CN111950343A - 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 - Google Patents
一种基于卫星遥感技术的输电杆塔自动识别方法和系统 Download PDFInfo
- Publication number
- CN111950343A CN111950343A CN202010591920.0A CN202010591920A CN111950343A CN 111950343 A CN111950343 A CN 111950343A CN 202010591920 A CN202010591920 A CN 202010591920A CN 111950343 A CN111950343 A CN 111950343A
- Authority
- CN
- China
- Prior art keywords
- transmission tower
- convolution
- position data
- layer
- data set
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 285
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005516 engineering process Methods 0.000 title claims abstract description 13
- 230000004913 activation Effects 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 39
- 230000010354 integration Effects 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 28
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 230000004087 circulation Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 41
- 238000001514 detection method Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000012550 audit Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种基于卫星遥感技术的输电杆塔自动识别方法和系统，包括：步骤：1设定输电杆塔初始位置数据集；步骤2：利用输电杆塔初始位置数据集中位置点对应的区域在既定空间分辨率下拍摄的SAR影像识别该区域内的输电杆塔位置，全部位置点识别完毕后将首次被识别出的输电杆塔位置填入目标区域已识别的输电杆塔位置数据集；步骤3：利用首次被识别出的输电杆塔位置更新输电杆塔初始位置数据集；步骤4：重复执行步骤2‑步骤3，直至重复执行次数超过设定阈值或不再出现首次被识别出的输电杆塔位置，输出目标区域已识别的输电杆塔位置数据集。本发明与现有全卷积神经网络在整幅影像上直接检测相比，识别目标区域的输电杆塔的效率和精度明显提高。
Description
技术领域
本发明涉及卫星遥感识别技术领域，具体涉及一种基于卫星遥感技术的输电杆塔自动识别方法和系统。
背景技术
在实际电网工程中，有很多应用场景需要实现输电杆塔识别定位。比如：随着“新基建”战略推进，(特)高压输电线路不断建设。通过高分辨率卫星遥感影像，识别定位输电杆塔，进而判断实际建设输电杆塔塔位与工程设计阶段设计方的塔位是否一致，辅助输电线路建设进度监测与监理审计。
此外，在降雪、洪水等灾害应急评估时，同样首先要确定输电线路的位置在何处，然后进行大范围的线路定损分析。
目前，主要采用人工野外地面巡查、直升机或无人机的方式来实现输电杆塔定位，但明显很难满足大范围、综合性的输电线路建设进度监测、监理审计等应用场景。
在灾害定损评估时，单纯依靠设备管理台账中的输电线路坐标会造成与实际存在随机偏移的情况，同时直升机、无人机受环境制约大，人工野外巡检困难，不利于全局把握灾害动态。
当前输电杆塔快速检测研究相对较少，现有研究集中在传统的浅层特征提取，然后基于特征进行输电杆塔检测。比如：刘奕等在高分辨率SAR图像中输电杆塔目标表现出明显的轮廓信息,利用G0分布参数模型和自相似性特征对输电杆塔目标进行检测分类。黄少腾等通过使用高分辨率的SAR数据，提出了基于高分辨率SAR图像对建筑物信息反映强烈的特点，使用G0分布参数模型和自相似性特征对输电杆塔目标进行检测分类，从而达到有效检测的目的。事实上，灾害条件下SAR影像分辨率往往在3m-5m，G0特征无法全面表征SAR影像上的输电杆塔信息。
发明内容
针对现有技术的不足，本发明的目的是提供一种基于卫星遥感技术的输电杆塔自动识别方法，该方法适用于目标区域内部输电杆塔的精准快速识别，且该方法受环境制约小，可以应用于在灾害发生后受损输电杆塔定位，也可应用于对全球任一区域的输电杆塔监测。
本发明的目的是采用下述技术方案实现的：
本发明提供一种基于卫星遥感技术的输电杆塔自动识别方法，其改进之处在于，所述方法包括：
步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
步骤4：清空输电杆塔初始位置数据集；
步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。
优选的，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；
其中，δ为预设长度。
优选的，所述步骤3，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
进一步的，所述预先训练的输电杆塔自动识别模型的训练过程，包括：
将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。
进一步的，所述初始卷积神经网络由输入层、隐含层和输出层组成；
