CN111507423A - 输电线路通道清理的工程量测算方法 - Google Patents

Abstract

本发明公开了一种输电线路通道清理的工程量测算方法，包括获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；采用深度学习方法建立地物识别模型；对点云数据进行分类；采用地物识别模型统计地物类型；采用点云分类数据对地物进行分类提取；采用地物类型的统计数据和地物的分类提取数据对输电线路通道清理的工程量进行测算。本发明提供的这种输电线路通道清理的工程量测算方法，通过对高清影像数据和点云数据的处理，实现了远程对输电线路通道清理的工程量测算，而且本发明方法的可靠性高，实用性好，精确度较高。

Description

输电线路通道清理的工程量测算方法

技术领域

本发明具体涉及一种输电线路通道清理的工程量测算方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。

为了保障电力系统的可靠运行，电力系统的容量就必须增长，而电力系统的建设和扩容就成为了电力系统的重要任务。在输电线路设计时，输电线路通道清理的工程量测算就成为了输电线路设计阶段的重要任务之一。

目前，输电线路通道清理的工程量测算方法，一般有四种方法：第一种是基于全波形激光探测与测量(LiDAR，Light Detection And Ranging)数据：获取植被的结构化信息，在受影响范围内汇总点云属性并计算综合波形特征参数，实现通过单一数据源获取并提高目标大小的测量精度；第二种是基于全波形LiDAR数据：衍生出对单体树、房屋，征地的定位和提取，结合韦伯分布和三次样条函数模型，作为特征变量获取模型参数；第三种是基于多源同期高分辨率遥感数据：首先基于高分辨率数据和面向对象分割方法进行目标分类，然后基于高光谱数据提取的空间细节和光谱特征并结合反向传播神经网络对图像地物识别；第四种是基于高光谱数据：使用三维卷积神经网络对地物识别，三维卷积神经网络基于机载高光谱数据对复杂地物实现语义分割，构建用于训练及验证数据集，完成深度学习模型的训练，利用训练好的模型分别对高光谱影像中每个像元所属类别进行预测，得到整个区域的树种分布制图。

但是，上述的四种方法，在地物分类时，仅利用高光谱影像进行地物分类，主要手段还是传统的遗传算法、BP神经网络(Back Propagation Neural Network)等优化算法，无法充分利用高光谱数据的所有信息，而精细的地物边界划分往往依赖于不同尺度图像语义分割，以上算法在不同尺度特性上无法表现更加通用，因此分类精度相对较差。

发明内容

本发明的目的在于提供一种可靠性高、精确性好且实施方便的输电线路通道清理的工程量测算方法。

本发明提供的这种输电线路通道清理的工程量测算方法，包括如下步骤：

S1.获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；

S2.针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型；针对步骤S1获取的点云数据，采用分类方法对点云数据进行分类；

S3.采用步骤S2得到的地物识别模型对地物类型进行统计；采用步骤S2得到的点云分类数据，对地物进行分类提取；

S4.采用步骤S3得到的地物类型的统计数据，以及地物的分类提取数据，对输电线路通道清理的工程量进行测算。

步骤S2所述的针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型，具体为采用如下步骤建立地物识别模型：

