基于InsPLAD数据集和YOLO11的电力设备智能识别与缺陷检测系统，支持17种电力资产类别识别和智能缺陷状态检测，为电力设备运维提供AI赋能解决方案。
本项目是一个完整的电力资产缺陷识别系统，集成了设备检测、缺陷分类、实时监测等功能，旨在提升电力设备运维效率和安全性。系统采用最新的YOLO11模型架构，结合InsPLAD专业数据集，实现了高精度的电力设备识别和缺陷检测。
- 提升运维效率：自动化识别替代人工巡检，提高检测速度和覆盖率
- 增强安全保障：实时缺陷检测，及时发现安全隐患
- 降低运营成本：减少人力投入，优化资源配置
- 数据驱动决策：提供详细的检测数据和分析报告
- 批量上传处理：支持多种图片格式（JPG、PNG、BMP、WEBP）
- 实时识别标注：上传即检测，实时显示边界框和标签
- 多目标检测：单张图片可同时识别多个电力设备
- 高精度识别：基于YOLO11m模型，在测试环境中表现良好
- 结果可视化：在原图上绘制检测框和标签信息
- 摄像头实时检测：支持浏览器内置摄像头，实时画面分析
- 动态频率调节：0.1-10帧/秒可调，用户可根据设备性能调整
- 智能并发控制：避免同时发送过多请求，保证系统稳定性
- 性能优化模式：提供跳帧、降采样等优化策略
- 检测结果叠加：在视频画面上实时显示检测框
- 多文件上传：支持同时上传多个图片和视频文件
- 进度实时跟踪：显示处理进度和当前文件状态
- 任务管理：支持取消正在进行的批量任务
- 流量计费：基于文件大小进行用量统计
- 结果导出：批量下载处理结果
- 双角色系统：管理员和普通用户角色
- 功能权限控制：图片识别、批量处理、实时检测权限管理
- 使用量统计：记录用户使用次数和时长
- 账户状态管理：支持账户禁用、权限调整
- 操作日志记录：完整记录用户操作历史
- 使用统计报告：管理员可查看系统使用情况
- 权限变更日志：记录管理员操作历史
- 用户信息管理：基本的用户信息查看和编辑
- 模型类型：YOLOv11-medium 目标检测模型
- 训练数据集：基于电力设备数据集训练
- 检测类别：17种电力资产设备类型
- 模型文件：约50MB
- 部署方式：CPU推理，支持GPU加速
- 模型类型：YOLOv11-medium 分类模型
- 分类任务：二元分类（正常/缺陷）
- 处理流程：先检测设备，再对检测区域进行缺陷分类
Vue 3.4+ # 渐进式JavaScript框架
TypeScript 5.0+ # JavaScript超集，提供类型安全
Element Plus 2.4+ # Vue 3组件库
Vite 4.0+ # 现代化构建工具
Axios 1.6+ # HTTP客户端
Vue Router 4.0+ # 官方路由管理器
Pinia 2.1+ # 状态管理
Python 3.8+ # 编程语言
Flask 2.3+ # 轻量级Web框架 (采用Blueprints模块化架构)
ultralytics 8.0+ # YOLO模型推理框架
OpenCV 4.8+ # 计算机视觉库
Pillow 10.0+ # 图像处理库
PyMySQL # MySQL数据库连接
Flask-CORS # 跨域请求处理
- 进入后端目录：
cd Backend - 安装依赖：
pip install -r requirements.txt
- 启动服务 (默认端口 8090)：
python app.py
- 进入前端目录：
cd Web - 安装依赖：
npm install
- 启动开发服务器 (默认端口 5173)：
npm run dev
本系统采用前后端分离架构：
- 前端 (Frontend): Vue 3 + Vite，构建后生成静态文件 (HTML/CSS/JS)。
- 后端 (Backend): Flask API 服务，提供数据接口和模型推理能力。
- 前端打包: 运行
npm run build生成dist目录。 - Web服务器 (Nginx):
- 将
dist目录部署到 Nginx 静态资源路径。 - 配置反向代理 (Reverse Proxy)，将
/api开头的请求转发到后端服务 (如http://localhost:8090)。
- 将
- 后端服务: 建议使用 Gunicorn (Linux) 或 Waitress (Windows) 运行 Flask 应用，确保稳定性。
HTTPS支持 # 前后端HTTPS加密通信
Vite开发服务器 # 前端开发环境
Flask开发服务器 # 后端开发环境
自签名SSL证书 # 开发环境HTTPS支持
本系统使用电力设备相关数据集进行训练，包含：
- 覆盖设备：17种常见电力线路设备类型