其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。
进一步的，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第七复数卷积层由128个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第八复数卷积层由10个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成。
进一步的，所述第一中间层由依次连接的第一分解结构、各通道内设置16个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第一整合结构组成；
所述第二中间层由依次连接的第二分解结构、各通道内设置32个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第二整合结构组成；
所述第三中间层由依次连接的第三分解结构、各通道内设置64个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第三整合结构组成；
其中，所述第一分解结构将第二复数卷积层输出的16张复数特征图分解为16张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置16个1×1大小的卷积核的双通道卷积结构输出的16张实部特征图和16张虚部特征图整合为1张复数特征图；
所述第二分解结构将第四复数卷积层输出的32张复数特征图分解为32张实部特征图和32张虚部特征图；所述第一整合结构将各通道内设置32个1×1大小的卷积核的双通道卷积结构输出的32张实部特征图和32张虚部特征图整合为1张复数特征图；
所述第三分解结构将第六复数卷积层输出的64张复数特征图分解为64张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置64个1×1大小的卷积核的双通道卷积结构输出的64张实部特征图和64张虚部特征图整合为1张复数特征图。
进一步的，所述整合层将第七复数卷积层输出的128张复数特征图整合为1张复数特征图；
所述求模层求取第八复数卷积层输出的10张复数特征图在每个像元的平均模值；
所述Softmax分类层基于求模层输出结果识别输入层输入的SAR影像所对应区域的输电杆塔位置。
本发明提供一种基于卫星遥感技术的输电杆塔自动识别系统，其改进之处在于，所述系统包括：
选择模块，用于选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
截取模块，用于在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
识别模块，用于利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
清空模块，用于清空输电杆塔初始位置数据集；
填充模块，用于若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
输出模块，用于若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。
优选的，所述识别模块，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
与最接近的现有技术相比，本发明具有的有益效果：
本发明提供的技术方案，步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；步骤4：清空输电杆塔初始位置数据集；步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。该方案能够精准快速的识别处于各种环境下的目标区域内的输电杆塔，与现有全卷积神经网络在整幅影像上直接检测相比，识别的效率和精度明显提高。
本发明提供的技术方案，适用于各种空间分辨率拍摄的目标区域的SAR影像下目标区域内的输电杆塔的识别。
本发明提供的技术方案，利用较少输电杆塔样本即可训练精度较高的输电杆塔自动识别模型，解决了输电杆塔样本不足而无法进行深度学习的难题。
附图说明
图1是一种基于卫星遥感技术的输电杆塔自动识别方法流程图；
图2是本发明实施例中输电杆塔检测结果示意图；
图3是本发明实施例中整幅雷达卫星遥感影像上输电杆塔识别结果示意图；
图4是一种基于卫星遥感技术的输电杆塔自动识别系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
通过运维管理部门可获取输电杆塔台账信息，包括每基输电杆塔的经纬度坐标；然而，在现有输电杆塔台账中，输电杆塔坐标做过随机偏移，或者由于数据源精度不足经常性造成台账坐标与实际卫星遥感影像之间存在随机偏移。例如在山区等地形起伏较大的地区，随机偏差在30m-200m。
此外，当受灾区域内存在多条电压等级不同(110kV-1000kV不等)的输电线路时，运维管理部门往往只给出1-2条电压等级高、重要性高的输电线路杆塔坐标，周围与重要线路存在交跨或与重要线路距离较近的其他输电线路杆塔坐标常常无法获取；而辅助输电线路建设进度监测与监理审计以及灾害区域输电杆塔定损分析等诸多应用场景需要输电杆塔的精准位置，鉴于此，本发明提供一种基于卫星遥感技术的输电杆塔自动识别方法，如图1所示，所述方法包括：
步骤101：用于选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
在本发明的最佳实施例中，所述步骤101还可以为选择输电杆塔台账信息中目标区域内任意数个输电杆塔位置填入输电杆塔初始位置数据集中。
步骤102：用于在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
步骤103：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
在本发明的最佳实施例中，选择的既定空间分辨率越小，其输电杆塔初始位置数据集中位置点对应的区域的SAR影像的像元数越多，该区域内输电杆塔识别精度越高。
