本發(fā)明涉及線路部件標(biāo)注領(lǐng)域，尤其一種輸電線路紅外部件的標(biāo)注方法及標(biāo)注裝置。

背景技術(shù)：

1、隨著電力需求的增長和電網(wǎng)建設(shè)的不斷擴(kuò)大，輸電線路的安全性和可靠性越來越受到重視。在輸電線路運(yùn)行中，如果不及時發(fā)現(xiàn)和解決線路上的電氣設(shè)備和部件存在著潛在的缺陷或異常，可能會導(dǎo)致電力設(shè)備損壞、停電等嚴(yán)重后果。而線路部件的損壞、老化或故障是導(dǎo)致線路運(yùn)行故障的主要原因之一，因此需要對線路部件進(jìn)行定期檢測。但隨著電力行業(yè)快速發(fā)展下輸電線路的不斷擴(kuò)建，傳統(tǒng)的人工線路部件檢測方式存在著工作效率低、安全風(fēng)險高和檢測結(jié)果主觀等問題，已經(jīng)無法對數(shù)量龐大的線路設(shè)備和部件進(jìn)行高效準(zhǔn)確的檢測。因此，采用智能化技術(shù)進(jìn)行缺陷檢測成為了一種重要的發(fā)展趨勢。未來電力巡檢將實(shí)現(xiàn)全面覆蓋并完全依賴于無人機(jī)智能缺陷檢測。

2、然而，要實(shí)現(xiàn)智能缺陷檢測，訓(xùn)練缺陷檢測模型的第一步就是需要對圖片中的缺陷進(jìn)行標(biāo)記。在輸電線路運(yùn)維和巡檢的過程中會產(chǎn)生大量的紅外圖片，僅僅依靠人工進(jìn)行部件標(biāo)注，效率不高且成本較大，同時在人工標(biāo)注中可能出現(xiàn)的主觀誤差和不一致性等問題，會導(dǎo)致人工標(biāo)注得到的數(shù)據(jù)不準(zhǔn)確，也不能可靠地應(yīng)用于后續(xù)的缺陷檢測模型的訓(xùn)練和智能檢測技術(shù)的開發(fā)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種輸電線路紅外部件的標(biāo)注方法及標(biāo)注裝置，能夠高效可靠地標(biāo)注輸電線路紅外部件。

2、為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了一種輸電線路紅外部件的標(biāo)注方法，包括：

3、獲取輸電線路紅外圖像和待標(biāo)注紅外圖像，并基于所述輸電線路紅外圖像獲取訓(xùn)練樣本集；

4、對預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行特征融合改進(jìn)并引入多尺度注意力機(jī)制后，基于所述訓(xùn)練樣本集對所述預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行訓(xùn)練，得到輸電線路紅外部件分割模型；

5、將所述輸電線路紅外部件分割模型集成到預(yù)設(shè)的標(biāo)注軟件后得到紅外部件標(biāo)注工具，并控制所述紅外部件標(biāo)注工具對所述待標(biāo)注紅外圖像進(jìn)行分割標(biāo)注。

6、本發(fā)明實(shí)施例的有益效果為：

7、本發(fā)明實(shí)施例得到的輸電線路紅外部件分割模型經(jīng)過特征融合改進(jìn)和被引入了多尺度注意力機(jī)制，具備較強(qiáng)的特征融合能力和更好的魯棒性，相比于人工進(jìn)行對紅外圖像的發(fā)熱部件的標(biāo)注，本發(fā)明使用基于該輸電線路紅外部件分割模型的紅外部件標(biāo)注工具可以更便捷高效地進(jìn)行輸電線路紅外部件標(biāo)注，避免在人工標(biāo)注中可能出現(xiàn)的主觀誤差和不一致性等問題，使標(biāo)注結(jié)果更準(zhǔn)確可靠，進(jìn)一步使被標(biāo)注的圖像更好地應(yīng)用于后續(xù)的缺陷檢測模型的訓(xùn)練和智能檢測技術(shù)的開發(fā)應(yīng)用。

8、作為優(yōu)選方案，所述獲取輸電線路紅外圖像和待標(biāo)注紅外圖像，并基于所述輸電線路紅外圖像獲取訓(xùn)練樣本集，包括：

9、獲取初始輸電線路紅外圖像；

10、將所述初始輸電線路紅外圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像進(jìn)行超分辨率重構(gòu)，得到輸電線路紅外圖像；

