【技术实现步骤摘要】
本专利技术涉及电力缺陷检测模型训练领域，具体涉及一种基于注意力机制的变电红外图像智能标注方法。
技术介绍
1、近年来，随着变电站设备规模和复杂度的不断增加，变电站设备故障检测和预警成为了电力系统安全运行的重要保障。传统的变电站设备故障检测和预警方法通常依赖于人工巡检，这种方法不仅耗时耗力，而且存在着主观性、误差性和危险性等缺点。为了克服这些缺点，利用红外热成像技术进行变电站设备故障检测和预警的方法逐渐得到了广泛的应用。红外热成像技术是一种利用红外探测器对目标表面温度进行无损检测的技术，它可以有效地发现变电站设备的过热、漏电、短路等故障现象，从而实现变电站设备的状态监测和故障诊断。
2、然而，由于变电红外图像本身的问题，如分辨率低、对比度差、噪声大、信息量少等，使得红外图像的分析和处理面临着很多挑战。为了提高变电红外图像的质量和可视性，一般需要对变电红外图像进行预处理，如去噪、增强、校正等。为了提高红外图像中目标的检测和识别的准确性，一般需要将红外图像与可见光图像进行配准和融合，利用两种图像的互补信息，提高目标特征的表达能力。为了提高红外图像中目标的标注和描述的效果，一般需要利用人工智能技术，如深度学习、自然语言处理等，对红外图像中的目标进行自动化的分析、识别和标注，从而实现变电站设备故障检测和预警的智能化。
3、在实现变电站设备故障检测和预警的过程中，变电红外图像的标注是一个关键的步骤，它决定了后续目标检测、识别和标注的效果。人工标注需要耗费大量的人力、时间和成本，而且难以保证其质量和一致性。相比之下，智
技术实现思路
1、本专利技术的目的在于提供一种基于注意力机制的变电红外图像智能标注方法，解决了现有技术中存在的问题。
2、本专利技术通过下述技术方案实现：
3、一种基于注意力机制的变电红外图像智能标注方法，包括：
4、获取变电红外图像数据集，所述变电红外图像数据集包括多张变电红外图像以及每张变电红外图像对应的掩码标注、点提示、边框提示以及文本提示；
5、构建包含图像编码器、提示编码器以及掩码解码器的智能标注模型；
6、采用图像编码器对变电红外图像进行特征提取，得到变电红外图像特征图，并与掩码标注m经过变换后得到的特征图进行拼接，得到变电红外图像编码z；
7、采用提示编码器分别获取变电红外图像对应的点提示所对应的点提示编码si、边框提示所对应的边框提示编码bi以及文本提示所对应的文本提示编码fi；
8、根据所述变电红外图像编码z、点提示编码si、边框提示编码bi以及文本提示编码fi，采用掩码解码器获取变电红外图像对应的预测掩码
9、通过掩码标注m以及预测掩码获取损失函数，并根据损失函数对智能标注模型进行训练，得到训练完成的智能标注模型；
10、获取待标注变电红外图像，采用训练完成的智能标注模型对待标注变电红外图像进行标注，完成变电红外图像的智能标注。
11、在一种可能的实施方式中，所述红外图像特征提取模型设置为基于图像注意力机制相结合的transformer网络。
12、在一种可能的实施方式中，采用图像编码器对变电红外图像进行特征提取，得到变电红外图像特征图，并与掩码标注m经过变换后得到的特征图进行拼接，得到变电红外图像编码z，包括：
13、采用图像编码器将大小为h×w×3的变电红外图像x划分为多个大小相同为p×p的子图像块，每个子图像块被映射为d维的目标向量，其形状为h/p×w/p×d；然后将这些目标向量输入到24层transformer中，得到变电红外图像特征图；
14、使用步长为2的第一卷积层以及步长为2的平均池化层将变电红外图像特征图的大小降低为h/2p×w/2p×2d；其中，transformer每层有16个注意力头，每个头的维度是64；
15、使用第二卷积层和下采样层，将掩码标注m的大小从h×w×c变为h/2p×w/2p×2d，使掩码标注m的大小与变电红外图像特征图的大小一致；
16、将变电红外图像特征图和经过变换后的掩码标注m拼接在一起，得到变电红外图像编码z，该变电红外图像编码z的大小为h/2p×w/2p×4d。
17、在一种可能的实施方式中，采用提示编码器分别获取变电红外图像对应的点提示所对应的点提示编码si、边框提示所对应的边框提示编码bi以及文本提示所对应的文本提示编码fi，包括：
18、将变电红外图像对应的点提示输入至点提示编码器中，得到点提示编码si；
19、将变电红外图像对应的边框提示输入至边框提示编码器中，得到边框提示编码bi；
20、将变电红外图像对应的文本提示输入至文本提示编码器中，得到文本提示编码fi；
21、其中，所述提示编码器包括点提示编码器、边框提示编码器以及文本提示编码器。
22、在一种可能的实施方式中，将变电红外图像对应的点提示输入至点提示编码器中，得到点提示编码si，包括：
23、将点提示中的每个点坐标映射到其对应的子图像块上，得到第三一维张量，其长度为子图像块的数量，其值为0或1，以表示该子图像块是否包含该点；
24、基于该第三一维张量，在每个子图像块上生成一个高斯分布，得到每个子图像块属于目标物体的概率值，以表示该子图像块属于目标物体的概率；
