CN112380944B - 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 - Google Patents
一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 Download PDFInfo
- Publication number
- CN112380944B CN112380944B CN202011231457.5A CN202011231457A CN112380944B CN 112380944 B CN112380944 B CN 112380944B CN 202011231457 A CN202011231457 A CN 202011231457A CN 112380944 B CN112380944 B CN 112380944B
- Authority
- CN
- China
- Prior art keywords
- image
- transmission tower
- optical
- weight
- prediction result
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 177
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000013145 classification model Methods 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 230000003287 optical effect Effects 0.000 claims description 100
- 238000012549 training Methods 0.000 claims description 92
- 238000012706 support-vector machine Methods 0.000 claims description 39
- 238000007477 logistic regression Methods 0.000 claims description 38
- 238000013136 deep learning model Methods 0.000 claims description 37
- 239000000463 material Substances 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 13
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 13
- 238000012544 monitoring process Methods 0.000 description 9
- 238000005452 bending Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000012550 audit Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
发明提供了一种输电杆塔结构状态的评估方法及系统，包括：通过卫星遥感获取待评估的输电杆塔影像；利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态，本发明基于卫星遥感技术可以实现各种复杂环境下对输电杆塔影像快速、全覆盖的采集，并采用多分类器融合方式对输电杆塔结构状态进行识别，克服了使用单一分类器进行目标识别的局限性，提高了输电杆塔结构状态识别的准确性，进而从整体上实现了各种复杂环境条件下对所有输电杆塔本体结构状态的高效、及时、准确地评估。
Description
技术领域
本发明属于输电杆塔监测技术领域，具体涉及一种输电杆塔结构状态的评估方法和系统。
背景技术
目前以特高压输电通道为骨干的电网体系中，高压输电杆塔是电网体系中最重要的基础 设施之一，然而，由于特高压电网输送距离长、覆盖范围大，环境条件复杂，使得输电杆塔 易受到强风、冰冻、雷击、洪水、外破等各种自然及人为灾害影响，造成杆塔倒塔、塔头大 幅形变、杆塔倾斜、塔材丢失、主材弯曲等严重的杆塔结构故障，严重威胁着整个电网的安 全稳定运行，因此，如何高效、及时、准确地对输电杆塔本体结构状态进行评估，是相关管 理和运行部门的迫切需求。
目前，输电杆塔本体结构状态的识别主要是在人巡、机巡等常规巡查过程中，基于目视 解译的方式对巡检到的输电杆塔状态进行评估，在洪涝、雪灾等自然灾害情况下，航空(直 升机和无人机)及地面巡查手段受到了极大地制约，目视解译对巡查人员的先验知识提出了 很高的要求，并不可避免的引入了人工解译的误差，因此，传统的输电杆塔本体结构状态的 评估方法工作条件受限、监测范围小、准确率低等问题。
随着科技的进步，雷达和卫星遥感技术的出现能够实现大范围地表数据的快速获取，但 是在输电杆塔检测领域的研究中大多数只解决了输电杆塔的识别问题，并没有对识别到的输 电杆塔结构状态进行评估，例如：在《基于高分辨率SAR影像的高压输电线路杆塔检测方法》 中，提出利用高分辨率合成孔径雷达图像检测高压输电线路杆塔目标，由于在高分辨率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 电杆塔目标进行识别，很好地实现了复杂场景中输电杆塔的目标的识别；在《基于多源高分 辨率遥感影像的电网输电线路杆塔及走廊隐患检测方法研究》中，利用多源遥感影像建立目 标库和训练模型，在传统CNN中嵌入Inception结构，添加RPN结构形成两个全连接层分支 进行输电线路杆塔识别，并选取广东电网区域的高分辨率卫星影像进行实验验证，结果证明 应用该算法对于杆塔识别准确率达到95％，有效改善输电线路广域监测智能化水平。
