一种基于航测影像的场景高精度分类方法和系统技术方案

本发明专利技术提出的一种基于航测影像的场景高精度分类方法和系统，通过构建反向传播网络，完成航测影像的复杂度度量。并根据影像的复杂度级别，自适应选择适合其复杂度的卷积神经网络。最后，利用该卷积神经网络对影像进行分类，完成航测影像分类过程。本发明专利技术能够集成发挥浅层网络速度快和深层网络准确率高的优势，提高航测影像场景分类的效率。航测影像场景分类的效率。航测影像场景分类的效率。

【技术实现步骤摘要】
一种基于航测影像的场景高精度分类方法和系统


[0001]本专利技术涉及电力勘测
，更具体的说是涉及一种基于航测影像的场景高精度分类方法和系统。

技术介绍

[0002]近年来，随着中国经济建设的高速发展，用电需求急剧增长，对电网建设的需求亦日益强烈。目前，对于电网铺设的勘测，主要通过人工勘测或无人机航测后再人工识图来完成，所谓的无人机“勘测”实际上也仅仅是对地形的“航测”而不是“勘测”，是设计人员眼和手的延伸，航测地图仍然需要人工肉眼进行勘测识别。由此，造成了人工勘测设计工作量较大、勘测设计风险较高，一旦出现失误将会给工程建设带来不良影响。
[0003]造成电网勘测工作无法脱离人工的根本原因是配电网所处环境地形与地貌复杂，分类方式和依据与一般图像识别与分类差别较大，现有的基于航测影像的场景分类方法无法为配电网的智能设计提供技术保障，无法实现小样本的场景要素识别。

技术实现思路

[0004]针对以上问题，本专利技术的目的在于提供一种基于航测影像的场景高精度分类方法和系统，采用多种卷积神经网络对航测影像进行分类处理，集成发挥浅层网络速度快和深层网络准确率高的优势，提高航测影像场景分类的效率和准确性。
[0005]本专利技术为实现上述目的，通过以下技术方案实现：一种基于航测影像的场景高精度分类方法，包括如下步骤：
[0006]S1：通过无人机采集航测影像，并进行航测影像的预处理，生成输入图像后发送至预设处理终端；
[0007]S2：使用预设算法计算输入图像的复杂度参数；<br/>[0008]S3：将复杂度参数输入到反向传播神经网络中计算复杂度，得到多个标定复杂度的标签；
[0009]S4：根据标签和待选卷积神经网络的特性选择对应的卷积神经网络，并通过选定的卷积神经网络对输入图像进行特征提取和分类处理。
[0010]进一步，所述复杂度参数包括颜色矩、灰度共生矩阵、信息熵和边缘检测结果。
[0011]进一步，所述步骤S2包括：
[0012]采用颜色的一阶矩、二阶矩、三阶矩来表示输入图像的颜色分布；
[0013]使用颜色矩计算公式计算相应的颜色分量；
[0014]将输入图像的HSV分量的前三个矩阵组成一个9维向量，作为表示颜色特征的颜色矩，并输出。
[0015]进一步，所述灰度共生矩阵用于提取输入图像纹理信息的特征描述，包括能量特征参数、熵特征参数、对比度特征参数、同质性特征参数和相关性特征参数。
[0016]进一步，所述待选卷积神经网络包括AlexNet网络、ResNet
‑
50网络、ResNet
‑
152网
络和DenseNet169网络。
[0017]进一步，所述标定复杂度的标签为四个，所述四个标签与待选卷积神经网络一一对应。
[0018]进一步，所述步骤S4之后还包括如下步骤：
[0019]S5：将分类处理后的输入图像按照类别标注，并利用结构化的表格数据进行记录统计。
[0020]相应的，本专利技术还公开了一种基于航测影像的场景高精度分类系统，包括：采集单元，用于控制无人机采集航测影像，并进行航测影像的预处理，生成输入图像后发送至预设处理终端。
[0021]计算单元，用于使用预设算法计算输入图像的复杂度参数。
[0022]标定单元，用于将复杂度参数输入到反向传播神经网络中计算复杂度，得到多个标定复杂度的标签。
[0023]选择分类单元，用于根据标签和待选卷积神经网络的特性选择对应的卷积神经网络，并通过选定的卷积神经网络对输入图像进行特征提取和分类处理。
[0024]记录单元，用于将分类处理后的输入图像按照类别标注，并利用结构化的表格数据进行记录统计。
[0025]对比现有技术，本专利技术有益效果在于：本专利技术提供了一种基于航测影像的场景高精度分类方法和系统，通过构建反向传播网络，完成航测影像的复杂度度量。并根据影像的复杂度级别，自适应选择适合其复杂度的卷积神经网络。最后，利用该卷积神经网络对影像进行分类，完成航测影像分类过程。本专利技术能够集成发挥浅层网络速度快和深层网络准确率高的优势，提高航测影像场景分类的效率。
[0026]在图像复杂度描述方面，本专利技术能够对数据集中的多种场景进行分类测试，以分类准确率和分类效率作为评判标准，来衡量图像是否复杂。将颜色相关的描述子以及信息熵，形成包含颜色矩、灰度共生矩阵、信息熵、Canny边缘检测线占率4种参数在内的复杂度评估参数集。
[0027]在网络模型方面，本专利技术采用AlexNet、ResNet
‑
50、ResNet
‑
152、DenseNet169四种网络作为模型集成对象。相比于自然图像，航测影像具有画幅宽、观测尺度大、图像特征尺度大等特点。筛选过程考虑到网络深度、卷积核尺寸、感受野大小、层间连接机制、分类效果等多个方面。
[0028]由此可见，本专利技术与现有技术相比，具有突出的实质性特点和显著的进步，其实施的有益效果也是显而易见的。
附图说明
[0029]为了更清楚地说明本专利技术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专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0030]附图1是本专利技术的方法流程图。
[0031]附图2是本专利技术的系统结构图。
具体实施方式
[0032]下面结合附图对本专利技术的具体实施方式做出说明。
[0033]如图1所示的一种基于航测影像的场景高精度分类方法，包括如下步骤：
[0034]S1：通过无人机采集航测影像，并进行航测影像的预处理，生成输入图像后发送至预设处理终端。
[0035]S2：使用预设算法计算输入图像的复杂度参数。
[0036]其中，复杂度参数包括颜色矩、灰度共生矩阵、信息熵和边缘检测结果。
[0037]针对颜色矩的计算，主要通过以下步骤实现：
[0038]1、采用颜色的一阶矩、二阶矩、三阶矩来表示输入图像的颜色分布。
[0039]2、使用颜色矩计算公式计算相应的颜色分量。
[0040]3、将输入图像的HSV分量的前三个矩阵组成一个9维向量，作为表示颜色特征的颜色矩，并输出。
[0041]所述的灰度共生矩阵用于提取输入图像纹理信息的特征描述，包括能量特征参数、熵特征参数、对比度特征参数、同质性特征参数和相关性特征参数。
[0042]S3：将复杂度参数输入到反向传播神经网络中计算复杂度，得到四个标定复杂度的标签。
[0043]S4：根据标签和待选卷积神经网络的特性选择对应的卷积神经网络，并通过选定的卷积神经网络对输入图像进行特征提取和分类处理。
[0044]其中，待选卷积神经网络包括AlexNet网络、ResNet
‑...

