一种输电线路走廊区域的隐患识别方法、装置及设备制造方法及图纸

本发明专利技术涉及卫星影像目标智能识别领域，具体涉及一种输电线路走廊区域的隐患识别方法、装置及设备，该方法包括：获取包含输电线路走廊区域的卫星影像；建立包括骨干网络和上下文特征融合模块的语义分割模型；利用优化损失函数对所述语义分割模型进行优化，得到优化语义分割模型；将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果。可以理解的是，本发明专利技术提供的技术方案，语义分割模型的骨干网络降低了模型的可训练参数，提升了模型的运行速度，上下文特征融合模块提升了模型的特征提取能力，利用优化损失函数进行模型优化，解决了类别不平衡的问题，提升了模型的泛化能力，能够用于输电线路走廊区域的隐患识别。能够用于输电线路走廊区域的隐患识别。能够用于输电线路走廊区域的隐患识别。

【技术实现步骤摘要】
一种输电线路走廊区域的隐患识别方法、装置及设备


[0001]本专利技术涉及卫星影像目标智能识别领域，具体涉及一种输电线路走廊区域的隐患识别方法、装置及设备。

技术介绍

[0002]输电线路走廊区域是指沿高压架空电力线路边导线，向两侧伸展规定宽度的线路下方带状区域。在该区域内，需要定期进行巡检，以防止出现能够影响输电线路的隐患。输电线路的走廊区域不仅分布面广，而且环境复杂，这就导致电网人员传统的日常巡视，效率较低，有效性不足。
[0003]现代遥感技术的发展和快捷、多样的商业遥感图像数据的出现，使我们很方便地获取所需要的卫星影像数据。卫星影像涵盖区域广、光谱信息丰富、分辨率高，可以分辨出房屋、道路、河流、沟渠、池塘等目标，通过卫星影像进行巡检，是建立广域、实时、精确的电网监测体系的重要方法。近几年来，人工智能技术飞速发展，尤其是基于卷积神经网络的深度学习算法，使得机器代替人，进行一些特定目标的识别成为可能。树木、水体、建筑物作为常见的卫星影像地表特征，对输电线路走廊内电力基础设施的安全有重要影响。因此，树木、水体、建筑物目标的自动识别具有非常重要的意义。
[0004]然而，由于卫星影像地貌特征复杂，使得深度学习模型适应能力较弱，且数据样本分布不平衡，使得模型很难达到更好的泛化能力，进而无法用于输电线路走廊区域的隐患识别。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种输电线路走廊区域的隐患识别方法、装置及设备，以解决现有技术中深度学习模型很难达到更好的泛化能力，进而无法用于输电线路走廊区域的隐患识别的问题。
[0006]根据本专利技术实施例的第一方面，提供一种输电线路走廊区域的隐患识别方法，包括：
[0007]获取包含输电线路走廊区域的卫星影像；
[0008]建立包括骨干网络和上下文特征融合模块的语义分割模型；
[0009]利用优化损失函数对所述语义分割模型进行优化，得到优化语义分割模型；
[0010]将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果。
[0011]优选的，所述建立包括骨干网络和上下文特征融合模块的语义分割模型，包括：
[0012]建立包括Conv2D模块、DSConv*2模块和Bottleneck*3模块的骨干网络；
[0013]建立上下文特征融合模块；
[0014]将所述骨干网络和所述上下文特征融合模块相结合，生成所述语义分割模型。
[0015]优选的，所述利用优化损失函数对所述语义分割模型进行优化，包括：
[0016]利用优化损失函数对所述语义分割模型进行优化，所述优化损失函数如下所示：
[0017][0018]其中，b
c
代表了预测目标区域中心点，d
c
代表了真实目标区域中心点，ρ代表计算两个中心点的欧式距离，a代表同时覆盖预测区域和真实目标区域的最小矩形的对角线距离，M为类别数，y
c
为真实标签值，p
c
为预测值，L
n
表示优化损失函数。
[0019]优选的，所述将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果，包括：
[0020]将所述卫星影像输入所述骨干网络进行语义特征提取，得到语义特征；
[0021]将所述语义特征输入所述上下文特征融合模块，得到最终特征表示；
[0022]对所述最终特征表示进行上采样操作，生成隐患识别结果。
[0023]优选的，所述将所述语义特征输入所述上下文特征融合模块，得到最终特征表示，包括：
[0024]对所述语义特征进行上采样操作，得到粗略目标区域；
[0025]根据所述语义特征，得到目标像素表示，所述目标像素表示为所述卫星影像每个像素的语义信息和特征；
[0026]根据所述粗略目标区域和所述目标像素表示，得到目标区域表示；
[0027]将所述目标区域表示和所述目标像素表示相结合，得到像素和区域的关联数据；
[0028]将所述目标区域表示和所述像素和区域的关联数据相乘，得到目标上下文表示；
[0029]将所述目标上下文表示与所述卫星影像每个像素的特征进行拼接，再进行通道调整，得到最终特征表示。
[0030]优选的，在所述生成隐患识别结果之后，还包括：
[0031]根据所述隐患识别结果，生成识别目标结果图像。
[0032]优选的，所述的方法，还包括：
[0033]对所述识别目标结果图像进行分类，分类类别至少包括：水体、树木和建筑物。
[0034]根据本专利技术实施例的第二方面，提供一种输电线路走廊区域的隐患识别装置，包括：
[0035]影像获取模块，用于获取包含输电线路走廊区域的卫星影像；
[0036]模型建立模块，用于建立包括骨干网络和上下文特征融合模块的语义分割模型；
[0037]模型优化模块，用于利用优化损失函数对所述语义分割模型进行优化，得到优化语义分割模型；
[0038]结果生成模块，用于将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果。
[0039]优选的，所述模型建立模块，还用于建立包括Conv2D模块、DSConv*2模块和Bottleneck*3模块的骨干网络。
[0040]根据本专利技术实施例的第三方面，提供一种输电线路走廊区域的隐患识别设备，包括：
[0041]主控器，及与所述主控器相连的存储器；
[0042]所述存储器，其中存储有程序指令；
[0043]所述主控器用于执行存储器中存储的程序指令，执行上述任一项所述的方法。
[0044]本专利技术的实施例提供的技术方案可以包括以下有益效果：
[0045]可以理解的是，本专利技术提供的技术方案，通过获取包含输电线路走廊区域的卫星影像；建立包括骨干网络和上下文特征融合模块的语义分割模型；利用优化损失函数对所述语义分割模型进行优化，得到优化语义分割模型；将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果。可以理解的是，本专利技术提供的技术方案，语义分割模型的骨干网络降低了模型的可训练参数，提升了模型的运行速度，上下文特征融合模块提升了模型的特征提取能力，利用优化损失函数进行模型优化，解决了类别不平衡的问题，提升了模型的泛化能力，能够用于输电线路走廊区域的隐患识别。
[0046]应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本专利技术。
附图说明
[0047]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本专利技术的实施例，并与说明书一起用于解释本专利技术的原理。
[0048]图1是根据一示例性实施例示出的一种输电线路走廊区域的隐患识别方法步骤示意图；
[0049]图2是根据一示例性实施例示出的Fast
‑
Ocr
‑
SCNN模型网络结构示意图；
[0050本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路走廊区域的隐患识别方法，其特征在于，包括：获取包含输电线路走廊区域的卫星影像；建立包括骨干网络和上下文特征融合模块的语义分割模型；利用优化损失函数对所述语义分割模型进行优化，得到优化语义分割模型；将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果。2.根据权利要求1所述的方法，其特征在于，所述建立包括骨干网络和上下文特征融合模块的语义分割模型，包括：建立包括Conv2D模块、DSConv*2模块和Bottleneck*3模块的骨干网络；建立上下文特征融合模块；将所述骨干网络和所述上下文特征融合模块相结合，生成所述语义分割模型。3.根据权利要求1所述的方法，其特征在于，所述利用优化损失函数对所述语义分割模型进行优化，包括：利用优化损失函数对所述语义分割模型进行优化，所述优化损失函数如下所示：其中，b
c
代表了预测目标区域中心点，d
c
代表了真实目标区域中心点，ρ代表计算两个中心点的欧式距离，a代表同时覆盖预测区域和真实目标区域的最小矩形的对角线距离，M为类别数，y
c
为真实标签值，p
c
为预测值，L
n
表示优化损失函数。4.根据权利要求2所述的方法，其特征在于，所述将所述卫星影像作为所述优化语义分割模型的输入，生成隐患识别结果，包括：将所述卫星影像输入所述骨干网络进行语义特征提取，得到语义特征；将所述语义特征输入所述上下文特征融合模块，得到最终特征表示；对所述最终特征表示进行上采样操作，生成隐患识别结果。5.根据权利要求4所述的方法，其特征在于，所述将所述语义特征输入所述上...

【专利技术属性】
技术研发人员：马仪，周仿荣，文刚，王一帆，马御棠，潘浩，耿浩，曹俊，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：