一种输电线路红外部件的标注方法及标注装置与流程

本发明涉及线路部件标注领域，尤其一种输电线路红外部件的标注方法及标注装置。

背景技术：

1、随着电力需求的增长和电网建设的不断扩大，输电线路的安全性和可靠性越来越受到重视。在输电线路运行中，如果不及时发现和解决线路上的电气设备和部件存在着潜在的缺陷或异常，可能会导致电力设备损坏、停电等严重后果。而线路部件的损坏、老化或故障是导致线路运行故障的主要原因之一，因此需要对线路部件进行定期检测。但随着电力行业快速发展下输电线路的不断扩建，传统的人工线路部件检测方式存在着工作效率低、安全风险高和检测结果主观等问题，已经无法对数量庞大的线路设备和部件进行高效准确的检测。因此，采用智能化技术进行缺陷检测成为了一种重要的发展趋势。未来电力巡检将实现全面覆盖并完全依赖于无人机智能缺陷检测。

2、然而，要实现智能缺陷检测，训练缺陷检测模型的第一步就是需要对图片中的缺陷进行标记。在输电线路运维和巡检的过程中会产生大量的红外图片，仅仅依靠人工进行部件标注，效率不高且成本较大，同时在人工标注中可能出现的主观误差和不一致性等问题，会导致人工标注得到的数据不准确，也不能可靠地应用于后续的缺陷检测模型的训练和智能检测技术的开发。

技术实现思路

1、本发明提供了一种输电线路红外部件的标注方法及标注装置，能够高效可靠地标注输电线路红外部件。

2、为了解决上述技术问题，本发明实施例提供了一种输电线路红外部件的标注方法，包括：

3、获取输电线路红外图像和待标注红外图像，并基于所述输电线路红外图像获取训练样本集；

4、对预设的目标检测模型进行特征融合改进并引入多尺度注意力机制后，基于所述训练样本集对所述预设的目标检测模型进行训练，得到输电线路红外部件分割模型；

5、将所述输电线路红外部件分割模型集成到预设的标注软件后得到红外部件标注工具，并控制所述红外部件标注工具对所述待标注红外图像进行分割标注。

6、本发明实施例的有益效果为：

7、本发明实施例得到的输电线路红外部件分割模型经过特征融合改进和被引入了多尺度注意力机制，具备较强的特征融合能力和更好的鲁棒性，相比于人工进行对红外图像的发热部件的标注，本发明使用基于该输电线路红外部件分割模型的红外部件标注工具可以更便捷高效地进行输电线路红外部件标注，避免在人工标注中可能出现的主观误差和不一致性等问题，使标注结果更准确可靠，进一步使被标注的图像更好地应用于后续的缺陷检测模型的训练和智能检测技术的开发应用。

8、作为优选方案，所述获取输电线路红外图像和待标注红外图像，并基于所述输电线路红外图像获取训练样本集，包括：

9、获取初始输电线路红外图像；

10、将所述初始输电线路红外图像转换为灰度图像，并对所述灰度图像进行超分辨率重构，得到输电线路红外图像；

11、对所述输电线路红外图像进行预设类型发热部件的标注，获得与各类型发热部件对应的标签数量；

12、对标签数量少于预设数量的输电线路红外图像进行数据增强后得到训练样本集。

13、本优选方案对初始输电线路红外图像进行超分辨率重构，并在对输电线路红外图像进行发热部件的标注后对标签数量少于预设数量的输电线路红外图像进行数据增强，能够将分辨率较低且分辨潜力较差的初始输电线路红外图像重构为具有较高分辨率的输电线路红外图像，并使各类别标签数量达到均衡，进一步使得得到的训练样本集能够更好地应用于预设的目标检测模型的训练，使训练得到的输电线路红外部件分割模型能够学习到更多输电线路红外图像的细节，具备更强的特征学习能力和鲁棒性。

14、作为优选方案，在所述将所述初始输电线路红外图像转换为灰度图像，并对所述灰度图像进行超分辨率重构，得到输电线路红外图像之后，还包括：

15、将所述输电线路红外图像作为数据集并通过图像增广技术对所述数据集进行扩充。

16、本优选方案通过图像增广技术扩大数据集的规模，增加对预设的目标检测模型训练时的输入样本，有助于提高模型的泛化能力，令训练得到的模型能够充分挖掘图像特征，具备较高的准确性。

