一种基于半参数共享的电力红外巡检图像分割制造技术

本发明专利技术公开了一种基于半参数共享的电力红外巡检图像分割

【技术实现步骤摘要】
一种基于半参数共享的电力红外巡检图像分割、检测方法


[0001]本专利技术涉及红外图像检测
，具体涉及一种基于半参数共享的电力红外巡检图像分割
、
检测方法
。
[0002]一种基于半参数共享的电力红外巡检图像分割
、
检测方法

技术介绍

[0003]近年来，伴随着我国对电力的需求逐年上升，电力系统已经融合入到我们的日常生活和生产活动中，成为最不可缺少的基础设施之一
。
在电力中，电力基础设备的作用对保持电网安全运行至关重要，它们的可靠性和安全性直接关联到整个电力系统的稳定性
。
据相关统计，电力系统出现的众多故障中，有很大一部分直接源于设备本体的故障，尤其是由设备的温度异常所引起的热故障
。
因此，实时监控设备的热状态显得尤为重要
。
红外热成像技术，作为一种非侵入性的监测手段，能有效地对电力设备的热状态进行跟踪
。
[0004]对于电力设备的热故障诊断，传统的做法是通过人工辨识设备，并根据专业知识对故障类型进行评判，这对操作员的技术水平有较高要求，而且效率不高
。
但是，随着人工智能技术的飞速发展，使用智能算法替代人工诊断已经变为可能
。
在进行电力设备的红外故障诊断时，由于设备类型众多，通常识别算法是先识别红外图像中的目标区域并提取其轮廓，然后利用区域温度信息来进行故障诊断
。
其中，红外图像中目标区域提取的精度会直接影响到故障分析的准确性
。
近几年，深度学习技术在图像识别和检测领域取得了显著的进展
。
[0005]目前市面上主流的基于深度学习分割算法是主要包括
:U
‑
Net、Mask R
‑
CNN
等基于
CNN
结构的网络和
ViT
，
SAM
等基于
Transfomer
结构的网络
。Mask R
‑
CNN
不仅能够精确地检测图像中的物体，同时也能为每一个实例生成高质量的分割掩码
。U
‑
Net
则采用了带有跳过连接的对称编码
‑
解码结构，从而提高了在处理图像细节上的保留能力
。
然而，虽然基于
CNN
的方法展现出了良好的表征能力，由于卷积核的感受野有限，无法捕获图像全局语义信息；基于
Transformer
结构的模型在处理大型数据集时具有更好的可扩展性，能够准确捕获图片全局信息，
2023
年
META
公司提出了基于
Transformer
的架构的
SAM
分割模型，该模型在大规模视觉语料库上训练，具有强大的视觉表征能力
。SAM
模型在多种情境下都具有强大的分割能力
。
然而，在电力红外图像分割这样的密集分割场景下，
SAM
模型在电力场景的分割中并不能发挥良好的效果，且
SAM
模型由于参数量大，全量参数训练也十分困难
。
[0006]相较于一般的图像分割场景，电力红外图像分割有以下难点：第一
、
电力红外图像清晰度高，但是在复杂红外背景下适应性较差，边缘分割效果不佳；第二
、
电力分割设备多，分割精度要求高，属于密集分割领域难难点，从而直接影响电力红外图片分割精度
。

