一种基于区域先验的标准配电台区关键物体分割方法与流程

1.本发明涉及一种计算机视觉领域，尤其涉及一种基于区域先验的标准配电台区关键物体分割方法。


背景技术：

2.配变台区是输电网中分布最广泛、数量最多的电力设备之一。目前针对配变台区的检测和维护一般以人工为主。随着计算机视觉和深度学习技术的发展，基于视觉的目标检测或图像分割方法已经日渐趋于成熟，基于视觉实现配变台区的关键物体识别及量化可以减低人工巡检的工作量，提高工作效率。基于此，研究配变台区的物体检测和指标量化具有重要意义。
3.目前，针对配变台区的物体分割的研究还比较少，计算机视觉领域的人通常通过训练端到端的识别分割网络来解决这个问题，由于配变台区一般所处环境多样，背景复杂，相关深度学习模型在复杂恶劣天气下的识别表现差，不能满足实际现场要求。对于一些基于注意力机制或者显著区域先验的图像分割方法也常因为先验信息获取置信度低而无法提升复杂环境下的物体分割问题。
4.例如，一种在中国专利文献上公开的“一种基于视觉识别技术的台区故障检测方法及装置”，其公告号cn112634590a，包括：获取目标区域的图像信息；根据预设的学习模型对所述图像信息进行检测，获取目标设备的位置信息和状态信息；对所述位置信息和所述状态信息进行判断，以判断所述位置信息和所述状态信息是否满足预设的预警条件，以获取告警信息；响应于获取的所述告警信息，将所述告警信息发送至终端。该方案的视觉识别算法在恶劣天气等复杂环境下识别效果差，不能满足实际现场要求。


