一种深度学习的绝缘子目标样本标注方法和装置制造方法及图纸

本发明专利技术公开了一种深度学习的绝缘子目标样本标注方法和装置，该方法包括图像样本中绝缘子目标的标注方法。本发明专利技术提出图像样本中绝缘子目标的标注方法，使用椭圆形的标注框对图像中的绝缘子目标进行位置标注，并对其状态进行类别标注，如正常、自爆、污损等。基于此标注方法，得到的数据集，能够支撑深度学习神经网络模型，进行端到端训练，得到绝缘子及其状态(正常/自爆/污损等)的检测模型。该方法具有适用性强、标注效率高、标注精度高等优点。

【技术实现步骤摘要】
一种深度学习的绝缘子目标样本标注方法和装置
本专利技术涉及一种深度学习的绝缘子目标样本标注方法和装置。
技术介绍
随着人工智能行业兴起和深度学习技术的日益成熟，端到端的深度学习目标检测模型训练方式被广泛应用。即使不懂深度学习的人，也可以自己收集图像样本，在图像上画框来对待检测目标的位置、尺度、类型、状态等信息进行标注，标注框的信息会被转换一组实数作为图像样本的标签。利用端到端模型，输入为图像，输出为样本的标签，即可进行端到端的深度学习目标检测模型训练，得到目标检测模型。但是样本标注的方式和标注质量都对深度学习目标检测模型的效果产生重要的影响。目前常见的绝缘子标注方法，是在图像中，用长方形框对整串绝缘子进行标注，并对其中不正常的绝缘子部分进行特别标注，如图1所示。也有部分研究者，使用长方形框，对每片绝缘子单独进行标注，并同时对状态进行标注，如附图2所示。长方形框标注固然简单，但待检测目标边界与标注框边界之间还有很大一部分空间，其中参杂了很多干扰信息，会造成模型效果较差。
技术实现思路
本专利技术的目的在于提供一种深度学习的绝缘子目标样本标注方法，以替代现有的标注方式。本专利技术的目的还在于提供一种深度学习的绝缘子目标样本标注装置，以替代现有的标注方式。为此，本专利技术提供了一种深度学习的绝缘子目标样本标注方法，包括以下步骤：S1、利用标注工具在图像样本中画标注框，使用能将绝缘子片圈住的最小椭圆作为标注框；S2、将椭圆标注框数据转换为标签数据，其中，针对每个椭圆标注框，记录椭圆中心的横坐标x、中心的纵坐标y、长半轴a、短半轴b、从x轴方向逆时针旋转到椭圆长轴方向的角度t，其中t范围为[0,180)；对该椭圆标注框所标注的绝缘子，用一个整数c记录其状态信息；以及S3、对于每个图像样本，将每个绝缘子目标的标签信息转换为一个结构化矩阵，结构化矩阵的每行对应一个绝缘子，每行记录步骤S2中的所述x、y、a、b、t、c。本专利技术还提供了一种深度学习的绝缘子目标样本标注装置，包括：状态标注模块，用于利用标注工具在图像样本中画标注框，使用能将绝缘子片圈住的最小椭圆作为标注框；数据转换模块，用于将椭圆标注框数据转换为标签信息，针对每个椭圆标注框，记录椭圆中心的横坐标x、中心的纵坐标y、长半轴a、短半轴b、从x轴方向逆时针旋转到椭圆长轴方向的角度t，其中t范围为[0,180)，对该椭圆标注框所标注的绝缘子，用一个整数c记录其状态信息；结果保存模块，用于对于每个图像样本，将每个绝缘子目标的标签信息转换为一个结构化矩阵，其中，结构化矩阵的每行对应一个绝缘子，每行记录所述x、y、a、b、t、c。本绝缘子目标样本标注方法具有如下优势：1、能够利用图片样本和样本标签进行的模型端到端训练，得到的模型能快速智能检测图像中的绝缘子目标及其状态；2、对深度学习目标检测任务中所涉及的绝缘子目标采用椭圆形框进行标注，具有适用性强、标注效率和标注精度高等优点。除了上面所描述的目的、特征和优点之外，本专利技术还有其它的目的、特征和优点。下面将参照图，对本专利技术作进一步详细的说明。附图说明构成本申请的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：图1是传统的绝缘子整体标注方法示意图；图2是传统的绝缘子单片标注方法示意图；图3是根据本专利技术的绝缘子目标标注方法示意图；图4是根据本专利技术的绝缘子目标标注方法的流程图；以及图5是根据本专利技术的绝缘子目标标注装置的框图。具体实施方式下面将参考附图并结合实施例来详细说明本专利技术。在实施本专利技术的过程中，本专利技术人发现：对于绝缘子目标，其空间几何形状类似圆柱，因此投影到二维图像中，其边界往往为椭圆形。因此根据其几何特点，可以使用更有针对性的标注方法，适应性更强，效果更优。本专利技术提出图像样本中绝缘子目标的标注方法，使用椭圆形的标注框对图像中的绝缘子目标进行位置标注，并对其状态进行类别标注，如正常、自爆、污损等。基于此标注方法，得到的数据集，能够支撑深度学习神经网络模型，进行端到端训练，得到绝缘子及其状态(正常/自爆/污损等)的检测模型。该方法具有适用性强、标注效率高、标注精度高等优点。本专利技术的深度学习的绝缘子目标样本标注方法，包括图像样本中绝缘子目标的标注方法。图像样本，是指一张可能包含绝缘子目标的图像。样本标注，是将图像样本中的部分或全部绝缘子目标的位置信息、状态信息等，用一组实数表示出来，这组实数称为样本标签。图像样本中绝缘子目标的标注方法，使用椭圆形的标注框对图像中的绝缘子目标进行位置标注。椭圆形标注框，是能够将图像中某一绝缘子目标包含住的最小椭圆形框。绝缘子目标，是指正常情况下本该存在于此的完整绝缘子。如果绝缘子有部分被遮挡、或者有部分破损缺失，被遮挡或缺失的部分仍然是此绝缘子目标的一部分。位置标注，是将图像中的绝缘子目标(或其对应的标注框)转换为一组表明位置的数据。例如，包括椭圆中心的横坐标x、中心的纵坐标y、长半轴a、短半轴b、从x轴方向逆时针旋转到椭圆长轴方向的角度t，其中t范围为[0,180)，0°和180°是同一个方向。所述的图像样本中绝缘子目标的标注方法，使用一个整数对绝缘子目标的状态进行标注，并建立对应关系表。例如：1表示正常，2表示爆裂，3表示污损等。实施例下面以一张包含一串绝缘子、其中有一片自爆的图像为例，结合图3和图4对本专利技术的绝缘子目标样本标注方法进行说明。S1、状态标注利用标注工具在图像中画标注框，用能将绝缘子片圈住的最小椭圆，对各片绝缘子进行标注，并标注状态，如图3所示。S2、数据转换将椭圆标注框数据转换为标签数据。每个椭圆标注框，记录椭圆中心的横坐标x、中心的纵坐标y、长半轴a、短半轴b、从x轴方向逆时针旋转到椭圆长轴方向的角度t，其中t范围为[0,180)。对该椭圆标注框所标注的绝缘子，用一个整数c记录其状态信息，例如：1表示正常，2表示爆裂，3表示污损等。S3、结果保存对这张图像样本，绝缘子目标的标签信息即为一个结构化的矩阵。每行对应一个绝缘子，每行分别记录S2中所述的x、y、a、b、t、c。本专利技术将深度学习目标检测任务中所涉及的绝缘子目标采用椭圆形框进行标注，具有适用性强、标注效率和标注精度高等优点。本专利技术还提供了一种深度学习的绝缘子目标样本标注装置，如图5所示，包括：状态标注模块10、数据转换模块20和结果保存模块30。所述状态标注模块10用于利用标注工具在图像样本中画标注框，使用能将绝缘子片圈住的椭圆作为标注框。优选地，使用能将绝缘子片圈住的最小椭圆作为标注框。所述数据转换模块20用于将椭圆标注框数据转换为标签信息。优选地，针对每个椭圆标注框，记录椭圆中心的横坐标x、中心的纵坐标y、长半轴a本文档来自技高网...