技术实现思路

[0007]本专利技术是为了解决现有电力红外图像密集分割效果不佳，以及基于
Transformer
架构的图像分割模型训练困难的技术问题，目的在于提供一种基于半参数共享的电力红外
巡检图像分割
、
检测方法，有效解决了现有电力红外图像密集分割效果不佳以及基于
Transformer
架构的图像分割模型训练困难两个难点问题，提高了电力红外图像分割的精度，提高基于红外图像的缺陷检测的效率和准确性
。
[0008]本专利技术通过下述技术方案实现：
[0009]一种基于半参数共享的电力红外巡检图像分割
、
检测方法，包括以下步骤：
[0010]S1、
获取电力红外图像样本数据，针对电力设备图像数据进行分块，并添加位置信息，并进行特征融合，获得红外电力图像向量信息为
F
i
；
[0011]S2、
构建一个双层半参数共享全连接网络，分别为共享参数层全连接网络和调整参数层全连接网络，作为对基座模型微调的
Adapter
；
[0012]S3、
基于大规模数据集上预训练好的基座模型，将构建好的
Adapter
拼接到基座模型的
transfomer
中的编码层中，在基座与
Adapter
融合模型中输入红外电力图像向量信息
F
i
，开展电力红外图像分割模型微调；
[0013]S4、
利用微调好的分割模型对电力红外图像进行分割，分割出不同设备并利用其进行电力设备缺陷检测
。
[0014]作为本专利技术进一步的技术方案，步骤
S1
中，获得红外电力图像向量信息为
F
i
的具体过程包括：
[0015]S101、
将图像数据分割为
N
个图像块，把每个图像块折叠为向量，并位添加位置向量，得到整体电力红外图像块的向量信息为
F
j
；
[0016]S102、
将红外图像块的向量信息
F
j
，进行红外图像特征融合得到
F
i
，表达式如下：
[0017][0018]其中，
w
j
为对应的的权重
。
[0019]作为本专利技术进一步的技术方案，步骤
S102
中，采用两部分进行特征融合，包括原始图像块向量信息
F
pe
和高频图像块信息
F
hfc
，权重分别为1，即向量融合信息为：
[0020]F
i
＝
F
pe
+F
hfc
。
[0021]作为本专利技术进一步的技术方案，步骤
S2
包括以下步骤：
[0022]S201、
设计调整参数层全连接神经网络，表达式如下：
[0023]y
＝
W
tune x+b
[0024]其中：
x
是输入向量，
W
tune
表示的是每个
Adapte本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于半参数共享的电力红外巡检图像分割
、
检测方法，其特征在于，包括以下步骤：
S1、
获取电力红外图像样本数据，针对电力设备图像数据进行分块，并添加位置信息，并进行特征融合，获得红外电力图像向量信息为
F
i
；
S2、
构建一个双层半参数共享全连接网络，分别为共享参数层全连接网络和调整参数层全连接网络，作为对基座模型微调的
Adapter
；
S3、
基于大规模数据集上预训练好的基座模型，将构建好的
Adapter
拼接到基座模型的
transfomer
中的编码层中，在基座与
Adapter
融合模型中输入红外电力图像向量信息
F
i
，开展电力红外图像分割模型微调；
S4、
利用微调好的分割模型对电力红外图像进行分割，分割出不同设备并利用其进行电力设备缺陷检测，提升电力红外图像的分割精度和缺陷检测
。2.
根据权利要求1所述的一种基于半参数共享的电力红外巡检图像分割
、
检测方法，其特征在于，步骤
S1
中，获得红外电力图像向量信息为
F
i
的具体过程包括：
S101、
将图像数据分割为
N
个图像块，把每个图像块折叠为向量，并位添加位置向量，得到整体电力红外图像块的向量信息为
F
j
；
S102、
将红外图像块的向量信息
F
j
，进行红外图像特征融合得到
F
i
，表达式如下：其中，
w
j
为对应的的权重
。3.
根据权利要求2所述的一种基于半参数共享的电力红外巡检图像分割
、
检测方法，其特征在于，步骤
S102
中，采用两部分进行特征融合，包括原始图像块向量信息
F
pe
和高频图像块信息
F
hfc
，权重分别为1，即向量融合信息为：
F
i
＝
F
pe
+F
hfc
。4.
根据权利要求1所述的一种基于半参数共享的电力红外巡检图像分割
、
检测方法，其特征在于，步骤
S2
包括以下步骤：
S201、
设计调整参数层全连接神经网络，表达式如下：
y
＝
W
tune
x+b
其中：
x
是输入向量，
W
tune
表示的是每个
Adapter
可调整参数层，
b
是偏置向量；
S202、
定义
GELU
激活函数层，
GELU
激活函数表达式为：
S203、
设计共享参数层全连接神经网络，表达式如下：
y
＝
W
up
x+b
其中：
x
是输入向量，
W...

【专利技术属性】
技术研发人员：邝俊威，向思屿，张凌浩，常政威，滕予非，刘洪利，赵振兵，刘松嘉，张颉，王胜，刘春，庞博，魏阳，陈玉敏，刘畅，刘进源，艾昶恩，刘奇，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：