CN112380945B - 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 - Google Patents

一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 Download PDF

Info

Publication number
CN112380945B
CN112380945B CN202011232957.0A CN202011232957A CN112380945B CN 112380945 B CN112380945 B CN 112380945B CN 202011232957 A CN202011232957 A CN 202011232957A CN 112380945 B CN112380945 B CN 112380945B
Authority
CN
China
Prior art keywords
algorithm
community
remote sensing
vector machine
support vector
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
Application number
CN202011232957.0A
Other languages
English (en)
Other versions
CN112380945A (zh
Inventor
杨知
刘毅
赵斌滨
欧文浩
李闯
马潇
费香泽
刘彬
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202011232957.0A priority Critical patent/CN112380945B/zh
Publication of CN112380945A publication Critical patent/CN112380945A/zh
Application granted granted Critical
Publication of CN112380945B publication Critical patent/CN112380945B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种输电通道环境隐患的识别方法及系统，包括：获取含有输电通道的卫星遥感影像；将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化，本发明采用粒子群算法和遗传算法协同的方式对支持向量机分类器的参数进行训练，提高了支持向量机分类器对环境隐患识别的准确性和效率，促进了利用高分辨率卫星遥感影像对输电线路进行天空地立体巡视的体系构建。

Description

一种基于卫星遥感影像的输电通道环境隐患的识别方法和 系统
技术领域
本发明属于输电杆塔监测技术领域，具体涉及一种输电通道环境隐患的识别方法和系统。
背景技术
近年来，极端气候条件加剧，输电线路作为核心基础战略设施，面临安全运行风险的增加。不仅体现在大风、地质灾害、洪水等自然灾害对线路的影响上，同时城镇化进程导致土地资源日益珍贵，输电通道保护区内受到更多的人为活动影响，包括且不限于：违规建筑物、高杆经济植物、农业大棚等易漂浮物、施工作业区/采动区等。这对输电线路造成巨大的人为安全隐患。因此，针对近百万公里的输电线路，实现全覆盖、无死角、常态化的巡视巡检成为电力管理部门的重要需求，保证及时监测，提前告警，防患于未然。
目前，电力管理部分主流采用的通道环境巡视主要是依靠人工野外巡查、直升机/无人机激光扫描，以及在线监测摄像头。在实际操作过程中，由于成本、可靠性制约，在线监测设备往往只能在重点线路区段布设，后期维护费用较高。直升机/无人机受环境制约大，哪怕军用无人机/直升机在大风、高原的作业也相对困难，这是航空技术手段的重要局限。人工野外巡查则效率低，作业安全风险较高。上述手段都很难真正实现近百万公里输电线路的全覆盖、高频率、常态化、无死角的通道巡视。