从相关领域看，利用卫星遥感数据开展坦克、飞机、舰船等军事目标识别研究相对较多， 国内外研究学者提出了不同的深度学习模型，但这些模型很难直接移植于输电杆塔多状态评估，原因在于：输电杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲五类不同杆 塔状态快速评估的技术本质属于多类型分类，输电杆塔样本较少，特别是塔头变形、倒塔等 情况在内的非正常输电杆塔数量很少(即负样本很少)，很难支持深度卷积神经网络模型的训 练，无法直接用于输电杆塔灾后状态评估；然而，如果仅仅使用传统的浅层特征(如亮度、 纹理、G0分布特征等)，已有研究证明算法鲁棒性和准确性得不到保障，移植性也不足。
因此，如何实现对所有输电杆塔本体结构状态的高效、及时、准确地评估是本领域技术 人员亟待解决的技术问题。
发明内容
为克服上述现有技术的不足，本发明提供了一种输电杆塔结构状态的评估方法，包括：
通过卫星遥感获取待评估的输电杆塔影像；
利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态；
其中，所述分类模型基于输电杆塔各设定结构状态下的历史影像训练得到。
优选的，各分类模型的构建，包括：
获取输电杆塔各设定结构状态下的历史影像，并对各历史影像进行处理构建训练集；
基于所述训练集分别对多个分类模型进行训练，得到各分类模型下设定结构状态的特征；
所述设定结构状态包括：杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲；
所述分类模型包括：逻辑回归分类模型、支持向量机分类模型和深度学习模型。
优选的，输电杆塔影像和历史影像，均包括：光学本体影像、光学阴影影像和雷达本体 影像中的至少一种。
优选的，对输电杆塔的各历史影像进行处理构建训练集，包括：
基于光学卫星遥感获取输电杆塔在各设定结构状态下的历史光学影像；
在所述的各历史光学影像中分别提取输电杆塔的本体影像特征和阴影影像特征，构建历史光学本体影像训练集和历史光学阴影影像训练集；
基于雷达卫星遥感获取输电杆塔在各设定结构状态下的历史雷达影像，并在所述的各历史雷达影像中提取输电杆塔的本体影像特征，构建历史雷达本体影像训练集；
对所述历史光学本体影像训练集、历史光学阴影影像训练集和历史雷达本体影像训练集中的图像进行旋转缩放完成各训练集的构建。
优选的，利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状 态下出现概率进行预测，包括：
采用逻辑回归分类模型分别计算光学本体影像、光学阴影影像以及雷达本体影像与各设定结构状态下影像对应特征的相似概率；
采用支持向量机分类模型分别计算光学本体影像、光学阴影影像及雷达本体影像与各设定结构状态下影像对应特征的相似概率；
采用深度学习模型分别计算光学本体影像、光学阴影影像及雷达本体影像与各设定结构状态下影像对应特征的相似概率。
优选的，基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定 所述输电杆塔的结构状态，包括：
对光学本体影像、光学阴影影像在各分类模型下的预测结果设定第一权重，并基于所述第一权重计算光学影像对应的预测结果；
对雷达本体影像在各分类模型下的预测结果设定第二权重，并基于所述第二权重计算雷达本体影像对应的预测结果；
对光学影像对应的预测结果和雷达本体影像对应的预测结果设定第三权重，并基于所述第三权重计算最终的预测结果；
取预测结果中概率最大值对应的结构状态为所述输电杆塔的结构状态。
优选的，对光学本体影像、光学阴影影像在各分类模型下的预测结果设定第一权重，包 括：
确定所述光学本体影像和光学阴影影像中输电杆塔对应的太阳高度角；
基于所述太阳高度角和设定阈值确定光学本体影像、光学阴影影像在各分类模型下预测 结果的第一权重。
优选的，光学本体影像、光学阴影影像在各分类模型下预测结果的第一权重关系为：
当所述太阳高度角大于最大阈值时，阴影影像的深度学习模型预测结果权重>阴影影像的支持向量机模型预测结果权重>阴影影像的逻辑回归模型预测结果权重>本体影像的深度学习 模型预测结果权重>本体影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测 结果权重；
当所述太阳高度角小于最小阈值时，本体影像的深度学习模型预测结果权重>本体影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测结果权重>阴影影像的深度学习 模型预测结果权重>阴影影像的支持向量机模型预测结果权重>阴影影像的逻辑回归模型预测 结果权重；
所述太阳高度角大于等于最小阈值小于等于最大阈值时，本体影像的深度学习模型预测 结果权重>阴影影像的深度学习模型预测结果权重>本体影像的支持向量机模型预测结果权重> 阴影影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测结果权重>阴影影像 的逻辑回归模型预测结果权重。
优选的，最大阈值范围为25°-30°；最小阈值范围为13°-18°。
基于同一构思，本发明提供了一种输电杆塔结构状态的评估系统，包括：
图像采集模块，用于通过卫星遥感获取待评估的输电杆塔影像；
图像预测模块，用于利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
结果输出模块，用于基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态；
其中，所述分类模型基于输电杆塔各设定结构状态下的历史影像训练得到。
优选的，该系统还包括各分类模型的构建模块，所述各分类模型的构建模块，包括：
训练集构建单元，用于获取输电杆塔各设定结构状态下的历史影像，并对各历史影像进行处理构建训练集；
分类模型训练单元，用于基于所述训练集分别对多个分类模型进行训练，得到各分类模型下设定结构状态的特征；
所述设定结构状态包括：杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲；
所述分类模型包括：逻辑回归分类模型、支持向量机分类模型和深度学习模型。
