1.本说明书涉及计算机技术领域，尤其涉及一种输电线路图像的导线分割方法、装置、设备及介质。
背景技术：2.生活中随处可见的输电导线在输电的同时也带来了一些问题。在无人机低空飞行中，由于察觉不到输电导线的存在从而导致事故的发生。输电导线长时间的使用使得线路发生许多问题。因此，需要经常检修来保证电力网络安全稳定的运行。输电导线检测技术在输电导线检修方面有着十分重要的应用，传统的检测方法使用简单的先验知识、手工特征对输电导线进行检测，在准确性与应用范围上有许多的限制。
技术实现要素：3.本说明书一个或多个实施例提供了一种输电线路图像的导线分割方法、装置、设备及介质，用于解决背景技术提出的技术问题。
4.本说明书一个或多个实施例采用下述技术方案：
5.本说明书一个或多个实施例提供的一种输电线路图像的导线分割方法，包括：
6.获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
7.确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
8.将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
9.在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
10.进一步的，所述获取待分割的输电线路图像后，所述方法还包括：
11.对所述输电线路图像进行自适应直方图均衡化处理，以增强显示所述输电线路图像中导线的部分。
12.进一步的，所述将所述输入特征图输入至所述导线分割模型前，所述方法还包括：
13.将所述输入特征图进行压缩，并通过通道特征融合压缩后的输入特征图；
14.通过深度分离卷积逐通道抽取融合后的输入特征图，得到抽取特征图；
15.通过特定的卷积压缩所述抽取特征图，得到降低所述导线分割模型计算量与消耗的输入特征图。
16.进一步的，所述将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图，具体包括：
17.将所述输入特征图划分为宽度方向和高度方向，并在宽度方向和高度方向分别对所述输入特征图进行全局平均池化，以得到宽度方向特征图和高度方向特征图；
18.通过所述特征提取网络中的激活函数分别得到宽度方向的导线位置注意力权重
的特征图与高度方向的导线位置注意力权重的特征图。
19.进一步的，所述通过所述特征提取网络得到导线位置注意力权重的特征图后，所述方法还包括：
20.针对不同尺度的所述导线位置注意力权重的特征图，依次上采样小尺寸特征图至相邻尺寸特征图，并通过叠加操作融合两组特征图；
21.将融合后的特征图进行上采样至更大尺寸，并迭代式融合多尺度特征图，以得到等到适合的感受野与提升细长导线的感知。
22.进一步的，所述在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，具体包括：
23.通过所述特征聚合网络中的空间注意力机制和通道注意力机制，分别加权融合空间特征与通道特征，以在空间方向和通道方向上增强导线的位置感知能力。
24.进一步的，所述确定预先训练的导线分割模型前，所述方法还包括：
25.通过交叉熵损失与dice系数损失构建所述导线分割模型的损失函数，以便通过所述交叉熵损失与所述dice系数损失训练出所述导线分割模型。
26.本说明书一个或多个实施例提供的一种输电线路图像的导线分割装置，所述装置包括：
27.特征图转化单元，获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
28.模型确定单元，确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
29.位置注意力单元，将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
30.卷积注意力单元，在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
31.本说明书一个或多个实施例提供的一种输电线路图像的导线分割设备，包括：
32.至少一个处理器；以及，
33.与所述至少一个处理器通信连接的存储器；其中，
34.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
35.获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
36.确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
37.将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
38.在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
