CN111061897B - 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 - Google Patents
一种适于电网高分辨遥感图像多尺度自动截取与分类方法 Download PDFInfo
- Publication number
- CN111061897B CN111061897B CN201911118580.3A CN201911118580A CN111061897B CN 111061897 B CN111061897 B CN 111061897B CN 201911118580 A CN201911118580 A CN 201911118580A CN 111061897 B CN111061897 B CN 111061897B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- longitude
- latitude
- tower
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本发明公布了一种适于电网高分辨遥感图像多尺度自动截取与分类方法及应用,包括以下步骤:建立基于GIS系统的电网线路通道杆塔经纬度数据库模型;基于GIS系统下自动提取遥感卫星图像,实现自动获取配电网通道环境图像,通过设定遥感卫星图像比例尺缩放规则,建立基于经验法则的电网线路通道遥感图像多尺度截取方法;依据电网线路通道杆塔经纬度数据库模型的经纬度坐标差,确定配电网通道环境图像的截取规则,建立基于GIS系统的电网线路通道遥感图像自动截取方法;通过构建CNN模型框架,采用多核支持向量机输出,建立电网线路通道环境遥感图像自动分类方法;本方法有利于提高智能配电网通道环境分类的精确度。
Description
技术领域
本发明涉及遥感图像处理技术领域,特别是一种适于电网高分辨遥感图像多尺度自动截取与分类方法。
背景技术
遥感图像通过亮度、像元值的高低差异及空间变化来表征不同地物的差异性。遥感图像的应用领域广泛涉及卫星发射、地址调查、城市规划与建设、抗震救灾等。目前,遥感图像还未实际应用于电力网络。然而,电力网络作为一个立足于地面的庞大且复杂的网络,地理环境因素对其有着不可忽视的影响。电力网络是否坚强关系到社会的安稳、国民经济的发展,并且在污染日益严重的大环境下,电作为清洁的二次能源更是备受欢迎。将遥感图像技术应用于提升电力网络的供电可靠性有着重大的意义,而遥感图像截取与分类作为基础部分直接影响到技术的应用效果。
地理信息系统(Geographic information system,GIS)使用计算机技术存储并管理地球资源信息的空间信息。其作为一种新兴的技术体系能够支持空间定位信息的精细化获取,管理和应用。随着计算机技术、空间技术和现代信息基础设施的飞速发展,其在经济信息化进程中的重要性日益显著。特别是随着“数字地球”概念的提出,GIS系统在全球获得了空前迅速的发展,被广泛应用于各个领域,产生了巨大的经济和社会效益。
国家电网公司有其独立的包含所有电网设备经纬度信息的GIS系统,该系统为电力网络遥感图像技术的开发提供了平台。遥感图像技术不仅能为电力网络的运维检修提供智能化手段,还能为发展规划、选型设计等业务提供决策分析。
本文提到的GIS系统是采集、存储、管理、分析和描述电力网络各设备与地理分布相关数据的地理信息系统。
发明内容
为了解决上述存在的问题,本发明公开了一种适于电网高分辨遥感图像多尺度自动截取与分类方法,包括以下步骤:
S1:建立基于GIS系统的电网线路通道杆塔经纬度数据库模型;
S2:基于GIS系统下自动提取遥感卫星图像,与步骤S1建立的电网线路通道杆塔经纬度数据库模型比较分析,实现自动获取配电网通道环境图像,通过设定遥感卫星图像比例尺缩放规则,建立基于经验法则的电网线路通道遥感图像多尺度截取方法;
S3:依据电网线路通道杆塔经纬度数据库模型的经纬度坐标差,确定配电网通道环境图像的截取规则,建立基于GIS系统的电网线路通道遥感图像自动截取方法;
S4:通过构建适用于电网复杂通道环境分类的CNN模型框架,采用多核支持向量机输出,建立电网线路通道环境遥感图像自动分类方法。
优选地,步骤S1建立所述电网线路通道杆塔经纬度数据库模型包括以下步骤:
S11:基于GIS系统,根据塔杆建设的配电网通道环境获取某一地区的经纬坐标范围[A,C;B,D];
S12:基于相邻塔杆建设距离的实际要求标准,设计经纬度的步长;采用经纬度坐标随机等份分割模式来表示相邻塔杆建设位置的经纬度坐标;
塔杆起始点建设位置的经纬度坐标begin(Ai,Bi):
塔杆终止点建设位置的经纬度坐标end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy):
其中,Ai表示塔杆建设的起始位置的纬度坐标;
Bi表示塔杆建设的起始位置的经度坐标;
Ai+1表示建设相邻塔杆建设起始位置的纬度坐标;
Bi+1表示建设相邻塔杆起始位置的经度坐标;
i表示塔杆编号;
经纬度的变化步长(Δx,Δy)根据实际相邻塔杆的建设距离要求生成。
优选地,步骤S2中所述基于经验法则的电网线路通道遥感图像多尺度截取方法包括以下步骤:
S21:基于GIS系统下自动提取遥感卫星图像,首先需要根据相邻杆塔之间的实际距离选取不同比例尺下的卫星图像,其关系如公式(1);