优选的，输电杆塔影像和历史影像，均包括：光学本体影像、光学阴影影像和雷达本体 影像中的至少一种。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种输电杆塔结构状态的评估方法及系统，包括：通过卫星遥感获取待评估的输电杆塔影像；利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定 结构状态下出现概率进行预测；基于各分类模型得到的预测结果以及对各分类模型预测结果 设定的权重，确定所述输电杆塔的结构状态，本发明基于卫星遥感技术可以实现各种复杂环 境下对输电杆塔影像快速、全覆盖的采集，并采用多分类器融合方式对输电杆塔结构状态进 行识别，克服了使用单一分类器进行目标识别的局限性，提高了输电杆塔结构状态识别的准 确性，进而从整体上实现了各种复杂环境条件下对所有输电杆塔本体结构状态的高效、及时、 准确地评估，可以显著提高电网建设、运维和灾害应急响应的效率与智能化水平。
本发明采用光学卫星遥感获取的输电杆塔本体影像、阴影影像和雷达卫星遥感获取的输 电杆塔本体影像等多个不同的特征图像对输电杆塔本体结构状态进行的识别，提高了输电杆 塔本体结构状态识别的准确性。
本发明中将获取的少量历史影像进行缩放和旋转，进而扩大分类器训练的样本量，使得 利用深度学习模型进行输电杆塔本体结构状态识别成为可能，提高了输电杆塔本体结构状态 识别的准确性。
附图说明
图1为本发明提供的一种输电杆塔结构状态的评估方法示意图；
图2为本发明提供的一种输电杆塔结构状态的评估系统示意图；
图3为本发明实施例中提供的输电杆塔倒塔等效示意图；
图4为本发明实施例中提供的输电杆塔塔头大幅形变等效示意图；
图5为本发明实施例中提供的光学卫星遥感影像上输电杆塔本体和阴影成对出现示意图；
图6为本发明实施例中提供的输电杆塔训练样本示例。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本实施例提供了一种输电杆塔结构状态的评估方法如图1所示，包括：
S1通过卫星遥感获取待评估的输电杆塔影像；
S2利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
S3基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态。
步骤1：在进行输电杆塔结构状态进行评估之前需要获取输电杆塔倒塔、塔头大幅形变、 杆塔倾斜、塔材丢失和主材弯曲等各设定结构状态下的历史影像构建训练样本集，并基于构 建的训练样本集对选取的多个分类模型进行训练，本实施例中选取的分类模型包括：逻辑回 归分类模型、支持向量机分类模型和深度学习模型。
步骤1.1：构建训练样本集
输电杆塔受损出现输电杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲等情况属于小概率事件，时间发生后第一时间进行处理，通常无法及时获取卫星遥感影像，因此， 卫星遥感输电杆塔多状态数据很少，在训练样本集构建时有必要针对性地扩充卫星遥感输电 杆塔多状态数据样本集。
步骤1.1.1：构建输电杆塔多状态的光学本体影像训练样本集
基于光学卫星遥感获取输电杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲五种状态的历史光学影像，可以从以下三个方面来收集：
1)输电杆塔倒塔和塔头大幅形变某种程度上等效于输电线路建设过程中不同的输电杆塔 建设状态。具体而言，输电杆塔倒塔可以等效为输电线路建设过程中立塔前输电杆塔倒放在 地上，如图3所示；输电杆塔塔头大幅形变可以等效为输电线路建设过程中塔头尚未组装的 状态，如图4所示。
2)输电杆塔倾斜、塔材丢失和主材弯曲三种状态在输电线路运维过程中存在少量的真实 历史样本数据。
3)在各种状态的历史光学影像中提取输电杆塔的本体影像特征，构建光学本体影像训练 样本集；
4)由于光学本体影像训练样本很少，因此需要通过缩放和旋转进一步扩充样本：假设实际真实数据样本为N个，则通过缩放0.3倍、0.5倍、1.2倍和2倍，旋转90°、180°和270°处理，这样就得到了N×5×4＝20N(个)样本。
步骤1.1.2：构建输电杆塔多状态的光学阴影影像训练样本集
输电杆塔作为高、窄的地物对象，往往在地面形成明显的阴影，且阴影的轮廓特征明显， 非常有利于实现输电杆塔结构状态评估，如图5所示，本图中选择了不同颜色分别对图像中 阴影影像和本体影像进行框定，黑色框定区域为阴影影像，白色框定区域为本体影像，因此 可以采用与步骤1.1.1中的方法完成光学阴影影像训练样本集的构建，具体的：
1)基于光学卫星遥感获取输电杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲五种状态的历史光学影像；
2)在各种状态的历史光学影像中提取输电杆塔的阴影影像特征，构建光学阴影影像训练样本集；
3)通过旋转缩放完成对光学阴影影像训练样本集的扩充。
步骤1.1.3：构建输电杆塔多状态的雷达本体影像训练样本集
与上述光学本体影像训练样本集和阴影影像训练样本集的构建方法类似，具体的：
1)基于雷达(SAR)卫星遥感获取输电杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲五种状态的历史光学影像；
2)在各种状态的历史雷达(SAR)影像中提取输电杆塔的本体影像特征，构建雷达阴影影像训练样本集；
3)通过旋转缩放完成对雷达本体影像训练样本集的扩充，假设雷达(SAR)卫星遥感输电杆塔多状态数据样本真实样本为M个，则通过缩放和旋转后的最终样本为20×M个。
步骤1.2：基于构建的训练样本集对选取的多个分类模型进行训练
依次采用步骤1.1中构建的光学本体影像训练样本集、光学阴影影像训练样本集和雷达本体影像训练样本集分别对逻辑回归分类模型、支持向量机分类模型和深度学习模型进行训 练，得到各分类模型下各训练样本集对应的设定结构状态的特征。
