一种输电铁塔塔基区土地利用类型识别方法及相关装置制造方法及图纸

本发明专利技术属于一种土地利用类型识别方法，为了解决采用现有的主流模型自动识别输电铁塔塔基区土地利用类型，存在精度和速度都无法满足识别需求的技术问题，提供一种输电铁塔塔基区土地利用类型识别方法及相关装置，通过

【技术实现步骤摘要】
一种输电铁塔塔基区土地利用类型识别方法及相关装置


[0001]本专利技术属于一种土地利用类型识别方法，具体涉及一种输电铁塔塔基区土地利用类型识别方法及相关装置
。

技术介绍

[0002]电网工程建设过程中，在一定程度上会破坏原有生态环境，造成地面侵蚀
。
输电铁塔作为整个输电系统中最重要的组成部分之一，其塔基的承载能力和稳定性关系到电力输送能否正常工作
。
一方面，若不定期检修和维护，受地震和山体滑坡等因素影响，经年累月可能会引起水土流失和电塔倒塌等，从而造成不必要的损失
。
另一方面，输电铁塔大多位置偏远，人烟稀少，因此，人工巡检耗时费力
。
[0003]采用人工智能技术自动识别输电铁塔塔基区的土地利用类型，不仅能提高灾害识别和风险防控的效率，也有利于确保电网工程的建设和运行安全
。
早期的图像分割算法以灰度分割和条件随机场等算法为代表，随着
GPU
等硬件资源的快速发展，基于深度学习技术的语义分割取得了巨大的成功
。
目前，最有效的解决方案是采用计算机视觉领域中的语义分割方法，从像素层面理解图像，对各类像素分别进行归属
。
主流的模型有以
U
‑
net
为代表的对称模型，以
DeepLab
为代表的扩张卷积模型和以
PSPnet
为代表的残差网络模型
。
但是，实践中，将现有的模型用于输电铁塔塔基区的土地利用类型识别，精度和速度都无法满足识别需求
。

技术实现思路

[0004]本专利技术为了解决采用现有的主流模型自动识别输电铁塔塔基区土地利用类型，存在精度和速度都无法满足识别需求的技术问题，提供一种输电铁塔塔基区土地利用类型识别方法及相关装置
。
[0005]为了实现上述目的，本专利技术采用以下技术方案予以实现：
[0006]第一方面，本专利技术提出一种输电铁塔塔基区土地利用类型识别方法，包括以下步骤：
[0007]S1
，通过
YOLO v7
目标检测网络模型，从采集的待识别输电铁塔图像中，筛选出包含输电铁塔塔基的图像，并得到塔基区；
[0008]S2
，将包含输电铁塔塔基的图像输入至改进的
DeepLabV3+
语义分割网络模型，得到塔基像素点和各种土地利用类型的像素点；
[0009]所述改进的
DeepLabV3+
语义分割网络模型包括编码器和解码器；
[0010]所述编码器对图像的处理具体为：
[0011]S2
‑1，对图像进行多次下采样，获得第一初步有效特征层；并采用不同膨胀比且并行的空洞卷积，对图像进行特征提取，得到第一特征层；
[0012]S2
‑2，对所述第一初步有效特征层和第一特征层进行拼接，然后通过双注意力
CBAM
模块，进行不同类别特征强化，以及提升局部特征间的分类精度；
[0013]S2
‑3，通过卷积层压缩特征，得到编码后的特征图；
[0014]S3
，根据塔基像素点，得到塔基的有效范围；
[0015]S4
，在所述塔基的有效范围内，根据各种土地利用类型的像素点所占比例，得到各种土地利用类型的占比
。
[0016]进一步地，步骤
S3
具体为：
[0017]S3.1
，根据塔基像素点，统计图像中塔基像素点对应的位置，平均后得到塔基中心点；
[0018]S3.2
，统计所述塔基中心点到塔基像素点中塔基边缘像素点的长度，平均后得到塔基均值长度；
[0019]S3.3
，以所述塔基中心为圆心，以至少一倍塔基均值长度为半径做圆，得到的圆为塔基的有效范围
。
[0020]进一步地，步骤
S4
具体为：
[0021]S4.1
，创建与所述包含输电铁塔塔基的图像大小相同的
mask
图像，并将
mask
图像的所有像素置零；
[0022]S4.2
，将
mask
图像中对应所述塔基的有效范围区域的像素值设置为
255
；
[0023]S4.3
，对步骤
S4
‑2得到的
mask
图像与包含输电铁塔塔基的图像进行与运算，得到最终结果图；
[0024]S4.4
，计算所述最终结果图中各种土地利用类型的像素点所占比例，得到各种土地利用类型的占比
。
[0025]进一步地，所述解码器对图像的处理具体为：
[0026]S2
‑4，对编码后的特征图进行多次下采样，获得第二初步有效特征层；
[0027]S2
‑5，利用卷积层调整所述第二初步有效特征层的通道数，得到第二特征层；
[0028]S2
‑6，对所述第二特征层和所述编码后的特征图进行堆叠，再进行多次深度可分离卷积，得到解码后的有效特征层，输出塔基像素点和各种土地利用类型的像素点
。
[0029]进一步地，步骤
S2
‑6中，所述得到解码后的有效特征层之后还包括：
[0030]通过卷积将所述解码后的有效特征层通道数调整到分类数，再利用
resize
进行上采样，使解码器输出的图像高度和宽度，均与输入编码器的包含输电铁塔塔基的图像一致
。
[0031]进一步地，步骤
S1
中，所述
YOLO v7
目标检测网络模型通过以下方法训练得到：
[0032]S1
‑1，通过
LabelImg
工具在采集的输电铁塔图像上标注输电铁塔塔基；
[0033]S1
‑2，将多个标注输电铁塔塔基的输电铁塔图像输入至
YOLO v7
目标检测网络模型，对
YOLO v7
目标检测网络模型进行训练；
[0034]步骤
S2
中，所述改进的
DeepLabV3+
语义分割网络模型通过以下方法训练得到：
[0035]S1
‑3，在多个经
YOLO v7
目标检测网络模型筛选出包含输电铁塔塔基的图像上，利用
Labelme
工具标注出各种土地利用类型，生成标注文件；
[0036]S1
‑4，将所述标注文件转换成
VOC
数据集格式；
[0037]S1
‑5，按照预设比例，将所述
VOC
数据集分为训练集
、
测试集和验证集，对改进的
DeepLabV3+
语义分割网络模型进行训练
、...