25、将每个子图像块上的概率值乘以第二类别向量，得到每个子图像块上的第一特征向量，以表示目标物体的类别信息；
26、将每个子图像块上的第一特征向量加上第一偏置向量，得到点提示编码si。
27、在一种可能的实施方式中，将变电红外图像对应的文本提示输入至边框提示编码器中，得到边框提示编码bi，包括：
28、将变电红外图像对应的文本提示中的每个矩形框映射到对应的子图像块上，得到第四一维张量，其长度为子图像块的数量，其值为0或1，以表示该子图像块是否在框内；
29、将每个子图像块上的0或1值乘以第三类别向量，得到每个子图像块上的第二特征向量，以表示目标物体的类别信息；
30、将每个子图像块上的第二特征向量加上第二偏置向量，得到边框提示编码bi。
31、在一种可能的实施方式中，将变电红外图像对应的文本提本文档来自技高网...
【技术保护点】
1.一种基于注意力机制的变电红外图像智能标注方法，其特征在于，包括：
2.根据权利要求1所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，所述红外图像特征提取模型设置为基于图像注意力机制相结合的Transformer网络。
3.根据权利要求2所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，采用图像编码器对变电红外图像进行特征提取，得到变电红外图像特征图，并与掩码标注M经过变换后得到的特征图进行拼接，得到变电红外图像编码Z，包括：
4.根据权利要求3所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，采用提示编码器分别获取变电红外图像对应的点提示所对应的点提示编码Si、边框提示所对应的边框提示编码Bi以及文本提示所对应的文本提示编码Fi，包括：
5.根据权利要求4所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，将变电红外图像对应的点提示输入至点提示编码器中，得到点提示编码Si，包括：
6.根据权利要求4所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，将变电红外图像对应的
7.根据权利要求4所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，将变电红外图像对应的文本提示输入至文本提示编码器中，得到文本提示编码Fi，包括：
8.根据权利要求7所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，根据所述变电红外图像编码Z、点提示编码Si、边框提示编码Bi以及文本提示编码Fi，采用掩码解码器获取变电红外图像对应的预测掩码包括：
9.根据权利要求8所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，通过掩码标注M以及预测掩码获取损失函数，并根据损失函数对智能标注模型进行训练，得到训练完成的智能标注模型，包括：
10.根据权利要求9所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，所述掩码标注M与预测掩码之间的交叉熵损失为：
...【技术特征摘要】
1.一种基于注意力机制的变电红外图像智能标注方法，其特征在于，包括：
2.根据权利要求1所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，所述红外图像特征提取模型设置为基于图像注意力机制相结合的transformer网络。
3.根据权利要求2所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，采用图像编码器对变电红外图像进行特征提取，得到变电红外图像特征图，并与掩码标注m经过变换后得到的特征图进行拼接，得到变电红外图像编码z，包括：
4.根据权利要求3所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，采用提示编码器分别获取变电红外图像对应的点提示所对应的点提示编码si、边框提示所对应的边框提示编码bi以及文本提示所对应的文本提示编码fi，包括：
5.根据权利要求4所述的基于注意力机制的变电红外图像智能标注方法，其特征在于，将变电红外图像对应的点提示输入至点提示编码器中，得到点提示编码si，包括：
...
【专利技术属性】
技术研发人员：刘松嘉，向思屿，张凌浩，周里涛，滕予非，周剑，甘炜，梁晖辉，李旭旭，刘昶，张菊玲，庞博，王胜，邝俊威，刘雪原，张一弛，唐超，
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：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。