输电导线悬挂异物的检测方法、装置、介质及终端设备与流程

1.本发明涉及遥感影像技术领域，尤其涉及一种输电导线悬挂异物的检测方法、装置、计算机可读存储介质及终端设备。


背景技术：

2.输电线路作为供电脉络在电力系统中承担着重要的输电任务，是智能电网的重要组成部分，如果输电线路出现异常，会造成严重的电网系统故障，甚至会导致整个电网系统瘫痪，严重影响群众的安全与电力使用。
3.由于输电线路地理位置特殊，并且导线长期暴露在外，容易受到外界因素影响，而容易导致输电线路不能安全运行的重要因素之一就是异物悬挂。输电线路周围环境杂物漂浮物较多，在恶劣天气的影响下，极有可能导致异物落在输电线路塔身或者导线上，如果不及时处理常常会引发恶性电力事故。近年来，环境气候的恶化与垃圾处理的不均衡扩大了输电导线出现异物悬挂的可能性，因此积极进行输电导线悬挂异物检测并及时清理，对智能电网的可靠安全运行具有重要意义。
4.目前对异物悬挂的检测主要依靠人工巡检，但其检测效率低、工作强度大、检测速度慢，亟待新输电导线悬挂异物的检测方法的出现解决这些问题。而现有的异物悬挂检测输电导线悬挂异物的检测方法主要包括人工检测、红外成像法、紫外成像法等，这些输电导线悬挂异物的检测方法均各有优缺点，但都应用范围受限。因此，无人机巡检等智能巡检技术应运而生，借助其灵活的图像采集方式，结合机器视觉、图像处理以及深度学习等技术，在电力系统中得到广泛应用。然而智能巡检技术在提升悬挂异物数量的同时，无法对大量的有异物或无异物的输电线路图像进行打标，需要通过人工打标采集图像，费时费力，且需要一定的成本，给识别工作带来了困难。


技术实现要素：

5.本发明实施例提供一种输电导线悬挂异物的检测方法、装置、计算机可读存储介质及终端设备，能够提高检测输电导线悬挂异物的效率，减少输电导线图像的标注成本。
6.为实现上述目的，本发明实施例提供了一种输电导线悬挂异物的检测方法，包括：
7.获取无人机航拍的输电导线的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；
8.通过所述真实标注图像集训练预先基于半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；
9.通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；
10.将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；
11.将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检
测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；
12.协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果。
13.作为上述方案的改进，所述获取无人机航拍的输电导线的图像数据集之后，还包括：
14.对所述真实标注图像集的每一真实标注图像进行平移和翻转；
15.对所述无标注图像集的每一无标注图像进行平移和翻转。
16.作为上述方案的改进，所述将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集，具体为：
17.通过mixup算法对所述真实标注图像集和所述第一伪标注图像集进行混合增强，得到第一混合标注图像集；
18.通过mixup算法对所述真实标注图像集和所述第二伪标注图像集进行混合增强，得到第二混合标注图像集。
19.作为上述方案的改进，所述将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集，具体为：
20.根据预设的混合增强公式对所述第一伪标注图像集的第i幅伪标注图像和所述真实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第一混合标注图像集；
21.根据预设的混合增强公式对所述第二伪标注图像集的第i幅伪标注图像和所述真实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第二混合标注图像集。
22.作为上述方案的改进，所述预设的混合增强公式具体为：
[0023][0024]
其中，λm为混合系数，beta为贝塔分布，αm为第一参数，αm＝1.0，ui为第i幅伪标注图像，x为真实标注图像，u
′i为第i幅混合标注图像，t
x
为真实标注图像的边界框四维坐标，为第i幅伪标注图像的边界框四维坐标，为第i幅混合标注图像的边界框四维坐标，c
x
为真实标注图像的图像类别概率，为第i幅伪标注图像的图像类别概率，为第i幅混合标注图像的图像类别概率。
[0025]
作为上述方案的改进，所述协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果，具体为：
[0026]
根据以下公式协同所述优化后的第一检测模型和所述优化后的第二检测模型对待检测的输电线路图像进行检测，得到异物检测结果：