11、對所述輸電線路紅外圖像進(jìn)行預(yù)設(shè)類型發(fā)熱部件的標(biāo)注，獲得與各類型發(fā)熱部件對應(yīng)的標(biāo)簽數(shù)量；

12、對標(biāo)簽數(shù)量少于預(yù)設(shè)數(shù)量的輸電線路紅外圖像進(jìn)行數(shù)據(jù)增強(qiáng)后得到訓(xùn)練樣本集。

13、本優(yōu)選方案對初始輸電線路紅外圖像進(jìn)行超分辨率重構(gòu)，并在對輸電線路紅外圖像進(jìn)行發(fā)熱部件的標(biāo)注后對標(biāo)簽數(shù)量少于預(yù)設(shè)數(shù)量的輸電線路紅外圖像進(jìn)行數(shù)據(jù)增強(qiáng)，能夠?qū)⒎直媛瘦^低且分辨潛力較差的初始輸電線路紅外圖像重構(gòu)為具有較高分辨率的輸電線路紅外圖像，并使各類別標(biāo)簽數(shù)量達(dá)到均衡，進(jìn)一步使得得到的訓(xùn)練樣本集能夠更好地應(yīng)用于預(yù)設(shè)的目標(biāo)檢測模型的訓(xùn)練，使訓(xùn)練得到的輸電線路紅外部件分割模型能夠?qū)W習(xí)到更多輸電線路紅外圖像的細(xì)節(jié)，具備更強(qiáng)的特征學(xué)習(xí)能力和魯棒性。

14、作為優(yōu)選方案，在所述將所述初始輸電線路紅外圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像進(jìn)行超分辨率重構(gòu)，得到輸電線路紅外圖像之后，還包括：

15、將所述輸電線路紅外圖像作為數(shù)據(jù)集并通過圖像增廣技術(shù)對所述數(shù)據(jù)集進(jìn)行擴(kuò)充。

16、本優(yōu)選方案通過圖像增廣技術(shù)擴(kuò)大數(shù)據(jù)集的規(guī)模，增加對預(yù)設(shè)的目標(biāo)檢測模型訓(xùn)練時的輸入樣本，有助于提高模型的泛化能力，令訓(xùn)練得到的模型能夠充分挖掘圖像特征，具備較高的準(zhǔn)確性。

17、作為優(yōu)選方案，所述對預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行特征融合改進(jìn)并引入多尺度注意力機(jī)制后，基于所述訓(xùn)練樣本集對所述預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行訓(xùn)練并得到輸電線路紅外部件分割模型，包括：

18、使用bifpn網(wǎng)絡(luò)對預(yù)設(shè)的目標(biāo)檢測模型的neck部分的特征融合方法進(jìn)行改進(jìn)；所述預(yù)設(shè)的目標(biāo)檢測模型為yolov8模型；

19、在預(yù)設(shè)的目標(biāo)檢測模型的backbone結(jié)構(gòu)中引入ema注意力機(jī)制。

20、本優(yōu)選方案對預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行特征融合改進(jìn)并引入多尺度注意力機(jī)制，能夠提高目標(biāo)檢測模型及輸電線路紅外部件分割模型對小目標(biāo)和細(xì)節(jié)的檢測能力，在增強(qiáng)模型的特征融合能力的基礎(chǔ)上減小模型參數(shù)，并增強(qiáng)模型對空間特征信息的關(guān)注，提高模型的魯棒性。

21、作為優(yōu)選方案，所述將所述輸電線路紅外部件分割模型集成到預(yù)設(shè)的標(biāo)注軟件后得到紅外部件標(biāo)注工具，包括：

22、獲取所述輸電線路紅外部件分割模型的權(quán)重文件，并對所述權(quán)重文件進(jìn)行格式轉(zhuǎn)換；

23、根據(jù)完成格式轉(zhuǎn)換的權(quán)重文件編寫對應(yīng)的yaml文件，并將所述yaml文件導(dǎo)入至自動標(biāo)注軟件中以獲得紅外部件標(biāo)注工具。