近年来卫星遥感技术逐渐用于输电通道环境巡视，在《卫星遥感技术在输电线路运维管理中的应用》中，主要分析了卫星遥感技术在输变电线路状态管理方面的应用，结果表明：常规的图像处理算法就能够从卫星影像上粗略的提取出输电线路的数值对象，验证了实时差分动态技术在输电线路测量方面的应用。通过对资料进行调研、理论分析和实践试验，为卫星遥感技术能广泛应用于输电线路运维方面提供了重要参考数据，但是只用了简单的常规图像处理方法，验证卫星遥感输电线路运维可行性，并没有针对具体的运维场景进行进一步的研究。在《基于卫星遥感的输电走廊地表覆盖变化检测与山火易发性评估》中，基于高分辨率光学卫星数据(高分一号、二号和资源三号)，利用面向对象的分类方法提取了湖北省范围内的超特高压输电走廊(距离输电铁塔1.5km范围缓冲区)区域的地表覆盖数据，分为水域、裸地、建筑区、林地和农田等五类特征，并对比分析了三种高分辨率卫星影像在输电走廊地物提取的精度，但在地形地貌、地表覆盖的分类上，没有对SVM分类器做优化，依然用的是主流现有算法，导致分类结果不准确。
卫星遥感技术用于输电通道环境巡视的技术本质是卫星遥感地物分类识别。目前，相关研究已经使用了谐波分析、面向对象和深度学习等方法实现了输电线路卫星遥感巡视，总的来说，谐波分析和面向对象方法提取的特征相对较少，专注于归一化植被指数(NDVI)或纹理等若干特征，无法支撑输电通道复杂环境隐患分类识别；深度学习方法作为近几年极为热门的技术，其制约在于需要大量样本集，对于输电通道巡视而言，典型输电线路环境隐患包括建筑物、施工作业区、采动影响区、易漂浮物、高杆植物等10大类，目前国内外并没有一个合适且充足的样本集可供训练，因此制约了深度学习方法在输电通道卫星遥感巡视中的应用。
因此，如何基于卫星遥感技术实现输电通道环境隐患识别的准确率和效率是本领域技术人员亟待解决的问题。
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通道环境隐患的识别方法，包括：
获取含有输电通道的卫星遥感影像；
将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化。
优选的，采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化，包括：
基于带有各种环境隐患标注的输电通道历史卫星遥感影像构建训练集；
基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新；
所述支持向量机分类器参数包括：核函数参数和误差惩罚因子。
优选的，基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新，包括：
A1在设定范围内随机生成设定组参数值，基于所述设定组参数值，生成初始群落；
A2对粒子群算法和遗传算法的参数以及两种算法的选择概率进行初始化；
A3基于两种算法的选择概率确定支持向量机分类器参数的优化算法；
A4基于所述训练集和当前群落，采用步骤A3中选择的优化算法对当前群落和两种算法的选择概率进行迭代更新；
A5判断是否满足终止标准：若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回步骤A3直到满足终止条件。
优选的，基于两种算法的选择概率确定支持向量机分类器参数的优化算法，包括：
当两种算法的选择概率相同时，支持向量机分类器参数的优化算法为粒子群算法和遗传算法；
当两种算法的选择概率不同时，支持向量机分类器参数的优化算法为粒子群算法和遗传算法中选择概率较大的算法。
优选的，基于所述训练集和当前群落，采用粒子群算法和遗传算法对当前群落和两种算法的选择概率进行更新，包括：
将当前群落平均分成粒子群算法群落和遗传算法群落；
采用粒子群算法对所述粒子群算法群落进行迭代更新，得到粒子群算法子代候选群落；采用遗传算法对所述遗传算法群落进行迭代更新，得到遗传算法子代候选群落；
将所述粒子群算法子代候选群落和所述遗传算法子代候选群落进行合并，生成当前群落的子代候选群落；
基于所述训练集和预先设定的个体适应度函数，分别计算所述当前群落的子代候选群落中每个个体的适应度；
基于所述当前群落的子代候选群落和每个个体的适应度，生成当前群落的子代群落；
基于所述当前群落的子代群落、粒子群算法子代候选群落和遗传算法子代候选群落，更新两种算法的选择概率。