[0027][0028]
其中，f1(
·
)为第一检测模型，f2(
·
)第二检测模型，u为待检测的输电线路图像，ci为第一检测模型预测的图像类别概率，ti为第一检测模型预测的图像边界框坐标，ci第二检测模型细化后的图像类别概率，t
′i为第二检测模型细化后的图像边界框坐标，为异物检测结果的图像类别概率，异物检测结果的图像边界框坐标。
[0029]
为实现上述目的，本发明实施例对应提供了一种输电导线悬挂异物的检测装置，包括：
[0030]
数据接收模块，用于获取无人机航拍的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；
[0031]
真实标签训练模块，用于通过所述真实标注图像集训练预先基于半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；
[0032]
伪标注模块，用于通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；
[0033]
混合增强模块，用于将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；
[0034]
模型优化模块，用于将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；
[0035]
协同修正模块，用于协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果。
[0036]
作为上述方案的改进，所述输电导线悬挂异物的检测装置还包括：
[0037]
图像弱增强模块，用于对所述真实标注图像集的每一真实标注图像进行平移和翻转；还用于对所述无标注图像集的每一无标注图像进行平移和翻转。
[0038]
为实现上述目的，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的输电导线悬挂异物的检测方法。
[0039]
为实现上述目的，本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的输电导线悬挂异物的检测方法。
[0040]
与现有技术相比，本发明实施例公开的输电导线悬挂异物的检测方法、装置、计算
机可读存储介质及终端设备，通过获取无人机航拍的输电导线的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；其次，通过所述真实标注图像集训练预先基于半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；然后，通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；再而，将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；最后，协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果。本发明通过半监督学习方法，能够在进行少量图像标注的情况下，提高检测输电导线悬挂异物的效率，减少输电导线图像的标注成本。
附图说明
[0041]
图1是本发明一实施例提供的一种输电导线悬挂异物的检测方法的流程示意图；
[0042]
图2是本发明一实施例提供的一种输电导线悬挂异物的检测装置的结构示意图；
[0043]
图3是本发明一实施例提供的一种终端设备的结构框图。
具体实施方式
[0044]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0045]
参见图1，是本发明一实施例提供的一种输电导线悬挂异物的检测方法的流程示意图。
[0046]
本发明实施例提供的输电导线悬挂异物的检测方法，包括步骤：
[0047]
s11、获取无人机航拍的输电导线的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；
[0048]
s12、通过所述真实标注图像集训练预先基于半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；
[0049]
s13、通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；
[0050]
s14、将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；
[0051]
s15、将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；
[0052]
s16、协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取
的待检测的输电导线图像进行检测，得到异物检测结果。
[0053]
具体的，所述真实标注图像集中包含多幅真实标注图像；所述无标注图像集中包含多幅无标注图像。
[0054]
