[发明专利]一种基于深度学习的电网污秽排除点溯源方法及装置

说明书

本申请公开了一种基于深度学习的电网污秽排除点溯源方法及装置，所述方法包括：通过GEE获取待监测地区的高分辨率遥感影像，得到第一遥感影像；根据所述第一遥感影像的电网输电线信息和现有污秽排除点，自动生成待监测地区输电线标签；通过语义分割网络模型，将所述第一遥感影像和所述待监测地区输电线标签，按照增强训练原则，构建训练集和测试集，通过迭代训练得到带权重语义分割模型；根据所述带权重语义分割模型，对现有需观测城市影像语义分割，得到分类结果；根据所述分类结果，通过霍夫变换算法，得到电网区域污秽排除点。本申请技术方案实现利用遥感大数据和机器学习技术快速、低成本、准确的识别电网区域污秽排除点。

技术领域

本发明涉及遥感目标检测技术领域，尤其涉及一种基于深度学习的电网污秽排除点溯源方法及装置。

背景技术

电网设施附近的污染企业是电网污秽风险的主要来源。这些企业排放的大气污染物，在一定的气象条件下，发生大气化学反应并最终附着于输电线绝缘子表面，形成污秽累积。因此，这些重点企业附近区域的电网设施需要更为频繁的维护和监测。这些污染企业即所谓电网区域污秽排除点。快速识别和定位这些污秽排除点有助于电网维护人员合理投放运维资源，更加有效的保障电网安全。

由于污染排放企业的建设信息并不会直接通报给电网清污人员，因此电网维护部门需要实施相应技术手段可以迅速定位新设立的污秽排除点和尚未被识别的污秽排除点。卫星遥感具有大范围、高分辨、快速观测的优点。借助最先进的对地成像技术，目前已经能够利用亚米级高分辨率对地级市范围进行快速监测，形成信息量丰富的遥感大数据。这为从遥感影像上提取电网区域污秽排除点提供了技术支持。

然而，依靠人工从遥感影像上识别污秽排除点是一项耗时耗力的工作。单纯的人工方法需要训练有素的遥感专业工作者，进行机械、重复的图像目视解译工作。机器学习方法目前已经被广泛应用于各类图像处理和目标识别领域。但是，针对一项特定应用，普适性的机器学习方法，如随机森林、集成学习器、boosting，这些方法不同程度上受到模型机理制约，准确性难以保证。因此，必须发展专用方法，用于提取电网维护人员所需的污秽排除点。

发明内容

本发明提供了一种基于深度学习的电网污秽排除点溯源方法及装置，以解决电网区域污秽排除点能够被快速识别和定位的问题，本发明通过深度学习中的语义分割技术，并结合GEE提供的免费遥感数据资源，提出一种基于深度学习的电网污秽排除点溯源方法及装置，实现快速、低成本、准确的识别电网区域污秽排除点。

本发明通过以下技术方案实现：

第一方面，本申请提供了一种基于深度学习的电网污秽排除点溯源方法，所述方法包括：

通过GEE获取待监测地区的高分辨率遥感影像，得到第一遥感影像；

根据所述第一遥感影像的电网输电线信息和现有污秽排除点，自动生成待监测地区输电线标签；

通过语义分割网络模型，将所述第一遥感影像和所述待监测地区输电线标签，按照增强训练原则，构建训练集和测试集，通过迭代训练得到带权重语义分割模型；

根据所述带权重语义分割模型，对现有需观测城市影像语义分割，得到分类结果；

根据所述分类结果，通过霍夫变换算法，得到电网区域污秽排除点。

进一步地，通过GEE获取待监测地区的高分辨率遥感影像，得到第一遥感影像，具体为：根据最小边界框原则，确认所述第一遥感影像的边界坐标，通过GEE内置的filterDate函数，得到所述第一遥感影像。

进一步地，所述待监测地区输电线标签自动生成的原则按照：所述电网输电线信息所在像素赋值为1，所述现有污秽排除点所在像素赋值为2，其他像素赋值为0。

进一步地，所述第一遥感影像的空间分辨率小于30米。