进一步的，S2利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结 构状态下出现概率进行预测，包括：
S2-1采用现有商业软件(如ENVI\ERDAS等)中现成的逻辑回归分类器，输入步骤1.1 中构建的训练样本集和待评估的影像，输出待评估影像上各输电杆塔与样本集里六种不同状 态输电杆塔样本的相似概率，各相似概率之和为1。
对于待评估光学影像上任一待检测输电杆塔而言，识别结果有两个：(i)逻辑回归分类 器对光学本体影像训练样本集学习并预测的结果P1＝(p1,p2,p3,p4,p5,p6)；(ii)逻辑回归分类 器对光学阴影影像训练样本集学习并预测的结果P2＝(p7,p8,p9,p10,p11,p12)。其中， p1+p2+p3+p4+p5+p6＝1，p7+p8+p9+p10+p11+p12＝1。
对于雷达影像上任一待检测输电杆塔而言，识别结果为逻辑回归分类器对雷达本体影像 训练样本集学习并预测的结果P3＝(p13,p14,p15,p16,p17,p18)。其中，p13+p14+p15+p16+p17+ p18＝1。
S2-2采用现有商业软件(如ENVI\ERDAS等)中现成的SVM分类器，输入步骤1.1中构建的训练样本集和待评估的影像，输出待评估影像上各输电杆塔与样本集里六种不同状态 输电杆塔样本的相似概率，各相似概率之和为1。
对于待评估光学影像上任一待检测输电杆塔而言，识别结果有两个：(i)SVM分类器对 对光学本体影像训练样本集学习并预测的结果P’1＝(p’1,p’2,p’3,p’4,p’5,p’6)；(ii)SVM分类 器对光学阴影影像训练样本集学习并预测的结果P’2＝(p’7,p’8,p’9,p’10,p’11,p’12)。其中， p’1+p’2+p’3+p’4+p’5+p’6＝1，p’7+p’8+p’9+p’10+p’11+p’12＝1。
对于雷达影像上任一待检测输电杆塔而言，识别结果是SVM分类器对雷达本体影像训 练样本集学习并预测的结果P’3＝(p’13,p’14,p’15,p’16,p’17,p’18)。其中， p’13+p’14+p’15+p’16+p’17+p’18＝1。
S2-3利用文献[3]中提出的孪生卷积神经网络模型(即本专利中采用的深度学习模型)， 输入步骤1.1中构建的训练样本集(原始影像和标注结果)，在文献[3]给出的模型参数基础上优化训练孪生卷积神经网络模型参数(如初始学习率、动量系数、分类任务损失权重等)， 确定适用于输电杆塔不同状态评估的孪生卷积神经网络模型，其中，文献[3]如下：王博威， 潘宗序，胡玉新，马闻.少量样本下基于孪生CNN的SAR目标识别[J].雷达科学与技术,2019, 17(6):603-609。
利用训练好的孪生卷积神经网络模型，输入待评估的卫星遥感影像，输出待评估影像上 各输电杆塔与样本集里六种不同状态输电杆塔样本的相似概率，各相似概率之和为1。
对于待评估光学影像上任一待检测输电杆塔而言，识别结果有两个：(i)孪生卷积神经 网络模型对对光学本体影像训练样本集学习并预测的结果P4＝(p19,p20,p21,p22,p23,p24)；(ii) 孪生卷积神经网络模型对光学阴影影像训练样本集学习并预测的结果P5＝(p25,p26,p27,p28, p29,p30)。其中，p19+p20+p21+p22+p23+p24＝1，p25+p26+p27+p28+p29+p30＝1。
对于雷达影像上任一待检测输电杆塔而言，识别结果是孪生卷积神经网络模型对雷达本 体影像训练样本集学习并预测的结果P6＝(p31,p32,p33,p34,p35,p36)。其中，
p31+p32+p33+p34+p35+p36＝1。
S3基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输 电杆塔的结构状态，包括：
S3-1对光学本体影像、光学阴影影像在各分类模型下的预测结果设定第一权重，并基于所述第一权重计算光学影像对应的预测结果；
第一权重的大小根据光学影像中输电杆塔对应的太阳高度角相对于太阳高度角的最大阈值和最小阈值的大小确定，太阳高度角的最大阈值可以设置在25°-30°之间，最小阈值可 以设置在13°-18°之间，本实施例中取最大阈值为25°，最小阈值为15°。
对于光学影像上任一待检测输电杆塔而言，一共得到六种结果，第一权重的赋权方法如 下：
首先计算每个输电杆塔对应的太阳高度角θ，若θ>25°，则权值从大到小顺序为：阴影样 本集训练的深度学习模型预测结果>阴影样本集训练的SVM模型预测结果>阴影样本集训练 的逻辑回归模型预测结果>本体样本集训练的深度学习模型预测结果>本体样本集训练的 SVM模型预测结果>本体样本集训练的逻辑回归模型预测结果。比如，依次赋权为0.3、0.25、 0.2、0.15、0.05、0.05；
若θ<15°，则权值从大到小顺序为：本体样本集训练的深度学习模型预测结果>本体样本 集训练的SVM模型预测结果>本体样本集训练的逻辑回归模型预测结果>阴影样本集训练的 深度学习模型预测结果>阴影样本集训练的SVM模型预测结果>阴影样本集训练的逻辑回归 模型预测结果。比如，依次赋权为0.3、0.25、0.2、0.15、0.05、0.05；
对于θ不属于上述两种情况，则权值从大到小顺序为：本体样本集训练的深度学习模型 预测结果>阴影样本集训练的深度学习模型预测结果>本体样本集训练的SVM模型预测结果> 阴影样本集训练的SVM模型预测结果>本体样本集训练的逻辑回归模型预测结果>阴影样本 集训练的逻辑回归模型预测结果。比如：依次赋权为0.25,0.25,0.15,0.15,0.1,0.1。
对于光学影像上任一待检测输电杆塔而言，光学影像对应的预测结果为：
P＝λ1P1+λ2P2+λ’1P’1+λ’2P’2+λ4P4+λ5P5
其中，λi为各分类器预测结果Pi对应的第一权重值。
以宁夏州川线为例，获取历史光学卫星遥感影像，利用本文方法检测，预测结果从左到 右依次对应与输电杆塔正常、倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲的相似 概率。
