文章目录一前言二核心技术知识1.PyQt52.YOLOv83.DeepSeek4.CSV5.多线程6.关于变压器1.变压器漏油三核心功能1.登录注册1.登录2.注册2.主界面3.图像检测界面1.检测结果展示2.导出检测结果3.可视化展示4.AIDeepSeek智能分析4.视频检测界面1.视频文件检测2.摄像头内容检测5.系统设置界面6.关于软件界面四数据集1.数据准备2.数据集处理1.数据集标注文件类型转换2.数据集拆分3.模型训练五问题统一回答1.数据库1.users用户信息表2.detect_history 检测历史表2.如何修改文案3.如何修改图片资源4.如何更换API Key5.运行最佳分辨率6.如何隐藏部分功能7.软件系统架构图六项目运行环境1.项目依赖2.项目结构七总结本系统功能强大支持对图片、视频、视频流、摄像头中的变压器漏油现象进行检测支持多种数据数据源输入并且接入了AI实现了对当前分析结果的评估欢迎了解一前言在电力系统中变压器作为关键设备其运行安全直接关系到电网的稳定性与供电可靠性。变压器漏油是常见且高风险的运行缺陷之一可能引发绝缘性能下降、设备过热甚至火灾事故。早期漏油检测主要依赖人工巡检与经验判断不仅效率低、主观性强而且在高压、偏远或恶劣环境下存在较大安全隐患。随着电力系统规模扩大和智能化需求提升传统检测方式已难以满足现代运维要求。计算机视觉与人工智能技术的发展为设备状态监测提供了新思路。深度学习目标检测算法的成熟使得从图像中自动识别复杂缺陷成为可能。YOLO系列算法以其实时性强、精度高的特点在工业检测领域得到广泛应用。YOLOv8在网络结构和推理效率上的进一步优化为变压器漏油这种细粒度目标检测提供了可靠技术基础。同时PyQt5作为成熟的桌面应用开发框架能够快速构建稳定、可视化程度高的人机交互界面便于系统在实际运维场景中部署和使用。引入DeepSeek等大模型技术则赋予系统更强的智能分析与辅助决策能力。通过对检测结果、历史数据和运维知识的综合理解系统不仅能够完成漏油识别还可提供原因分析、风险评估和处理建议推动检测系统从“看得见”向“看得懂”转变。基于PyQt5YOLOv8DeepSeek的变压器漏油检测系统顺应了电力设备智能运维的发展趋势显著提升了检测效率与准确性降低了人工成本和安全风险对保障电网安全运行、推动电力行业数字化和智能化具有重要的工程意义和应用价值。二核心技术知识在这章我将要介绍本系统的核心技术。1.PyQt5PyQt5 是一套用于创建跨平台桌面应用程序的 Python GUI 工具包它是 Qt 应用框架的 Python 绑定。通过 PyQt5开发者可以使用 Python 编写具有现代图形界面的应用程序支持丰富的控件、信号与槽机制、窗口管理、事件处理等功能。它兼容主流操作系统如 Windows、macOS 和 Linux适用于开发各种规模的桌面软件常与 Qt Designer 配合使用以加快开发效率。2.YOLOv8YOLOv8You Only Look Once version 8是由 Ultralytics 推出的最新一代实时目标检测模型属于 YOLO 系列的改进版本。相比前代模型YOLOv8 在精度、速度和灵活性上都有显著提升支持目标检测、图像分割、姿态估计等多任务处理。它采用了更加高效的网络结构和训练策略并提供开箱即用的 Python 接口和命令行工具适用于边缘设备和云端部署广泛应用于安防监控、自动驾驶、工业检测等场景。3.DeepSeekDeepSeek是由深度求索公司开发的AI大模型助手作为纯文本模型我擅长自然语言处理、文档分析和智能对话。当与YOLOYou Only Look Once实时目标检测系统结合时可以形成强大的多模态应用架构——YOLO系统负责实时视觉识别和目标检测快速准确地识别图像或视频流中的物体而我则对YOLO检测到的结果进行深度语义分析和上下文理解提供物体属性的详细解读、场景描述、行为分析以及决策建议。这种结合使得计算机视觉的“看到”与AI的“理解”完美融合可广泛应用于智能监控、自动驾驶、工业质检等领域实现从视觉感知到智能决策的完整闭环。4.CSV本系统使用CSV进行数据的存储与数据导出。CSVComma-Separated Values是一种简单通用的文本文件格式以纯文本形式存储表格数据。它用逗号分隔不同的字段每行代表一个数据记录类似于电子表格或数据库中的行。由于其格式简单、易于读写且兼容性强CSV被广泛应用于数据交换、导出和存储支持几乎所有常见的办公软件和编程语言处理是数据分析和系统间传输结构化信息时最常用的轻量级格式之一。5.多线程QThread 是 PyQt5 提供的线程类用于在界面程序中安全地执行耗时任务从而避免界面阻塞和卡顿。它允许将数据处理、模型推理、文件读写等操作放到独立线程中运行并通过信号与槽机制与主线程进行通信确保界面更新的稳定性与线程之间的安全交互。使用 QThread 可以显著提升应用程序的响应速度使界面在后台任务执行期间依旧保持流畅同时具备良好的扩展性与可维护性在复杂的桌面端应用开发中尤为常用。6.关于变压器变压器是一种利用电磁感应原理实现电能转换的电气设备主要用于改变交流电压和电流的大小而不改变其频率。它通常由铁芯和绕组组成初级绕组接入电源后产生交变磁通在铁芯中形成闭合磁路从而在次级绕组中感应出电动势。根据绕组匝数的不同变压器可以实现升压或降压。变压器广泛应用于电力系统中是输电、配电和用电环节不可或缺的核心设备。通过升高电压进行远距离输电可以有效降低线路损耗而在用电端再通过降压变压器将电压调整到安全、适用的等级。此外变压器还具有电气隔离、提高系统安全性和稳定性的作用在工业、通信和电子设备中同样发挥着重要作用。1.变压器漏油变压器漏油是电力设备运行中较为常见且需要高度重视的问题主要发生在油浸式变压器上。变压器油不仅起到绝缘作用还承担着散热和灭弧的重要功能一旦发生漏油会直接影响设备的安全性和可靠性。漏油通常表现为油位下降、外壳或连接部位出现油迹严重时甚至会形成滴漏或喷油现象。其产生原因较为复杂常见的包括密封垫老化、法兰连接松动、焊缝开裂、油箱腐蚀以及温度变化导致内部压力异常等。长期运行过程中橡胶密封材料在高温和油浸环境下容易硬化、失去弹性从而降低密封性能是引发漏油的主要因素之一。变压器漏油不仅会造成油品损失增加运行维护成本还可能导致绝缘水平下降局部过热甚至引发设备故障和火灾事故。同时泄漏的变压器油还会对环境造成污染带来安全和环保隐患。因此在日常运维中应加强对变压器油位、油色及密封部位的巡视检查及时发现异常情况。对于轻微渗油可通过紧固螺栓、更换密封垫等方式处理而对于结构性缺陷或严重漏油则需要停运检修甚至更换设备。通过科学的设计、规范的安装和细致的维护可以有效降低变压器漏油的发生率保障电力系统的安全稳定运行。三核心功能1.登录注册1.登录软件启动后首先进入登录页面用户需要输入正确的用户名和密码才能使用本系统的正式功能登录页面整体采用了垂直布局局部采用了水平布局登录界面简约不简单登录功能后端采用CSV本地文件存储用户信息每次登录都是通过查库进行验证的实现了流程标准化。我们设计了简约的登录注册界面展示与用户交互的所有组件登录注册界面的标题展示了系统的名称。2.注册没有账号的用户需要进行注册注册操作流程十分简单用户点击登录界面的注册按钮就跳转到了注册窗口用户需要输入自定义的用户名和两次匹配的密码才能完成登录值得一提的是成功注册的用户软件会自动填写用户名和密码到登录界面实现了登录流程路径的简化。2.主界面用户通过输入自己的用户名和密码登录到本系统后进入主界面主界面内容十分丰富我来一一介绍首先软件整体是垂直布局顶部是系统的标题从左到右依次展示了系统的作者信息、系统名称、当前时间以及CPU内存占用情况下方为水平布局左侧是系统的导航区域我们设计了windows风格支持展开与收缩的内容导航区域右侧是内容核心区域通过点击导航按钮切换展示内容主界面主要展示了以日期为维度统计的数据、用户信息操作按钮、系统信息、系统环境信息以及实时CPU、内存可视化折线图3.图像检测界面1.检测结果展示用户通过点击左侧导航栏按钮切换到图像检测界面在此界面支持选择图像进行输入用户选择完之后被选择的图像会展示在左侧并且展示图像绝对路径信息用户可以通过点击右侧的“进行检测”按钮对输入的图像数据进行检测系统会自动调用YOLOv8相关算法根据指定的参数对输入图像内容进行检测最后将检测结果展示到右侧这样用户可以通过比对左右图像的区别得到直观的检测结果系统自动使用红色边框框选出目标区域并且使用红色文字展示出目标类别以及它的置信度这些参数和展示效果都可以在设置页面进行详细设置。