在一个优选的实施方式中，在通过所述步骤s11获取无人机航拍的输电导线的图像数据集之后，还包括：
[0055]
对所述真实标注图像集的每一真实标注图像进行平移和翻转；
[0056]
对所述无标注图像集的每一无标注图像进行平移和翻转。
[0057]
需要说明，在所述步骤s12中，所述基于半监督学习的第一初始检测模型和第二初始检测模型，二者整体上是建立在yolo v3网络的基础上，使yolo v3网络与半监督学习结合。在本发明中，对于无标注图像集的无标注图像和真实标注图像集的真实标注图像涉及到半监督学习中特有的弱增强，对于预处理后的无标注图像和真实标注图像涉及到半监督学习中特有的强增强，即利用mixup算法对真实标注图像与伪标注图像进行混合增强。
[0058]
具体的，所述步骤s12，具体为：
[0059]
通过所述真实标注图像集训练预先构建的基于半监督学习的第一初始检测模型，得到第一检测模型；
[0060]
通过所述真实标注图像集训练预先构建的基于半监督学习的第二初始检测模型，得到第二检测模型。
[0061]
进一步的，所述步骤s13，具体为：
[0062]
通过所述第一检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集；
[0063]
通过所述第二检测模型对所述无标注图像集进行伪标注，得到第二伪标注图像集。
[0064]
值得说明的是，在所述步骤s13中，通过使用真实标注图像集预训练过的第一检测模型和第二检测模型给无标注图像集的每一无标注图像打即时伪标注，这样可以暂时使得无标注图像变为有标注图像。需要说明，伪标注即无标注图像输入第一检测模型和第二检测模型后，所直接输出得到的图像类别概率以及边界框，此时的伪标注一定是与真实标注不同的。
[0065]
在一个具体的实施方式中，所述步骤s14，具体为：
[0066]
通过mixup算法对所述真实标注图像集和所述第一伪标注图像集进行混合增强，得到第一混合标注图像集；
[0067]
通过mixup算法对所述真实标注图像集和所述第二伪标注图像集进行混合增强，得到第二混合标注图像集。
[0068]
需要说明，在步骤s14中，对真实标注图像集和第一伪标注图像集或第二伪标注图像集进行混合增强，目的是将无标注图像集中无标注图像的有用特征信息引入到半监督学习网络中，优化检测模型对输电导线悬挂异物的检测性能。
[0069]
需要说明，对于第一伪标注图像集和第二伪标注图像集的伪标注图像，其图像类别概率为独热类标签，若置信度得分大于置信度阈值时，则将图像类别概率改为硬标签。
[0070]
进一步的，所述步骤s15，具体为：
[0071]
根据预设的混合增强公式对所述第一伪标注图像集的第i幅伪标注图像和所述真
实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第一混合标注图像集；
[0072]
根据预设的混合增强公式对所述第二伪标注图像集的第i幅伪标注图像和所述真实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第二混合标注图像集。
[0073]
需要说明，预设的混合增强公式是基于mixup算法构建的。
[0074]
优选的，所述预设的混合增强公式具体为：
[0075][0076]
其中，λm为混合系数，beta为贝塔分布，αm为第一参数，αm＝1.0，ui为第i幅伪标注图像，x为真实标注图像，u
′i为第i幅混合标注图像，t
x
为真实标注图像的边界框四维坐标，为第i幅伪标注图像的边界框四维坐标，为第i幅混合标注图像的边界框四维坐标，c
x
为真实标注图像的图像类别概率，为第i幅伪标注图像的图像类别概率，为第i幅混合标注图像的图像类别概率。
[0077]
需要说明的是，混合标注图像中的图像类别概率为软标签。
[0078]
可以理解，为了在步骤s15中，第一检测模型和第二检测模型的训练效果更加理想，需要根据输电导线悬挂异物的图像特点设置模型参数，且考虑到图像背景复杂，难分类区域过多，为了提高系统的鲁棒性和检测异物悬挂的准确率，在训练过程中引入监督损失、无监督损失和均衡损失对所述第一检测模型和所述第二检测模型进行训练。本发明通过即时伪标注的训练策略，能够为第一检测模型和第二检测模型带来持续的优化效果，即使在少量图像标注的情况下，也能够使得训练结束后的检测模型取得与全部使用真实标注图像进行训练的检测模型相媲美的准确率，同时能够减少对应的标注成本。
[0079]
值得说明，为了与stac进行比较，在本发明中，使用由监督损失和无监督损失组成的整个训练目标来更新检测模型的参数，且只对无标注的数据进行强增强，这里的无标注的数据包括伪标注的数据，而对真实标注的数据仍然使用弱增强。可以理解的在初始训练阶段，第一检测模型和第二检测模型的性能会相对较差。为了保证生成的伪标注的质量，在打即时伪标注的过程中，采用非极大值抑制(nms)和基于置信度的高阈值τ的滤波，将需要抑制和基于阈值的边界框滤除，减少伪标注中的多余边界框。
[0080]
具体的，在步骤s15中，所述第一检测模型和所述第二检测模型的损失函数l为：
[0081]