24、本優(yōu)選方案編寫所述輸電線路紅外部件分割模型的yaml文件，并基于該文件使訓(xùn)練得到的輸電線路紅外部件分割模型集成于自動標(biāo)注軟件中以獲得紅外部件標(biāo)注工具，使該輸電線路紅外部件分割模型更好地應(yīng)用于輸電線路紅外部件的自動標(biāo)注。

25、相應(yīng)的，為了解決上述技術(shù)問題，本發(fā)明實(shí)施例還提供了一種電線路紅外部件的標(biāo)注裝置，包括：數(shù)據(jù)獲取模塊、模型獲取模塊和標(biāo)注模塊；

26、其中，所述數(shù)據(jù)獲取模塊用于獲取輸電線路紅外圖像和待標(biāo)注紅外圖像，并基于所述輸電線路紅外圖像獲取訓(xùn)練樣本集；

27、所述模型獲取模塊用于對預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行特征融合改進(jìn)并引入多尺度注意力機(jī)制后，基于所述訓(xùn)練樣本集對所述預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行訓(xùn)練，得到輸電線路紅外部件分割模型；

28、所述標(biāo)注模塊用于將所述輸電線路紅外部件分割模型集成到預(yù)設(shè)的標(biāo)注軟件后得到紅外部件標(biāo)注工具，并控制所述紅外部件標(biāo)注工具對所述待標(biāo)注紅外圖像進(jìn)行分割標(biāo)注。

29、作為優(yōu)選方案，所述數(shù)據(jù)獲取模塊包括：圖像獲取單元、重構(gòu)單元、標(biāo)注單元和數(shù)據(jù)增強(qiáng)單元；

30、其中，所述圖像獲取單元用于獲取初始輸電線路紅外圖像；

31、所述重構(gòu)單元用于將所述初始輸電線路紅外圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像進(jìn)行超分辨率重構(gòu)，得到輸電線路紅外圖像；

32、所述標(biāo)注單元用于對所述輸電線路紅外圖像進(jìn)行預(yù)設(shè)類型發(fā)熱部件的標(biāo)注，獲得與各類型發(fā)熱部件對應(yīng)的標(biāo)簽數(shù)量；

33、所述數(shù)據(jù)增強(qiáng)單元用于對標(biāo)簽數(shù)量少于預(yù)設(shè)數(shù)量的輸電線路紅外圖像進(jìn)行數(shù)據(jù)增強(qiáng)后得到訓(xùn)練樣本集。

34、作為優(yōu)選方案，在所述將所述初始輸電線路紅外圖像轉(zhuǎn)換為灰度圖像，并對所述灰度圖像進(jìn)行超分辨率重構(gòu)，得到輸電線路紅外圖像之后，還包括：

35、將所述輸電線路紅外圖像作為數(shù)據(jù)集并通過圖像增廣技術(shù)對所述數(shù)據(jù)集進(jìn)行擴(kuò)充。

36、作為優(yōu)選方案，所述模型獲取模塊用于對預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行特征融合改進(jìn)并引入多尺度注意力機(jī)制后，基于所述訓(xùn)練樣本集對所述預(yù)設(shè)的目標(biāo)檢測模型進(jìn)行訓(xùn)練并得到輸電線路紅外部件分割模型，包括：

37、使用bifpn網(wǎng)絡(luò)對預(yù)設(shè)的目標(biāo)檢測模型的neck部分的特征融合方法進(jìn)行改進(jìn)；所述預(yù)設(shè)的目標(biāo)檢測模型為yolov8模型；

38、在預(yù)設(shè)的目標(biāo)檢測模型的backbone結(jié)構(gòu)中引入ema注意力機(jī)制。

39、作為優(yōu)選方案，所述標(biāo)注模塊用于將所述輸電線路紅外部件分割模型集成到預(yù)設(shè)的標(biāo)注軟件后得到紅外部件標(biāo)注工具，并控制所述紅外部件標(biāo)注工具對所述待標(biāo)注紅外圖像進(jìn)行分割標(biāo)注，包括：

40、獲取所述輸電線路紅外部件分割模型的權(quán)重文件，并對所述權(quán)重文件進(jìn)行格式轉(zhuǎn)換；

41、根據(jù)完成格式轉(zhuǎn)換的權(quán)重文件編寫對應(yīng)的yaml文件，并將所述yaml文件導(dǎo)入至自動標(biāo)注軟件中以獲得。