本发明涉及电力技术领域，具体地讲，本发明涉及一种基于机器学习模型的图像标注方法。
背景技术：
目前，我国输电线路仍然以架空线为主，高压、特高压输电线路分布点多、面广，所处地形复杂，自然环境恶劣，在山地地区，由于水土流失、雨水、泥石流等原因，会造成对输电线路、尤其是杆塔等电力设施地基的破坏，导致杆塔倾倒或设备损坏，直接破坏输电线路。电力线及杆塔附件长期暴露在野外，受到持续的机械张力、雷击闪络、材料老化、人为等因素的影响而产生倒塔、断股、磨损、腐蚀、受力等损伤，绝缘子还存在被雷击损伤，树木生长引起输电线放电，杆塔存在被偷窃等意外事件。因此，有必要对输电线路进行及时检测以保障输电线路安全运行。传统人工巡检的方式，不仅工作量大而且条件艰苦，特别是对多山地区和跨越大江大河的输电线路，在冰灾、水灾、地震、滑坡、夜晚期间巡线检查，所花时间长、人力成本高、困难大、风险高。
传统输电线路的巡检，一般依靠人工肉眼或者人力携带高倍望远镜和红外热像仪等设备根据故障测距给出的大致范围以及现场环境逐塔逐档线开展故障点的查找工作。对于地面或者输电线路设备上有明显放电痕迹的故障点很容易被人工发现，但是对于放电点不明显或者存在视距或者视角限制的情况，人工几乎不可能在地面上通过高倍望远镜发现，需要人工带电蹬塔甚至走线来查找故障点，既极大增加了线路运维人员的工作量，又给带电作业人员带来安全威胁。
目前，航拍巡检采集的图像存在不同程度的退化现象，即在成像过程中出现了畸变、模糊、失真或噪声混入，造成了图像质量的下降。造成图像退化的原因很多，主要包括：光学系统的像差、衍射、带宽有限等造成的图像失真；太阳辐射、云层遮挡、大气湍流的扰动效应等造成的遥感图像失真；成像器件的拍摄姿态、光电转换器件的非线性等引起的图像几何失真等。其中，运动模糊和各种噪声的影响尤为严重。另外，四季更替使输电走廊的自然环境和地貌不断变化，采集图像的背景会随环境的变化变得非常复杂，对比度降低，且干扰增多，同时其他自然地貌与人工建筑也使图像背景的复杂程度进一步加深。
因此，本领域技术人员亟需提供一种基于机器学习模型的图像标注方法，复杂自然背景下对目标图像的提取与识别，实现对基建地址的信息复测，故障的精准测距以及输电线路的巡检，故障定位。
技术实现要素：
本发明要解决的技术问题是：提供一种基于机器学习模型的图像标注方法，复杂自然背景下对目标图像的提取与识别，实现对基建地址的信息复测，故障的精准测距以及输电线路的巡检，故障定位。
本发明解决其技术问题所采用的技术方案是：提供一种基于机器学习模型的图像标注方法，包括以下步骤:
步骤s01、利用无人机倾斜摄影，获取实际图像数据，将采集的图像数据反馈至航拍数据采集平台；
步骤s02、对图像数据进行图像标注，选取标注方式；
步骤s03、根据标注方式对图像进行标注，得到包含标注区域的标注图像；
步骤s04、对图像数据定位异常数据，对异常数据进行再次编辑；
步骤s05、对图像数据中的关键点进行位置标注，并将关键点添加至已标注的关键点集合。
优选的，所述标注方式包括特征点标注、矩形框标注、区域标注。
优选的，所述步骤s02具体包括：s021、从航拍数据采集平台获取图像数据；s022、从所述图像数据中提取到样本视觉特征；s023、对所述样本视觉特征进行处理，得到样本标签子集并输出结果。
优选的，所述步骤s05中，对图像数据中的关键点进行位置标注，并预测下一个关键点的标注位置。
优选的，采用相似变换或射影变换的方式对第一个关键点进行标注位置。
优选的，将关键点添加至已标注的关键点集合包括高亮显示显示标注点，并将关键点直接拖拽到关键点集合中。
优选的，所述步骤s02中，采用图像分割算法对图像数据进行分割，获得图像区域的视觉描述。
本发明提供了一种基于机器学习模型的图像标注方法，有效的图像测距技术、图像标注技术，是快速识别图像、定位异常，提供智能专家诊断的可靠保障和关键技术，减少了人力、物力的投入，节约了成本，还实现了对线路设备异常及故障的精准预判、定位和报警及故障快速检修和恢复，提高设备状态识别的效率和准确率，提高了设备运行的可靠性及运维检修效率，减少停电时间和电能损失，降低运维成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的基于机器学习模型的图像标注方法的流程图。
具体实施方式