用于清空输电杆塔初始位置数据集；
步骤105：用于若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
步骤106：用于若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤102。
在本发明的最佳实施例中，预设阈值可以为max(L,M)/δ，L为在既定空间分辨率下拍摄的目标区域的SAR影像的长，M为在既定空间分辨率下拍摄的目标区域的SAR影像的宽。
进一步的，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；
其中，δ为预设长度。
在本发明的最佳实施例中，因实际工程中输电杆塔之间的间隔不超过750m，故而可以将预设长度δ设为750m，进而输电杆塔初始位置数据集中位置点对应的区域的像元个数为[Floor(750/r)+1]×[Floor(750/r)+1]，Floor(750/r)为向下取整符号，r为既定空间分辨率。
比如：空间分辨率为3m的卫星遥感影像，因此，输电杆塔初始位置数据集中位置点对应的区域的像元个数为251×251，考虑既定空间分辨率为1m的卫星遥感影像，输电杆塔初始位置数据集中位置点对应的区域的像元个数为751×751。
具体的，所述步骤3，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
进一步的，所述预先训练的输电杆塔自动识别模型的训练过程，包括：
将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。
卫星遥感影像的每个像元都会对应一个像元值，而对于光学卫星遥感影像，每个像元值为实数，对于雷达卫星遥感影像，每个像元值均为复数(每个像元包含幅度和相位信息)；
本发明基于雷达卫星遥感影像和复数卷积方法设计初始卷积神经网络(光学卫星遥感影像虚部设为0即可)，
典型的CNN由多个卷积层和池化层提取特征，之后加上全连接层进行分类。
卷积层通过多个卷积核尽可能多地提取输入信息不同的特征，将具体的像素转化为抽象的表达。
池化层通过取最大值或者平均值的方式对特征图进行降维，在保留主体特征的同时降低模型的复杂度，但是池化层降低特征图维度时忽略了目标的位置、方向等信息。
全连接层在传统CNN中负责对抽象化的特征进行分类，其每一个单元都互相连接的方式造成了参数的冗余，加大了网络优化的难度和过拟合的风险。
鉴于此，本发明修改经典全卷积神经网络模型FCNN，将池化层换成卷积层，整个模型全部由卷积层构成。其中，池化层被步长为2的复数卷积层替代，全连接层被步长为1的复数卷积层替代，并在每一个复数卷积层后面都采用Relu激活函数来增加网络的非线性，确定了初始卷积神经网络的基础结构。
具体的，所述初始卷积神经网络由输入层、隐含层和输出层组成；
其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。
在本发明的最佳实施例中，
进一步的，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第七复数卷积层由128个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第八复数卷积层由10个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成。
进一步的，所述第一中间层由依次连接的第一分解结构、各通道内设置16个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第一整合结构组成；
所述第二中间层由依次连接的第二分解结构、各通道内设置32个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第二整合结构组成；
所述第三中间层由依次连接的第三分解结构、各通道内设置64个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第三整合结构组成；
其中，所述第一分解结构将第二复数卷积层输出的16张复数特征图分解为16张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置16个1×1大小的卷积核的双通道卷积结构输出的16张实部特征图和16张虚部特征图整合为1张复数特征图；
所述第二分解结构将第四复数卷积层输出的32张复数特征图分解为32张实部特征图和32张虚部特征图；所述第一整合结构将各通道内设置32个1×1大小的卷积核的双通道卷积结构输出的32张实部特征图和32张虚部特征图整合为1张复数特征图；
所述第三分解结构将第六复数卷积层输出的64张复数特征图分解为64张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置64个1×1大小的卷积核的双通道卷积结构输出的64张实部特征图和64张虚部特征图整合为1张复数特征图。
在本发明的最佳实施例中，1×1的卷积不会改变它所输入的特征图的大小，却能有效提升网络的非线性和对特征的表征能力，在增加有限数量参数的情况下，提升了网络的复杂度，完成了对多通道信息的整合。
进一步的，所述整合层将第七复数卷积层输出的128张复数特征图整合为1张复数特征图；
所述求模层求取第八复数卷积层输出的10张复数特征图在每个像元的平均模值；
所述Softmax分类层基于求模层输出结果识别输入层输入的SAR影像所对应区域的输电杆塔位置。
在本发明的最佳实施例中，在输电杆塔自动识别模型训练过程中网络记忆存在输电杆塔的像元的平均模值，当以某个位置点对应的区域在既定空间分辨率的SAR影像作为输入层数据时，该输电杆塔自动识别模型求模层每个像元的平均模值与存在输电杆塔的像元的平均模值比较，其模值相近的像元判定存在输电杆塔。
