1.一种输电线路红外图像实例分割方法，其特征在于，包括：获取带有标签信息的可见光图像、带有标签信息的第一红外图像、未带有标签信息的第二红外图像、第一教师-学生模型以及第二教师-学生模型；其中，教师-学生模型包含具有相同网络架构的教师模型和学生模型；所述标签信息用于表征图像中各实例的边界；根据可见光图像以及对应的标签信息，对第一教师模型进行有监督训练，生成第一已训练教师模型；根据第一红外图像以及对应的标签信息，对第二教师模型进行有监督训练，生成第二已训练教师模型；根据第二红外图像和第二红外图像的第一伪标签信息，对第一学生模型进行训练，生成第一已训练学生模型；根据第二红外图像和第二红外图像的第二伪标签信息，对第二学生模型进行训练，生成第二已训练学生模型；其中，所述第一伪标签信息通过将第二红外图像输入第一已训练教师模型获得；所述第二伪标签信息通过将第二红外图像输入第二已训练教师模型获得；根据第二红外图像以及第二红外图像的第三伪标签信息，对第一已训练学生模型和第二已训练学生模型进行微调训练，并对相应的已训练教师模型进行网络参数的更新，生成第一收敛教师模型和第二收敛教师模型；其中，所述第三伪标签信息通过将第二红外图像分别输入第一已训练教师模型和第二已训练教师模型后，将第一已训练教师模型的第一结果与第二已训练教师模型的第二结果进行加权融合后得到；通过的第二收敛教师模型对输电线路红外图像进行实例分割。
2.如权利要求1所述的输电线路红外图像实例分割方法，其特征在于，在根据可见光图像以及对应的标签信息，对第一教师模型进行有监督训练，生成第一已训练教师模型之前，还包括：对所述可见光图像进行弱数据增广操作，生成更新后的可见光图像；对所述第一红外图像进行弱数据增广操作，生成更新后的第一红外图像；其中，所述弱数据增广操作，包括：对当前的图像按照预设的概率进行随机尺寸的裁剪和随机角度的旋转，根据处理后的图像对当前的图像进行更新。
3.如权利要求2所述的输电线路红外图像实例分割方法，其特征在于，在根据第二红外图像和第二红外图像的第一伪标签信息，对第一学生模型进行训练，生成第一已训练学生模型之前，还包括：对所述第二红外图像进行强数据增广操作，生成更新后的第二红外图像；其中，所述强数据增广操作，包括：随机调整当前的图像的灰度并叠加高斯分布噪声，根据处理后的图像对当前的图像进行更新。
4.如权利要求3所述的输电线路红外图像实例分割方法，其特征在于，所述根据可见光图像以及对应的标签信息，对第一教师模型进行有监督训练，生成第一已训练教师模型，包括：重复执行循环过程，直至达到预设的执行次数，所述循环过程包括：按照预设的数量将所述可见光图像随机划分为若干批次第一训练样本；将所述若干批次第一训练样本依次输入至当前第一教师模型，以使每输入一个批次第一训练样本时，对当前第一教师模型执行有监督训练操作；在达到预设的执行次数的情况下，将当前第一教师模型设定为第一已训练教师模型；其中，所述有监督训练操作，包括：根据输入的第一训练样本，通过当前第一教师模型，输出第一训练样本对应的第一实例掩码；根据所述第一实例掩码以及对应的标签信息，通过交叉熵损失计算第一损失函数值；利用优化器根据所述第一损失函数值优化第一教师模型，并将优化后的模型更新为当前第一教师模型。
5.如权利要求4所述的输电线路红外图像实例分割方法，其特征在于，所述根据第二红外图像和第二红外图像的第一伪标签信息，对第一学生模型进行训练，生成第一已训练学生模型，包括：重复执行循环过程，直至达到预设的执行次数，所述循环过程包括：按照预设的数量将所述第二红外图像随机划分为若干批次第二训练样本；将所述若干批次第二训练样本依次输入至当前第一学生模型，以使每输入一个批次第二训练样本时，对当前第一学生模型执行训练操作；在达到预设的执行次数的情况下，将当前第一学生模型设定为第一已训练学生模型；其中，所述训练操作，包括：根据输入的第二训练样本，通过当前第一学生模型，输出第二训练样本对应的第二实例掩码；根据所述第二实例掩码以及对应的第一伪标签信息，通过交叉熵损失计算第二损失函数值；利用优化器根据所述第二损失函数值优化第一学生模型，并将优化后的模型更新为当前第一学生模型；根据当前第一学生模型的网络参数，通过以下公式更新所述第一已训练教师模型的网络参数：θ t1 ←αθ t1 +(1-α)θ s1其中，θ t1 为第一已训练教师模型的网络参数；α为预设的平滑系数；θ s1 为第一学生模型的网络参数。
6.如权利要求5所述的输电线路红外图像实例分割方法，其特征在于，通过以下方式将第一已训练教师模型的第一结果与第二已训练教师模型的第二结果进行加权融合：w＝Sigmoid(Conv(P t1 ,P t2 ))P fuse ＝wP t1 +(1-w)P t2其中，w为预测权重；Sigmoid为激活函数；Conv为全卷积层；P t1 为所述第一结果；P t2 为所述第二结果；P fuse 为所述第三伪标签信息。
7.一种输电线路红外图像实例分割装置，其特征在于，包括：训练图像获取模块、教师模型训练模块、学生模型训练模型、学生模型微调模块和实例分割模块；所述训练图像获取模块，用于获取带有标签信息的可见光图像、带有标签信息的第一红外图像、未带有标签信息的第二红外图像、第一教师-学生模型以及第二教师-学生模型；其中，教师-学生模型包含具有相同网络架构的教师模型和学生模型；所述标签信息用于表征图像中各实例的边界；所述教师模型训练模块，用于根据可见光图像以及对应的标签信息，对第一教师模型进行有监督训练，生成第一已训练教师模型；根据第一红外图像以及对应的标签信息，对第二教师模型进行有监督训练，生成第二已训练教师模型；所述学生模型训练模型，用于根据第二红外图像和第二红外图像的第一伪标签信息，对第一学生模型进行训练，生成第一已训练学生模型；根据第二红外图像和第二红外图像的第二伪标签信息，对第二学生模型进行训练，生成第二已训练学生模型；其中，所述第一伪标签信息通过将第二红外图像输入第一已训练教师模型获得；所述第二伪标签信息通过将第二红外图像输入第二已训练教师模型获得；所述学生模型微调模块，用于根据第二红外图像以及第二红外图像的第三伪标签信息，对第一已训练学生模型和第二已训练学生模型进行微调训练，并对相应的已训练教师模型进行网络参数的更新，生成第一收敛教师模型和第二收敛教师模型；其中，所述第三伪标签信息通过将第二红外图像分别输入第一已训练教师模型和第二已训练教师模型后，将第一已训练教师模型的第一结果与第二已训练教师模型的第二结果进行加权融合后得到；所述实例分割模块，用于通过的第二收敛教师模型对输电线路红外图像进行实例分割。
8.如权利要求7所述的输电线路红外图像实例分割装置，其特征在于，还包括：弱数据增广模块和强数据增广模块；所述弱数据增广模块，用于对所述可见光图像进行弱数据增广操作，生成更新后的可见光图像；对所述第一红外图像进行弱数据增广操作，生成更新后的第一红外图像；其中，所述弱数据增广操作，包括：对当前的图像按照预设的概率进行随机尺寸的裁剪和随机角度的旋转，根据处理后的图像对当前的图像进行更新；所述强数据增广模块，用于对所述第二红外图像进行强数据增广操作，生成更新后的第二红外图像；其中，所述强数据增广操作，包括：随机调整当前的图像的灰度并叠加高斯分布噪声，根据处理后的图像对当前的图像进行更新。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时可实现权利要求1至6中任一项所述输电线路红外图像实例分割方法。
10.一种存储介质，其上存储有计算机程序，其特征在于：该计算机程序被处理器执行时可实现权利要求1至6中任一项所述输电线路红外图像实例分割方法。