优选的，基于所述训练集和预先设定的个体适应度函数，计算当前群落的子代候选群落中个体的适应度，包括：
基于待评价的个体表示更新支持向量机分类器参数；
将所述训练集中各历史卫星遥感影像依次输入参数更新后的支持向量机分类器，得到所述各历史卫星遥感影像对应的环境隐患预测结果；
将所述各历史卫星遥感影像对应的环境隐患预测结果与各历史卫星遥感影像标注的环境隐患进行比对，确定支持向量机分类器输出的正确分类样本数和错误分类样本数；
基于所述正确分类样本数和错误分类样本数，计算所述待评价个体的适用度。
优选的，基于所述当前群落的子代群落、粒子群算法子代候选群落和遗传算法子代候选群落，更新两种算法的选择概率，包括：
将当前群落的子代群落与粒子群算法子代候选群落和遗传算法子代候选群落进行比较：若当前群落的子代群落个体来自粒子群算法子代候选群落的个数大于来自遗传算法子代候选群落的个数，则将粒子群算法的选择概率上调预设值；若当前群落的子代群落个体来自遗传算法子代候选群落的个数大于来粒子群算法子代候选群落的个数，则将遗传算法的选择概率上调预设值。
优选的，在获取含有输电通道的卫星遥感影像之后，在将所述的卫星遥感影像输入预先构建的支持向量机分类器之前，还包括对所述获取的输电通道卫星遥感影像进行处理。
优选的，对所述获取的输电通道卫星遥感影像进行处理，包括：
获取含有输电通道的卫星遥感影像并进行辐射校正、大气定标和几何校正处理；
基于预先设定的规则对处理后的卫星遥感影像进行截取，得到输电通道环境隐患巡检区域内的卫星遥感影像；
所述典型环境隐患包括：违规建筑物区、施工作业区、采动影响区、易漂浮物、高杆植物、森林和滑坡。
基于同一构思，本发明提供了一种输电通道环境隐患的识别系统，包括：
图像采集模块，用于获取含有输电通道的卫星遥感影像；
图像分类模块，用于将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化。
优选的，该系统还包括优化模块，所述优化模块，用于采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化。
优选的，优化模块，包括：
训练集构建单元，用于基于带有各种环境隐患标注的输电通道历史卫星遥感影像构建训练集；
参数优化单元，用于基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新；
所述支持向量机分类器参数包括：核函数参数和误差惩罚因子。
优选的，参数优化单元，包括：
初始群落生成子单元，用于在设定范围内随机生成设定组参数值，基于所述设定组参数值，生成初始群落；
算法参数初始化子单元，用于对粒子群算法和遗传算法的参数以及两种算法的选择概率进行初始化；
算法选择子单元，用于基于两种算法的选择概率确定支持向量机分类器参数的优化算法；
优化子单元，用于基于所述训练集和当前群落，采用算法选择子单元中选择的优化算法对当前群落和两种算法的选择概率进行迭代更新；
结果输出子单元，用于判断是否满足终止标准：若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回算法选择子单元直到满足终止条件。
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通道环境隐患的识别方法及系统，包括：获取含有输电通道的卫星遥感影像；将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化，本发明采用粒子群算法和遗传算法协同的方式对支持向量机分类器的参数进行训练，提高了支持向量机分类器对环境隐患识别的准确性和效率，促进了利用高分辨率卫星遥感影像对输电线路进行天空地立体巡视的体系构建。
附图说明
图1为本发明提供的一种输电通道环境隐患的识别方法示意图；
图2为本发明提供的一种输电通道环境隐患的识别系统示意图；
图3为本发明实施例中提供的采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化的流程图；
图4为本发明实施例中提供的滑坡环境隐患识别结果。
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通道环境隐患的识别方法如图1所示，包括：
S1获取含有输电通道的卫星遥感影像；