在本发明的具体实施例中，以某地强降雪灾后输电杆塔快速定位为例，完成一景40km×40km SAR影像，利用本发明对该地输电杆塔进行识别，输电杆塔检测结果如图2所示，在整幅雷达卫星遥感影像上输电杆塔识别结果如图3所示，本发明处理时间为6分钟，利用现有全卷积神经网络方法在整幅影像上直接检测需要28分钟。本方法虚警率为10.43％，漏检率为6.31％，现有全卷积神经网络方法虚警率为21.68％，漏检率为9.09％。这说明本方法有效。
本发明提供一种基于卫星遥感技术的输电杆塔自动识别系统，如图4所示，所述系统包括：
选择模块，用于选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
截取模块，用于在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
识别模块，用于利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
清空模块，用于清空输电杆塔初始位置数据集；
填充模块，用于若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
输出模块，用于若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。
具体的，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；
其中，δ为预设长度。
具体的，所述识别模块，用于：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
具体的，所述预先训练的输电杆塔自动识别模型的训练过程，包括：
将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。
具体的，所述初始卷积神经网络由输入层、隐含层和输出层组成；
其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。
进一步的，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第七复数卷积层由128个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第八复数卷积层由10个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成。
进一步的，所述第一中间层由依次连接的第一分解结构、各通道内设置16个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第一整合结构组成；
所述第二中间层由依次连接的第二分解结构、各通道内设置32个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第二整合结构组成；
所述第三中间层由依次连接的第三分解结构、各通道内设置64个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第三整合结构组成；
其中，所述第一分解结构将第二复数卷积层输出的16张复数特征图分解为16张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置16个1×1大小的卷积核的双通道卷积结构输出的16张实部特征图和16张虚部特征图整合为1张复数特征图；
所述第二分解结构将第四复数卷积层输出的32张复数特征图分解为32张实部特征图和32张虚部特征图；所述第一整合结构将各通道内设置32个1×1大小的卷积核的双通道卷积结构输出的32张实部特征图和32张虚部特征图整合为1张复数特征图；
所述第三分解结构将第六复数卷积层输出的64张复数特征图分解为64张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置64个1×1大小的卷积核的双通道卷积结构输出的64张实部特征图和64张虚部特征图整合为1张复数特征图。
进一步的，所述整合层将第七复数卷积层输出的128张复数特征图整合为1张复数特征图；
所述求模层求取第八复数卷积层输出的10张复数特征图在每个像元的平均模值；
所述Softmax分类层基于求模层输出结果识别输入层输入的SAR影像所对应区域的输电杆塔位置。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于卫星遥感技术的输电杆塔自动识别方法，其特征在于，所述方法包括：
步骤1：选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
步骤2：在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
步骤3：利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
步骤4：清空输电杆塔初始位置数据集；
步骤5：若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
步骤6：若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。
2.如权利要求1所述的方法，其特征在于，所述输电杆塔初始位置数据集中位置点对应的区域为以输电杆塔初始位置数据集中位置点为中心，以δ为边长围成的正方形区域；
其中，δ为预设长度。
3.如权利要求1所述的方法，其特征在于，所述步骤3，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
4.如权利要求3所述的方法，其特征在于，所述预先训练的输电杆塔自动识别模型的训练过程，包括：
将在既定空间分辨率下拍摄的已知输电杆塔位置点对应的区域的SAR影像作为初始卷积神经网络的输入层数据，将已知输电杆塔位置点对应的区域的全部的输电杆塔位置点作为初始卷积神经网络的输出层数据，训练所述初始卷积神经网络，获取所述预先训练的输电杆塔自动识别模型。
5.如权利要求4所述的方法，其特征在于，所述初始卷积神经网络由输入层、隐含层和输出层组成；