39.本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
40.获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
41.确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
42.将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
43.在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
44.本说明书实施例采用的上述至少一个技术方案能够达到以下有益效果：
45.本说明书实施例使用位置注意力机制和空间通道卷积注意力机制分别嵌入分割网络中的特征提取和特征聚合结构中，目的在于解决由于模型感受野受限，导致少量背景噪声干扰，出现的导线分割断裂的问题，增强输电线路图像中导线分割的精度与效率，同时，本说明书实施例提出的导线分割方法能够应对大多数场景下的导线分割需求，泛化性和实时性均能达到实际生产需求。
附图说明
46.为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：
47.图1为本说明书一个或多个实施例提供的一种输电线路图像的导线分割方法的流程示意图；
48.图2为本说明书一个或多个实施例提供的输电线路图像示意图；
49.图3为本说明书一个或多个实施例提供的导线分割模型结构图；
50.图4为本说明书一个或多个实施例提供的轻量级特征提取子模块示意图；
51.图5为本说明书一个或多个实施例提供的位置注意力机制的结构示意图；
52.图6为本说明书一个或多个实施例提供的一种简单高效的多尺度特征聚合结构示意图；
53.图7为本说明书一个或多个实施例提供的空间通道双注意力机制示意图；
54.图8为本说明书一个或多个实施例提供的一种输电线路图像的导线分割装置的结构示意图；
55.图9为本说明书一个或多个实施例提供的一种输电线路图像的导线分割设备的结构示意图。
具体实施方式
56.本说明书实施例提供一种输电线路图像的导线分割方法、装置、设备及介质。
57.对于导线分割方法，可以先对数据进行数据预处理，针对模型初步分割的结果再进行背景去噪和断点连接。该方法对场景依赖较大，难以满足大部分场景的实际生产需求。
58.对于导线分割方法，本说明书实施例提出一种输电导线图像分割方法。过程中，可以采用u-net网络作为基准模型，首先在其特征提取机构中嵌入位置注意力机制，加强模型对于导线的特征提取能力，获得更加丰富的语义位置信息，然后在特征聚合结构中嵌入卷
积注意力，在空间和通道两个方向上增强模型聚合特征的能力，从而有效解决导线分割断裂的问题。无需手动对数据做预处理，接受监测设备所采集的图像为输入，经过模型训练即可自动分割较为完整的导线图像，并且能够应对大多数场景下的导线分割需求，泛化性和实时性均能达到实际生产需求。
59.为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书实施例，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，都应当属于本说明书保护的范围。
60.图1为本说明书一个或多个实施例提供的一种输电线路图像的导线分割方法的流程示意图，该流程可以由导线分割系统执行，该系统可以自动对输电线路图像中的导线进行分割，可以提高输电导线检测的准确性与应用范围。流程中的某些输入参数或者中间结果允许人工干预调节，以帮助提高准确性。
61.本说明书实施例的方法流程步骤如下：
62.s102，获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图。
63.在本说明书实施例中，所述获取待分割的输电线路图像后，可以对所述输电线路图像进行自适应直方图均衡化处理，以增强显示所述输电线路图像中导线的部分。自适应直方图均衡化(ahe)用来提升图像的对比度的一种计算机图像处理技术。ahe算法通过计算图像的局部直方图，然后重新分布亮度来改变图像对比度。因此即使在比大多数图像更暗或更亮的区域，也可以增强局部细节，需要说明的是，本说明书的局部可以为导线部分。
64.s104，确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络。
65.s106，将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图。
66.在本说明书实施例中，考虑到算法模型大多部署于摄像头等边缘端设备，而该类设备普遍算力低，对算法功耗也要求严格。所以，在将所述输入特征图输入至所述导线分割模型前，可以将所述输入特征图进行压缩，并通过通道特征融合压缩后的输入特征图；然后，通过深度分离卷积逐通道抽取融合后的输入特征图，得到抽取特征图；最后，通过特定的卷积压缩所述抽取特征图，得到降低所述导线分割模型计算量与消耗的输入特征图。