S2将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化。
在进行输电通道环境隐患识别前需要对支持向量机分类器参数进行优化迭代，具体步骤包括：
步骤1：构建训练集
步骤1.1：对历史卫星遥感影像进行预处理
基于卫星遥感技术获取各种环境隐患下的历史卫星遥感影像；
对原始的各历史卫星遥感影像进行辐射校正、大气定标和几何校正等处理。
步骤1.2：在各历史卫星遥感影像中获得感兴趣区域卫星遥感影像
根据《架空输电线路运行规程》，在各历史卫星遥感影像中以巡视任务感兴趣输电线路每基杆塔的中点连线为中心，利用地理信息软件(如ArcGIS等)做1km-2km缓冲区。如果是密集输电线路通道，则以最外面的两条输电线路为中心做缓冲区，裁剪感兴趣区域的卫星遥感影像。
步骤1.3：制作输电通道环境隐患训练样本集
针对裁剪的感兴趣区域卫星遥感影像，人工选取输电线路环境隐患(建筑物、施工作业区、滑坡等)样本Num个并对输电通道环境隐患类型进行标注。一般而言，人工选取输电线路环境隐患(建筑物、施工作业区、滑坡等)样本Num总数不超过400个，每类隐患样本不超过50个。
步骤2：构建全局最优的支持向量机分类器(SVM)
结合裁剪后的卫星遥感影像和对应的隐患样本集，开展支持向量机(SVM)分类器优化训练。开展支持向量机(SVM)分类器优化训练的目的在于优化SVM分类核心的两个参数，分别是核函数参数σ2和误差惩罚因子C。
采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化的流程图如图3所示，包括：
步骤2.1：基于预先设定的支持向量机分类器的参数范围生成初始群落并对两种算法的参数及选择概率进行初始化；
步骤2.2：根据两种算法的选择概率选择当前群落的迭代更新策略；
步骤2.3：基于确定迭代更新策略选择粒子群算法和或遗传算法对支持向量机分类器的参数和两种策略的选择概率进行迭代更新；
步骤2.4：判断是否满足终止标准，若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回步骤2.2直到满足终止条件。
进一步的，步骤2.1：基于预先设定的支持向量机分类器的参数范围生成初始群落并对两种算法的参数及选择概率进行初始化，包括：
步骤2.1.1：对需要优化的参数进行编码生成初始群落
由于两个SVM分类器的调整参数核函数参数σ2和误差惩罚因子C均为实数，因此核函数参数σ2和误差惩罚因子C使用二进制编码。具体的，每个个体xi由以下等式中的向量表示：
xi＝[σi 2,Ci]σi 2＞0,Ci≥0 (1)
这种编码方法速度更快并且能够达到稳定的全局最优。根据这种编码方法，SVM分类器参数优化问题转化为通过裁剪卫星遥感影像和样本集来求取最佳xi的问题。
根据卫星遥感SVM分类的一般经验，结合输电通道隐患种类、尺度特点，本实施中核函数参数和误差惩罚因子设定范围为：σ2∈[0.01,50]，C∈[1,1000]，初始种群数量为200。
随机从上述范围内生成200(N＝200)个σ2和C，假设随机生成σ2＝5和C＝9，则xi＝(5,9)，二进制编码为xi＝(101.00,1001.000)，根据上述方法完成初始群落X的构建，初始群落X＝{x1,x2,···,xN}T，其中，每个个体xi可以表示为二元矢量
Figure GDA0003323823730000071
步骤2.2.2：初始化PSO算法和GA算法的参数以及两种策略的选择概率
根据卫星遥感SVM分类的一般经验，结合输电通道隐患种类、尺度特点，本实施例中PSO算法和GA算法的参数以及两种策略的选择概率设置如下：
(1)整个流程迭代次数G在2000-4000之间；
(2)粒子群算法PSO和遗传算法GA的关键参数：GA交叉概率
Figure GDA0003323823730000072
在0.4-0.6之间；GA变异概率
Figure GDA0003323823730000073
在0.01-0.02之间；PSO的调和因子，λ1和λ2在2-3之间；PSO的最小扰动因子γ1在0.3-0.5之间；PSO的最大惯性扰动因子γ2在0.7-0.9之间；