A.对获取的高清影像数据进行图像预处理；

B.对步骤A进行图像预处理后的数据进行数据增强，从而得到样本数据；

C.建立初步识别模型；

D.采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型。

步骤C所述的初步识别模型，具体为采用XCeption网络作为初步识别模型。

步骤D所述的采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型，具体包括：

(1)编码结构：采用不同的空洞卷积和金字塔模型，使得模型的输出包括若干通道的语义信息，并通过调整参数得到不同尺度的输出特征图；

(2)解码结构：采用4倍的双线性插值进行上采样，采用1*1卷积来减少通道数的底层特征图，采用3*3的卷积和4倍上采样恢复原图大小；

(3)损失函数采用交叉熵函数，评估真实样本的正类的概率和负类的概率，同时在交叉熵函数值在反向传播的时，加入样本归一化算法，从而解决梯度消失的问题。

步骤S3所述的采用步骤S2得到的地物识别模型对地物类型进行统计，具体为对获取的高清影像数据，采用分块预测和多尺度融合算法，得到最终的高清影像数据的全图预测结果。

步骤S2所述的对点云数据进行分类，具体为将点云数据分类为地面点、房屋和林木。

步骤S3所述的采用步骤S2得到的点云分类数据，对地物进行分类提取，具体为采用如下步骤进行地物分类提取：

a.将地面点剔除，并根据建筑物目标表面的高程差和对激光脉冲的反射属性，实现对房屋点云数据的提取；

b.将地面点数据和房屋数据剔除，并采用点云数据的曲面变化和曲率，实现对林木点云数据的提取。

步骤S4所述的对输电线路通道清理的工程量进行测算，具体为采用如下步骤进行工程量测算：

1)采取RANSAC法分割与距离法分割，实现不同平面点云数据的分离，并利用各个分割平面内的脚点，求解对应的平面方程参数，从而将各个屋顶平面的点云数据进行分离；

2)利用Alpha Shape算法提取每个分割平面点云数据的建组轮廓节点；

3)基于方向角进行初始关键点提取；

4)确定各个屋顶平面之间的拓扑关系；

5)依据平面间拓扑关系得到三种交线特征，并针对不同交线特征确定最终关键点的准确位置；所述的三种交线特征包括公共线段特征、公共射线特征与公共直线特征；

6)利用检测得到的关键点构建屋顶模型，结合对应的地面信息，获取建筑侧面，并最终整合得到完整的建筑物三维模型；

7)结合三维平台，将矢量化的房屋模型入库，从而自动统计线路走廊范围内的房屋数量、面积和体积，并生成拆房分布图；

8)进行单木分割；

9)结合三维平台，将步骤8)分割的单木模型入库，从而自动统计线路走廊范围内的林木数量。

本发明提供的这种输电线路通道清理的工程量测算方法，通过对高清影像数据和点云数据的处理，实现了远程对输电线路通道清理的工程量测算，而且本发明方法的可靠性高，实用性好，精确度较高。

附图说明

图1为本发明方法的方法流程示意图。

图2为本发明方法的建筑物建模效果示意图。

图3为本发明方法的道路识别效果示意图。

图4为本发明方法的建筑物识别效果示意图。

图5为本发明方法的林木识别效果示意图。

具体实施方式

如图1所示为本发明方法的方法流程示意图：本发明提供的这种输电线路通道清理的工程量测算方法，包括如下步骤：

S1.获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；

S2.针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型；针对步骤S1获取的点云数据，采用分类方法对点云数据进行分类；

采用如下步骤建立地物识别模型：

A.对获取的高清影像数据进行图像预处理；

在具体实施时，预处理包括：

去阴影：阴影有比周围地物明显的低亮度；因此，对图像做同态滤波，改善图像的亮度分布不均匀，并使用深度学习对处理过的图像的阴影做训练；

图像去噪处理：遥感图像在拍摄、传输过程中，可能会因为设备或者数字化等因素产生较多的随机噪声，这会较大程度影响后期训练过程中的特征提取；所以，去噪的算法采用中值滤波和高斯滤波相结合：中值滤波针对图像中的随机噪声比较有效；高斯滤波器对呈现一定正态分布的高斯噪声有很好的降噪作用；

B.对步骤A进行图像预处理后的数据进行数据增强，从而得到样本数据；

在具体实施时，数据增强包括空间域和频率域：

空间域：对图像空间域进行数据增强，主要手段包括图像去噪、图像翻转、亮度和对比度增强、改善色彩强度、增加样本数量等；

频率域：对图像做傅里叶变换，获得频率域图像，然后对频率域图像做滤波；可以使用高斯高通滤波和低通滤波，针对不同的地物使用不同的滤波器；

C.建立初步识别模型；具体为采用XCeption网络作为初步识别模型；

初始模型选择XCeption；该网络模型具有速度快，精度高的特点，能够对特征不断的进行分析及过滤，更能提取有效特征；对于大数据量的遥感图像，模型中的Entry Flow模块能不断下采样，降低空间维度，中间层能不断的学习关联关系，优化特征，提高特征提取的精度；