2.导出检测结果我们设置了检测结果区域包括检测目标数量的展示以及详细检测结果表格用户可以更加直观地看到检测结果数据另外当用户检测结束之后右侧的三个按钮自动设置为可以点击这三个按钮的作用分别是导出结果用户可以将检测结果进行导出导出的文件格式可以是Excel、CSV、TXT可以根据情况自行选择导出格式我截图给大家看下导出的Excel文件内容格式。3.可视化展示然后就是可视化展示用户可以点击进行可视化按钮查看对于本次检测的可视化效果系统内置了四种可视化效果分别是目标位置热力图、目标面积占比、置信度分布直方图、检测能力柱状图这些图标通过不同维度对当前数据进行了可视化展示更便于用户理解这里指的一体的是支持可视化图表进行导出操作用户可以点击紫色的导出按钮对当前的可视化效果图表进行导出生成一张本地的PNG图像文件。4.AIDeepSeek智能分析将YOLOv8球体检测系统与DeepSeek等AI大模型深度融合能够实现从“单纯检测”到“智能认知”的跨越式升级。该系统在YOLOv8高效精准的球体定位能力基础上融入了DeepSeek强大的语义理解和推理决策能力不仅可以实时识别球体位置还能深度分析场景语义、生成战术策略并提供智能决策支持从而在体育分析、工业质检和机器人视觉等领域构建出更加智能化、自适应的一体化解决方案。这里是软件的另外一个核心AI智能分析我们的目标检测系统接入了DeepSeek大模型支持对当前检测结果数据进行AI分析AI会通过不同维度对当前检测结果进行多角度分析最后生成检测结果分析报告用户可以根据这个结果对系统进行调整不断完善系统功能和目标检测准确度在AI分析结束后下方会展示一些按钮用户可以方便地复制结果、导出文本内容、生成PDF报告、重新生成以及关闭多重的操作方式给于用户了多种选择4.视频检测界面1.视频文件检测我们的系统支持视频内容中的球体检测支持输入的视频类型包括视频文件、视频流以及摄像头通过识别视频画面的内容对内容中的目标球体进行检测试试标注与展示通过相关帧率控制保证了视频的流畅性用户可以通过比对左右两侧的画面使用肉眼评估当前检测结果我们的视频检测界面拥有图像检测界面相同的操作功能这里不多赘述。2.摄像头内容检测用户点击进行检测按钮之后系统会自动调用摄像头打开摄像头展示摄像头画面实时检测目标画面中的球体通过左右画面比对让用户看到检测结果这里本人就不露脸啦~5.系统设置界面我们的系统是支持简单的参数设置的具体可以设置目标检测模型、置信度阈值Conf、交并比阈值IOU、还有一些检测结果控制参数比如检测框展示、目标类别展示、目标置信度展示用户可以点击绿色的刷新按钮刷新可用模型亦可通过点击退出按钮退出系统或者退出登录本设置页面实现了目标检测参数的灵活配置6.关于软件界面我们使用富文本html的形式展示了软件相关的信息包括系统用到的相关技术对于二维的数据使用二维表进行了展示最底部放置了四个按钮分别是关于YOLO、关于软件、关于作者、关于QT点击之后都会弹出对应的信息提示框这个页面的作用是让用户更多的了解软件和创作者信息跨过技术的鸿沟四数据集本系统为基于 PyQt5 YOLOv8 DeepSeek 的变压器漏油检测系统。系统所使用的数据集围绕变压器漏油目标在多场景、多角度、多工况条件下进行采集与构建旨在提升检测模型在真实电力运维环境中的适应性与鲁棒性。数据来源涵盖变电站室内外设备区、露天变压器平台、地下电缆廊道、工业厂区、夜间巡检监控、雨雪及高湿环境等多类复杂场景并综合考虑不同光照条件、摄像头分辨率、拍摄距离、视角变化、遮挡情况以及背景干扰因素使模型能够充分学习漏油区域在复杂环境下的外观特征与变化规律。图像样本中包含微渗漏、滴漏、流淌、油迹扩散、油污附着、反光油面、局部遮挡、远距离与小尺度漏油区域等多种状态覆盖不同型号变压器、不同油色、不同老化程度及运动模糊条件下的漏油特征。数据集不仅对漏油区域进行了精确的边界框标注还对漏油类型与标注置信度进行了严格校验确保训练过程中标签的一致性与可靠性。经过系统性的清洗、去重、数据增强与格式化处理后最终数据集能够充分满足 YOLOv8 等高性能目标检测模型的训练需求使模型在实际部署中具备更强的泛化能力即使在光照不足、油迹不明显或背景复杂的情况下仍能保持稳定、准确的漏油识别效果。该数据集为系统实现高精度、高实时性的变压器漏油智能检测提供了坚实的数据基础。1.数据准备本系统附带338张变压器漏油图像和338个数据标注文件大家可以根据自己的情况自行训练数据自己的模型我们使用VOC的格式存储数据标注文件单数据标注文件内容如下annotationfolder电力设备漏油/folderfilename010.jpg/filenamepathF:\机器视觉\电气数据集\电力巡检\电力设备漏油\010.jpg/pathsourcedatabaseUnknown/database/sourcesizewidth800/widthheight600/heightdepth3/depth/sizesegmented0/segmentedobjectnameoil/nameposeUnspecified/posetruncated0/truncateddifficult0/difficultbndboxxmin289/xminymin543/yminxmax366/xmaxymax593/ymax/bndbox/object/annotation2.数据集处理1.数据集标注文件类型转换直接使用VOC格式的数据标注文件进行训练是不行的需要我们将xml转成txt文件这段代码的作用是将指定文件夹中的 Pascal VOC 格式的 XML 标注文件批量转换为 YOLO 格式的 TXT 标注文件。它会先遍历所有 XML 自动统计有效类别并生成类别到 ID 的映射表忽略类别名为 not 的标注然后读取对应图片的尺寸将 XML 中的边界框坐标转换为 YOLO 的归一化格式class_id x_center y_center width height最后将生成的 TXT 文件保存到指定目录中便于直接用于 YOLO 训练。大家首先执行step1_yolo_to_txt.pyimportosimportxml.etree.ElementTreeasETfromPILimportImage# 原始路径xml_dirrE:\thunder_download\useful\done\oil\Annotationsimg_dirrE:\thunder_download\useful\done\oil\JPEGImages# YOLO标签输出路径yolo_txt_dirrE:\thunder_download\useful\done\oil\labelsos.makedirs(yolo_txt_dir,exist_okTrue)# 自动生成类别映射 class_map{}next_class_id0# 支持的图像扩展img_exts[.jpg,.jpeg,.png,.bmp]# 遍历 XML 文件forxml_fileinos.listdir(xml_dir):ifnotxml_file.endswith(.xml):continuexml_pathos.path.join(xml_dir,xml_file)treeET.parse(xml_path)roottree.getroot()# --- 以 XML 文件名匹配图像 ---baseos.path.splitext(xml_file)[0]img_pathNoneforextinimg_exts:candidateos.path.join(img_dir,baseext)ifos.path.exists(candidate):img_pathcandidatebreakifimg_pathisNone:print(fWarning: 图像文件与{xml_file}同名的图片不存在跳过)continue# 获取图像尺寸try:withImage.open(img_path)asimg:w,himg.sizeexceptExceptionase:print(f无法打开图片{img_path}:{e})continuetxt_lines[]# 遍历目标forobjinroot.findall(object):name_nodeobj.find(name)ifname_nodeisNone:continuelabelname_node.text.strip()# 