l＝ls λulu λflf；
[0082]
其中，ls为监督损失，lu为无监督损失，lf为均衡损失，λu为第一超参数，λf为第二超参数。
[0083]
需要说明，所述第一超参数λu和所述第二超参数λf是为了平衡监督损失ls、无监督损失lu和均衡损失lf。
[0084]
进一步的，所述监督损失ls的表达式为：
[0085][0086]
其中，n
cls
为分类损失的样本数量，n
reg
为回归损失的样本数量，b为真实标注图像集的图像数量，l
cls
为分类损失，l
reg
为边界框回归损失，α(
·
)为图像弱增强，i是单个图像中anchor的索引，xb为真实标注图像，p(ci|xb)为第i个anchor是真实标注图像xb中的对象的预测概率，ti为预测边界框的四维坐标，为真实标注图像的图像类别概率，为真实标注图像的边界框四维坐标；
[0087]
所述无监督损失lu的表达式为：
[0088][0089]
其中，μb为无标注图像集的图像数量，0《μ《1，a(
·
)为图像强增强，为第i个伪标注图像的最终类标签，注图像的最终类标签，为第i个伪标注图像的图像类别概率，为第i个伪标注图像的边界框四维坐标，τ为置信度阈值，λ
reg
为第三超参数，ub为无标注图像；
[0090]
所述均衡损失lf的表达式为：
[0091][0092]
其中，p
t
为混合标注图像的图像类别概率属于正确类的概率，γ为调制系数。
[0093]
需要说明，图像弱增强是指对图像进行平移和翻转，图像强增强是指通过mixup进行混合增强。当然，图像弱增强和图像强增强并不仅有上述提到的方法，还包括其他的实施方式。
[0094]
需要说明，第i个伪标注图像的最终类标签为硬标签，第三超参数λ
reg
为边界框回归损失l
reg
的损失权重，调制系数γ的目的是通过减少易分类样本的权重，从而使得第一检测模型和第二检测模型在训练时，更专注于难分类的样本。
[0095]
值得说明的是，在步骤s16中，考虑到基于半监督学习构建的优化后的第一检测模型和优化后的第二检测模型在检测过程中会遇到确认偏差的问题，因此，为了给予两个检测模型自我修正错误的能力，通过协同两个检测模型的方法，使得这两个检测模型互相帮助纠正错误的预测。
[0096]
进一步的，所述步骤s15，具体为：
[0097]
将所述第一混合标注图像集输入至所述第一检测模型中，并通过监督损失、无监
督损失和均衡损失训练所述第一检测模型，得到优化后的第一检测模型；
[0098]
将所述第二混合标注图像集输入至所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第二检测模型，得到优化后的第二检测模型。
[0099]
在一些更优的实施例中，所述步骤s16，具体为：
[0100]
根据以下公式协同所述优化后的第一检测模型和所述优化后的第二检测模型对待检测的输电线路图像进行检测，得到异物检测结果：
[0101][0102]
其中，f1(
·
)为第一检测模型，f2(
·
)第二检测模型，u为待检测的输电线路图像，ci为第一检测模型预测的图像类别概率，ti为第一检测模型预测的图像边界框坐标，c
′i第二检测模型细化后的图像类别概率，t
′i为第二检测模型细化后的图像边界框坐标，为异物检测结果的图像类别概率，异物检测结果的图像边界框坐标。
[0103]
相应地，本发明实施例还提供了一种输电导线悬挂异物的检测装置，能够实现上述输电导线悬挂异物的检测方法的所有流程。
[0104]
参见图2，是本发明一实施例提供的一种输电导线悬挂异物的检测装置的结构示意图。
[0105]
本发明实施例提供的输电导线悬挂异物的检测装置，包括：
[0106]
数据接收模块21，用于获取无人机航拍的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；
[0107]
真实标签训练模块22，用于通过所述真实标注图像集训练预先基于半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；
[0108]
伪标注模块23，用于通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；
[0109]
混合增强模块24，用于将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；
[0110]
模型优化模块25，用于将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；
[0111]
协同修正模块26，用于协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果。
[0112]
作为其中一个可选的实施方式，所述输电导线悬挂异物的检测装置还包括：
[0113]
图像弱增强模块27，用于对所述真实标注图像集的每一真实标注图像进行平移和翻转；还用于对所述无标注图像集的每一无标注图像进行平移和翻转。
[0114]
作为其中一个优选的实施方式，所述混合增强模块24，包括：
[0115]