同时，根据不同地物的特征，比如单个地物的平均大小，以及色彩分布情况，调整训练数据的参数，如剪裁训练图片大小，空洞卷积率，以及数据的归一化参数等，完成各类地物单独训练；

D.采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型；具体包括：

(1)编码结构：采用不同的空洞卷积和金字塔模型，使得模型的输出包括若干通道的语义信息，并通过调整参数得到不同尺度的输出特征图；

(2)解码结构：采用4倍的双线性插值进行上采样，采用1*1卷积来减少通道数的底层特征图，采用3*3的卷积和4倍上采样恢复原图大小；

(3)损失函数采用交叉熵函数，评估真实样本的正类的概率和负类的概率，同时在交叉熵函数值在反向传播的时，加入样本归一化算法，从而解决梯度消失的问题；

同时，将点云数据分类为地面点、房屋和林木；

S3.采用步骤S2得到的地物识别模型对地物类型进行统计；采用步骤S2得到的点云分类数据，对地物进行分类提取；

对获取的高清影像数据，采用分块预测和多尺度融合算法，得到最终的高清影像数据的全图预测结果；

分块预测：对于数据量较大的遥感图像，根据单个目标的大小，将预测原图剪裁成大小相同的块，最后对预测结果做拼接，这样做能提高预测的效率；

多尺度融合：对原图继续多次分块预测，保证每次分块的大小和位置互不相同，根据像素的预测结果正负样本的概率将多次预测的结果融合，最终形成全图的预测结果；

采用如下步骤进行地物分类提取：

a.将地面点剔除，并根据建筑物目标表面的高程差和对激光脉冲的反射属性，实现对房屋点云数据的提取；

b.将地面点数据和房屋数据剔除，并采用点云数据的曲面变化和曲率，实现对林木点云数据的提取；

在具体实施时，植被一般具有不规则的形状，大都垂直突出在裸露的地面上的，并占据一定的连续区域；植被(特别是高大林木)点云形成的表面粗糖程度比建筑物或裸露地面要高，利用点云的曲面变化和曲率来区分植被和其它主要地物；但是在特别崎岖的裸露地面情况下，如有釆石场的地面，用表面粗糖度的判别方法就有可能失败，因此除了考虑点云表面的粗糖程度外，还应考虑局部点云密度这一特性；由于激光束可以穿透部分树冠直接打到树枝或地面上，因此可以利用点云数据的第一回波和最后一次回波之间的高程差来判定是否是植被；但是第一回波点云包含了植被、建筑物屋顶、部分墙体，而最后一次回波包含了地面点和部分植被，因此多重回波高程差值可以用于确定植被候选点，当利用其它规则将建筑物、墙面等对象检测出来后，才能准确标识出林木点云；

S4.采用步骤S3得到的地物类型的统计数据，以及地物的分类提取数据，对输电线路通道清理的工程量进行测算；具体为采用如下步骤进行工程量测算：

1)采取RANSAC法分割与距离法分割，实现不同平面点云数据的分离，并利用各个分割平面内的脚点，求解对应的平面方程参数，从而将各个屋顶平面的点云数据进行分离；

2)利用Alpha Shape算法提取每个分割平面点云数据的建组轮廓节点；

3)基于方向角进行初始关键点提取，从而进一步锁定关键点的检测范围；

4)通过分析平面边界与其余平面边界之间的距离，确定各个屋顶平面之间的拓扑关系；

5)依据平面间拓扑关系得到三种交线特征，并针对不同交线特征确定最终关键点的准确位置；所述的三种交线特征包括公共线段特征、公共射线特征与公共直线特征；

6)利用检测得到的关键点构建屋顶模型，结合对应的地面信息，获取建筑侧面，并最终整合得到完整的建筑物三维模型；(过程效果如图2所示)

7)结合三维平台，将矢量化的房屋模型入库，从而自动统计线路走廊范围内的房屋数量、面积和体积，并生成拆房分布图；

8)进行单木分割；具体包括如下步骤：

步骤一：建立特征场；

步骤二：建立标号场模型，通过CHM确立单木立地位置；

步骤三：利用Potts模型进行分割；

9)结合三维平台，将步骤8)分割的单木模型入库，从而自动统计线路走廊范围内的林木数量。

通过图3～图5可以看到，本发明方法在提取道路、房屋和林木时，均具有较好的提取效果。

Claims (8)