【技术保护点】

【技术特征摘要】
1.一种基于航测影像的场景高精度分类方法，其特征在于，包括如下步骤：S1：通过无人机采集航测影像，并进行航测影像的预处理，生成输入图像后发送至预设处理终端；S2：使用预设算法计算输入图像的复杂度参数；S3：将复杂度参数输入到反向传播神经网络中计算复杂度，得到多个标定复杂度的标签；S4：根据标签和待选卷积神经网络的特性选择对应的卷积神经网络，并通过选定的卷积神经网络对输入图像进行特征提取和分类处理。2.根据权利要求1所述的基于航测影像的场景高精度分类方法，其特征在于，所述复杂度参数包括颜色矩、灰度共生矩阵、信息熵和边缘检测结果。3.根据权利要求2所述的基于航测影像的场景高精度分类方法，其特征在于，所述步骤S2包括：采用颜色的一阶矩、二阶矩、三阶矩来表示输入图像的颜色分布；使用颜色矩计算公式计算相应的颜色分量；将输入图像的HSV分量的前三个矩阵组成一个9维向量，作为表示颜色特征的颜色矩，并输出。4.根据权利要求2所述的基于航测影像的场景高精度分类方法，其特征在于，所述灰度共生矩阵用于提取输入图像纹理信息的特征描述，包括能量特征参数、熵特征参数、对比度特征参数、同质性特征参数和相关性特征参数。5.根据权利要求1所述的基于航测影像的场景高精...

【专利技术属性】
技术研发人员：张建光，孙铭，王敏，胡明峰，李小龙，
申请(专利权)人：山东联合电力产业发展有限公司，
类型：发明
国别省市：