第一混合标注单元，用于通过mixup算法对所述真实标注图像集和所述第一伪标注图像集进行混合增强，得到第一混合标注图像集；
[0116]
第二混合标注单元，用于通过mixup算法对所述真实标注图像集和所述第二伪标注图像集进行混合增强，得到第二混合标注图像集。
[0117]
进一步的，所述混合增强模块24，具体用于：
[0118]
根据预设的混合增强公式对所述第一伪标注图像集的第i幅伪标注图像和所述真实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第一混合标注图像集；
[0119]
根据预设的混合增强公式对所述第二伪标注图像集的第i幅伪标注图像和所述真实标注图像集中的任意一幅真实标注图像进行混合增强，将混合增强后得到的所有混合标注图像构成第二混合标注图像集。
[0120]
优选的，所述预设的混合增强公式具体为：
[0121][0122]
其中，λm为混合系数，beta为贝塔分布，αm为第一参数，αm＝1.0，ui为第i幅伪标注图像，x为真实标注图像，u
′i为第i幅混合标注图像，t
x
为真实标注图像的边界框四维坐标，为第i幅伪标注图像的边界框四维坐标，为第i幅混合标注图像的边界框四维坐标，c
x
为真实标注图像的图像类别概率，为第i幅伪标注图像的图像类别概率，为第i幅混合标注图像的图像类别概率。
[0123]
在一个具体的实施例中，所述协同修正模块26，具体用于：
[0124]
根据以下公式协同所述优化后的第一检测模型和所述优化后的第二检测模型对待检测的输电线路图像进行检测，得到异物检测结果：
[0125][0126]
其中，f1(
·
)为第一检测模型，f2(
·
)第二检测模型，u为待检测的输电线路图像，ci为第一检测模型预测的图像类别概率，ti为第一检测模型预测的图像边界框坐标，c
′i第二检测模型细化后的图像类别概率，t
′i为第二检测模型细化后的图像边界框坐标，为异物检测结果的图像类别概率，异物检测结果的图像边界框坐标。
[0127]
需要说明的是，本实施例的输电导线悬挂异物的检测装置的各实施例的相关具体描述和有益效果可以参考上述的输电导线悬挂异物的检测方法的各实施例的相关具体描述和有益效果，在此不再赘述。
[0128]
需说明的是，以上所描述的输电导线悬挂异物的检测装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的输电导线悬挂异物的检测装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0129]
相应地，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的输电导线悬挂异物的检测方法。
[0130]
本发明实施例还提供了一种终端设备，参见图3，是本是本发明一实施例提供的一种终端设备的结构框图，包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的输电导线悬挂异物的检测方法。
[0131]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
……
)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0132]
所述处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
[0133]
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器20也可以是其他易失性固态存储器件。
[0134]
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0135]
综上，本发明实施例所提供的一种输电导线悬挂异物的检测方法、装置、计算机可读存储介质及终端设备，通过获取无人机航拍的输电导线的图像数据集；其中，所述图像数据集包括真实标注图像集和无标注图像集；其次，通过所述真实标注图像集训练预先基于
半监督学习构建的第一初始检测模型和第二初始检测模型，得到第一检测模型和第二检测模型；然后，通过所述第一检测模型和所述第二检测模型对所述无标注图像集进行伪标注，得到第一伪标注图像集和第二伪标注图像集；再而，将所述真实标注图像集分别与所述第一伪标注图像集和所述第二伪标注图像集进行混合增强，得到第一混合标注图像集和第二混合标注图像集；将所述第一混合标注图像集和所述第二混合标注图像集分别输入至所述第一检测模型和所述第二检测模型中，并通过监督损失、无监督损失和均衡损失训练所述第一检测模型和所述第二检测模型，得到优化后的第一检测模型和优化后的第二检测模型；最后，协同所述优化后的第一检测模型和所述优化后的第二检测模型对预先获取的待检测的输电导线图像进行检测，得到异物检测结果，从而能够在进行少量图像标注的情况下，提高检测输电导线悬挂异物的效率，减少输电导线图像的标注成本。
[0136]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。