其中dis表示相邻塔杆之间的实际距离;R=6371km,表示地球半径;H表示大圆距离,单位是弧度,所述大圆距离:从球面的一点出发到达球面上的另外一点所经过的最短路径长度;
公式(1)中的大圆距离H的计算方法:
公式(2)中的Haversin函数表达方式、经纬度差值计算和经纬度转化为弧度计算方法:
haver(θ)=(1-cosθ)/2 (3)
其中Ai,Ai+1,Bi,Bi+1表示塔杆位置的经纬度,建设塔杆的起始位置为begin(Ai,Bi),相邻塔杆的终止位置为end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy);
S22:基于相邻塔杆间的距离确定卫星图像比例尺,实现自动获取配电网通道环境图像;
以塔杆间的距离为依托设定遥感卫星图像比例尺缩放规则;
优选地,步骤S3中所述截取规则如下:
判断:相邻塔杆在卫星遥感图像上为近似水平关系:
dlhg=(dlat/dlhg)<0.414 (8)
规则:截取配电网通道遥感图像的尺寸选取730×270;
判断:相邻塔杆在卫星遥感图像上为近似垂直关系:
dlhg=0or(dlat/dlhg)>2.414 (9)
规则:截取配电网通道遥感图像的尺寸选取350×585;
判断:相邻塔杆在卫星遥感图像上为近似对角关系:
(dlat/dlhg)>=0.414and(dlat/dlhg)<=2.414 (10)
规则:截取配电网通道遥感图像的尺寸选取570×500。
优选地,步骤S4中所述CNN模型框架包括卷积层Ci和池化层Si以及神经网络模型;
所述卷积层用于实现特征与卷积核进行卷积操作;
所述池化层用于实现特征降维、压缩数据、参数的数量和防止过拟合。
优选地,所述卷积层至少有4个,所述池化层至少有4个。
优选地,所述神经网络模型由3个全连接层和k型核函数SVM分类器组成。
优选地,所述卷积层Ci的计算公式为:
优选地,所述池化层Si的计算公式为:
优选地,所述CNN模型框架中的输出层中的k型核函数计算公式为:
其中l>0表示k型核函数的宽度;(xi,xj)∈(x1,x2,...,xn)表示为卷积神经网络提取的特征值。
本发明的有益效果:
(1)基于GIS系统通过电网建模和地图绘制有效地了实现“输-变-配”数据的绑定;
(2)本发明采用的卷积神经网络CNN具有旋转、平移和缩放不变等特性,能够实现隐含层的相互连接和所有图像共享同一个卷积核;
(3)本发明CNN模型框架中的输出层采用多核支持向量机替代传统常用的Softmax分类器,有利于提高智能配电网通道环境分类的精确度;
(4)本发明采用Relu函数激活隐含层的神经元,解决传统Sigmoid和Tanh等激活函数存在梯度弥散等问题。
本发明提出了一种适于电网高分辨率遥感图像多尺度自动截取与分类方法,确立了经纬度数据库建立、遥感图像截取、多尺度变换和配电网通道环自动分类四方面的综合运用,为遥感图像识别技术在电网运维检修、发展规划、选型设计等专业领域的应用奠定基础。
附图说明
图1是本发明中遥感图像多尺度自动截取与分类方法流程框架图;
图2是本发明中电网线路通道环境分类技术框图;
图3是本发明中电网线路通道环境截取技术框图;
图4是本发明中CNN模型框架图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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申请的一些实施例,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。通过附图所示,本申请的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图,重点在于示出本申请的主旨。
下面结合附图对本发明的具体实施例做详细说明。
实施例1
如图1-4所示,一种适于电网高分辨遥感图像多尺度自动截取与分类方法,包括以下步骤:
S1:建立基于GIS系统的电网线路通道杆塔经纬度数据库模型;
S2:基于GIS系统下自动提取遥感卫星图像,与步骤S1建立的电网线路通道杆塔经纬度数据库模型比较分析,实现自动获取配电网通道环境图像,通过设定遥感卫星图像比例尺缩放规则,建立基于经验法则的电网线路通道遥感图像多尺度截取方法;
S3:依据电网线路通道杆塔经纬度数据库模型的经纬度坐标差,确定配电网通道环境图像的截取规则,建立基于GIS系统的电网线路通道遥感图像自动截取方法;
S4:通过构建适用于电网复杂通道环境分类的CNN模型框架,采用多核支持向量机输出,建立电网线路通道环境遥感图像自动分类方法。
步骤S1建立所述电网线路通道杆塔经纬度数据库模型包括以下步骤:
S11:基于GIS系统,根据塔杆建设的配电网通道环境获取某一地区的经纬坐标范围[A,C;B,D];
S12:基于相邻塔杆建设距离的实际要求标准,设计经纬度的步长;采用经纬度坐标随机等份分割模式来表示相邻塔杆建设位置的经纬度坐标;
塔杆起始点建设位置的经纬度坐标begin(Ai,Bi):
塔杆终止点建设位置的经纬度坐标end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy):
其中,Ai表示塔杆建设的起始位置的纬度坐标;
Bi表示塔杆建设的起始位置的经度坐标;
Ai+1表示建设相邻塔杆建设起始位置的纬度坐标;
Bi+1表示建设相邻塔杆起始位置的经度坐标;
i表示塔杆编号;
经纬度的变化步长(Δx,Δy)根据实际相邻塔杆的建设距离要求生成。