【技术保护点】
1.一种深度学习的绝缘子目标样本标注方法，其特征在于，包括以下步骤：/nS1、在图像样本中画标注框，使用将绝缘子片圈住的椭圆作为标注框；/nS2、将所述标注框中的数据转换为标签信息；以及/nS3、对于每个图像样本，将每个绝缘子目标的标签信息转换为一个结构化矩阵，其中，结构化矩阵的每行对应一个绝缘子。/n

【技术特征摘要】
1.一种深度学习的绝缘子目标样本标注方法，其特征在于，包括以下步骤：
S1、在图像样本中画标注框，使用将绝缘子片圈住的椭圆作为标注框；
S2、将所述标注框中的数据转换为标签信息；以及
S3、对于每个图像样本，将每个绝缘子目标的标签信息转换为一个结构化矩阵，其中，结构化矩阵的每行对应一个绝缘子。


2.根据权利要求1所述的深度学习的绝缘子目标样本标注方法，其特征在于，在步骤S1中，使用将绝缘子片圈住的最小椭圆作为标注框。


3.根据权利要求2所述的深度学习的绝缘子目标样本标注方法，其特征在于，在步骤S2中，针对每个标注框，记录椭圆中心的横坐标x、中心的纵坐标y、长半轴a、短半轴b、从x轴方向逆时针旋转到椭圆长轴方向的角度t，其中t范围为[0,180)，对该标注框所标注的绝缘子，用一个整数c记录其状态信息。


4.根据权利要求3所述的深度学习的绝缘子目标样本标注方法，其特征在于，在步骤S3中，所述结构化矩阵的每行对应一个绝缘子，每行记录所述x、y、a、b、t、c。


5.根据权利要求1所述的深度学习的绝缘子目标样本标注方法，其特征在于，所述图像样本是指一张包含绝缘子目标的图像。


6.根据权利要求1所述的深度学习的绝缘子目标样本标注方法，其特征在于，所述绝缘子目标是指正常情...

【专利技术属性】
技术研发人员：万能，陈江琦，郭可贵，王奎，李路遥，刘思言，王博，赵婷，吴鹏，陈永保，唐旭明，孟蒋辉，汪晓，宁彦，
申请(专利权)人：国网安徽省电力有限公司淮南供电公司，国网安徽省电力有限公司检修分公司，全球能源互联网研究院有限公司，国家电网有限公司，
类型：发明
国别省市：安徽;34