一种基于卫星遥感技术的输电杆塔自动识别方法和系统技术方案

本发明专利技术涉及一种基于卫星遥感技术的输电杆塔自动识别方法和系统，包括：步骤：1设定输电杆塔初始位置数据集；步骤2：利用输电杆塔初始位置数据集中位置点对应的区域在既定空间分辨率下拍摄的SAR影像识别该区域内的输电杆塔位置，全部位置点识别完毕后将首次被识别出的输电杆塔位置填入目标区域已识别的输电杆塔位置数据集；步骤3：利用首次被识别出的输电杆塔位置更新输电杆塔初始位置数据集；步骤4：重复执行步骤2‑步骤3，直至重复执行次数超过设定阈值或不再出现首次被识别出的输电杆塔位置，输出目标区域已识别的输电杆塔位置数据集。本发明专利技术与现有全卷积神经网络在整幅影像上直接检测相比，识别目标区域的输电杆塔的效率和精度明显提高。

【技术实现步骤摘要】
一种基于卫星遥感技术的输电杆塔自动识别方法和系统
本专利技术涉及卫星遥感识别
，具体涉及一种基于卫星遥感技术的输电杆塔自动识别方法和系统。
技术介绍
在实际电网工程中，有很多应用场景需要实现输电杆塔识别定位。比如：随着“新基建”战略推进，(特)高压输电线路不断建设。通过高分辨率卫星遥感影像，识别定位输电杆塔，进而判断实际建设输电杆塔塔位与工程设计阶段设计方的塔位是否一致，辅助输电线路建设进度监测与监理审计。此外，在降雪、洪水等灾害应急评估时，同样首先要确定输电线路的位置在何处，然后进行大范围的线路定损分析。目前，主要采用人工野外地面巡查、直升机或无人机的方式来实现输电杆塔定位，但明显很难满足大范围、综合性的输电线路建设进度监测、监理审计等应用场景。在灾害定损评估时，单纯依靠设备管理台账中的输电线路坐标会造成与实际存在随机偏移的情况，同时直升机、无人机受环境制约大，人工野外巡检困难，不利于全局把握灾害动态。当前输电杆塔快速检测研究相对较少，现有研究集中在传统的浅层特征提取，然后基于特征进行输电杆塔检测。比如：刘奕等在高分辨率SAR图像中输电杆塔目标表现出明显的轮廓信息,利用G0分布参数模型和自相似性特征对输电杆塔目标进行检测分类。黄少腾等通过使用高分辨率的SAR数据，提出了基于高分辨率SAR图像对建筑物信息反映强烈的特点，使用G0分布参数模型和自相似性特征对输电杆塔目标进行检测分类，从而达到有效检测的目的。事实上，灾害条件下SAR影像分辨率往往在3m-5m，G0特征无法全面表征SAR影像上的输电杆塔信息。
技术实现思路
针对现有技术的不足，本专利技术的目的是提供一种基于卫星遥感技术的输电杆塔自动识别方法，该方法适用于目标区域内部输电杆塔的精准快速识别，且该方法受环境制约小，可以应用于在灾害发生后受损输电杆塔定位，也可应用于对全球任一区域的输电杆塔监测。本专利技术的目的是采用下述技术方案实现的：本专利技术提供一种基于卫星遥感技术的输电杆塔自动识别方法，其改进之处在于，所述方法包括：步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；步骤4：清空输电杆塔初始位置数据集；步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。优选的，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；其中，δ为预设长度。优选的，所述步骤3，包括：将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。进一步的，所述预先训练的输电杆塔自动识别模型的训练过程，包括：将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。进一步的，所述初始卷积神经网络由输入层、隐含层和输出层组成；其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。进一步的，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；所述第七复数卷积层由128个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；所述第八复数卷积层由10个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成。进一步的，所述第一中间层由依次连接的第一分解结构、各通道内设置16个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第一整合结构组成；所述第二中间层由依次连接的第二分解结构、各通道内设置32个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第二整合结构组成；所述第三中间层由依次连接的第三分解结构、各通道内设置64个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第三整合结构组成；其中，所述第一分解结构将第二复数卷积层输出的16张复数特征图分解为16张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置16个1×1大小的卷积核的双通道卷积结构输出的16张实部特征图和16张虚部特征图整合为1张复数特征图；所述第二分解结构将第四复数卷积层输出的32张复数特征图分解为32张实部特征图和32张虚部特征图；所述第一整合结构将各通道内设置32个1×1大小的卷积核的双通道卷积结构输出的32张实部特征图和32张虚部特征图整合为1张复数特征图；所述第三分解结构将第六复数卷积层输出的64张复数特征图分解为64张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置64个1×1大小的卷积核的双通道卷积结构输出的64张实部特征图和64张虚部特征图整合为1张复数特征图。进一步的，所述整合层将第七复数卷积层输出的128张复数特征图整合为1张复数特征图；所述求模层求取第八复数卷积层输出的10张复数特征图在每个像元的平均模值；所述S本文档来自技高网...

【技术保护点】
1.一种基于卫星遥感技术的输电杆塔自动识别方法，其特征在于，所述方法包括：/n步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；/n步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；/n步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；/n步骤4：清空输电杆塔初始位置数据集；/n步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；/n否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；/n步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。/n...

【技术特征摘要】
1.一种基于卫星遥感技术的输电杆塔自动识别方法，其特征在于，所述方法包括：
步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
步骤4：清空输电杆塔初始位置数据集；
步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。


2.如权利要求1所述的方法，其特征在于，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；
其中，δ为预设长度。


3.如权利要求1所述的方法，其特征在于，所述步骤3，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。


4.如权利要求3所述的方法，其特征在于，所述预先训练的输电杆塔自动识别模型的训练过程，包括：
将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。


5.如权利要求4所述的方法，其特征在于，所述初始卷积神经网络由输入层、隐含层和输出层组成；
其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。


6.如权利要求5所述的方法，其特征在于，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；

【专利技术属性】
技术研发人员：杨知，赵斌滨，欧文浩，李闯，马潇，费香泽，刘彬，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，
类型：发明
国别省市：北京;11