67.进一步的，导线是连续的且不同导线之间存在一定间距，为增强网络模型对导线位置感知定位能力，本说明书实施例在将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图时，可以先将所述输入特征图划分为宽度方向和高度方向，并在宽度方向和高度方向分别对所述输入特征图进行全局平均池化，以得到宽度方向特征图和高度方向特征图；然后，通过所述特征提取网络中的激活函数分别得到宽度方向的导线位置注意力权重的特征图与高度方向的导线位置注意力权重的特征图。强化后的特征图可以显著加强水平与竖直方向导线位置感知能力。
68.进一步的，在输电通道图像中导线往往非常细长，这样细长的目标区域即需要敏感细节特征来感知导线边界，也需要超大感受野来感知导线分布。为此，本说明书实施例通过所述特征提取网络得到导线位置注意力权重的特征图后，可以针对不同尺度的所述导线
位置注意力权重的特征图，依次上采样小尺寸特征图至相邻尺寸特征图，并通过叠加操作融合两组特征图；然后，将融合后的特征图进行上采样至更大尺寸，并迭代式融合多尺度特征图，以得到等到适合的感受野与提升细长导线的感知。尺寸小的特征图具备较大感受野，而浅层特征图细感知强，通过所提迭代式聚合特征图可有效实现细长导线完整感知与精细感知，从而提升导线分割准确性。
69.s108，在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
70.本说明书实施例在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强时，可以通过所述特征聚合网络中的空间注意力机制和通道注意力机制，分别加权融合空间特征与通道特征，以在空间方向和通道方向上增强导线的位置感知能力。
71.进一步的，考虑到导线细长，导线与背景面积所占比例悬殊，因此在模型训练过程中会面对非常严重的类别不平衡问题，本说明书实施例在确定预先训练的导线分割模型前，可以通过交叉熵损失与dice系数损失构建所述导线分割模型的损失函数，以便通过所述交叉熵损失与所述dice系数损失训练出所述导线分割模型。
72.进一步的，本说明书实施例针对上述技术特征，下面提供具体的实施方式：
73.1.数据采集与处理
74.将输电线路图像的监测装置置于导线首端或者末端，导线垂直方向的中点处，摄像头平行于导线架设，使监测装置采集到的视频或图像，能够保证视频或图像中导线左右对称，采集到的输电线路图像示意图参见图2。对所得图像数据做自适应直方图均衡化增强，通过计算图像的局部直方图，然后重新分布亮度来改变图像对比度，增强局部细节，此处的局部可以指导线部分；
75.2.模型结构
76.2.1轻量级特征提取骨干网络
77.考虑到算法模型大多部署于摄像头等边缘端设备，而该类设备普遍算力低，对算法功耗也要求严格。因此，本说明书实施例需要轻量级特征提取骨干网络用于图像特征抽取，以便在摄像头等设备进行实时处理。所提的算法模型结构参见图3示出的导线分割模型结构图。所提轻量级特征提取骨干网络可以由多个特征提取子模块构成，轻量级特征提取子模块示意图可以参见图4。
78.模型输入特征可以为压缩过的紧凑特征，针对输入使用kernel为1的卷积升维，再通过通道特征融合丰富输入特征；接着，使用深度分离卷积逐通道抽取特征，所提深度分离卷积均采用大卷积核实现，目的在于有效扩大感受野而仅增加微量计算量，所提深度分离卷积可有效降低约90％计算量；然后使用kernel为1的卷积压缩特征图，该步骤可以紧凑化特征且降低模块整体计算量与内存消耗。
79.2.2位置注意力机制
80.导线是连续且不同导线之间存在一定间距，为增强网络模型对导线位置感知定位能力，本说明书实施例提出一种位置注意力机制，具体结构图如图5示出的位置注意力机制的结构示意图。
81.为了获取图像宽度和高度上的目标分布，并对精确位置信息进行编码，可以先将
输入特征图分为宽度(x方向)和高度(y方向)两个方向分别进行全局平均池化，分别获得在宽度和高度两个方向的特征图，接着将获得全局感受野的宽度和高度两个方向的特征图拼接在一起，之后将拼接后的特征图送入共享的卷积核为1
×
1的卷积模块，并将其维度进行降低，然后将经过批量归一化处理的特征图送入sigmoid激活函数，得到特征图f
cat
，接着将特征图f
cat
按照原来的高度和宽度进行卷积核为1
×
1的卷积，分别得到通道数与原来一样的特征图fh和fw，经过sigmoid激活函数后分别得到特征图在高度和宽度上的注意力权重和在宽度方向的注意力权重，最后在原始特征图上通过加权计算，将会得到最终在宽度和高度方向上带有注意力权重的特征图，强化后的特征图显著加强水平与竖直方向目标位置感知能力。
82.2.3迭代式多尺度特征聚合结构