- 图像质量：适合目标检测任务的标注数据
- 应用场景：电力设备巡检和状态监测
- 数据格式：YOLO格式标注，支持边界框检测
系统能够识别以下17种电力设备类型：
| 编号 | 英文名称 | 中文名称 |
|---|---|---|
| 1 | Damper-Spiral | 螺旋阻尼器 |
| 2 | Damper-Stockbridge | 斯托克布里奇阻尼器 |
| 3 | Glass Insulator | 玻璃绝缘子 |
| 4 | Glass Insulator Big Shackle | 大卸扣玻璃绝缘子 |
| 5 | Glass Insulator Small Shackle | 小卸扣玻璃绝缘子 |
| 6 | Glass Insulator Tower Shackle | 塔用卸扣玻璃绝缘子 |
| 7 | Lightning Rod Shackle | 避雷针卸扣 |
| 8 | Lightning Rod Suspension | 避雷针悬挂 |
| 9 | Tower ID Plate | 塔身标识牌 |
| 10 | Polymer Insulator | 聚合物绝缘子 |
| 11 | Polymer Insulator Lower Shackle | 聚合物绝缘子下卸扣 |
| 12 | Polymer Insulator Upper Shackle | 聚合物绝缘子上卸扣 |
| 13 | Polymer Insulator Tower Shackle | 聚合物绝缘子塔用卸扣 |
| 14 | Spacer | 间隔棒 |
| 15 | Vari-grip | 防振锤 |
| 16 | Yoke | 横担 |
| 17 | Yoke Suspension | 横担悬挂 |
graph TD
A[用户上传图片] --> B[前端预处理]
B --> C[发送到后端API]
C --> D[图片格式验证]
D --> E[YOLO11m设备检测]
E --> F[提取检测区域]
F --> G[YOLO11m-cls缺陷分类]
G --> H[结果后处理]
H --> I[返回JSON结果]
I --> J[前端渲染显示]
graph TD
A[启动摄像头] --> B[浏览器权限请求]
B --> C[摄像头流初始化]
C --> D[开始实时检测]
D --> E[帧提取与预处理]
E --> F[发送到后端]
F --> G[模型推理]
G --> H[返回检测结果]
H --> I[前端绘制检测框]
I --> J{继续检测?}
J -->|是| E
J -->|否| K[停止检测并记录时长]
graph TD
A[选择多个文件] --> B[文件格式验证]
B --> C[计算所需流量]
C --> D[检查用户配额]
D --> E[创建后台任务]
E --> F[逐个处理文件]
F --> G[更新处理进度]
G --> H[返回处理结果]
H --> I[扣除用户配额]
-
图片识别界面
- 文件上传区域（支持拖拽）
- 检测结果实时显示
- 检测框和标签可视化
- 置信度信息显示
-
实时检测界面
- 摄像头设备选择
- 检测频率手动调节
- 性能模式开关
- 实时检测框叠加显示
- 检测统计信息
-
批量处理界面
- 多文件选择上传
- 实时进度条显示
- 任务管理（暂停/取消）
- 处理结果下载
-
管理后台界面
- 用户列表管理
- 权限设置界面
- 操作日志查看
- 系统使用统计
-
用户中心界面
- 个人信息显示
- 使用量统计
- 操作历史记录
# 系统要求
OS: Windows 10/11, Linux, macOS
RAM: 4GB+ (推荐8GB+)
网络: 支持HTTPS的现代浏览器
# 软件依赖
Python: 3.8-3.11
Node.js: 16.0+
Git: 2.0+
MySQL: 5.7+ (用于数据存储)- 克隆项目
git clone https://github.com/wskk267/ElectricAssetDefectRecognition.git
cd ElectricAssetDefectRecognition- 后端环境配置
cd Backend
python -m venv venv
# Windows
venv\Scripts\activate
# Linux/macOS
source venv/bin/activate
pip install -r requirements.txt- 前端环境配置
cd Web
npm install
# 或使用 yarn
yarn install- 配置数据库