(3)选择PSO或GA算法的概率μ(k)＝(μ(k)(PSO),μ(k)(GA))，设定μ(1)＝(μ(1)(PSO),μ(1)(GA))＝(0.5,0.5)，即第一代演化策略选择概率μ(1)＝(μ(1)(PSO),μ(1)(GA))＝(0.5,0.5)。
进一步的，步骤2.2：根据两种算法的选择概率选择当前群落的迭代更新策略，包括：
当两种算法的选择概率相同时，支持向量机分类器参数的优化算法为PSO算法和GA算法；当两种算法的选择概率不同时，支持向量机分类器参数的优化算法为PSO算法和GA算法中选择概率较大的算法。
进一步的，步骤2.3：基于确定迭代更新策略选择粒子群算法和或遗传算法对支持向量机分类器的参数和两种策略的选择概率进行迭代更新，包括：
支持向量机分类器参数的更新对应着群落的迭代更新，选择PSO策略开展迭代的群落标记为X’(k)，选择GA策略开展迭代的群落标记为X”(k)，其中k表示第k代群落或第k次策略选择。
进一步，采用两种选择策略进行群落迭代更新，包括：
步骤2.3.1：对于初始化的初始群落而言μ(1)＝(μ(1)(PSO),μ(1)(GA))＝(0.5,0.5)，分别选择PSO和GA策略迭代更新初始群落和两种算法的选择概率；
具体的，将当前群落平均分成2部分，选择PSO策略开展迭代的群落X’(1)＝{x1,x2,···,xN/2}T；选择GA策略开展迭代的群落标记为X”(1)＝{xN/2+1,xN/2+2,···,xN}T。
步骤2.3.2：采用粒子群算法对所述粒子群算法群落进行迭代更新，得到粒子群算法子代候选群落；采用遗传算法对所述遗传算法群落进行迭代更新，得到遗传算法子代候选群落；
具体的，对于PSO策略而言，根据已有的PSO算法原理，在X’(k)和对应的F(X’(k))基础上，完成速度和位置更新等步骤，得到子代候选群落X’(k+1)；对于GA策略而言，根据已有的GA算法原理，在X”(k)和对应的F(X”(k))基础上，完成交叉、变异等步骤，得到子代候选群落X”(k+1)。
步骤2.3.4：将所述粒子群算法子代候选群落和所述遗传算法子代候选群落进行合并，生成当前群落的子代候选群落；
具体的，将PSO策略和GA策略分别得到的子代群落X’(k+1)和X”(k+1)结合在一起，得到子代候选群落Y(k+1)＝[X’(k+1),X”(k+1)]。
步骤2.3.5：基于所述训练集和预先设定的个体适应度函数，分别计算所述当前群落的子代候选群落中每个个体的适应度；
对于选择PSO策略的群落X’(k)而言，针对X’(k)中的任意元素xi＝(σi 2,Ci)，将σi 2和Ci代入SVM分类器；
利用步骤1中得到的裁剪后卫星遥感影像作为输入，通过该SVM分类器得到分类结果；
然后，将SVM分类器得到的分类结果与对应的人工提取隐患样本集进行比较，得到正确的样本数TP和错误的样本数FP；
选择分类与识别准确度作为适应度函数，计算出对应xi＝(σi 2,Ci)的适应度即：
f(xi)＝TPi/(TPi+FPi) (2)
其中，TPi是(σi 2,Ci)代入SVM分类器对应的正确分类样本数，FPi是(σi 2,Ci)代入SVM分类器对应的错误分类样本数；
利用公式(2)完成群落X’(k)内每个个体的适应度计算F(X’(k))；
类似的，利用相同的方法和公式完成GA策略中群落X”(k)内每个个体的适应度计算F(X”(k))。
步骤2.3.6：基于所述当前群落的子代候选群落和每个个体的适应度，生成当前群落的子代群落；
结合步骤2.3.5中得到的PSO和GA策略中群落每一个个体对应的个体适应度，作如下选择处理：
对种群中个体适应度值f(xi)进行累加，获得适应度的累加值，如下式所示：
Figure GDA0003323823730000081
计算每个个体的选择概率，如下式所示：
Pi＝f(xi)/Sn (4)
将所有Pi相加，求出累积概率，如下式所示：
Figure GDA0003323823730000091
在[0,1]中生成均匀分布的随机数r，如果满足gi-1<r≤gi，则选择个体i；
重复选择个体i的步骤，直到个体数量等于种群规模N；
如此，则生成了子代候选群落X(k+1)＝{x1(k+1),x2(k+1),···,xN(k+1)}T，xi(k+1)＝(σi 2(k+1),Ci(k+1))。
步骤2.3.7：基于所述当前群落的子代群落、粒子群算法子代候选群落和遗传算法子代候选群落，更新两种算法的选择概率。