步骤S2中所述基于经验法则的电网线路通道遥感图像多尺度截取方法包括以下步骤:
S21:基于GIS系统下自动提取遥感卫星图像,首先需要根据相邻杆塔之间的实际距离选取不同比例尺下的卫星图像,其关系如公式(1);
其中dis表示相邻塔杆之间的实际距离;R=6371km,表示地球半径;H表示大圆距离,单位是弧度,所述大圆距离:从球面的一点出发到达球面上的另外一点所经过的最短路径长度;
公式(1)中的大圆距离H的计算方法:
公式(2)中的Haversin函数表达方式、经纬度差值计算和经纬度转化为弧度计算方法:
haver(θ)=(1-cosθ)/2 (3)
其中Ai,Ai+1,Bi,Bi+1表示塔杆位置的经纬度,建设塔杆的起始位置为begin(Ai,Bi),相邻塔杆的终止位置为end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy);
S22:基于相邻塔杆间的距离确定卫星图像比例尺,实现自动获取配电网通道环境图像;
以塔杆间的距离为依托设定遥感卫星图像比例尺缩放规则,如图3所示;
步骤S3中所述截取规则如下:
判断:相邻塔杆在卫星遥感图像上为近似水平关系:
dlhg=(dlat/dlhg)<0.414 (8)
规则:截取配电网通道遥感图像的尺寸选取730×270;
判断:相邻塔杆在卫星遥感图像上为近似垂直关系:
dlhg=0or(dlat/dlhg)>2.414 (9)
规则:截取配电网通道遥感图像的尺寸选取350×585;
判断:相邻塔杆在卫星遥感图像上为近似对角关系:
(dlat/dlhg)>=0.414and(dlat/dlhg)<=2.414 (10)
规则:截取配电网通道遥感图像的尺寸选取570×500。
步骤S4中所述CNN模型框架包括卷积层Ci和池化层Si以及神经网络模型;
所述卷积层用于实现特征与卷积核进行卷积操作;
所述池化层用于实现特征降维、压缩数据、参数的数量和防止过拟合。
所述卷积层有4个,所述池化层有4个。
所述神经网络模型由3个全连接层和k型核函数SVM分类器组成。
所述卷积层Ci的计算公式为:
所述池化层Si的计算公式为:
所述CNN模型框架中的输出层中的k型核函数计算公式为:
其中l>0表示k型核函数的宽度;(xi,xj)∈(x1,x2,...,xn)表示为卷积神经网络提取的特征值。
上述实施例仅描述现有设备最优使用方式,而运用类似的常用手段代替本实施例中的元素,均落入保护范围。
Claims (8)
1.一种适于电网高分辨遥感图像多尺度自动截取与分类方法,其特征在于:包括以下步骤:
S1:建立基于GIS系统的电网线路通道杆塔经纬度数据库模型;
S2:基于GIS系统下自动提取遥感卫星图像,与步骤S1建立的电网线路通道杆塔经纬度数据库模型比较分析,自动获取配电网通道环境图像,通过设定遥感卫星图像比例尺缩放规则,进行基于经验法则的电网线路通道遥感图像多尺度截取;
S3:依据电网线路通道杆塔经纬度数据库模型的经纬度坐标差,确定配电网通道环境图像的截取规则,进行基于GIS系统的电网线路通道遥感图像自动截取;
S4:通过构建适用于电网复杂通道环境分类的CNN模型框架,采用多核支持向量机输出,对电网线路通道环境遥感图像自动分类;
步骤S2中所述基于经验法则的电网线路通道遥感图像多尺度截取方法包括以下步骤:
S21:基于GIS系统下自动提取遥感卫星图像,首先需要根据相邻杆塔之间的实际距离选取不同比例尺下的卫星图像,其关系如公式(1);
其中dis表示相邻塔杆之间的实际距离;R=6371km,表示地球半径;H表示大圆距离,单位是弧度,所述大圆距离:从球面的一点出发到达球面上的另外一点所经过的最短路径长度;
公式(1)中的大圆距离H的计算方法:
公式(2)中的Haversin函数表达方式、经纬度差值计算和经纬度转化为弧度计算方法:
haver(θ)=(1-cosθ)/2 (3)
其中Ai,Ai+1,Bi,Bi+1表示塔杆位置的经纬度,建设相邻塔杆的起始位置为begin(Ai,Bi),相邻塔杆的终止位置为end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy);
S22:基于相邻塔杆间的距离确定卫星图像比例尺,实现自动获取配电网通道环境图像;
以塔杆间的距离为依托设定遥感卫星图像比例尺缩放规则;
步骤S3中所述截取规则如下:
判断:相邻塔杆在卫星遥感图像上为近似水平关系:
0<(dlat/dlhg)<0.414 (8)
规则:截取配电网通道遥感图像的尺寸选取730×270;
判断:相邻塔杆在卫星遥感图像上为近似垂直关系:
dlhg=0 or(dlat/dlhg)>2.414 (9)
规则:截取配电网通道遥感图像的尺寸选取350×585;
判断:相邻塔杆在卫星遥感图像上为近似对角关系:
(dlat/dlhg)>=0.414 and(dlat/dlhg)<=2.414 (10)
规则:截取配电网通道遥感图像的尺寸选取570×500。
2.根据权利要求1所述的一种适于电网高分辨遥感图像多尺度自动截取与分类方法,其特征在于:步骤S1建立所述电网线路通道杆塔经纬度数据库模型包括以下步骤:
S11:基于GIS系统,根据塔杆建设的配电网通道环境获取某一地区的经纬坐标范围[A,C;B,D];
S12:基于相邻塔杆建设距离的实际要求标准,设置经纬度的步长(Δx,Δy);
采用经纬度坐标随机等份分割模式来表示相邻塔杆建设位置的经纬度坐标;