# 配置MySQL数据库连接
# 在Backend/app.py中修改数据库配置
POOL = dbutils.PooledDB(
creator=pymysql,
host='localhost',
port=3306,
user='your_username',
password='your_password',
database='ead'
)- 启动服务
# 启动后端 (端口: 8090)
cd Backend
python app.py
# 启动前端 (端口: 5173)
cd Web
npm run dev- 访问系统
- 前端界面：https://localhost:5173 (开发环境使用HTTPS)
- 后端API：https://localhost:8090
- 默认测试账户：guest/guest (普通用户)
POST /api/login
Content-Type: application/json
{
"username": "admin",
"password": "admin123"
}POST /api/predict
Content-Type: multipart/form-data
Authorization: Bearer <token>
file: [图片文件]POST /api/batch
Content-Type: multipart/form-data
Authorization: Bearer <token>
files: [多个图片/视频文件]POST /api/realtime/detect
Content-Type: multipart/form-data
Authorization: Bearer <token>
file: [视频帧]{
"success": true,
"data": {
"detected_objects": 3,
"predictions": [
{
"id": 1,
"asset_category": "玻璃绝缘子",
"defect_status": "正常",
"confidence": 0.853,
"center": {"x": 0.456, "y": 0.332},
"width": 0.124,
"height": 0.187
}
],
"inference_time_ms": 250.5
},
"remaining_limit": 9
}ElectricAssetDefectRecognition/
├── Backend/ # 后端服务
│ ├── app.py # Flask主应用
│ ├── workerImage.py # 图像处理模块
│ ├── best.pt # 设备检测模型
│ ├── last.pt # 缺陷分类模型
│ ├── generate_cert.py # SSL证书生成脚本
│ ├── cert.pem # SSL证书文件
│ ├── key.pem # SSL私钥文件
│ └── uploads/ # 临时上传目录
├── Web/ # 前端应用
│ ├── src/
│ │ ├── user/ # 用户功能模块
│ │ │ ├── ImageRecognition.vue # 图片识别
│ │ │ ├── RealtimeDetection.vue # 实时检测
│ │ │ ├── BatchProcessing.vue # 批量处理
│ │ │ └── UserProfile.vue # 用户中心
│ │ ├── admin/ # 管理功能模块
│ │ │ ├── UserManagement.vue # 用户管理
│ │ │ ├── DataAnalysis.vue # 数据分析
│ │ │ └── LogViewer.vue # 日志查看
│ │ ├── components/ # 公共组件
│ │ │ ├── login.vue # 登录组件
│ │ │ ├── EnhancedTable.vue # 表格组件
│ │ │ └── UserFormDialog.vue # 用户表单
│ │ ├── router/ # 路由配置
│ │ ├── axios.js # HTTP请求配置
│ │ └── composables/ # 组合式API
│ ├── public/ # 静态资源
│ ├── package.json # 前端依赖
│ └── vite.config.js # 构建配置
├── README.md # 项目说明
# 测试图片识别功能
1. 访问图片识别页面
2. 上传测试图片
3. 查看检测结果
# 测试实时检测功能
1. 访问实时检测页面