其中，所述隐含层由依次连接的第一复数卷积层、第二复数卷积层、第一中间层、第三复数卷积层、第四复数卷积层、第二中间层、第五复数卷积层、第六复数卷积层、第三中间层、第七复数卷积层、整合层、第八复数卷积层、求模层、Softmax分类层构成。
6.如权利要求5所述的方法，其特征在于，所述第一复数卷积层由16个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第二复数卷积层由16个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第三复数卷积层由32个7×7大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第四复数卷积层由32个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第五复数卷积层由64个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第六复数卷积层由64个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成，其中，卷积核滑动步长均设置为2；
所述第七复数卷积层由128个5×5大小的卷积核构成的卷积结构和Relu激活函数结构组成；
所述第八复数卷积层由10个3×3大小的卷积核构成的卷积结构和Relu激活函数结构组成。
7.如权利要求5所述的方法，其特征在于，所述第一中间层由依次连接的第一分解结构、各通道内设置16个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第一整合结构组成；
所述第二中间层由依次连接的第二分解结构、各通道内设置32个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第二整合结构组成；
所述第三中间层由依次连接的第三分解结构、各通道内设置64个1×1大小的卷积核的双通道卷积结构、Relu激活函数结构和第三整合结构组成；
其中，所述第一分解结构将第二复数卷积层输出的16张复数特征图分解为16张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置16个1×1大小的卷积核的双通道卷积结构输出的16张实部特征图和16张虚部特征图整合为1张复数特征图；
所述第二分解结构将第四复数卷积层输出的32张复数特征图分解为32张实部特征图和32张虚部特征图；所述第一整合结构将各通道内设置32个1×1大小的卷积核的双通道卷积结构输出的32张实部特征图和32张虚部特征图整合为1张复数特征图；
所述第三分解结构将第六复数卷积层输出的64张复数特征图分解为64张实部特征图和16张虚部特征图；所述第一整合结构将各通道内设置64个1×1大小的卷积核的双通道卷积结构输出的64张实部特征图和64张虚部特征图整合为1张复数特征图。
8.如权利要求5所述的方法，其特征在于，所述整合层将第七复数卷积层输出的128张复数特征图整合为1张复数特征图；
所述求模层求取第八复数卷积层输出的10张复数特征图在每个像元的平均模值。
9.一种基于卫星遥感技术的输电杆塔自动识别系统，其特征在于，所述系统包括：
选择模块，用于选择输电杆塔台账信息中目标区域内任一输电杆塔位置填入输电杆塔初始位置数据集；
截取模块，用于在既定空间分辨率下拍摄的目标区域的SAR影像中截取输电杆塔初始位置数据集中位置点对应的区域的SAR影像；
识别模块，用于利用输电杆塔初始位置数据集中位置点对应的区域的SAR影像识别输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置；
清空模块，用于清空输电杆塔初始位置数据集；
填充模块，用于若当前循环次数为1，则将识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
否则，在识别的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置中剔除目标区域已识别的输电杆塔位置数据集中已存在的位置点，并将剔除后的输电杆塔位置分别填入输电杆塔初始位置数据集以及目标区域已识别的输电杆塔位置数据集；
输出模块，用于若当前循环次数达到预设阈值或相邻两次循环目标区域已识别的输电杆塔位置数据集一致，则输出目标区域已识别的输电杆塔位置数据集；否则，令当前循环次数加1，并返回步骤2。
10.如权利要求9所述的系统，其特征在于，所述识别模块，包括：
将输电杆塔初始位置数据集中位置点对应的区域的SAR影像作为预先训练的输电杆塔自动识别模型的输入层数据，获取预先训练的输电杆塔自动识别模型输出的输电杆塔初始位置数据集中位置点对应的区域的输电杆塔位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591920.0A CN111950343B (zh) | 2020-06-24 | 2020-06-24 | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010591920.0A CN111950343B (zh) | 2020-06-24 | 2020-06-24 | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111950343A true CN111950343A (zh) | 2020-11-17 |
| CN111950343B CN111950343B (zh) | 2024-03-22 |
Family
ID=73337322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010591920.0A Active CN111950343B (zh) | 2020-06-24 | 2020-06-24 | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111950343B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033446A (zh) * | 2021-04-01 | 2021-06-25 | 辽宁工程技术大学 | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108229587A (zh) * | 2018-02-06 | 2018-06-29 | 贵州电网有限责任公司 | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 |