83.在输电通道图像中导线为细长状态，这样细长的目标区域即需要敏感细节特征来感知导线边界也需要超大感受野来感知导线分布。为此，本说明书实施例提出一种简单高效的多尺度特征聚合结构，结构示意图参见图6。针对骨干网络不同尺度特征图，依次上采样小尺寸特征图至临近尺寸，并通过叠加操作融合两组特征图，将融合后的特征图再次向上采样至更大尺寸，并迭代式融合多尺度特征图。尺寸小的特征图具备较大感受野，而浅层特征图细感知强，通过所提迭代式聚合特征图可有效实现细长导线完整感知与精细感知，从而可以提升导线分割准确性。
84.2.4空间通道双注意力机制
85.在模型的解码模块，为精细预测导线，本说明书实施例可以将编码特征与解码特征融合后，通过所提空间通道双注意力机制分别加权融合特征空间与通道特征，增强模型对导线细节与抑制背景区域，空间通道双注意力机制示意图如图7所示。将输入的特征图分别经过全局最大池化和全局平均池化，得到两个特征矩阵，将这两个特征矩阵按通道拼接后经过1*1的卷积融合通道特征并降维降低计算量，最后通过1*1的卷积恢复通道，经过sigmoid激活函数对通道特征计算出加权向量w
channel
。而后，通过w
channel
加权原始的属入特征图f完成通道特征加权，f
channel
＝w
channel
*f。
86.通道加权完成各特征图间特征组合，增强特征表征。为进一步精细定位导线位置，空间通道双注意力机制通过空间位置加权增强特征图位置感知。具体地，对通道加权特征f
channel
先通过1*1的卷积降维通道维度为1，然后通过sigmoid激活函数计算出每一个特征位置加权系数矩阵w
loc
，最后的加权特征f'＝w
loc
*f
channel
。
87.3.导线感知混合损失函数
88.考虑到导线细长，导线与背景面积所占比例悬殊，因此在模型训练过程中会面对非常严重的类别不平衡问题。为稳定地训练出高召回率的导线检测模型，本说明书实施例提出一种交叉熵与dice系数混合的损失函数，该损失函数如公式(1)所示。loss
ce
为交叉熵损失，loss
dice
为dice系数损失，w1和w2分别为交叉熵损失与dice损失权重，p为模型预测，y为真实标签，交叉熵损失函数如公式(2)所示，dice系数损失函数如公式(3)所示。在输电线路图像中，背景点比导线点数量悬殊，故仅使用交叉熵时模型训练过程中导线样本点损失会被背景淹没，而dice系数仅评估导线预测与真实导线分布整体重叠率，故dice系数使得模型训练过程中更加聚焦导线区域预测，增强导线预测召回与精度。在本说明书实施例中，模型训练时dice系数损失可以针对类别不平衡进行处理，使得模型训练后分割出的导线更
准确。
89.loss＝w1*loss
ce
+w2*loss
dice
ꢀꢀ
(1)
90.loss
ce
＝-(ylog(p)+(1-y)log(1-p))
ꢀꢀ
(2)
[0091][0092]
与上述实施例相对应的是，图8为本说明书一个或多个实施例提供的一种输电线路图像的导线分割装置的结构示意图，所述装置包括：特征图转化单元802、模型确定单元804、位置注意力单元806与卷积注意力单元808。
[0093]
特征图转化单元802，获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
[0094]
模型确定单元804，确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
[0095]
位置注意力单元806，将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
[0096]
卷积注意力单元808，在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
[0097]
与上述实施例相对应的是，图9为本说明书一个或多个实施例提供的一种输电线路图像的导线分割设备的结构示意图，包括：
[0098]
至少一个处理器；以及，
[0099]
与所述至少一个处理器通信连接的存储器；其中，
[0100]
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：
[0101]
获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
[0102]
确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
[0103]
将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
[0104]
在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
[0105]
本说明书一个或多个实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
[0106]
获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；
[0107]
确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；