17、作为优选方案，所述对预设的目标检测模型进行特征融合改进并引入多尺度注意力机制后，基于所述训练样本集对所述预设的目标检测模型进行训练并得到输电线路红外部件分割模型，包括：

18、使用bifpn网络对预设的目标检测模型的neck部分的特征融合方法进行改进；所述预设的目标检测模型为yolov8模型；

19、在预设的目标检测模型的backbone结构中引入ema注意力机制。

20、本优选方案对预设的目标检测模型进行特征融合改进并引入多尺度注意力机制，能够提高目标检测模型及输电线路红外部件分割模型对小目标和细节的检测能力，在增强模型的特征融合能力的基础上减小模型参数，并增强模型对空间特征信息的关注，提高模型的鲁棒性。

21、作为优选方案，所述将所述输电线路红外部件分割模型集成到预设的标注软件后得到红外部件标注工具，包括：

22、获取所述输电线路红外部件分割模型的权重文件，并对所述权重文件进行格式转换；

23、根据完成格式转换的权重文件编写对应的yaml文件，并将所述yaml文件导入至自动标注软件中以获得红外部件标注工具。

24、本优选方案编写所述输电线路红外部件分割模型的yaml文件，并基于该文件使训练得到的输电线路红外部件分割模型集成于自动标注软件中以获得红外部件标注工具，使该输电线路红外部件分割模型更好地应用于输电线路红外部件的自动标注。

25、相应的，为了解决上述技术问题，本发明实施例还提供了一种电线路红外部件的标注装置，包括：数据获取模块、模型获取模块和标注模块；

26、其中，所述数据获取模块用于获取输电线路红外图像和待标注红外图像，并基于所述输电线路红外图像获取训练样本集；

27、所述模型获取模块用于对预设的目标检测模型进行特征融合改进并引入多尺度注意力机制后，基于所述训练样本集对所述预设的目标检测模型进行训练，得到输电线路红外部件分割模型；

28、所述标注模块用于将所述输电线路红外部件分割模型集成到预设的标注软件后得到红外部件标注工具，并控制所述红外部件标注工具对所述待标注红外图像进行分割标注。

29、作为优选方案，所述数据获取模块包括：图像获取单元、重构单元、标注单元和数据增强单元；

30、其中，所述图像获取单元用于获取初始输电线路红外图像；

31、所述重构单元用于将所述初始输电线路红外图像转换为灰度图像，并对所述灰度图像进行超分辨率重构，得到输电线路红外图像；

32、所述标注单元用于对所述输电线路红外图像进行预设类型发热部件的标注，获得与各类型发热部件对应的标签数量；

33、所述数据增强单元用于对标签数量少于预设数量的输电线路红外图像进行数据增强后得到训练样本集。

34、作为优选方案，在所述将所述初始输电线路红外图像转换为灰度图像，并对所述灰度图像进行超分辨率重构，得到输电线路红外图像之后，还包括：

35、将所述输电线路红外图像作为数据集并通过图像增广技术对所述数据集进行扩充。

36、作为优选方案，所述模型获取模块用于对预设的目标检测模型进行特征融合改进并引入多尺度注意力机制后，基于所述训练样本集对所述预设的目标检测模型进行训练并得到输电线路红外部件分割模型，包括：

37、使用bifpn网络对预设的目标检测模型的neck部分的特征融合方法进行改进；所述预设的目标检测模型为yolov8模型；

38、在预设的目标检测模型的backbone结构中引入ema注意力机制。

39、作为优选方案，所述标注模块用于将所述输电线路红外部件分割模型集成到预设的标注软件后得到红外部件标注工具，并控制所述红外部件标注工具对所述待标注红外图像进行分割标注，包括：

40、获取所述输电线路红外部件分割模型的权重文件，并对所述权重文件进行格式转换；

41、根据完成格式转换的权重文件编写对应的yaml文件，并将所述yaml文件导入至自动标注软件中以获得。