早期检测一次配电系统中受损（部分损坏）的户外绝缘子对持续供电和公共安全至关重要。 无人机（UAV）提供了一种更安全、自主、高效的方法来检查环境不关闭配电系统的电力系统组件。在这部作品中，一部小说数据集是通过使用无人机捕捉真实图像和手动生成的图像来设计的克服数据不足的问题。基于深拉普拉斯金字塔的超分辨率图像该网络用于重建高分辨率的训练图像。提高微光图像，微光图像增强技术用于鲁棒曝光校正训练图像的一部分。

采用pytorch深度学习框架实现的deeplab_v3+语义分割任务，谷歌deeplab系列性能最好也是最复杂的一个版本，可满足绝大部分基础语义分割场景。主干网络在算力不足时可选择轻量版的mobilenet_v2，算力足够时可选择Xception。 deeplab_v3+：用一个简单有效的解码器模块扩展deeplab_v3优化细分结果，尤其是沿目标边界。此外，在这种编码器 - 解码器结构中，可以通过空洞卷积任意地控制所提取的编码器特征的分辨率，以平衡准确率和运行时间。 本代码可作为入门计算机视觉语义分割任务时的学习了解用处，也可作为高校大学生的毕业课程设计使用。

当前yolo系列性能最好的目标检测算法！！！（同时轻微降点实现端到端检测），相对于yolo_v4,yolo_v5,pp_yolo等性能较好的算法，在速度仅仅增加1ms左右的情况下，mAP精度实现0.8-2.9左右的涨点。本算法是根据旷视科技开源算法yolox复现的pytorch版本，内含各种对数据集处理，裁剪，数据增强的脚本，标注好的数据集，推理结果以及详细的使用说明，可轻松迁移到其他例如车牌人脸虫害识别，遥感、缺陷、自动驾驶等检测业务场景。也可作为高校大学生的毕业课程设计使用。

配网低压绝缘子缺陷检测数据集（含txt标签，1w多张图像）

输电线路绝缘子检测数据集（VOC标签，160多张原图，无扩充）

内含复合绝缘子憎水性等级图像样本，共计4536张图像，含有HC1-HC7等级，每类最少600张图像，可用于憎水性等级识别，判断复合绝缘子的憎水性情况，是否进行更换............

绝缘子憎水性等级识别图像数据集(200多张，HC1-HC7)

绝缘子憎水性等级识别图像数据集（划分好训练集、测试集、HC1-HC7每类600多张）

绝缘子自爆检测图像数据集（可自行扩充）

绝缘子憎水性等级图像识别数据集（HC1-HC7每类几百张图像，已划分好训练、验证及测试）