2. 允许摄像头权限
3. 开启实时检测
4. 观察检测效果
# 测试批量处理功能
1. 访问批量处理页面
2. 选择多个文件上传
3. 查看处理进度
4. 下载处理结果| 指标 | YOLO11m检测 | 备注 |
|---|---|---|
| 推理速度(GPU) | ~50ms | 依硬件配置而定 |
| 推理速度(CPU) | ~200ms | 依硬件配置而定 |
| 模型大小 | ~50MB | YOLO11m标准模型 |
| 支持分辨率 | 640x640 | 可调整 |
| 指标 | 值 | 备注 |
|---|---|---|
| 单图处理时间 | <1s | 包含网络传输 |
| 支持格式 | JPG/PNG/GIF等 | 常见图片格式 |
| 上传限制 | 16MB | 单文件大小 |
| 并发处理 | 基础支持 | 依服务器配置 |
- 用户上传图片仅临时存储，处理完成后自动删除
- 支持HTTPS加密传输
- 敏感数据加密存储
- JWT token身份验证
- 基于角色的权限控制(RBAC)
- API请求频率限制
# Backend/app.py中的主要配置
class Config:
# 模型文件路径
DETECTION_MODEL_PATH = 'best.pt'
# 文件上传配置
MAX_CONTENT_LENGTH = 16 * 1024 * 1024 # 16MB
ALLOWED_EXTENSIONS = {'png', 'jpg', 'jpeg', 'gif', 'bmp', 'webp'}
# 数据库配置 (MySQL)
DATABASE_CONFIG = {
'host': 'localhost',
'port': 3306,
'user': 'your_username',
'password': 'your_password',
'database': 'ead'
}
# SSL配置
SSL_CERT = 'cert.pem'
SSL_KEY = 'key.pem'// Web/src/axios.js中的配置
import axios from 'axios'
const instance = axios.create({
baseURL: '', // 使用代理，无需指定完整URL
timeout: 30000,
headers: {
'Content-Type': 'application/json'
}
})
// Web/vite.config.js中的代理配置
export default defineConfig({
server: {
https: true,
proxy: {
'/api': {
target: 'https://localhost:8090',
changeOrigin: true,
secure: false
}
}
}
})Q: 模型加载失败？ A: 检查best.pt文件是否存在于Backend目录，确保模型文件完整
Q: 实时检测功能不可用？ A: 检查浏览器是否支持摄像头权限，确认HTTPS环境配置正确
Q: 上传文件失败？ A: 确认文件大小不超过16MB，格式为支持的图片类型
Q: HTTPS连接问题？ A: 使用自签名证书时，需要在浏览器中手动信任证书
# 查看后端运行状态
# 后端启动时会在终端显示运行日志
# 查看前端开发服务器日志
# 前端启动时会在终端显示编译和请求日志
# 查看浏览器控制台
# 打开浏览器开发者工具 -> Console 查看前端日志- Fork项目到个人仓库
- 创建功能分支：
git checkout -b feature/new-feature - 提交更改：
git commit -am 'Add new feature' - 推送分支：
git push origin feature/new-feature - 创建Pull Request
- Python: 遵循PEP 8规范
- TypeScript: 使用ESLint + Prettier
- Vue: 遵循Vue官方风格指南
- 提交信息: 使用Conventional Commits格式
- Ultralytics团队：提供优秀的YOLO11模型框架
- Vue.js社区：提供现代化的前端开发框架
- Flask社区：提供轻量级的Python Web框架
- 开源社区：提供各种优秀的开源工具和库
- 项目地址：GitHub Repository
- 问题反馈：Issues
- 邮箱联系：wskk267@gmail.com
- 技术交流(QQ)：1392380894
⭐ 如果这个项目对您有帮助，请给个Star支持一下！