技术实现要素：

5.本发明主要解决现有技术视觉识别算法在复杂环境下识别效果差的问题；提供一种基于区域先验的标准配电台区关键物体分割方法，将区域先验用于指导配电台区的物体分割网路训练，从而提升配电台区的物体检测和分割精度。
6.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于区域先验的标准配电台区关键物体分割方法，包括以下步骤：s1：根据标准配电台区待识别物体的轮廓形状制作拍摄引导区域；s2：调整相机姿态，使得待识别物体位于拍摄引导区域内，采集标准台区数据；s3：将采集得到的标准台区数据分为训练数据集s、验证数据集y、测试数据集c以及相应的理想标准分割结果；s4：构建注意力特征区域，以注意力特征区域图像作为输入，相应的理想标准分割结果图像作为输出，训练图像分割网络模型；s5：调整训练参数，重复学习过程，完成图像分割网络模型的训练；s6：使用验证数据集y和测试数据集c评价训练后的图像分割网络模型，完成标准
配电台区关键物体分割网络训练。
7.本方案增加了拍照辅助引导区域，并将该区域图像的掩膜用于构建编码注意力区域图像，相比于使用其他注意力机制，该方法具有更高的可信度，使得本方案训练的网络具有更好的图像分割准确率。能够在恶劣天气等复杂环境下具有良好的识别效果，满足实际现场要求。
8.作为优选，所述的构建注意力特征区域包括以下步骤：将相机拍摄的输入图像和拍摄引导区域的拍照辅助引导掩膜图像分别进行卷积和归一化操作，进行特性提取，将两图像特征提取结果进行逐像素相加；使用relu激活函数处理后，再次进行卷积和归一化，使用sigmoid激活函数进行激活处理，将处理后的结果与输入图像进行逐元素相乘，得到编码注意力图像。根据待识别的对象形状，构建编码注意力区，进行区域先验。提高物体检测和分割的精度。
9.作为优选，将两图像特征提取结果进行逐像素相加后的图谱f为：i
motify
＝batchnorm(conv(relu(f)))
⊙iinput
其中，i
input
为输入图像；i
mask
为拍摄引导区域的拍照辅助引导掩膜图像；conv(
·
)为卷积函数；batchnorm(
·
)为归一化函数；i
motify
为最终的注意力编码图像；表示逐元素相加；
⊙
表示逐元组相乘。
10.构建编码注意力区，进行区域先验，提高物体检测和分割的精度。
11.作为优选，所述的图像分割网络模型依次包括编码端和解码器端；编码端用于图像特征提取；解码器端用于图像的分割。进行标准配电台区关键物体分割网络训练。
12.作为优选，所述的编码端依次包括卷积层1_1、卷积层1_2、池化层1、卷积层2_1、卷积层2_2、池化层2、卷积层3_1、卷积层3_2、池化层3、卷积层4_1、卷积层4_2、池化层4、卷积层5_1、卷积层5_2和池化层5。卷积层和池化层实现降维和特征提取。
13.作为优选，所述的解码器端依次包括卷积层6_1，卷积层6_2、卷积层6_3、上采样层1、卷积层7_1、卷积层7_2、上采样层2、卷积层8_1、卷积层8_2、上采样层3、卷积层9_1、卷积层9_2、上采样层3、卷积层10_1、卷积层10_2以及一个softmax层。卷积层和池化层实现降维和特征提取、上采样层实现反卷积和信息解码，softmax层实现像素分类，达到图像分割的目的。
14.本发明的有益效果是：本方案增加了拍照辅助引导区域，并将该区域图像的掩膜用于构建编码注意力区域图像，相比于使用其他注意力机制，该方法具有更高的可信度，使得本方案训练的网络具有更好的图像分割准确率。能够在恶劣天气等复杂环境下具有良好的识别效果，满足实际现场要求。
附图说明
15.图1是本发明的基于区域先验的标准配电台区关键物体分割方法流程图。
具体实施方式
16.下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
17.实施例：本实施例的一种基于区域先验的标准配电台区关键物体分割方法，如图1所示，包括以下步骤：s1：根据标准配电台区待识别物体的轮廓形状制作拍摄引导区域。
18.例如田边的输电设备；两根电线杆，电线杆之间设置有配电箱。根据所需识别的物体的轮廓，制作拍摄引导区域，制作出来的拍摄引导区域为“h”形的区域，拍摄引导区域能够完全将待识别物体涵盖。
19.s2：调整相机姿态，使得待识别物体位于拍摄引导区域内，采集标准台区数据。采集大量的标准台区数据，用于训练图像分割网络模型。
20.s3：将采集得到的标准台区数据分为训练数据集s、验证数据集y、测试数据集c以及相应的理想标准分割结果。分割ground truth(理想标准分割结果)包括训练数据集s对应的训练数据理想标准分割结果s_g、验证数据集y对应的验证数据理想标准分割结果y_g以及测试数据集c对应的测试数据理想标准分割结果c_g。
21.s4：构建注意力特征区域，以注意力特征区域图像作为输入，相应的理想标准分割结果图像作为输出，训练图像分割网络模型。
22.构建注意力特征区域包括以下步骤：将相机拍摄的输入图像和拍摄引导区域的拍照辅助引导掩膜图像分别进行卷积和归一化操作，进行特性提取，将两图像特征提取结果进行逐像素相加。
23.将两图像特征提取结果进行逐像素相加后的图谱f为：使用relu激活函数处理后，再次进行卷积和归一化，使用sigmoid激活函数进行激活处理，将处理后的结果与输入图像进行逐元素相乘，得到编码注意力图像。
24.i
motify
＝batchnorm(conv(relu(f)))
⊙iinput
其中，i
input
为输入图像；i
mask
为拍摄引导区域的拍照辅助引导掩膜图像；conv(
·
)为卷积函数；batchnorm(
·
)为归一化函数；i
motify
为最终的注意力编码图像；表示逐元素相加；
⊙
表示逐元组相乘。
25.s5：调整训练参数，重复学习过程，完成图像分割网络模型的训练。
26.图像分割网络模型依次包括编码端和解码器端；编码端用于图像特征提取；解码器端用于图像的分割。
27.编码端依次包括卷积层1_1、卷积层1_2、池化层1、卷积层2_1、卷积层2_2、池化层
2、卷积层3_1、卷积层3_2、池化层3、卷积层4_1、卷积层4_2、池化层4、卷积层5_1、卷积层5_2和池化层5。
28.解码器端依次包括卷积层6_1，卷积层6_2、卷积层6_3、上采样层1、卷积层7_1、卷积层7_2、上采样层2、卷积层8_1、卷积层8_2、上采样层3、卷积层9_1、卷积层9_2、上采样层3、卷积层10_1、卷积层10_2以及一个softmax层。
29.卷积层和池化层实现降维和特征提取、上采样层实现反卷积和信息解码，softmax层实现像素分类，达到图像分割的目的。
30.s6：使用验证数据集y和测试数据集c评价训练后的图像分割网络模型，完成标准配电台区关键物体分割网络训练。
31.本方案增加了拍照辅助引导区域，并将该区域图像的掩膜用于构建编码注意力区域图像，相比于使用其他注意力机制，该方法具有更高的可信度，使得本方案训练的网络具有更好的图像分割准确率。能够在恶劣天气等复杂环境下具有良好的识别效果，满足实际现场要求。
32.应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。