一种电力设备自动标注方法和装置与流程

本发明涉及一种电力设备图像标注技术领域，尤其是涉及一种电力设备自动标注方法和装置。

背景技术：

为克服以往基于图像信息开展人工电力设备缺陷诊断存在工作量大、容易误判等问题，基于机器学习的电力设备图像缺陷自动识别获得了越来越广泛的应用。该技术基于标注好的电力设备图像样本库，训练机器学习模型。例如中国专利cn109446925a中公开了一种基于卷积神经网络的电力设备检测算法，该算法不需要在预训练模型上进行微调也可以收敛并得到优秀的检测性能，对于小的电力设备具有优秀的鲁棒性，可以有效减少错框漏框的现象，但是该算法未考虑到设备图像的拍摄角度问题，检测准确率依然较低。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种消除拍摄角度影响，准确率高的电力设备自动标注方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种电力设备自动标注方法，包括：

步骤1：获得经过设备级标注的电力设备图像集；

步骤2：对图像进行预处理；

步骤3：将电力设备图像集分为训练集和测试集；

步骤4：将训练集中的电力设备图像以及该图像的标签输入到电力设备标注模型进行训练，获得图像中电力设备的预测框和预测设备类型；

步骤5：采用梯度下降算法根据标注模型和实际标签信息间的差值进行自动更新；

步骤6：使用测试集测试标注模型的标注精度，判断标注精度是否达到预设阈值，若是，则执行步骤6，否则，返回步骤5继续对标注模型进行训练；

步骤7：使用训练好的电力设备标注模型进行电力设备的自动标注。

优选地，所述的步骤1具体为：

采用labelimg工具对拍摄的电力设备图像进行标注，获得图像中电力设备的标签，该标签包括电力设备标注框左上角位置坐标、右下角位置坐标和电力设备类型。

优选地，所述的步骤2具体为：

首先将图像的尺寸进行归一化处理，将图像归一化为300×300像素，然后保存原始图像旋转90°、180°和270°之后的图像。

优选地，所述的步骤3具体为：

通过bootstrap将电力设备图像集分为训练集和测试集，训练集用于训练电力设备标注模型，测试集用于测试电力设备标注模型的性能。

优选地，所述的电力设备包括杆塔、导线、防震锤、绝缘子和间隔棒。

优选地，所述的电力设备标注模型为基于r-cnn的标注模型、基于fastrcnn的标注模型、基于fasterrcnn的标注模型、基于yolo的标注模型、基于sdd的标注模型或基于maskrcnn标注模型。

优选地，所述的步骤5中的梯度下降算法为基于随机梯度下降的误差反向传播算法。

一种使用上述自动标注方法的电力设备自动标注装置，包括：

图像传感器，用于采集电力设备的图像；

存储器，用于存储电力设备原始图像、电力设备训练集图像及标签信息、电力设备测试集图像及标签信息和电力设备标注图像集标签信息；

cpu，内嵌电力设备自动标注方法，用于对电力设备图形进行处理，获得电力设备标注图像；

电源，用于为图像传感器、存储器和cpu供电；

所述的图像传感器、存储器和电源分别与cpu相连。

优选地，所述的图像传感器为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星。

优选地，所述的电力设备自动标注装置设有gpu；所述的gpu与cpu相连。

与现有技术相比，本发明具有以下优点：

本发明中的自动标注方法在对图像进行预处理时保存了原始图像经过90o、180o和270o翻转后的图像，大大消除了图像拍摄角度对检测准确率的影响，提高了标注模型的准确率。

附图说明

图1为本发明中自动标注方法的流程示意图；

图2为本发明中自动标注装置的结构示意图。

图中标号所示：

1、图像传感器，2、存储器，3、cpu，4、电源，5、gpu。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

一种电力设备自动标注装置，其结构如图2所示，包括：

图像传感器1，用于采集电力设备的图像，本实施例中的图像传感器1为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星；

存储器2，用于存储电力设备原始图像、电力设备训练集图像及标签信息、电力设备测试集图像及标签信息和电力设备标注图像集标签信息；

cpu3，内嵌电力设备自动标注方法，用于对电力设备图形进行处理，获得电力设备标注图像；

电源4，用于为图像传感器1、存储器2和cpu3供电。

本实施例中的自动标注装置设有gpu5，该gpu用于加速自动标注装置的图像处理速度，gpu5与cpu3相连。

一种电力设备自动标注方法，其流程示意如图1所示，包括：

步骤1：获得经过设备级标注的电力设备图像集；

具体为：首先图像传感器1采集电力设备信息，然后通过labelimg工具对拍摄的电力设备图像进行设备级标注，获得图像中电力设备的标签信息，包括电力设备标注框左上角位置坐标、右下角位置坐标和电力设备类型。

步骤2：对图像进行预处理；

具体为：首先将图像的尺寸进行归一化处理，将图像归一化为300×300像素，然后保存原始图像旋转90°、180°和270°之后的图像。

步骤3：将电力设备图像集分为训练集和测试集；

具体为：通过bootstrap将电力设备图像集分为训练集和测试集，训练集用于训练电力设备标注模型，测试集用于测试电力设备标注模型的性能。

步骤4：将训练集中的电力设备图像以及该图像的标签输入到电力设备标注模型进行训练，获得图像中电力设备的预测框和预测设备类型；

步骤5：采用基于随机梯度下降的误差反向传播算法根据标注模型和实际标签信息间的差值进行自动更新；

步骤6：使用测试集测试标注模型的标注精度，判断标注精度是否达到预设阈值，若是，则执行步骤6，否则，返回步骤5继续对标注模型进行训练；

步骤7：使用训练好的电力设备标注模型进行电力设备的自动标注。

本实施例中的电力设备包括杆塔、导线、防震锤、绝缘子和间隔棒。

本实施例中的电力设备模型为基于r-cnn的标注模型、基于fastrcnn的标注模型、基于fasterrcnn的标注模型、基于yolo的标注模型、基于sdd的标注模型或基于maskrcnn标注模型，能够完成电力设备的标注即可。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。