1.一种输电线路通道清理的工程量测算方法，包括如下步骤：

S1.获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；

S2.针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型；针对步骤S1获取的点云数据，采用分类方法对点云数据进行分类；

S3.采用步骤S2得到的地物识别模型对地物类型进行统计；采用步骤S2得到的点云分类数据，对地物进行分类提取；

S4.采用步骤S3得到的地物类型的统计数据，以及地物的分类提取数据，对输电线路通道清理的工程量进行测算。

2.根据权利要求1所述的输电线路通道清理的工程量测算方法，其特征在于步骤S2所述的针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型，具体为采用如下步骤建立地物识别模型：

A.对获取的高清影像数据进行图像预处理；

B.对步骤A进行图像预处理后的数据进行数据增强，从而得到样本数据；

C.建立初步识别模型；

D.采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型。

3.根据权利要求2所述的输电线路通道清理的工程量测算方法，其特征在于步骤C所述的初步识别模型，具体为采用XCeption网络作为初步识别模型。

4.根据权利要求3所述的输电线路通道清理的工程量测算方法，其特征在于步骤D所述的采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型，具体包括：

(1)编码结构：采用不同的空洞卷积和金字塔模型，使得模型的输出包括若干通道的语义信息，并通过调整参数得到不同尺度的输出特征图；

(2)解码结构：采用4倍的双线性插值进行上采样，采用1*1卷积来减少通道数的底层特征图，采用3*3的卷积和4倍上采样恢复原图大小；

(3)损失函数采用交叉熵函数，评估真实样本的正类的概率和负类的概率，同时在交叉熵函数值在反向传播的时，加入样本归一化算法，从而解决梯度消失的问题。

5.根据权利要求4所述的输电线路通道清理的工程量测算方法，其特征在于步骤S3所述的采用步骤S2得到的地物识别模型对地物类型进行统计，具体为对获取的高清影像数据，采用分块预测和多尺度融合算法，得到最终的高清影像数据的全图预测结果。

6.根据权利要求5所述的输电线路通道清理的工程量测算方法，其特征在于步骤S2所述的对点云数据进行分类，具体为将点云数据分类为地面点、房屋和林木。

7.根据权利要求6所述的输电线路通道清理的工程量测算方法，其特征在于步骤S3所述的采用步骤S2得到的点云分类数据，对地物进行分类提取，具体为采用如下步骤进行地物分类提取：

a.将地面点剔除，并根据建筑物目标表面的高程差和对激光脉冲的反射属性，实现对房屋点云数据的提取；

b.将地面点数据和房屋数据剔除，并采用点云数据的曲面变化和曲率，实现对林木点云数据的提取。

8.根据权利要求7所述的输电线路通道清理的工程量测算方法，其特征在于步骤S4所述的对输电线路通道清理的工程量进行测算，具体为采用如下步骤进行工程量测算：

1)采取RANSAC法分割与距离法分割，实现不同平面点云数据的分离，并利用各个分割平面内的脚点，求解对应的平面方程参数，从而将各个屋顶平面的点云数据进行分离；

2)利用Alpha Shape算法提取每个分割平面点云数据的建组轮廓节点；

3)基于方向角进行初始关键点提取；

4)确定各个屋顶平面之间的拓扑关系；

5)依据平面间拓扑关系得到三种交线特征，并针对不同交线特征确定最终关键点的准确位置；所述的三种交线特征包括公共线段特征、公共射线特征与公共直线特征；

6)利用检测得到的关键点构建屋顶模型，结合对应的地面信息，获取建筑侧面，并最终整合得到完整的建筑物三维模型；

7)结合三维平台，将矢量化的房屋模型入库，从而自动统计线路走廊范围内的房屋数量、面积和体积，并生成拆房分布图；

8)进行单木分割；

9)结合三维平台，将步骤8)分割的单木模型入库，从而自动统计线路走廊范围内的林木数量。

Images