该数据集是电力行业高技能人才配电运维培养与智能考评的高质量、多模态数据资源。数据内容聚焦电流互感器分相接入的三相四线电能表接线操作偏差识别、分类与分析，每套视频采用六路同步录制，构建完整多视角观察体系：主视视角：核心视角，清晰捕捉考生正面操作偏差细节，如低压验电笔使用不规范、钳形电流表操作失误等。左视、右视视角：提供操作区域两侧侧向视图，弥补主视角盲区，清晰呈现设备后方偏差操作，如接线顺序颠倒、工具使用不当等。俯视视角：正上方垂直拍摄，展现工作台工具、材料摆放偏差及接线走向混乱、逻辑关系偏差等问题。平视视角：模拟考官平视高度，以现场感全局视角记录操作规范性偏差。全景视角：覆盖工位及周边环境，记录考生行为偏差、安全距离违规及环境互动不当操作等。该数据集为人工考评中偏差操作精准判定提供客观可回溯依据，也为人工智能技术实现偏差行为自动化分析、操作违规智能识别及虚拟仿真纠错培训奠定坚实数据基础。

本数据集采集后经系统化、标准化处理：（1）数据清洗与同步对齐：对六路同步采集的原始视频流全面质量检查，剔除设备故障或人为失误导致的无效片段，保留接线操作偏差的有效视频。随后，将有效视频统一转为标准化技术参数，通过时间码对齐技术，确保六个视角（主视、左视、右视、俯视、平视、全景）每一帧同步，构建精准对应、完整还原操作偏差场景的多视角视频。（2）隐私与信息脱敏：为保护个人隐私、符合数据安全规范，对视频中考生面部、工牌、姓名工号等可识别信息，及环境中涉企业敏感信息的标识、文档等，采用可靠脱敏技术处理，确保数据支撑操作偏差分析研究且不泄露隐私。（3）关键帧智能提取：为高效捕获操作偏差动作与错误状态转换节点，采用基于目标检测（如人体姿态检测）和场景理解（如 CLIP 图像 - 文本匹配模型）的混合算法，自动提取视频关键帧。该策略筛选出包含显著操作偏差、工具使用失误、状态错误变化的代表性画面，保障覆盖操作偏差全流程核心环节，大幅提升数据集多样性与处理效果。（4）数据标注：人工标注关键帧图片，标注内容除工作服、安全帽、验电笔和万用表等工器具外，还涵盖接线操作偏差类型、违规行为特征等核心信息。

数据内容完整覆盖电工操作偏差场景的三大核心环节，精准捕捉违反电力安全工作规程的各类不规范行为： 工作前准备阶段：视频细致记录考生个人防护装备佩戴不规范（如安全帽未系帽带、工作服着装不合规），以及对所需工器具（如验电笔、螺丝刀、绝缘手套等）检查遗漏或不规范的全过程。 工作过程执行阶段：视频重点捕捉各类违规操作与安全措施缺失行为，包括验电笔使用不规范、未按规定验电等安全措施不到位情况，以及接入电流和电压回路过程中的接线错误、操作顺序颠倒等偏差行为。 工作终结阶段：完整记录考生在完成接线后的收尾工作不规范行为，包括清点遗漏或未归位工器具、现场清理不彻底，以及提交工作结束报告不规范的全过程。 这套数据集不仅为传统的人工考评中操作错误的精准判定、偏差原因分析提供了客观、可回溯的评判依据，也为未来利用人工智能技术进行违规行为自动化识别、错误操作预警，以及针对性纠错培训、虚拟仿真事故模拟等创新应用奠定了坚实的数据基础。

查阅附件 附件下载

数据集分为两部分，一部分为JPG格式的图片数据，另一部分为json格式的标注数据，同一张JPG图片对应的json文件具有共同的前缀文件名。该标注文件是专业标注人员通过标注工具生成的文件，每个标注文件都保留的图像目标标注信息，如目标名称位置等信息。json文件字段具体含义如下：version: 用于表示标注工具LabelMe的版本号，用于确保标注文件的兼容性，flags: 图像级别的标记/标志，可用于存储图像的整体属性（如质量、场景等），本例中为空对象，shapes: 标注的形状/对象数组，包含所有标注的对象的详细信息，是核心部分，label: 该标注对象的类别标签，用户定义的类别名称，points:标注点的坐标数组， 每个点是一个[x, y]坐标，表示形状的顶点，group_id: 分组标识符，用于将多个标注关联在一起（如同一个物体的不同部分），null表示未分组 shape_type: 标注形状的类型，常见的类型有：rectangle矩形，polygon多边形，circle圆形，line线条，point点，imagePath: 标注对应的图像文件名，相对路径或文件名