输电线路走廊水体隐患识别方法、装置、设备及介质制造方法及图纸

本发明专利技术公开了一种输电线路走廊水体隐患识别方法、装置、设备及介质，该方法包括获取卫星遥感影像样本，按预设比例分为训练集和测试集；构建第一HRNet模型，并利用训练集进行训练，生成第二HRNet模型；利用测试集对第二HRNet模型进行测试，当测试结果满足预设条件时，生成目标HRNet模型；利用目标HRNet模型识别输电线路水体隐患，生成识别结果。本发明专利技术通过在HRNet网络内部引入了特征金字塔层次结构，能够同时探索高层次和低层次的语义特征，增强模型的多层语义表示的能力，避免了“网格”问题，通过采用融合扩张卷积模块和多级特征数据聚合上采样模块，增加感受野的多样性，提高了识别结果的精确度。了识别结果的精确度。了识别结果的精确度。

【技术实现步骤摘要】
输电线路走廊水体隐患识别方法、装置、设备及介质


[0001]本专利技术涉及输电线路巡检
，尤其涉及一种输电线路走廊水体隐患识别方法、装置、设备及介质。

技术介绍

[0002]高压输电线路是电网系统中重要的组成部分，杆塔是输电线路的载体之一，对于维护其安全稳定运行具有重要作用。当遭遇暴雨等极端天气时，常常会发生滑坡、泥石流及水库决堤等现象，而靠近水体的杆塔会存在较大的安全隐患，需要及时进行排查。由于组成输电线路的杆塔众多，相邻杆塔之间的距离较远，地表水资源环境复杂，人工实地勘测的方法不仅效率低下，且存在一定的危险性。
[0003]随着科技的发展，利用遥感技术结合深度学习技术来排查隐患已经成为地物信息获取的有效方法。其中，常见的方法有两种：一种是基于U
‑
net改进的全卷积神经网络DL
‑
Unet，实现了对遥感图像不同类别地物的有效分割。该网络改进了传统的卷积方式，引入了扩张卷积，在不增加网络参数的同时增大感受野，然而这种方法容易带来“网格”问题，需要大量的扩张卷积层才能获得足够丰富的多尺度特征图。第二种则是基于GLNet和HRNet的改进网络用于高分辨率遥感影像语义分割。该模型利用HRNet取代全局分支中原有的ResNet主干，获得表征能力更强，分辨率更高的特征图，但是传统的HRNet结构本身需要大量重复的多尺度融合，这就要求更大的计算参数量，计算复杂度也大大提高。同时，在网络最后阶段的特征聚集时，如果仅依赖于简单的双线性上采样来逐渐放大具有较小分辨率的特征图，也容易丢失图像中的一些细节特征，进而影响识别结果的精确度。