相邻塔杆起始点建设位置的经纬度坐标begin(Ai,Bi):
相邻塔杆终止点建设位置的经纬度坐标end(Ai+1,Bi+1)=(Ai+Δx,Bi+Δy):
其中,Ai表示塔杆建设的起始位置的纬度坐标;
Bi表示塔杆建设的起始位置的经度坐标;
Ai+1表示建设相邻塔杆建设起始位置的纬度坐标;
Bi+1表示建设相邻塔杆起始位置的经度坐标;
i表示塔杆编号;
经纬度的变化步长(Δx,Δy)根据实际相邻塔杆的建设距离要求生成。
3.根据权利要求1所述的一种适于电网高分辨遥感图像多尺度自动截取与分类方法,其特征在于:步骤S4中所述CNN模型框架包括卷积层Ci和池化层Si以及神经网络模型;
所述卷积层用于实现特征与卷积核进行卷积操作;
所述池化层用于实现特征降维、压缩数据、参数的数量和防止过拟合。
4.根据权利要求3所述的一种适于电网高分辨遥感图像多尺度自动截取与分类方法,其特征在于:所述卷积层至少有4个,所述池化层至少有4个。
5.根据权利要求3所述的一种适于电网高分辨遥感图像多尺度自动截取与分类方法,其特征在于:所述神经网络模型由3个全连接层和k型核函数SVM分类器组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118580.3A CN111061897B (zh) | 2020-01-15 | 2020-01-15 | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911118580.3A CN111061897B (zh) | 2020-01-15 | 2020-01-15 | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111061897A CN111061897A (zh) | 2020-04-24 |
CN111061897B true CN111061897B (zh) | 2023-06-16 |
Family
ID=70297947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911118580.3A Active CN111061897B (zh) | 2020-01-15 | 2020-01-15 | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111061897B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112347209A (zh) * | 2020-10-23 | 2021-02-09 | 国网新疆电力有限公司巴州供电公司 | 一种电网地图 |
CN112862921B (zh) * | 2021-03-05 | 2024-04-19 | 云南电网有限责任公司电力科学研究院 | 一种电网分布图像绘制方法 |
CN115131682A (zh) * | 2022-07-19 | 2022-09-30 | 云南电网有限责任公司电力科学研究院 | 一种基于遥感图像的电网分布情况绘制方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012155540A1 (zh) * | 2011-05-13 | 2012-11-22 | 北京市电力公司 | 地质信息的处理方法及装置 |
CN103020871A (zh) * | 2012-12-05 | 2013-04-03 | 陕西电力科学研究院 | 一种电力输电线路地理信息系统和灾害地理信息系统 |
CN104991932A (zh) * | 2015-07-02 | 2015-10-21 | 江苏励维逊电气科技有限公司 | 基于电网gis的卫星实时预警电网设备火灾的方法及其系统 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108733711A (zh) * | 2017-04-21 | 2018-11-02 | 中国电力科学研究院 | 基于三维gis技术的配电线路空间距离获取方法 |
CN109145870A (zh) * | 2018-09-12 | 2019-01-04 | 中国农业大学 | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9147132B2 (en) * | 2013-09-11 | 2015-09-29 | Digitalglobe, Inc. | Classification of land based on analysis of remotely-sensed earth images |
-
2020
- 2020-01-15 CN CN201911118580.3A patent/CN111061897B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012155540A1 (zh) * | 2011-05-13 | 2012-11-22 | 北京市电力公司 | 地质信息的处理方法及装置 |
CN103020871A (zh) * | 2012-12-05 | 2013-04-03 | 陕西电力科学研究院 | 一种电力输电线路地理信息系统和灾害地理信息系统 |
