YOLO ┌──────────────────────────────────────────────┐ │ YOLO11n 推理引擎 │ │ model/best.pt（单类：绝缘子） │ └──────────────────────────────────────────────┘

YOLO11 网络结构（一图速通）：

输入 640×640 │ ┌───▼──── Backbone（C3k2 + SPPF） ────┐ │ 多尺度特征 P3 / P4 / P5 │ └───┬───────────────────────────────┘ │ ┌───▼──── Neck（FPN + PAN） ─────────┐ │ 小目标（远景绝缘子）特征上采样融合 │ └───┬───────────────────────────────┘ │ ┌───▼── Head（Decoupled + DFL） ─────┐ │ 分类（1 类）+ DFL 边框回归 │ └───┬───────────────────────────────┘ │ 输出：N×(x1,y1,x2,y2,conf,绝缘子)

YOLO11 相比 YOLOv8：Backbone 用 C3k2 取代 C2f，参数下降；Head 引入 DFL 让边框定位更稳；保留 Anchor-Free + Decoupled Head。绝缘子在巡检图里尺度跨度大、长宽比悬殊（细长串联结构），YOLO11 的多尺度特征 + DFL 是非常合适的组合。

检测流程：

航拍图/视频帧 ──▶ letterbox 640 ──▶ YOLO11n 推理 │ ▼ conf ≥ 0.30 + NMS（IoU 0.7） │ ▼ result.plot() 画框 │ ▼ Pandas 整理 → 每图目标数 / 平均置信度 → 图表

三、代码结构（核心 50 行）

# app/streamlit_app.py（节选）frompathlibimportPathimportstreamlitasst,pandasaspd,yamlfromultralyticsimportYOLO ROOT=Path(__file__).parent.parent MODEL_PATH=ROOT/"model"/"best.pt"CFG=yaml.safe_load(open(ROOT/"configs"/"project.yaml",encoding="utf-8"))INFER_CFG=CFG.get("inference",{})DEFAULT_CONF=float(INFER_CFG.get("conf",0.30))# 巡检场景默认 0.30，避免漏检@st.cache_resource(show_spinner=False)defload_model(p:str)->YOLO:returnYOLO(p)# ① 权重只加载一次definfer_image_path(model:YOLO,image_path:Path,conf:float):result=model.predict(str(image_path),conf=conf,verbose=False)[0]# ② 单帧推理annotated=result.plot()# ③ 画框rows=[]ifresult.boxesisnotNone:forboxinresult.boxes:cls_id=int(box.cls.item())x1,y1,x2,y2=[float(v)forvinbox.xyxy[0].tolist()]rows.append({"class_name":result.names[cls_id],"confidence":round(float(box.conf.item()),4),"x1":round(x1,1),"y1":round(y1,1),"x2":round(x2,1),"y2":round(y2,1),})returnannotated[:,:,::-1],pd.DataFrame(rows)# ④ BGR→RGB + 结构化结果# ---------- Streamlit 入口（航拍图分支） ----------st.set_page_config(page_title=CFG["app"]["title"],layout="wide")conf=st.sidebar.slider("置信度阈值",0.1,0.9,DEFAULT_CONF,0.05)model=load_model(str(MODEL_PATH))mode=st.radio("输入类型",["航拍 / 巡检图片","批量巡检图","巡检视频","现场摄像头"],horizontal=True)ifmode=="航拍 / 巡检图片":up=st.file_uploader("上传巡检图片",type=["jpg","jpeg","png","webp","bmp"])ifupisnotNone:annotated,df=infer_image_path(model,Path(up.name),conf)col1,col2=st.columns(2)col1.image(up.getvalue(),caption="原图")col2.image(annotated,caption="检测结果")st.dataframe(df)

5 段解析：

@st.cache_resource—— YOLO 权重缓存，从冷启动 ~1.5s 降到首屏 50ms。
DEFAULT_CONF=0.30—— 巡检场景比通用场景更怕漏检（漏掉一串绝缘子可能错过隐患），所以阈值刻意调低于一般默认 0.25 + NMS 0.7 的组合。
model.predict(...)[0]—— ultralytics 一行完成 letterbox、推理、NMS；[0]因接口默认返回 list（视频每帧一个 Result）。
result.plot()—— 直接拿到带框的可视化图，运维一眼能看清"几串绝缘子+分别在哪"。
mode = st.radio(...)—— 用 Streamlit 路由把单图、批量、视频、摄像头四类输入统一进同一个 app，下游 ROI 导出、缺陷子模型都能复用。

四、训练效果

模型基于yolo11n.pt在 2000 张真实电力巡检图（含不同地理环境、天气条件）上训练 200 个 epoch，imgsz=640、batch=16。最终训练表现：

指标	数值
Precision	0.896
Recall	0.958
mAP@0.5	0.975
mAP@0.5:0.95	0.868

训练曲线总览：

box / cls / dfl 三路损失在 80 个 epoch 后收敛，mAP@0.5 长期稳定在 0.97 附近，mAP@0.5:0.95 也有 0.86，说明边框回归质量很高（不仅"找到"，而且"框得准"）。

PR 曲线：

PR 曲线几乎贴着右上角的边——单类目标 + 数据集质量较高的典型表现。

归一化混淆矩阵：

对角线接近 1，"绝缘子 → 绝缘子"几乎全召回；剩余的少量误差落在 background（被山体或塔架严重遮挡的远景），属于工程上可以接受的范围，下一步可通过加入跟踪、多帧融合解决。

五、项目总结

做对了什么：

任务拆解到位：先把"在哪"做穿（高召回单类检测），再让下游缺陷子模型基于 ROI 做分类，比一上来就堆多类多任务靠谱得多。
轻量化部署：6MB 权重 + ONNX 导出能力，适配无人机机载、杆塔 IPC、巡检平板等多种边缘形态。
配置驱动 UI：行业方向、典型场景、部署位置全在configs/project.yaml，下次复用到换"杆塔金具"或"导线断股"只要改 yaml + 换权重。

还能怎么做：

增加缺陷子模型：自爆、闪络、串型变形等做多标签分类，与本项目串联；
多模态：可见光 + 红外双模 ROI 拼接，能更稳地识别加热异常；
跟踪 + 历史对比：与上一次航拍图做 ROI 对齐，自动告警"这串绝缘子上次没有今天有"。

一句话总结：把"绝缘子在哪"这一块做穿做透，让无人机拍的几千张巡检图自动分流出"需人工复核"的小集合，是 YOLO11n 在电力运维里的一个非常对症的落点。

企业官网建设流程全解析