自动分配 class_id iflabelnotinclass_map:class_map[label]next_class_id next_class_id1class_idclass_map[label]bndboxobj.find(bndbox)ifbndboxisNone:continuexminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)x_center((xminxmax)/2)/w y_center((yminymax)/2)/h box_width(xmax-xmin)/w box_height(ymax-ymin)/h txt_lines.append(f{class_id}{x_center:.6f}{y_center:.6f}{box_width:.6f}{box_height:.6f})# 保存 YOLO txttxt_file_pathos.path.join(yolo_txt_dir,base.txt)withopen(txt_file_path,w)asf:f.write(\n.join(txt_lines))# 输出类别映射 print(\n类别映射 class_map)fork,vinclass_map.items():print(f{v}:{k})print(f\n转换完成YOLO TXT 文件已保存在:{yolo_txt_dir})2.数据集拆分YOLO 推荐训练集和测试集按 8:2 划分主要是因为目标检测对样本量非常依赖需要尽可能多的训练数据来学习特征同时又必须保留足够的独立测试数据来评估模型的真实泛化能力。8:2 被证明在“训练数据够多”与“测试评估足够稳定”之间取得了较好平衡因此成为默认且通用的实践比例。这个脚本的作用是从已有的图片和 YOLO 标注文件中随机抽取 200 张图片并将它们按照训练集和验证集的比例进行划分然后将对应的图片和 TXT 标注文件复制到新的数据集目录中方便直接用于训练 YOLO 模型。脚本会先创建训练集和验证集的图片、标签子目录然后随机选择 200 张图片其中 40 张作为验证集其余 160 张作为训练集复制过程中会保证每张图片对应的标注文件也被同步复制如果标注文件不存在会生成一个空的 TXT 文件以保持文件结构完整。运行完成后新的数据集就整理好了可以直接用于训练和验证。。最终会在目标目录下生成执行脚本step2_auto_part.pyimport random import shutil # 原始数据路径 img_dir rE:\thunder_download\useful\done\oil\JPEGImages label_dir rE:\thunder_download\useful\done\oil\labels # 新数据集路径 dataset_dir rE:\thunder_download\useful\done\oil\dataset train_img_dir os.path.join(dataset_dir, train, images) train_label_dir os.path.join(dataset_dir, train, labels) val_img_dir os.path.join(dataset_dir, val, images) val_label_dir os.path.join(dataset_dir, val, labels) # 创建目录 for dir_path in [train_img_dir, train_label_dir, val_img_dir, val_label_dir]: os.makedirs(dir_path, exist_okTrue) # 获取所有图片文件 all_images [f for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .png, .jpeg))] # 随机抽取200张 if len(all_images) 200: raise ValueError(f图片数量不足200张当前数量: {len(all_images)}) selected_images random.sample(all_images, 200) # 分割训练集和验证集 random.shuffle(selected_images) val_images selected_images[:40] train_images selected_images[40:] def copy_files(image_list, target_img_dir, target_label_dir): for img_file in image_list: # 复制图片 src_img_path os.path.join(img_dir, img_file) dst_img_path os.path.join(target_img_dir, img_file) shutil.copy(src_img_path, dst_img_path) # 对应的txt label_file os.path.splitext(img_file)[0] .txt src_label_path os.path.join(label_dir, label_file) if os.path.exists(src_label_path): dst_label_path os.path.join(target_label_dir, label_file) shutil.copy(src_label_path, dst_label_path) else: # 如果没有对应txt文件创建一个空文件 open(os.path.join(target_label_dir, label_file), w).close() # 复制训练集 copy_files(train_images, train_img_dir, train_label_dir) # 复制验证集 copy_files(val_images, val_img_dir, val_label_dir) print(f随机抽取完成训练集: {len(train_images)} 张验证集: {len(val_images)} 张) print(f数据集路径: {dataset_dir})3.模型训练数据集准备好之后就可以开始模型训练了我们首先准备一个训练的配置文件比如说是data.yaml然后就可以开始模型训练了直接执行我们准备好的train.bat文件内容就是下面的内容yolotaskdetectmodetrainmodel../data/model/yolov8n.ptdata./data.yamlepochs30imgsz640batch16lr00.01然后模型就开始训练了这里我贴一些训练验证结果截图最后的results.png见下图训练效果还是可以的1.收敛过程非常稳定 训练 lossbox / cls / dfl整体持续下降 后期无明显震荡或发散说明优化过程健康、学习率设置合理2.验证集表现同步提升 val loss 与 train loss 走势一致 未出现验证集性能恶化泛化能力良好3.mAP 指标持续增长并稳定 mAP50 最终稳定在0.76 mAP50-95 达到 ≈0.48 后期波动小模型性能可靠4.Precision 与 Recall 达到较好平衡 最终 Precision ≈0.80Recall ≈0.80没有明显偏向“高召回低精度”或相反情况5.学习率调度效果明显 随着 LR 下降指标逐步抬升 后期小学习率阶段带来精细化性能提升6.模型具备良好的可扩展性 在当前结构下已达到稳定平台 通过增加数据、分辨率或模型规模性能有明确上升空间7.作为基线模型质量较高 可直接作为对比实验的 baseline 适合后续做数据增强、模型结构或超参改进我们的检测系统可以用在的应用场景1. 变电站日常巡检场景在变电站日常运维中系统部署于巡检终端或固定摄像头通过PyQt5提供可视化界面实时接入现场视频流。YOLOv8对变压器关键部位进行漏油目标检测DeepSeek对检测结果进行语义分析与风险判断自动生成巡检结论减少人工肉眼巡查强度提高漏油早期发现率与巡检效率。2. 无人值守变电站远程监控场景针对无人值守或偏远地区变电站系统可长期稳定运行通过网络将监控画面回传至监控中心。