对于#32输电杆塔而言，本体样本集训练的深度学习模型预测结果为(0.0071,0.0445, 0.5332,0.0642,0.2540,0.0970)、本体样本集训练的SVM模型预测结果(0.0271,0.0458, 0.4706,0.0634,0.2913,0.1018)、本体样本集训练的逻辑回归模型预测结果(0.0180, 0.0309,0.2370,0.0545,0.4738,0.0859)、阴影样本集训练的深度学习模型预测结果 (0.3121,0.1296,0.1405,0.1619,0.1091,0.1468)、阴影样本集训练的SVM模型预测结果(0.3616,0.0891,0.0934,0.1894,0.1251,0.1415)、阴影样本集训练的逻辑回归模型预测结果(0.3712,0.0999,0.1378,0.132,0.0965,0.1616)。
对应的太阳高度角θ为13.7°，因此设置权值从大到小为：本体样本集训练的深度学习 模型预测结果0.3、本体样本集训练的SVM模型预测结果0.25、本体样本集训练的逻辑回归 模型预测结果0.2、阴影样本集训练的深度学习模型预测结果0.15、阴影样本集训练的SVM 模型预测结果0.05、阴影样本集训练的逻辑回归模型预测结果0.05。
则最后得到的预测结果是：(0.0959,0.0599,0.3576,0.0864,0.2712,0.1089)。
S3-2对雷达本体影像在各分类模型下的预测结果设定第二权重，并基于所述第二权重计 算雷达本体影像对应的预测结果；
对于雷达影像上任一待检测输电杆塔而言，一共得到三种结果，第二权重的权值从大到小顺序为：SVM模型预测结果>深度学习模型预测结果>逻辑回归模型预测结果。比如：依次赋权为0.5,0.3,0.2；
对于雷达影像上任一待检测输电杆塔而言，雷达本体影像对应的预测结果：
P’＝λ3P3+λ’3P’3+λ6P6
其中，λi是各分类器预测结果Pi对应的第二权重值。
S3-3对光学影像对应的预测结果和雷达本体影像对应的预测结果设定第三权重，并基于 所述第三权重计算最终的预测结果，计算式如下：
若对于同一输电杆塔，同时获取了光学影像和雷达影像，则最终输电杆塔状态评估概率 为：
P＝μ1(λ1P1+λ2P2+λ’1P’1+λ’2P’2+λ4P4+λ5P5)+μ2(λ3P3+λ’3P’3+λ6P6)
其中，μ1与μ2之和为1，表示对光学影像和雷达影像预测结果设定的第三权重值，一般 情况下，μ1＞μ2，μ1和μ2分别取0.6和0.4左右。
S3-4比较最终输电杆塔状态评估概率中六个元素的数值大小：数值最大，则说明待检测 输电杆塔属于对应的设定结构状态。
例：最后得到的预测结果是：(0.0959,0.0599,0.3576,0.0864,0.2712,0.1089)可以看到其中塔头大幅形变的概率最大，塔材丢失的概率第二，所以认为该杆塔状态为塔头大 幅形变。图6中显示了三个输电杆塔的结构状态的评估结果，从上至下依次为与正常状态的 相似概率最大为0.87，确定此输电杆塔的结构状态为正常；与塔头变形状态的相似概率最大 为0.45，确定此输电杆塔的结构状态为塔头变形；与塔头大幅变形状态的相似概率最大为 0.93，确定此输电杆塔的结构状态为塔头大幅变形。
本专利卫星遥感输电杆塔多状态评估算法构建的核心思路如下：分别采用逻辑回归分类 器、支持向量机(SVM)分类器和深度学习模型对不同的输电杆塔状态进行评估，然后对三 种算法预测结果进行赋权，实现三种分类器结果融合，保证识别结果准确率更高。
本专利方法首次实现卫星遥感输电杆塔多状态智能检测评估，可以应用于在灾害发生后 输电杆塔受损状况快速评估，也可应用于对全球任一区域的输电杆塔建设进度监测，可以显 著提高电网建设、运维和灾害应急响应的效率与智能化水平。
目前，本项技术可以实现输电线路建设进度监测与辅助审计、输电线路灾害应急监测预 警，是输电线路卫星遥感巡视的基础；本项目在未来也存在着巨大的市场，理由如下：(1) 近年来，极端气候灾害频发，电网自然灾害监测预警与应急响应频率将越来越频繁，数万公 里输电线路分布在广袤的无人区，需要本发明技术用于电网自然灾害快速应急响应与评估； (2)随着“新基建”战略，国内特高压等线路投资扩大，本发明专利可用于第三方监测管理、 辅助审计；(3)对于海外投资管理、线路监测预警有重要意义；因此，若加以推广，本项技 术的应用市场规模广阔，每年收入将不低于500万元。
实施例2：
本实施例提供了一种输电杆塔结构状态的评估系统如图2所示，包括：
图像采集模块，用于通过卫星遥感获取待评估的输电杆塔影像；
图像预测模块，用于利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
结果输出模块，用于基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态；
其中，所述分类模型基于输电杆塔各设定结构状态下的历史影像训练得到。
优选的，该系统还包括各分类模型的构建模块，所述各分类模型的构建模块，包括：
训练集构建单元，用于获取输电杆塔各设定结构状态下的历史影像，并对各历史影像进行处理构建训练集；
分类模型训练单元，用于基于所述训练集分别对多个分类模型进行训练，得到各分类模型下设定结构状态的特征；
所述设定结构状态包括：杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲；
所述分类模型包括：逻辑回归分类模型、支持向量机分类模型和深度学习模型。
优选的，输电杆塔影像和历史影像，均包括：光学本体影像、光学阴影影像和雷达本体 影像中的至少一种。
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:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制, 尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域 技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (7)