将子代候选群落X(k+1)中的个体与PSO策略和GA策略分别得到的子代群落X’(k+1)和X”(k+1)进行比较，如果子代候选群落X(k+1)中的个体大部分来自于PSO策略，则说明PSO策略收敛更为有效，需要人为调增PSO策略概率，同时降低GA策略概率，反之亦然。
但无论每次迭代，都满足PSO和GA策略选择概率之和为1。
μ(k)(PSO)+μ(k)(GA)＝1 (6)
步骤2.4：判断是否满足终止标准，若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回步骤2.2直到满足终止条件。
本实施例中SVM分类器参数优化整个迭代终止标准有二个：
①第i+1次迭代结果与第i次迭代结果无明显差别。
②迭代次数超过1000次。
如果判断未满足上述两个迭代终止标准，则返回第2.3步，持续开展迭代，直到判断结束为止。
如果判断满足上述两个迭代终止标准中的任意一个，则选择最新一代群落中占比最大的个体xi(k)＝(σi 2(k),Ci(k))作为全局最优的SVM分类器参数，将全局最优的SVM分类器参数代入SVM分类器，得到全局最优的SVM分类器。
利用优化好的支持向量机分类器进行环境隐患识别，包括：
S1获取含有输电通道的卫星遥感影像；
具体的，基于卫星遥感获取输电通道卫星遥感影像的原始图像；
对原始的卫星遥感影像进行预处理，完成辐射校正、大气定标和几何校正等处理；
根据《架空输电线路运行规程》，以巡视任务感兴趣输电线路每基杆塔中点连线为中心，利用地理信息软件(如ArcGIS等)做1km-2km缓冲区。如果是密集输电线路通道，则以最外面的两条输电线路为中心做缓冲区，对处理后的原始卫星遥感影像中感兴趣区域进行裁剪，得到待识别的输电通道卫星遥感影像。
S2将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
利用全局最优的SVM分类器，对S1中步骤中待识别的输电通道卫星遥感影像进行识别分类，得到输电线路电通道的环境隐患类型。
本专利提出一种输电线路卫星遥感通道智能巡视方法，具体步骤为：
本专利利用高分辨率光学卫星遥感影像，考虑输电线路典型环境隐患少样本特点，提出一种参数优化SVM分类器，并应用于输电线路卫星遥感通道巡视。从效率上看，明显比人工地面巡查、无人机/直升机作业效率更高，安全性更好。与现有利用深度学习方法的卫星遥感巡视比较，效率也大幅提升。主要原因在于本专利仅依靠几十上百个少样本实现SVM参数优化并分类，减少了深度学习模型大量的训练时间，实现输电线路卫星遥感通道巡视，提高环境隐患识别的准确率和效率，促进国家电网公司天空地立体巡视体系构建。
在川藏、藏中联网等输电线路实际应用中，相同100km线路区段本专利方法用时16.02min，普通卷积神经网络模型方法用时28.47min。
以国家电网公司某条线路为例，获取历史光学卫星遥感影像。
(1)首先完成几何校正、大气校正等预处理。
(2)然后以该条输电线路为中心，左右各扩2km作为缓冲区。
(3)选择输电线路典型环境隐患(包括滑坡、森林、施工作业区、违规建筑物)共200处，作为训练样本。
(4)训练参数优化的SVM分类器，得到最终SVM的核函数参数σ2和误差惩罚因子C分别为16.904和93.948。
(5)用训练好的参数优化SVM分类器对卫星遥感影像进行输电通道典型环境隐患识别，得到输电通道环境巡视结果在图中标记出来，例如标记违规建筑物、疏林、密林水体和输电杆塔等，各类型的标记可以用不同的颜色区分也可以用不同的图标(例如圆点、方框、三角)等标记还可以用文字直接标记，如图4，提供了滑坡环境隐患的识别结果，滑坡结果直接以文字形式展示在巡视结果中。
实施例2：
本实施例提供了一种输电通道环境隐患的识别系统如图2所示，包括：
图像采集模块，用于获取含有输电通道的卫星遥感影像；
图像分类模块，用于将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化。
进一步的，该系统还包括优化模块，所述优化模块，用于采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化。
进一步的，优化模块，包括：
训练集构建单元，用于基于带有各种环境隐患标注的输电通道历史卫星遥感影像构建训练集；