YOLOv8持续分析视频帧发现疑似漏油立即告警DeepSeek结合历史数据给出原因分析与处理建议PyQt5界面集中展示多站点状态实现远程智能运维与集中管理。3. 设备故障应急处置场景当变压器发生异常温升、油位变化等情况时系统可快速介入应急分析。通过调用历史图像与实时画面YOLOv8精确定位漏油区域DeepSeek辅助判断漏油发展趋势和潜在风险等级PyQt5端即时推送告警信息帮助运维人员快速制定应急处置方案降低事故扩散风险。4. 运维培训与技术辅助场景在新员工培训或技术支持中该系统可作为教学与辅助工具使用。PyQt5界面直观展示不同漏油案例YOLOv8标注关键特征DeepSeek对漏油类型、成因和处理措施进行自然语言讲解帮助运维人员快速理解复杂故障特征提升实际识别能力和专业判断水平。五问题统一回答在这个章节我将统一回答朋友们比较关心的问题1.数据库我们使用sqlite3作为数据存储数据库数据库中包含两个数据表用于存储我们的核心数据1.users用户信息表数据表结构CREATETABLEIFNOTEXISTSusers(idINTEGERPRIMARYKEYAUTOINCREMENT,usernameTEXTNOTNULLUNIQUE,passwordTEXTNOTNULL,last_loginTEXT,roleTEXTNOTNULL)字段名类型作用idINTEGER用户唯一ID自增主键usernameTEXT用户名唯一passwordTEXT用户密码last_loginTEXT最后登录时间roleTEXT用户角色如admin/userusers 表用途这个表主要用于用户注册用户登录认证用户权限管理登录时间记录2.detect_history 检测历史表表结构CREATETABLEIFNOTEXISTSdetect_history(idINTEGERPRIMARYKEYAUTOINCREMENT,typeVARCHAR(50),pathTEXT,totalVARCHAR(50),detailTEXT,detect_dateVARCHAR(50))函数名作用操作对象__init__()初始化数据库对象整体系统check_check_and_create()创建数据库目录文件系统execute_sql()执行SQL语句所有表create_tables()创建数据库表users / detect_historyregister_user()用户注册usersget_user_by_credentials()用户登录验证usersinit_default_user()初始化默认账号usersinsert_detect_history()插入检测历史detect_historyquery_users()分页查询用户usersquery_detect_history()分页查询检测记录detect_historyclear_detect_history()清空检测历史detect_history这个表用于保存AI检测结果图像检测历史视频分析结果文件识别记录2.如何修改文案全局搜索目标文案如果搜不到就删减关键字直到搜索到目标关键字这里以主界面右上角的作者信息来演示去掉此文案在线免直接进行字符串替换即可3.如何修改图片资源用户可能需要更换背景图或者登录界面logo图这里以修改背景图为例在src/resource/images找到对应文件找到自己准备好的图片最好是同样扩展名最后执行script/create_qrc.py脚本完成资源替换。4.如何更换API Key我们的系统是支持AI分析的用户要更换API Key的话可以找到src/conf/system_conf.py的deepseek_api_key替换此变量的值即可。5.运行最佳分辨率软件是在python3.8的windows环境下开发的推荐的分辨率为1920X10806.如何隐藏部分功能我们的软件包含多个界面通过左侧导航栏控制右侧内容页面展示用户如果需要隐藏功能可以这样操作找到src/conf/system_conf.py的page_config_items变量按照情况注释或者删除即可隐藏指定的页面7.软件系统架构图我们绘制了软件架构图详细地展示了软件系统层级架构以及数据流转拿到项目代码的朋友可以免费获取无水印版本系统架构图哦~下图为本系统的功能模块图直观地展示了系统的每个功能模块下图为用户操作流程图用户能够直观地看到系统每个具体的操作流程六项目运行环境本项目名称为yolov8-transformer--oil-leakage-detection1.项目依赖博主是在Windows电脑上使用Python3.8开发的本系统建议大家使用的Python版本别太高。其中项目依赖为PyQt55.15.11QtAwesome1.3.1torch2.4.1torchvision0.19.1Pillow9.3.0pyqtgraph0.13.3PyQtWebEngine5.15.5 opencv-python4.10.0.82ultralytics8.3.234Requests2.32.5pandas2.0.3numpy1.24.4Markdown3.4.4我已经整理到了requirements.txt大家直接使用命令pip install -r requirements.txt即可一键安装项目依赖其中的torch和torchvision只要匹配即可不一定非要和博主开发环境的版本一致。2.项目结构很多小伙伴担心拿到代码后项目看不懂这个大家不必担心我们采用文件类名对相关功能进行了模块化定义大家见名知意。下图博主采用tree命令生成了文件、目录树treeD:\projects\gitee\2025\yolov8-transformer--oil-leakage-detection/f /aD:\PROJECTS\GITEE\2025\yolov8-transformer--oil-leakage-detection|.gitignore|main.py程序入口|record.txt开发记录|requirements.txt项目依赖||---script|create_qrc.py|---src源代码核心目录|---conf配置内容|||icon_conf.py|||style_conf.py|||system_conf.py|||test_data.py|||__init__.py|||---engine核心引擎||engines.py||__init__.py|||---resource资源目录|||resource.qrc|||resource_rc.py|||__init__.py|||||\---imgs||ai.svg||bg.jpg|||---threads线程、信号总线||main_threads.py||signal_bus.py||__init__.py|||---utils工具方法、工具类||custom_utils.py||user_manager.py||__init__.py|||\---widgets组件目录|base_widgets.py|custom_pages.py|custom_widgets.py|main_page.py|unique_widgets.py|__init__.py七总结“基于 PyQt5YOLOv8DeepSeek 的变压器漏油检测系统”在电力设备智能运维领域具有重要意义。该系统将先进的深度学习目标检测算法 YOLOv8 与大模型 DeepSeek 的智能分析能力相结合实现对变压器漏油现象的自动识别、精准定位与辅助决策大幅提升检测效率与准确性降低人工巡检成本和主观误判风险。通过 PyQt5 构建可视化人机交互界面使检测结果直观呈现增强系统的易用性和工程实用价值。该系统能够实现对设备隐患的早期发现与预警有效避免因漏油引发的设备故障和安全事故提升电网运行的可靠性与安全性。同时该研究推动了人工智能技术在电力设备状态监测中的深度融合与应用对智能电网建设和电力行业数字化、智能化转型具有积极的示范和推广意义。本次给大家介绍了我使用PyQt5YOLOv8DeepSeek的变压器漏油就检测系统本系统功能强大支持多种数据源输入包含多种用户交互按钮以及模式内置数据可视化方案、大模型AI加持是您学习、工作使用的不错选择需要代码的朋友可以点击箭头下方的二维码加我好友欢迎您了解
【AI加持】基于PyQt5+YOLOv8+DeepSeek的变压器漏油检测系统（详细介绍）