1.一种基于卫星遥感的输电杆塔结构状态的评估方法，其特征在于，包括：
通过卫星遥感获取待评估的输电杆塔影像；
利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态；
其中，所述分类模型基于输电杆塔各设定结构状态下的历史影像训练得到；
所述各分类模型的构建，包括：
获取输电杆塔各设定结构状态下的历史影像，并对各历史影像进行处理构建训练集；
基于所述训练集分别对多个分类模型进行训练，得到各分类模型下设定结构状态的特征；
所述设定结构状态包括：杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲；
所述分类模型包括：逻辑回归分类模型、支持向量机分类模型和深度学习模型；
所述输电杆塔影像和历史影像，均包括：光学本体影像、光学阴影影像和雷达本体影像中的至少一种；
所述利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测，包括：
采用逻辑回归分类模型分别计算光学本体影像、光学阴影影像以及雷达本体影像与各设定结构状态下影像对应特征的相似概率；
采用支持向量机分类模型分别计算光学本体影像、光学阴影影像及雷达本体影像与各设定结构状态下影像对应特征的相似概率；
采用深度学习模型分别计算光学本体影像、光学阴影影像及雷达本体影像与各设定结构状态下影像对应特征的相似概率；
所述基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态，包括：
对光学本体影像、光学阴影影像在各分类模型下的预测结果设定第一权重，并基于所述第一权重计算光学影像对应的预测结果；
对雷达本体影像在各分类模型下的预测结果设定第二权重，并基于所述第二权重计算雷达本体影像对应的预测结果；
对光学影像对应的预测结果和雷达本体影像对应的预测结果设定第三权重，并基于所述第三权重计算最终的预测结果；
取预测结果中概率最大值对应的结构状态为所述输电杆塔的结构状态；
所述对光学本体影像、光学阴影影像在各分类模型下的预测结果设定第一权重，包括：
确定所述光学本体影像和光学阴影影像中输电杆塔对应的太阳高度角；
基于所述太阳高度角和设定阈值确定光学本体影像、光学阴影影像在各分类模型下预测结果的第一权重。
2.如利要求1所述的方法，其特征在于，对输电杆塔的各历史影像进行处理构建训练集，包括：
基于光学卫星遥感获取输电杆塔在各设定结构状态下的历史光学影像；
在所述的各历史光学影像中分别提取输电杆塔的本体影像特征和阴影影像特征，构建历史光学本体影像训练集和历史光学阴影影像训练集；
基于雷达卫星遥感获取输电杆塔在各设定结构状态下的历史雷达影像，并在所述的各历史雷达影像中提取输电杆塔的本体影像特征，构建历史雷达本体影像训练集；
对所述历史光学本体影像训练集、历史光学阴影影像训练集和历史雷达本体影像训练集中的图像进行旋转缩放完成各训练集的构建。
3.如利要求1所述的方法，其特征在于，所述光学本体影像、光学阴影影像在各分类模型下预测结果的第一权重关系为：
当所述太阳高度角大于最大阈值时，阴影影像的深度学习模型预测结果权重>阴影影像的支持向量机模型预测结果权重>阴影影像的逻辑回归模型预测结果权重>本体影像的深度学习模型预测结果权重>本体影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测结果权重；
当所述太阳高度角小于最小阈值时，本体影像的深度学习模型预测结果权重>本体影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测结果权重>阴影影像的深度学习模型预测结果权重>阴影影像的支持向量机模型预测结果权重>阴影影像的逻辑回归模型预测结果权重；
所述太阳高度角大于等于最小阈值小于等于最大阈值时，本体影像的深度学习模型预测结果权重>阴影影像的深度学习模型预测结果权重>本体影像的支持向量机模型预测结果权重>阴影影像的支持向量机模型预测结果权重>本体影像的逻辑回归模型预测结果权重>阴影影像的逻辑回归模型预测结果权重。
4.如利要求3所述的方法，其特征在于，所述最大阈值范围为25°-30°；最小阈值范围为13°-18°。
5.一种用于如权利要求1-4任一项所述基于卫星遥感的输电杆塔结构状态的评估方法的评估系统，其特征在于，包括：
图像采集模块，用于通过卫星遥感获取待评估的输电杆塔影像；
图像预测模块，用于利用预先构建的多个分类模型，对所述待评估的输电杆塔影像在各设定结构状态下出现概率进行预测；
结果输出模块，用于基于各分类模型得到的预测结果以及对各分类模型预测结果设定的权重，确定所述输电杆塔的结构状态；
其中，所述分类模型基于输电杆塔各设定结构状态下的历史影像训练得到。
6.如利要求5所述的系统，其特征在于，还包括各分类模型的构建模块，所述各分类模型的构建模块，包括：
训练集构建单元，用于获取输电杆塔各设定结构状态下的历史影像，并对各历史影像进行处理构建训练集；
分类模型训练单元，用于基于所述训练集分别对多个分类模型进行训练，得到各分类模型下设定结构状态的特征；
所述设定结构状态包括：杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失和主材弯曲；
所述分类模型包括：逻辑回归分类模型、支持向量机分类模型和深度学习模型。
7.如利要求6所述的系统，其特征在于，所述输电杆塔影像和历史影像，均包括：光学本体影像、光学阴影影像和雷达本体影像中的至少一种。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011231457.5A CN112380944B (zh) | 2020-11-06 | 2020-11-06 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011231457.5A CN112380944B (zh) | 2020-11-06 | 2020-11-06 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112380944A CN112380944A (zh) | 2021-02-19 |