【技术保护点】

【技术特征摘要】
1.
一种输电铁塔塔基区土地利用类型识别方法，其特征在于，包括以下步骤：
S1
，通过
YOLO v7
目标检测网络模型，从采集的待识别输电铁塔图像中，筛选出包含输电铁塔塔基的图像，并得到塔基区；
S2
，将包含输电铁塔塔基的图像输入至改进的
DeepLabV3+
语义分割网络模型，得到塔基像素点和各种土地利用类型的像素点；所述改进的
DeepLabV3+
语义分割网络模型包括编码器和解码器；所述编码器对图像的处理具体为：
S2
‑1，对图像进行多次下采样，获得第一初步有效特征层；并采用不同膨胀比且并行的空洞卷积，对图像进行特征提取，得到第一特征层；
S2
‑2，对所述第一初步有效特征层和第一特征层进行拼接，然后通过双注意力
CBAM
模块，进行不同类别特征强化，以及提升局部特征间的分类精度；
S2
‑3，通过卷积层压缩特征，得到编码后的特征图；
S3
，根据塔基像素点，得到塔基的有效范围；
S4
，在所述塔基的有效范围内，根据各种土地利用类型的像素点所占比例，得到各种土地利用类型的占比
。2.
根据权利要求1所述一种输电铁塔塔基区土地利用类型识别方法，其特征在于，步骤
S3
具体为：
S3.1
，根据塔基像素点，统计图像中塔基像素点对应的位置，平均后得到塔基中心点；
S3.2
，统计所述塔基中心点到塔基像素点中塔基边缘像素点的长度，平均后得到塔基均值长度；
S3.3
，以所述塔基中心为圆心，以至少一倍塔基均值长度为半径做圆，得到的圆为塔基的有效范围
。3.
根据权利要求2所述一种输电铁塔塔基区土地利用类型识别方法，其特征在于，步骤
S4
具体为：
S4.1
，创建与所述包含输电铁塔塔基的图像大小相同的
mask
图像，并将
mask
图像的所有像素置零；
S4.2
，将
mask
图像中对应所述塔基的有效范围区域的像素值设置为
255
；
S4.3
，对步骤
S4
‑2得到的
mask
图像与包含输电铁塔塔基的图像进行与运算，得到最终结果图；
S4.4
，计算所述最终结果图中各种土地利用类型的像素点所占比例，得到各种土地利用类型的占比
。4.
根据权利要求1至3任一所述一种输电铁塔塔基区土地利用类型识别方法，其特征在于：所述解码器对图像的处理具体为：
S2
‑4，对编码后的特征图进行多次下采样，获得第二初步有效特征层；
S2
‑5，利用卷积层调整所述第二初步有效特征层的通道数，得到第二特征层；
S2
‑6，对所述第二特征层和所述编码后的特征图进行堆叠，再进行多次深度可分离卷积，得到解码后的有效特征层，输出塔基像素点和各种土地利用类型的像素点
。5.
根据权利要求4所述一种输电铁塔塔基区土地利用类型识别方法，其特征在于：步骤
S2
‑6中，所述得到解码后的有效特征层之后还包括：
通过卷积将所述解码后的有效特征层通道数调整到分类数，再利用
resize
进行上采样，使解码器输出的图像高度和宽度...

【专利技术属性】
技术研发人员：雷磊，吴健，魏小龙，白晓春，董子晗，赵颖博，陈维，王良，王少军，张晋，江涛，师一卿，郭歌，刘子瑞，王焕郎，段婧靓，薛倩楠，闫可为，冯超宇，王辰曦，黄海，姜丹，吕平海，徐伟杰，
申请(专利权)人：国网陕西省电力有限公司电力科学研究院，
类型：发明
国别省市：