文章目录一前言二核心技术知识1.PyQt52.YOLOv83.DeepSeek4.CSV5.多线程6.关于变压器1.变压器漏油三核心功能1.登录注册1.登录2.注册2.主界面3.图像检测界面1.检测结果展示2.导出检测结果3.可视化展示4.AIDeepSeek智能分析4.视频检测界面1.视频文件检测2.摄像头内容检测5.系统设置界面6.关于软件界面四数据集1.数据准备2.数据集处理1.数据集标注文件类型转换2.数据集拆分3.模型训练五问题统一回答1.数据库1.users用户信息表2.detect_history 检测历史表2.如何修改文案3.如何修改图片资源4.如何更换API Key5.运行最佳分辨率6.如何隐藏部分功能7.软件系统架构图六项目运行环境1.项目依赖2.项目结构七总结本系统功能强大支持对图片、视频、视频流、摄像头中的变压器漏油现象进行检测支持多种数据数据源输入并且接入了AI实现了对当前分析结果的评估欢迎了解一前言在电力系统中变压器作为关键设备其运行安全直接关系到电网的稳定性与供电可靠性。变压器漏油是常见且高风险的运行缺陷之一可能引发绝缘性能下降、设备过热甚至火灾事故。早期漏油检测主要依赖人工巡检与经验判断不仅效率低、主观性强而且在高压、偏远或恶劣环境下存在较大安全隐患。随着电力系统规模扩大和智能化需求提升传统检测方式已难以满足现代运维要求。计算机视觉与人工智能技术的发展为设备状态监测提供了新思路。深度学习目标检测算法的成熟使得从图像中自动识别复杂缺陷成为可能。YOLO系列算法以其实时性强、精度高的特点在工业检测领域得到广泛应用。YOLOv8在网络结构和推理效率上的进一步优化为变压器漏油这种细粒度目标检测提供了可靠技术基础。同时PyQt5作为成熟的桌面应用开发框架能够快速构建稳定、可视化程度高的人机交互界面便于系统在实际运维场景中部署和使用。引入DeepSeek等大模型技术则赋予系统更强的智能分析与辅助决策能力。通过对检测结果、历史数据和运维知识的综合理解系统不仅能够完成漏油识别还可提供原因分析、风险评估和处理建议推动检测系统从“看得见”向“看得懂”转变。基于PyQt5YOLOv8DeepSeek的变压器漏油检测系统顺应了电力设备智能运维的发展趋势显著提升了检测效率与准确性降低了人工成本和安全风险对保障电网安全运行、推动电力行业数字化和智能化具有重要的工程意义和应用价值。二核心技术知识在这章我将要介绍本系统的核心技术。1.PyQt5PyQt5 是一套用于创建跨平台桌面应用程序的 Python GUI 工具包它是 Qt 应用框架的 Python 绑定。通过 PyQt5开发者可以使用 Python 编写具有现代图形界面的应用程序支持丰富的控件、信号与槽机制、窗口管理、事件处理等功能。它兼容主流操作系统如 Windows、macOS 和 Linux适用于开发各种规模的桌面软件常与 Qt Designer 配合使用以加快开发效率。2.YOLOv8YOLOv8You Only Look Once version 8是由 Ultralytics 推出的最新一代实时目标检测模型属于 YOLO 系列的改进版本。相比前代模型YOLOv8 在精度、速度和灵活性上都有显著提升支持目标检测、图像分割、姿态估计等多任务处理。它采用了更加高效的网络结构和训练策略并提供开箱即用的 Python 接口和命令行工具适用于边缘设备和云端部署广泛应用于安防监控、自动驾驶、工业检测等场景。3.DeepSeekDeepSeek是由深度求索公司开发的AI大模型助手作为纯文本模型我擅长自然语言处理、文档分析和智能对话。当与YOLOYou Only Look Once实时目标检测系统结合时可以形成强大的多模态应用架构——YOLO系统负责实时视觉识别和目标检测快速准确地识别图像或视频流中的物体而我则对YOLO检测到的结果进行深度语义分析和上下文理解提供物体属性的详细解读、场景描述、行为分析以及决策建议。这种结合使得计算机视觉的“看到”与AI的“理解”完美融合可广泛应用于智能监控、自动驾驶、工业质检等领域实现从视觉感知到智能决策的完整闭环。4.CSV本系统使用CSV进行数据的存储与数据导出。CSVComma-Separated Values是一种简单通用的文本文件格式以纯文本形式存储表格数据。它用逗号分隔不同的字段每行代表一个数据记录类似于电子表格或数据库中的行。由于其格式简单、易于读写且兼容性强CSV被广泛应用于数据交换、导出和存储支持几乎所有常见的办公软件和编程语言处理是数据分析和系统间传输结构化信息时最常用的轻量级格式之一。5.多线程QThread 是 PyQt5 提供的线程类用于在界面程序中安全地执行耗时任务从而避免界面阻塞和卡顿。它允许将数据处理、模型推理、文件读写等操作放到独立线程中运行并通过信号与槽机制与主线程进行通信确保界面更新的稳定性与线程之间的安全交互。使用 QThread 可以显著提升应用程序的响应速度使界面在后台任务执行期间依旧保持流畅同时具备良好的扩展性与可维护性在复杂的桌面端应用开发中尤为常用。6.关于变压器变压器是一种利用电磁感应原理实现电能转换的电气设备主要用于改变交流电压和电流的大小而不改变其频率。它通常由铁芯和绕组组成初级绕组接入电源后产生交变磁通在铁芯中形成闭合磁路从而在次级绕组中感应出电动势。根据绕组匝数的不同变压器可以实现升压或降压。变压器广泛应用于电力系统中是输电、配电和用电环节不可或缺的核心设备。通过升高电压进行远距离输电可以有效降低线路损耗而在用电端再通过降压变压器将电压调整到安全、适用的等级。此外变压器还具有电气隔离、提高系统安全性和稳定性的作用在工业、通信和电子设备中同样发挥着重要作用。1.变压器漏油变压器漏油是电力设备运行中较为常见且需要高度重视的问题主要发生在油浸式变压器上。变压器油不仅起到绝缘作用还承担着散热和灭弧的重要功能一旦发生漏油会直接影响设备的安全性和可靠性。漏油通常表现为油位下降、外壳或连接部位出现油迹严重时甚至会形成滴漏或喷油现象。其产生原因较为复杂常见的包括密封垫老化、法兰连接松动、焊缝开裂、油箱腐蚀以及温度变化导致内部压力异常等。长期运行过程中橡胶密封材料在高温和油浸环境下容易硬化、失去弹性从而降低密封性能是引发漏油的主要因素之一。变压器漏油不仅会造成油品损失增加运行维护成本还可能导致绝缘水平下降局部过热甚至引发设备故障和火灾事故。同时泄漏的变压器油还会对环境造成污染带来安全和环保隐患。因此在日常运维中应加强对变压器油位、油色及密封部位的巡视检查及时发现异常情况。对于轻微渗油可通过紧固螺栓、更换密封垫等方式处理而对于结构性缺陷或严重漏油则需要停运检修甚至更换设备。通过科学的设计、规范的安装和细致的维护可以有效降低变压器漏油的发生率保障电力系统的安全稳定运行。三核心功能1.登录注册1.登录软件启动后首先进入登录页面用户需要输入正确的用户名和密码才能使用本系统的正式功能登录页面整体采用了垂直布局局部采用了水平布局登录界面简约不简单登录功能后端采用CSV本地文件存储用户信息每次登录都是通过查库进行验证的实现了流程标准化。我们设计了简约的登录注册界面展示与用户交互的所有组件登录注册界面的标题展示了系统的名称。2.注册没有账号的用户需要进行注册注册操作流程十分简单用户点击登录界面的注册按钮就跳转到了注册窗口用户需要输入自定义的用户名和两次匹配的密码才能完成登录值得一提的是成功注册的用户软件会自动填写用户名和密码到登录界面实现了登录流程路径的简化。2.主界面用户通过输入自己的用户名和密码登录到本系统后进入主界面主界面内容十分丰富我来一一介绍首先软件整体是垂直布局顶部是系统的标题从左到右依次展示了系统的作者信息、系统名称、当前时间以及CPU内存占用情况下方为水平布局左侧是系统的导航区域我们设计了windows风格支持展开与收缩的内容导航区域右侧是内容核心区域通过点击导航按钮切换展示内容主界面主要展示了以日期为维度统计的数据、用户信息操作按钮、系统信息、系统环境信息以及实时CPU、内存可视化折线图3.图像检测界面1.检测结果展示用户通过点击左侧导航栏按钮切换到图像检测界面在此界面支持选择图像进行输入用户选择完之后被选择的图像会展示在左侧并且展示图像绝对路径信息用户可以通过点击右侧的“进行检测”按钮对输入的图像数据进行检测系统会自动调用YOLOv8相关算法根据指定的参数对输入图像内容进行检测最后将检测结果展示到右侧这样用户可以通过比对左右图像的区别得到直观的检测结果系统自动使用红色边框框选出目标区域并且使用红色文字展示出目标类别以及它的置信度这些参数和展示效果都可以在设置页面进行详细设置。2.导出检测结果我们设置了检测结果区域包括检测目标数量的展示以及详细检测结果表格用户可以更加直观地看到检测结果数据另外当用户检测结束之后右侧的三个按钮自动设置为可以点击这三个按钮的作用分别是导出结果用户可以将检测结果进行导出导出的文件格式可以是Excel、CSV、TXT可以根据情况自行选择导出格式我截图给大家看下导出的Excel文件内容格式。3.可视化展示然后就是可视化展示用户可以点击进行可视化按钮查看对于本次检测的可视化效果系统内置了四种可视化效果分别是目标位置热力图、目标面积占比、置信度分布直方图、检测能力柱状图这些图标通过不同维度对当前数据进行了可视化展示更便于用户理解这里指的一体的是支持可视化图表进行导出操作用户可以点击紫色的导出按钮对当前的可视化效果图表进行导出生成一张本地的PNG图像文件。4.AIDeepSeek智能分析将YOLOv8球体检测系统与DeepSeek等AI大模型深度融合能够实现从“单纯检测”到“智能认知”的跨越式升级。该系统在YOLOv8高效精准的球体定位能力基础上融入了DeepSeek强大的语义理解和推理决策能力不仅可以实时识别球体位置还能深度分析场景语义、生成战术策略并提供智能决策支持从而在体育分析、工业质检和机器人视觉等领域构建出更加智能化、自适应的一体化解决方案。这里是软件的另外一个核心AI智能分析我们的目标检测系统接入了DeepSeek大模型支持对当前检测结果数据进行AI分析AI会通过不同维度对当前检测结果进行多角度分析最后生成检测结果分析报告用户可以根据这个结果对系统进行调整不断完善系统功能和目标检测准确度在AI分析结束后下方会展示一些按钮用户可以方便地复制结果、导出文本内容、生成PDF报告、重新生成以及关闭多重的操作方式给于用户了多种选择4.视频检测界面1.视频文件检测我们的系统支持视频内容中的球体检测支持输入的视频类型包括视频文件、视频流以及摄像头通过识别视频画面的内容对内容中的目标球体进行检测试试标注与展示通过相关帧率控制保证了视频的流畅性用户可以通过比对左右两侧的画面使用肉眼评估当前检测结果我们的视频检测界面拥有图像检测界面相同的操作功能这里不多赘述。2.摄像头内容检测用户点击进行检测按钮之后系统会自动调用摄像头打开摄像头展示摄像头画面实时检测目标画面中的球体通过左右画面比对让用户看到检测结果这里本人就不露脸啦~5.系统设置界面我们的系统是支持简单的参数设置的具体可以设置目标检测模型、置信度阈值Conf、交并比阈值IOU、还有一些检测结果控制参数比如检测框展示、目标类别展示、目标置信度展示用户可以点击绿色的刷新按钮刷新可用模型亦可通过点击退出按钮退出系统或者退出登录本设置页面实现了目标检测参数的灵活配置6.关于软件界面我们使用富文本html的形式展示了软件相关的信息包括系统用到的相关技术对于二维的数据使用二维表进行了展示最底部放置了四个按钮分别是关于YOLO、关于软件、关于作者、关于QT点击之后都会弹出对应的信息提示框这个页面的作用是让用户更多的了解软件和创作者信息跨过技术的鸿沟四数据集本系统为基于 PyQt5 YOLOv8 DeepSeek 的变压器漏油检测系统。系统所使用的数据集围绕变压器漏油目标在多场景、多角度、多工况条件下进行采集与构建旨在提升检测模型在真实电力运维环境中的适应性与鲁棒性。数据来源涵盖变电站室内外设备区、露天变压器平台、地下电缆廊道、工业厂区、夜间巡检监控、雨雪及高湿环境等多类复杂场景并综合考虑不同光照条件、摄像头分辨率、拍摄距离、视角变化、遮挡情况以及背景干扰因素使模型能够充分学习漏油区域在复杂环境下的外观特征与变化规律。图像样本中包含微渗漏、滴漏、流淌、油迹扩散、油污附着、反光油面、局部遮挡、远距离与小尺度漏油区域等多种状态覆盖不同型号变压器、不同油色、不同老化程度及运动模糊条件下的漏油特征。数据集不仅对漏油区域进行了精确的边界框标注还对漏油类型与标注置信度进行了严格校验确保训练过程中标签的一致性与可靠性。经过系统性的清洗、去重、数据增强与格式化处理后最终数据集能够充分满足 YOLOv8 等高性能目标检测模型的训练需求使模型在实际部署中具备更强的泛化能力即使在光照不足、油迹不明显或背景复杂的情况下仍能保持稳定、准确的漏油识别效果。该数据集为系统实现高精度、高实时性的变压器漏油智能检测提供了坚实的数据基础。1.数据准备本系统附带338张变压器漏油图像和338个数据标注文件大家可以根据自己的情况自行训练数据自己的模型我们使用VOC的格式存储数据标注文件单数据标注文件内容如下annotationfolder电力设备漏油/folderfilename010.jpg/filenamepathF:\机器视觉\电气数据集\电力巡检\电力设备漏油\010.jpg/pathsourcedatabaseUnknown/database/sourcesizewidth800/widthheight600/heightdepth3/depth/sizesegmented0/segmentedobjectnameoil/nameposeUnspecified/posetruncated0/truncateddifficult0/difficultbndboxxmin289/xminymin543/yminxmax366/xmaxymax593/ymax/bndbox/object/annotation2.数据集处理1.数据集标注文件类型转换直接使用VOC格式的数据标注文件进行训练是不行的需要我们将xml转成txt文件这段代码的作用是将指定文件夹中的 Pascal VOC 格式的 XML 标注文件批量转换为 YOLO 格式的 TXT 标注文件。它会先遍历所有 XML 自动统计有效类别并生成类别到 ID 的映射表忽略类别名为 not 的标注然后读取对应图片的尺寸将 XML 中的边界框坐标转换为 YOLO 的归一化格式class_id x_center y_center width height最后将生成的 TXT 文件保存到指定目录中便于直接用于 YOLO 训练。大家首先执行step1_yolo_to_txt.pyimportosimportxml.etree.ElementTreeasETfromPILimportImage# 原始路径xml_dirrE:\thunder_download\useful\done\oil\Annotationsimg_dirrE:\thunder_download\useful\done\oil\JPEGImages# YOLO标签输出路径yolo_txt_dirrE:\thunder_download\useful\done\oil\labelsos.makedirs(yolo_txt_dir,exist_okTrue)# 自动生成类别映射 class_map{}next_class_id0# 支持的图像扩展img_exts[.jpg,.jpeg,.png,.bmp]# 遍历 XML 文件forxml_fileinos.listdir(xml_dir):ifnotxml_file.endswith(.xml):continuexml_pathos.path.join(xml_dir,xml_file)treeET.parse(xml_path)roottree.getroot()# --- 以 XML 文件名匹配图像 ---baseos.path.splitext(xml_file)[0]img_pathNoneforextinimg_exts:candidateos.path.join(img_dir,baseext)ifos.path.exists(candidate):img_pathcandidatebreakifimg_pathisNone:print(fWarning: 图像文件与{xml_file}同名的图片不存在跳过)continue# 获取图像尺寸try:withImage.open(img_path)asimg:w,himg.sizeexceptExceptionase:print(f无法打开图片{img_path}:{e})continuetxt_lines[]# 遍历目标forobjinroot.findall(object):name_nodeobj.find(name)ifname_nodeisNone:continuelabelname_node.text.strip()# 自动分配 class_id iflabelnotinclass_map:class_map[label]next_class_id next_class_id1class_idclass_map[label]bndboxobj.find(bndbox)ifbndboxisNone:continuexminfloat(bndbox.find(xmin).text)yminfloat(bndbox.find(ymin).text)xmaxfloat(bndbox.find(xmax).text)ymaxfloat(bndbox.find(ymax).text)x_center((xminxmax)/2)/w y_center((yminymax)/2)/h box_width(xmax-xmin)/w box_height(ymax-ymin)/h txt_lines.append(f{class_id}{x_center:.6f}{y_center:.6f}{box_width:.6f}{box_height:.6f})# 保存 YOLO txttxt_file_pathos.path.join(yolo_txt_dir,base.txt)withopen(txt_file_path,w)asf:f.write(\n.join(txt_lines))# 输出类别映射 print(\n类别映射 class_map)fork,vinclass_map.items():print(f{v}:{k})print(f\n转换完成YOLO TXT 文件已保存在:{yolo_txt_dir})2.数据集拆分YOLO 推荐训练集和测试集按 8:2 划分主要是因为目标检测对样本量非常依赖需要尽可能多的训练数据来学习特征同时又必须保留足够的独立测试数据来评估模型的真实泛化能力。8:2 被证明在“训练数据够多”与“测试评估足够稳定”之间取得了较好平衡因此成为默认且通用的实践比例。这个脚本的作用是从已有的图片和 YOLO 标注文件中随机抽取 200 张图片并将它们按照训练集和验证集的比例进行划分然后将对应的图片和 TXT 标注文件复制到新的数据集目录中方便直接用于训练 YOLO 模型。脚本会先创建训练集和验证集的图片、标签子目录然后随机选择 200 张图片其中 40 张作为验证集其余 160 张作为训练集复制过程中会保证每张图片对应的标注文件也被同步复制如果标注文件不存在会生成一个空的 TXT 文件以保持文件结构完整。运行完成后新的数据集就整理好了可以直接用于训练和验证。。最终会在目标目录下生成执行脚本step2_auto_part.pyimport random import shutil # 原始数据路径 img_dir rE:\thunder_download\useful\done\oil\JPEGImages label_dir rE:\thunder_download\useful\done\oil\labels # 新数据集路径 dataset_dir rE:\thunder_download\useful\done\oil\dataset train_img_dir os.path.join(dataset_dir, train, images) train_label_dir os.path.join(dataset_dir, train, labels) val_img_dir os.path.join(dataset_dir, val, images) val_label_dir os.path.join(dataset_dir, val, labels) # 创建目录 for dir_path in [train_img_dir, train_label_dir, val_img_dir, val_label_dir]: os.makedirs(dir_path, exist_okTrue) # 获取所有图片文件 all_images [f for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .png, .jpeg))] # 随机抽取200张 if len(all_images) 200: raise ValueError(f图片数量不足200张当前数量: {len(all_images)}) selected_images random.sample(all_images, 200) # 分割训练集和验证集 random.shuffle(selected_images) val_images selected_images[:40] train_images selected_images[40:] def copy_files(image_list, target_img_dir, target_label_dir): for img_file in image_list: # 复制图片 src_img_path os.path.join(img_dir, img_file) dst_img_path os.path.join(target_img_dir, img_file) shutil.copy(src_img_path, dst_img_path) # 对应的txt label_file os.path.splitext(img_file)[0] .txt src_label_path os.path.join(label_dir, label_file) if os.path.exists(src_label_path): dst_label_path os.path.join(target_label_dir, label_file) shutil.copy(src_label_path, dst_label_path) else: # 如果没有对应txt文件创建一个空文件 open(os.path.join(target_label_dir, label_file), w).close() # 复制训练集 copy_files(train_images, train_img_dir, train_label_dir) # 复制验证集 copy_files(val_images, val_img_dir, val_label_dir) print(f随机抽取完成训练集: {len(train_images)} 张验证集: {len(val_images)} 张) print(f数据集路径: {dataset_dir})3.模型训练数据集准备好之后就可以开始模型训练了我们首先准备一个训练的配置文件比如说是data.yaml然后就可以开始模型训练了直接执行我们准备好的train.bat文件内容就是下面的内容yolotaskdetectmodetrainmodel../data/model/yolov8n.ptdata./data.yamlepochs30imgsz640batch16lr00.01然后模型就开始训练了这里我贴一些训练验证结果截图最后的results.png见下图训练效果还是可以的1.收敛过程非常稳定 训练 lossbox / cls / dfl整体持续下降 后期无明显震荡或发散说明优化过程健康、学习率设置合理2.验证集表现同步提升 val loss 与 train loss 走势一致 未出现验证集性能恶化泛化能力良好3.mAP 指标持续增长并稳定 mAP50 最终稳定在0.76 mAP50-95 达到 ≈0.48 后期波动小模型性能可靠4.Precision 与 Recall 达到较好平衡 最终 Precision ≈0.80Recall ≈0.80没有明显偏向“高召回低精度”或相反情况5.学习率调度效果明显 随着 LR 下降指标逐步抬升 后期小学习率阶段带来精细化性能提升6.模型具备良好的可扩展性 在当前结构下已达到稳定平台 通过增加数据、分辨率或模型规模性能有明确上升空间7.作为基线模型质量较高 可直接作为对比实验的 baseline 适合后续做数据增强、模型结构或超参改进我们的检测系统可以用在的应用场景1. 变电站日常巡检场景在变电站日常运维中系统部署于巡检终端或固定摄像头通过PyQt5提供可视化界面实时接入现场视频流。YOLOv8对变压器关键部位进行漏油目标检测DeepSeek对检测结果进行语义分析与风险判断自动生成巡检结论减少人工肉眼巡查强度提高漏油早期发现率与巡检效率。2. 无人值守变电站远程监控场景针对无人值守或偏远地区变电站系统可长期稳定运行通过网络将监控画面回传至监控中心。YOLOv8持续分析视频帧发现疑似漏油立即告警DeepSeek结合历史数据给出原因分析与处理建议PyQt5界面集中展示多站点状态实现远程智能运维与集中管理。3. 设备故障应急处置场景当变压器发生异常温升、油位变化等情况时系统可快速介入应急分析。通过调用历史图像与实时画面YOLOv8精确定位漏油区域DeepSeek辅助判断漏油发展趋势和潜在风险等级PyQt5端即时推送告警信息帮助运维人员快速制定应急处置方案降低事故扩散风险。4. 运维培训与技术辅助场景在新员工培训或技术支持中该系统可作为教学与辅助工具使用。PyQt5界面直观展示不同漏油案例YOLOv8标注关键特征DeepSeek对漏油类型、成因和处理措施进行自然语言讲解帮助运维人员快速理解复杂故障特征提升实际识别能力和专业判断水平。五问题统一回答在这个章节我将统一回答朋友们比较关心的问题1.数据库我们使用sqlite3作为数据存储数据库数据库中包含两个数据表用于存储我们的核心数据1.users用户信息表数据表结构CREATETABLEIFNOTEXISTSusers(idINTEGERPRIMARYKEYAUTOINCREMENT,usernameTEXTNOTNULLUNIQUE,passwordTEXTNOTNULL,last_loginTEXT,roleTEXTNOTNULL)字段名类型作用idINTEGER用户唯一ID自增主键usernameTEXT用户名唯一passwordTEXT用户密码last_loginTEXT最后登录时间roleTEXT用户角色如admin/userusers 表用途这个表主要用于用户注册用户登录认证用户权限管理登录时间记录2.detect_history 检测历史表表结构CREATETABLEIFNOTEXISTSdetect_history(idINTEGERPRIMARYKEYAUTOINCREMENT,typeVARCHAR(50),pathTEXT,totalVARCHAR(50),detailTEXT,detect_dateVARCHAR(50))函数名作用操作对象__init__()初始化数据库对象整体系统check_check_and_create()创建数据库目录文件系统execute_sql()执行SQL语句所有表create_tables()创建数据库表users / detect_historyregister_user()用户注册usersget_user_by_credentials()用户登录验证usersinit_default_user()初始化默认账号usersinsert_detect_history()插入检测历史detect_historyquery_users()分页查询用户usersquery_detect_history()分页查询检测记录detect_historyclear_detect_history()清空检测历史detect_history这个表用于保存AI检测结果图像检测历史视频分析结果文件识别记录2.如何修改文案全局搜索目标文案如果搜不到就删减关键字直到搜索到目标关键字这里以主界面右上角的作者信息来演示去掉此文案在线免直接进行字符串替换即可3.如何修改图片资源用户可能需要更换背景图或者登录界面logo图这里以修改背景图为例在src/resource/images找到对应文件找到自己准备好的图片最好是同样扩展名最后执行script/create_qrc.py脚本完成资源替换。4.如何更换API Key我们的系统是支持AI分析的用户要更换API Key的话可以找到src/conf/system_conf.py的deepseek_api_key替换此变量的值即可。5.运行最佳分辨率软件是在python3.8的windows环境下开发的推荐的分辨率为1920X10806.如何隐藏部分功能我们的软件包含多个界面通过左侧导航栏控制右侧内容页面展示用户如果需要隐藏功能可以这样操作找到src/conf/system_conf.py的page_config_items变量按照情况注释或者删除即可隐藏指定的页面7.软件系统架构图我们绘制了软件架构图详细地展示了软件系统层级架构以及数据流转拿到项目代码的朋友可以免费获取无水印版本系统架构图哦~下图为本系统的功能模块图直观地展示了系统的每个功能模块下图为用户操作流程图用户能够直观地看到系统每个具体的操作流程六项目运行环境本项目名称为yolov8-transformer--oil-leakage-detection1.项目依赖博主是在Windows电脑上使用Python3.8开发的本系统建议大家使用的Python版本别太高。其中项目依赖为PyQt55.15.11QtAwesome1.3.1torch2.4.1torchvision0.19.1Pillow9.3.0pyqtgraph0.13.3PyQtWebEngine5.15.5 opencv-python4.10.0.82ultralytics8.3.234Requests2.32.5pandas2.0.3numpy1.24.4Markdown3.4.4我已经整理到了requirements.txt大家直接使用命令pip install -r requirements.txt即可一键安装项目依赖其中的torch和torchvision只要匹配即可不一定非要和博主开发环境的版本一致。2.项目结构很多小伙伴担心拿到代码后项目看不懂这个大家不必担心我们采用文件类名对相关功能进行了模块化定义大家见名知意。下图博主采用tree命令生成了文件、目录树treeD:\projects\gitee\2025\yolov8-transformer--oil-leakage-detection/f /aD:\PROJECTS\GITEE\2025\yolov8-transformer--oil-leakage-detection|.gitignore|main.py程序入口|record.txt开发记录|requirements.txt项目依赖||---script|create_qrc.py|---src源代码核心目录|---conf配置内容|||icon_conf.py|||style_conf.py|||system_conf.py|||test_data.py|||__init__.py|||---engine核心引擎||engines.py||__init__.py|||---resource资源目录|||resource.qrc|||resource_rc.py|||__init__.py|||||\---imgs||ai.svg||bg.jpg|||---threads线程、信号总线||main_threads.py||signal_bus.py||__init__.py|||---utils工具方法、工具类||custom_utils.py||user_manager.py||__init__.py|||\---widgets组件目录|base_widgets.py|custom_pages.py|custom_widgets.py|main_page.py|unique_widgets.py|__init__.py七总结“基于 PyQt5YOLOv8DeepSeek 的变压器漏油检测系统”在电力设备智能运维领域具有重要意义。该系统将先进的深度学习目标检测算法 YOLOv8 与大模型 DeepSeek 的智能分析能力相结合实现对变压器漏油现象的自动识别、精准定位与辅助决策大幅提升检测效率与准确性降低人工巡检成本和主观误判风险。通过 PyQt5 构建可视化人机交互界面使检测结果直观呈现增强系统的易用性和工程实用价值。该系统能够实现对设备隐患的早期发现与预警有效避免因漏油引发的设备故障和安全事故提升电网运行的可靠性与安全性。同时该研究推动了人工智能技术在电力设备状态监测中的深度融合与应用对智能电网建设和电力行业数字化、智能化转型具有积极的示范和推广意义。本次给大家介绍了我使用PyQt5YOLOv8DeepSeek的变压器漏油就检测系统本系统功能强大支持多种数据源输入包含多种用户交互按钮以及模式内置数据可视化方案、大模型AI加持是您学习、工作使用的不错选择需要代码的朋友可以点击箭头下方的二维码加我好友欢迎您了解