| CN112380944B true CN112380944B (zh) | 2021-12-21 |
Family
ID=74578980
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011231457.5A Active CN112380944B (zh) | 2020-11-06 | 2020-11-06 | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112380944B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113516160A (zh) * | 2021-04-15 | 2021-10-19 | 国网上海市电力公司 | 一种基于支持向量机的输电杆塔姿态的预测方法及系统 |
| CN113361434A (zh) * | 2021-06-16 | 2021-09-07 | 广东电网有限责任公司 | 一种基于无人机遥控装置的勘灾方法及装置 |
| CN115496789B (zh) * | 2022-09-22 | 2023-11-24 | 新昌县新明实业有限公司 | 一种配电网可视化立体展示运维平台 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN107633504A (zh) * | 2017-08-07 | 2018-01-26 | 广东电网有限责任公司机巡作业中心 | 杆塔倾斜程度检测方法以及装置 |
| CN108597053A (zh) * | 2018-04-25 | 2018-09-28 | 北京御航智能科技有限公司 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
| CN109543755A (zh) * | 2018-11-26 | 2019-03-29 | 青岛国测海遥信息技术有限公司 | 基于类别权重矢量的集成学习遥感影像分类方法 |
| CN109614969A (zh) * | 2018-11-22 | 2019-04-12 | 华南理工大学 | 基于深度学习的大规模配电线路灾情抢修图像识别方法 |
| CN109657677A (zh) * | 2018-12-14 | 2019-04-19 | 广东电网有限责任公司 | 一种输电线路杆塔的检测方法、装置、设备和存储介质 |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
| 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 |
| CN110929646A (zh) * | 2019-11-22 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 |
| CN111008641A (zh) * | 2019-10-24 | 2020-04-14 | 云南电网有限责任公司昆明供电局 | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 |
| CN111311569A (zh) * | 2020-02-12 | 2020-06-19 | 江苏方天电力技术有限公司 | 基于无人机巡检的杆塔缺陷识别方法 |
| CN111739011A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种电线杆倾斜检测方法及装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101950357B (zh) * | 2010-09-21 | 2012-11-07 | 上海大学 | 基于位置关系识别高压线路杆塔、引流线、导线的方法 |
| CN106295655B (zh) * | 2016-08-03 | 2019-07-12 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检图像的输电线路部件自动提取方法 |
-
2020
- 2020-11-06 CN CN202011231457.5A patent/CN112380944B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
| CN107633504A (zh) * | 2017-08-07 | 2018-01-26 | 广东电网有限责任公司机巡作业中心 | 杆塔倾斜程度检测方法以及装置 |
| CN108597053A (zh) * | 2018-04-25 | 2018-09-28 | 北京御航智能科技有限公司 | 基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法 |
| CN109614969A (zh) * | 2018-11-22 | 2019-04-12 | 华南理工大学 | 基于深度学习的大规模配电线路灾情抢修图像识别方法 |
| CN109543755A (zh) * | 2018-11-26 | 2019-03-29 | 青岛国测海遥信息技术有限公司 | 基于类别权重矢量的集成学习遥感影像分类方法 |
| CN109657677A (zh) * | 2018-12-14 | 2019-04-19 | 广东电网有限责任公司 | 一种输电线路杆塔的检测方法、装置、设备和存储介质 |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN110807359A (zh) * | 2019-09-19 | 2020-02-18 | 江苏濠汉信息技术有限公司 | 基于部署在无人机中模型的杆塔缺陷巡检的方法 |