CN104991932A (zh) * | 2015-07-02 | 2015-10-21 | 江苏励维逊电气科技有限公司 | 基于电网gis的卫星实时预警电网设备火灾的方法及其系统 |
WO2018081929A1 (zh) * | 2016-11-01 | 2018-05-11 | 深圳大学 | 一种高光谱遥感图像特征提取和分类方法及其系统 |
CN108733711A (zh) * | 2017-04-21 | 2018-11-02 | 中国电力科学研究院 | 基于三维gis技术的配电线路空间距离获取方法 |
CN109145870A (zh) * | 2018-09-12 | 2019-01-04 | 中国农业大学 | 基于sar极化分解和卷积神经网络的两阶段盐碱地监测方法 |
Non-Patent Citations (1)
Title |
---|
探究遥感的电力线路安全巡检技术现状及展望;王晓明;《中国金属通报》;20180831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111061897A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111061897B (zh) | 一种适于电网高分辨遥感图像多尺度自动截取与分类方法 | |
Song et al. | Spatiotemporal satellite image fusion using deep convolutional neural networks | |
CN111179217A (zh) | 一种基于注意力机制的遥感图像多尺度目标检测方法 | |
CN107909039B (zh) | 基于并行算法的高分辨率遥感影像的地表覆盖分类方法 | |
CN108734143A (zh) | 一种巡检机器人的基于双目视觉的输电线路在线检测方法 | |
Wang et al. | Object-scale adaptive convolutional neural networks for high-spatial resolution remote sensing image classification | |
CN106504233A (zh) | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及系统 | |
CN110929607A (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN112115198A (zh) | 一种城市遥感智能服务平台 | |
CN111709397B (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN103578093B (zh) | 图像配准方法、装置及增强现实系统 | |
CN106295613A (zh) | 一种无人机目标定位方法及系统 | |
CN112419333B (zh) | 一种遥感影像自适应特征选择分割方法及系统 | |
Chen et al. | Object-based multi-modal convolution neural networks for building extraction using panchromatic and multispectral imagery | |
CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
CN115223017B (zh) | 一种基于深度可分离卷积的多尺度特征融合桥梁检测方法 | |
CN116363521A (zh) | 一种遥感影像语义预测方法 | |
Xu et al. | Building height calculation for an urban area based on street view images and deep learning | |
Bao et al. | E-unet++: A semantic segmentation method for remote sensing images | |
CN116778169A (zh) | 基于混合特征提取的遥感图像语义分割方法、装置和设备 | |
CN113344434B (zh) | 一种基于人工智能和大数据的变电站选址方法及系统 | |
Liu et al. | Parallel CNN network learning-based video object recognition for UAV ground detection | |
Pang et al. | PTRSegNet: A Patch-to-Region Bottom-Up Pyramid Framework for the Semantic Segmentation of Large-Format Remote Sensing Images | |
Li et al. | Low-cost 3D building modeling via image processing | |
CN117612029B (zh) | 一种基于渐进特征平滑和尺度适应性膨胀卷积的遥感图像目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |