[发明专利]一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统

说明书

本发明公开了一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统，通过一定数量的遥感图片的标注，对通道环境隐患分类模型进行训练，以使通道环境隐患分类模型后续能独立对遥感图片进行处理，输入输电线路通道内待检测的遥感影像，将每一个检测样本放入训练好的模型进行分类识别，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图，实现了基于高分辨率遥感影像的输电线路通道隐患快速识别，提高了系统的实时性。

技术领域

本发明涉及遥感影像分析，以及人工智能应用等技术领域，尤其是指一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统。

背景技术

高时效、高精度的矢量地图不仅在城市规划、变化检测和灾害管理等应用中发挥重要作用，同时也是众多基于位置的商业服务的重要基础数据产品之一。高分辨率遥感影像是高精度矢量地图生产的主要数据源之一，而在矢量地图生产过程中，建筑物是地理数据库中最容易增加和发生变化的因素，也是最需要更新的部分。由于建筑物对于城市建设、GIS系统更新、数字化城市以及军事侦察等方面的重要性，快速提取的建筑物信息技术和进行建筑物变化的检测有着良好的应用前景。然而，建筑物目标由于分布广泛且体量庞大，其识别和标注往往成为一项过程繁琐而又成本高昂的工作。目前以卷积神经网络和全卷积网络为代表的深度学习技术已经大幅度提高了遥感影像建筑物自动检测的精度，但是一方面由于现有建筑物检测方法在某些场景中的有限识别能力和有限的迁移应用能力，另一方面即使对于大部分成功识别的建筑物，其轮廓边缘处仍可能无法避免发生微小的漏检和错检，在这种情况下应用多边形简化算法对建筑物轮廓进行处理，很容易导致生成不精确和不规则的矢量结果。

利用高分辨率遥感影像的输电通道环境巡视本质是基于高分辨率遥感影像的环境地物分类。实现高精度的环境地物分类，目前，已经发展了许多特征提取方法，比如：波段运算提取植被指数、灰度共生矩阵提取纹理特征。然而，在环境地物非常复杂或分类体系细化的情况下(比如：城市场景下区分道路、建筑物、绿化带、阴影和水体)，现有的属性剖面仅仅考虑面积、大小、标准差等地物空间尺度相关的特征，无法有效地对地物的复杂特征进行提取。

发明内容

针对上述背景技术中的问题，提供一种全新的基于高分辨率遥感影像的输电线路通道隐患识别方法。以方形邻域为识别单元，能够从更大的范围综合考察，更好地识别输电线路通道隐患，减少干扰。用以深度学习为主的人工智能方法，能够处理更大的数据量，更加智能化，不需要人为设置阈值，完全是自适应的，可以更好地识别待检测遥感影像，确保提取的数据更加真实、准确。

本发明所述的一种基于高分辨率遥感影像的输电线路通道隐患识别方法，包括：

S1获取输电线路通道区域的高分辨率遥感影像；

S2对所述高分辨率遥感影像进行正射校正处理和波段组合归一化处理；

S3选取输电线路通道障碍样本点和非障碍样本点作为训练样本点，记录输电线路通道障碍点基于线路基站的横纵坐标；

S4在所述高分辨率遥感影像上，以通道障碍点为中心，4*4行的方形邻域作为一个训练样本；

S5判定每个训练样本的识别结果为有隐患或无隐患，若所述遥感影像中对应实景地图100m*100m范围内存在大于5个通道障碍点即识别为有隐患，将有隐患的训练样本记为1，无隐患的训练样本记为0；

S6建立深度学习模型，将训练样本输入深度学习模型进行分类训练，得到训练好的深度学习模型；

S7获取输电线路通道内待检测的遥感影像，通过网格分割为4*4行的检测样本，将每一个检测样本放入训练好的模型进行分类识别，得到是否有隐患，记作1或0；

S8将4*4行方形区域的检测样本按原始位置组合，对应到输电线路通道实景地图上，若有隐患则将地图上该区域的像素灰度值替换为0，若无隐患则不改变灰度值，获得线路通道隐患检测实景地图。