| 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 |
| CN111008641A (zh) * | 2019-10-24 | 2020-04-14 | 云南电网有限责任公司昆明供电局 | 一种基于卷积神经网络的输电线路杆塔外力破坏检测方法 |
| CN110929646A (zh) * | 2019-11-22 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于无人机航拍图像的配电杆塔倒断信息快速识别方法 |
| CN111311569A (zh) * | 2020-02-12 | 2020-06-19 | 江苏方天电力技术有限公司 | 基于无人机巡检的杆塔缺陷识别方法 |
| CN111739011A (zh) * | 2020-06-29 | 2020-10-02 | 广东电网有限责任公司 | 一种电线杆倾斜检测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 《Towards autonomous detection and tracking of electric towers for aerial power line inspection》;MARTINEZ C等;《International Conference on Unmanned Aircraft》;20141231;第284-295页 * |
| 《基于YOLO 的无人机电力线路杆塔巡检图像实时检测》;郭敬东等;《中国电力》;20190731;第52卷(第7期);第17-23页 * |
| 《基于无人机图像识别技术的输电线路缺陷检测》;李宁等;《电子设计工程》;20190531;第27卷(第10期);第102-106,112页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112380944A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112380944B (zh) | 一种基于卫星遥感的输电杆塔结构状态的评估方法和系统 | |
| CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
| CN111598860B (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
| CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN112861646B (zh) | 复杂环境小目标识别场景下的卸油工安全帽级联检测方法 | |
| CN114202803A (zh) | 一种基于残差网络的多阶段人体异常动作检测方法 | |
| Kim et al. | DeepTC: ConvLSTM network for trajectory prediction of tropical cyclone using spatiotemporal atmospheric simulation data | |
| CN115100549A (zh) | 一种基于改进YOLOv5的输电线路金具检测方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| CN117436351B (zh) | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
| Pillai et al. | Fine-Tuned EfficientNetB4 Transfer Learning Model for Weather Classification | |
| CN116503612B (zh) | 基于多任务关联的风机叶片损伤识别方法与系统 | |
| CN115423810B (zh) | 一种风力发电机组叶片覆冰形态分析方法 | |
| CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
| Chen et al. | Bridge damage detection and recognition based on deep learning | |
| CN115980885A (zh) | 基于集合预报的降水预报偏差校正方法 | |
| CN115907079A (zh) | 一种基于注意力时空图卷积网络的空域交通流量预测方法 | |
| Putranto et al. | Deep Learning Approach for Heavy Rainfall Prediction Using Himawari-8 And RDCA Data | |
| Xu et al. | Compressed YOLOv5 for oriented object detection with integrated network slimming and knowledge distillation | |
| Zhang et al. | A three-dimensional convolutional-recurrent network for convective storm nowcasting | |
| Xue et al. | Study on Nowcasting Method of Severe Convective Weather Based on SA-PredRNN++ | |
| CN118393612B (zh) | 云体信息的预测方法及装置、存储介质及电子设备 |
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 |