[0108]
将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；
[0109]
在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
[0110]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0111]
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0112]
以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
技术特征：1.一种输电线路图像的导线分割方法，其特征在于，所述方法包括：获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。2.根据权利要求1所述的方法，其特征在于，所述获取待分割的输电线路图像后，所述方法还包括：对所述输电线路图像进行自适应直方图均衡化处理，以增强显示所述输电线路图像中导线的部分。3.根据权利要求1所述的方法，其特征在于，所述将所述输入特征图输入至所述导线分割模型前，所述方法还包括：将所述输入特征图进行压缩，并通过通道特征融合压缩后的输入特征图；通过深度分离卷积逐通道抽取融合后的输入特征图，得到抽取特征图；通过特定的卷积压缩所述抽取特征图，得到降低所述导线分割模型计算量与消耗的输入特征图。4.根据权利要求1所述的方法，其特征在于，所述将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图，具体包括：将所述输入特征图划分为宽度方向和高度方向，并在宽度方向和高度方向分别对所述输入特征图进行全局平均池化，以得到宽度方向特征图和高度方向特征图；通过所述特征提取网络中的激活函数分别得到宽度方向的导线位置注意力权重的特征图与高度方向的导线位置注意力权重的特征图。5.根据权利要求1所述的方法，其特征在于，所述通过所述特征提取网络得到导线位置注意力权重的特征图后，所述方法还包括：针对不同尺度的所述导线位置注意力权重的特征图，依次上采样小尺寸特征图至相邻尺寸特征图，并通过叠加操作融合两组特征图；将融合后的特征图进行上采样至更大尺寸，并迭代式融合多尺度特征图，以得到等到适合的感受野与提升细长导线的感知。6.根据权利要求1所述的方法，其特征在于，所述在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，具体包括：通过所述特征聚合网络中的空间注意力机制和通道注意力机制，分别加权融合空间特征与通道特征，以在空间方向和通道方向上增强导线的位置感知能力。7.根据权利要求1所述的方法，其特征在于，所述确定预先训练的导线分割模型前，所述方法还包括：通过交叉熵损失与dice系数损失构建所述导线分割模型的损失函数，以便通过所述交叉熵损失与所述dice系数损失训练出所述导线分割模型。8.一种输电线路图像的导线分割装置，其特征在于，所述装置包括：
特征图转化单元，获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；模型确定单元，确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；位置注意力单元，将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；卷积注意力单元，在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。9.一种输电线路图像的导线分割设备，其特征在于，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。10.一种非易失性计算机存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令设置为：获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。
技术总结本说明书实施例公开了一种输电线路图像的导线分割方法、装置、设备及介质，包括：获取待分割的输电线路图像，并将所述输电线路图像转化为输入特征图；确定预先训练的导线分割模型，所述导线分割模型包括用于提升导线位置注意力的特征提取网络，以及用于提升导线卷积注意力的特征聚合网络；将所述输入特征图输入至所述导线分割模型，通过所述特征提取网络得到导线位置注意力权重的特征图；在空间和通道上通过所述特征聚合网络对所述导线位置注意力权重的特征图进行增强，以得到导线分割结果。以得到导线分割结果。以得到导线分割结果。
技术研发人员：蔡富东 吕昌峰 刘焕云 刘伟 郭国信
受保护的技术使用者：山东信通电子股份有限公司
技术研发日：2022.07.08
技术公布日：2022/11/1