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN110910440A (zh) * | 2019-09-30 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
-
2020
- 2020-06-24 CN CN202010591920.0A patent/CN111950343B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214195A1 (zh) * | 2017-05-25 | 2018-11-29 | 中国矿业大学 | 一种基于卷积神经网络的遥感图像桥梁检测方法 |
| CN108229587A (zh) * | 2018-02-06 | 2018-06-29 | 贵州电网有限责任公司 | 一种基于飞行器悬停状态的输电杆塔自主扫描方法 |
| CN110910440A (zh) * | 2019-09-30 | 2020-03-24 | 中国电力科学研究院有限公司 | 一种基于电力影像数据的输电线路长度确定方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 杨知;欧文浩;费香泽;李闯;马潇;赵斌滨;: "基于高分辨率SAR影像和深度学习的输电杆塔智能识别研究", 电测与仪表, no. 04, 30 April 2020 (2020-04-30), pages 71 - 77 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033446A (zh) * | 2021-04-01 | 2021-06-25 | 辽宁工程技术大学 | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 |
| CN113033446B (zh) * | 2021-04-01 | 2024-02-02 | 辽宁工程技术大学 | 一种基于高分辨率遥感影像输电杆塔识别与定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111950343B (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111178206B (zh) | 一种基于改进yolo的建筑预埋件检测方法及系统 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN114743119B (zh) | 基于无人机的高铁接触网吊弦螺母缺陷检测方法 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN113095437B (zh) | 一种Himawari-8遥感数据的火点检测方法 | |
| CN111027422A (zh) | 一种应用于输电线路走廊的应急无人机巡检方法及系统 | |
| CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
| CN116206223A (zh) | 一种基于无人机边缘计算的火灾检测方法及系统 | |
| CN116543346A (zh) | 一种基于深度学习的输电线路视频山火检测方法 | |
| CN117541534A (zh) | 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法 | |
| CN111950343A (zh) | 一种基于卫星遥感技术的输电杆塔自动识别方法和系统 | |
| CN113780237A (zh) | 一种地下管线的防外力破坏预警方法、装置及系统 | |
| CN118038153A (zh) | 配电架空线路的防外破识别方法、装置、设备和介质 | |
| CN112966815A (zh) | 基于脉冲神经网络的目标检测方法、系统及设备 | |
| CN110059544B (zh) | 一种基于道路场景的行人检测方法和系统 | |
| CN112580549A (zh) | 一种火点检测方法、装置及存储介质 | |
| CN116206222A (zh) | 基于轻量化目标检测模型的输电线路故障检测方法及系统 | |
| CN116363075A (zh) | 一种光伏组件热斑检测方法、系统和电子设备 | |
| Tilon et al. | Infrastructure degradation and post-disaster damage detection using anomaly detecting generative adversarial networks | |
| CN113705001B (zh) | 输电线路故障检测方法、系统及嵌入式设备 | |
| CN116263735A (zh) | 神经网络的鲁棒性评估方法、装置、设备及存储介质 | |
| CN111079642A (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
| CN111027402B (zh) | 一种自然灾害风险智能检测与评估方法 | |
| CN113378766B (zh) | 一种基于合成孔径雷达的海上大规模风力发电站监测系统 | |
| CN112287740B (zh) | 基于YOLOv3-tiny实现的输电线路的目标检测方法、装置、无人机 |
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 |