技术实现思路

[0004]本专利技术的目的在于提供一种输电线路走廊水体隐患识别方法、装置、设备及介质，以解决现有的针对输电线路走廊水体隐患识别方法中存在的计算量大、复杂度高、容易出现“网格化”、识别结果准确性低的问题。
[0005]为实现上述目的，本专利技术提供一种输电线路水体隐患识别方法，包括：
[0006]获取卫星遥感影像样本，按照预设比例将所述样本分为训练集和测试集；
[0007]构建第一HRNet模型，利用所述训练集对所述第一HRNet模型进行训练，生成第二HRNet模型；
[0008]利用所述测试集对所述第二HRNet模型进行测试，当测试结果满足预设条件时，生成目标HRNet模型；
[0009]利用所述目标HRNet模型识别输电线路水体隐患，生成识别结果。
[0010]进一步，作为优选地，所述构建第一HRNet模型，包括：
[0011]采用金字塔特征层次结构搭建模型框架，利用交错卷积作为下采样方法；其中，所述金字塔特征层次结构为四层结构，层与层之间可进行多层次特征融合。
[0012]进一步，作为优选地，所述构建第一HRNet模型，还包括：
[0013]在卷积层采用融合扩张卷积模块，所述融合扩张卷积模块集成有串联扩张卷积块和并行扩张卷积核。
[0014]进一步，作为优选地，所述构建第一HRNet模型，还包括：
[0015]构建多级特征数据聚合上采样模块，以进行从底层到顶层的相邻特征图的特征融合。
[0016]本专利技术还提供一种输电线路水体隐患识别装置，包括：
[0017]样本获取单元，用于获取卫星遥感影像样本，按照预设比例将所述样本分为训练集和测试集；
[0018]训练单元，用于构建第一HRNet模型，利用所述训练集对所述第一HRNet模型进行训练，生成第二HRNet模型；
[0019]测试单元，用于利用所述测试集对所述第二HRNet模型进行测试，当测试结果满足预设条件时，生成目标HRNet模型；
[0020]识别单元，用于利用所述目标HRNet模型识别输电线路水体隐患，生成识别结果。
[0021]进一步，作为优选地，所述训练单元，还用于：
[0022]采用金字塔特征层次结构搭建模型框架，利用交错卷积作为下采样方法；其中，所述金字塔特征层次结构为四层结构，层与层之间可进行多层次特征融合。
[0023]进一步，作为优选地，所述训练单元，还用于：
[0024]在卷积层采用融合扩张卷积模块，所述融合扩张卷积模块集成有串联扩张卷积块和并行扩张卷积核。
[0025]进一步，作为优选地，所述训练单元，还用于：
[0026]构建多级特征数据聚合上采样模块，以进行从底层到顶层的相邻特征图的特征融合。
[0027]本专利技术还提供一种终端设备，包括：
[0028]一个或多个处理器；
[0029]存储器，与所述处理器耦接，用于存储一个或多个程序；
[0030]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的输电线路水体隐患识别方法。
[0031]本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的输电线路水体隐患识别方法。
[0032]相对于现有技术，本专利技术的有益效果在于：
[0033]本专利技术公开了一种输电线路走廊水体隐患识别方法、装置、设备及介质，该方法包括：获取卫星遥感影像样本，按照预设比例将所述样本分为训练集和测试集；构建第一HRNet模型，利用所述训练集对所述第一HRNet模型进行训练，生成第二HRNet模型；利用所述测试集对所述第二HRNet模型进行测试，当测试结果满足预设条件时，生成目标HRNet模型；利用所述目标HRNet模型识别输电线路水体隐患，生成识别结果。
[0034]本专利技术通过在HRNet网络内部引入了特征金字塔层次结构，能够同时探索高层次和低层次的语义特征，增强模型的多层语义表示的能力，并将丰富的多层次语义信息传播到模型中，以解决类间的同质性问题，避免了“网格”问题。此外，本专利技术通过采用融合扩张卷积模块和多级特征数据聚合上采样模块，增加感受野的多样性，进而增强网络模型精细
化识别细节特征的能力，提高了识别结果的精确度。
附图说明
[0035]为了更清楚地说明本专利技术的技术方案，下面将对实施方式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一些实施方式，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，还可以根据这些附图获得其他的附图。
[0036]图1是本专利技术某一实施例提供的输电线路水体隐患识别方法的流程示意图；
[0037]图2是本专利技术某一实施例提供的改进的HRNet模型网络的结构示意图；
[0038]图3是本专利技术某一实施例提供的融合扩张卷积模块的结构示意图；
[0039]图4是本专利技术某一实施例提供的多级特征数据聚合上采样模块的结构示意图；
[0040]图5是本专利技术某一实施例提供的输电线路水体隐患识别装置的结构示意图；
[0041]图6是本专利技术某一实施例提供的终端设备的结构示意图。
具体实施方式
[0042]下面将结合本专利技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路水体隐患识别方法，其特征在于，包括：获取卫星遥感影像样本，按照预设比例将所述样本分为训练集和测试集；构建第一HRNet模型，利用所述训练集对所述第一HRNet模型进行训练，生成第二HRNet模型；利用所述测试集对所述第二HRNet模型进行测试，当测试结果满足预设条件时，生成目标HRNet模型；利用所述目标HRNet模型识别输电线路水体隐患，生成识别结果。2.根据权利要求1所述的输电线路水体隐患识别方法，其特征在于，所述构建第一HRNet模型，包括：采用金字塔特征层次结构搭建模型框架，利用交错卷积作为下采样方法；其中，所述金字塔特征层次结构为四层结构，层与层之间可进行多层次特征融合。3.根据权利要求1所述的输电线路水体隐患识别方法，其特征在于，所述构建第一HRNet模型，还包括：在卷积层采用融合扩张卷积模块，所述融合扩张卷积模块集成有串联扩张卷积块和并行扩张卷积核。4.根据权利要求1所述的输电线路水体隐患识别方法，其特征在于，所述构建第一HRNet模型，还包括：构建多级特征数据聚合上采样模块，以进行从底层到顶层的相邻特征图的特征融合。5.一种输电线路水体隐患识别装置，其特征在于，包括：样本获取单元，用于获取卫星遥感影像样本，按照预设比例将所述样本分为训练集和测试集；训练单元，用于构建第一HRNet模型，利用所述训练集对所述第一HRNet模型进行训练，生成第二HRNet模型；...

【专利技术属性】
技术研发人员：魏瑞增，王彤，王磊，黄勇，周恩泽，刘淑琴，何浣，鄂盛龙，孙晓敏，李彦明，
申请(专利权)人：广东电网有限责任公司电力科学研究院，
类型：发明
国别省市：