为使本发明的内容更加清楚易懂，以下结合说明书附图，对本发明的内容作进一步说明。当然本发明并不局限于该具体实施例，本领域内的技术人员所熟知的一般替换也涵盖在本发明的保护范围内。其次，本发明利用示意图进行了详细的表述，在详述本发明实例时，为了便于说明，示意图不依照一般比例局部放大，不应以此作为对本发明的限定。
本发明提供一种基于机器学习模型的图像标注方法，包括以下步骤:
步骤s01、利用无人机倾斜摄影，获取实际图像数据，将采集的图像数据反馈至航拍数据采集平台；
步骤s02、采用图像分割算法对图像数据进行分割，获得图像区域的视觉描述，对图像数据进行图像标注，选取标注方式；标注方式包括特征点标注、矩形框标注、区域标注。
步骤s02具体包括：s021、从航拍数据采集平台获取图像数据；s022、从所述图像数据中提取到样本视觉特征；s023、对所述样本视觉特征进行处理，得到样本标签子集并输出结果。
步骤s03、根据标注方式对图像进行标注，得到包含标注区域的标注图像；
步骤s04、对图像数据定位异常数据，对异常数据进行再次编辑；
步骤s05、对图像数据中的关键点进行位置标注，并将关键点添加至已标注的关键点集合。步骤s05中，对图像数据中的关键点进行位置标注，并预测下一个关键点的标注位置，可采用相似变换或射影变换的方式对第一个关键点进行标注位置，最后将关键点添加至已标注的关键点集合包括高亮显示显示标注点，并将关键点直接拖拽到关键点集合中。
输电线路基建地址复测、障碍物测距及巡检的视频、图像背景复杂，采用机器学习理论，研究有效的图像测距技术、图像标注技术，是快速识别图像、定位异常，提供智能专家诊断的可靠保障和关键技术。
综上所述，本发明提供了一种基于机器学习模型的图像标注方法，有效的图像测距技术、图像标注技术，是快速识别图像、定位异常，提供智能专家诊断的可靠保障和关键技术，减少了人力、物力的投入，节约了成本，还实现了对线路设备异常及故障的精准预判、定位和报警及故障快速检修和恢复，提高设备状态识别的效率和准确率，提高了设备运行的可靠性及运维检修效率，减少停电时间和电能损失，降低运维成本。
虽然本发明主要描述了以上实施例，但是只是作为实例来加以描述，而本发明并不限于此。本领域普通技术人员能做出多种变型和应用而不脱离实施例的实质特性。例如，对实施例详示的每个部件都可以修改和运行，与所述变型和应用相关的差异可认为包括在所附权利要求所限定的本发明的保护范围内。
本说明书中所涉及的实施例，其含义是结合该实施例描述的特地特征、结构或特性包括在本发明的至少一个实施例中。说明书中出现于各处的这些术语不一定都涉及同一实施例。此外，当结合任一实施例描述特定特征、结构或特性时，都认为其落入本领域普通技术人员结合其他实施例就可以实现的这些特定特征、结构或特性的范围内。
1.一种基于机器学习模型的图像标注方法，其特征在于,包括以下步骤:
步骤s01、利用无人机倾斜摄影，获取实际图像数据，将采集的图像数据反馈至航拍数据采集平台；
步骤s02、对图像数据进行图像标注，选取标注方式；
步骤s03、根据标注方式对图像进行标注，得到包含标注区域的标注图像；
步骤s04、对图像数据定位异常数据，对异常数据进行再次编辑；
步骤s05、对图像数据中的关键点进行位置标注，并将关键点添加至已标注的关键点集合。
2.如权利要求1所述的基于机器学习模型的图像标注方法，其特征在于,所述标注方式包括特征点标注、矩形框标注、区域标注。
3.如权利要求1所述的基于机器学习模型的图像标注方法，其特征在于,所述步骤s02具体包括：s021、从航拍数据采集平台获取图像数据；s022、从所述图像数据中提取到样本视觉特征；s023、对所述样本视觉特征进行处理，得到样本标签子集并输出结果。
4.如权利要求1所述的基于机器学习模型的图像标注方法，其特征在于,所述步骤s05中，对图像数据中的关键点进行位置标注，并预测下一个关键点的标注位置。
5.如权利要求4所述的基于机器学习模型的图像标注方法，其特征在于,采用相似变换或射影变换的方式对第一个关键点进行标注位置。
6.如权利要求4所述的基于机器学习模型的图像标注方法，其特征在于,将关键点添加至已标注的关键点集合包括高亮显示显示标注点，并将关键点直接拖拽到关键点集合中。
7.如权利要求1所述的基于机器学习模型的图像标注方法，其特征在于,所述步骤s02中，采用图像分割算法对图像数据进行分割，获得图像区域的视觉描述。
技术总结