参数优化单元，用于基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新；
所述支持向量机分类器参数包括：核函数参数和误差惩罚因子。
进一步的，参数优化单元，包括：
初始群落生成子单元，用于在设定范围内随机生成设定组参数值，基于所述设定组参数值，生成初始群落；
算法参数初始化子单元，用于对粒子群算法和遗传算法的参数以及两种算法的选择概率进行初始化；
算法选择子单元，用于基于两种算法的选择概率确定支持向量机分类器参数的优化算法；
优化子单元，用于基于所述训练集和当前群落，采用算法选择子单元中选择的优化算法对当前群落和两种算法的选择概率进行迭代更新；
结果输出子单元，用于判断是否满足终止标准：若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回算法选择子单元直到满足终止条件。
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影像的输电通道环境隐患的识别方法，其特征在于，包括：
获取含有输电通道的卫星遥感影像；
将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化；
采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化，包括：
基于带有各种环境隐患标注的输电通道历史卫星遥感影像构建训练集；
基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新；
所述支持向量机分类器参数包括：核函数参数和误差惩罚因子；
所述基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新，包括：
A1在设定范围内随机生成设定组参数值，基于所述设定组参数值，生成初始群落；
A2对粒子群算法和遗传算法的参数以及两种算法的选择概率进行初始化；
A3基于两种算法的选择概率确定支持向量机分类器参数的优化算法；
A4基于所述训练集和当前群落，采用步骤A3中选择的优化算法对当前群落和两种算法的选择概率进行迭代更新；
A5判断是否满足终止标准：若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回步骤A3直到满足终止条件；
所述基于两种算法的选择概率确定支持向量机分类器参数的优化算法，包括：当两种算法的选择概率相同时，支持向量机分类器参数的优化算法为粒子群算法和遗传算法；
当两种算法的选择概率不同时，支持向量机分类器参数的优化算法为粒子群算法和遗传算法中选择概率较大的算法；
基于所述训练集和当前群落，采用粒子群算法和遗传算法对当前群落和两种算法的选择概率进行更新，包括：
将当前群落平均分成粒子群算法群落和遗传算法群落；
采用粒子群算法对所述粒子群算法群落进行迭代更新，得到粒子群算法子代候选群落；采用遗传算法对所述遗传算法群落进行迭代更新，得到遗传算法子代候选群落；
将所述粒子群算法子代候选群落和所述遗传算法子代候选群落进行合并，生成当前群落的子代候选群落；
基于所述训练集和预先设定的个体适应度函数，分别计算所述当前群落的子代候选群落中每个个体的适应度；
基于所述当前群落的子代候选群落和每个个体的适应度，生成当前群落的子代群落；
基于所述当前群落的子代群落、粒子群算法子代候选群落和遗传算法子代候选群落，更新两种算法的选择概率；
基于所述训练集和预先设定的个体适应度函数，计算当前群落的子代候选群落中个体的适应度，包括：
基于待评价的个体表示更新支持向量机分类器参数；
将所述训练集中各历史卫星遥感影像依次输入参数更新后的支持向量机分类器，得到所述各历史卫星遥感影像对应的环境隐患预测结果；
将所述各历史卫星遥感影像对应的环境隐患预测结果与各历史卫星遥感影像标注的环境隐患进行比对，确定支持向量机分类器输出的正确分类样本数和错误分类样本数；
基于所述正确分类样本数和错误分类样本数，计算所述待评价个体的适用度；所述基于所述当前群落的子代群落、粒子群算法子代候选群落和遗传算法子代候选群落，更新两种算法的选择概率，包括：
将当前群落的子代群落与粒子群算法子代候选群落和遗传算法子代候选群落进行比较：若当前群落的子代群落个体来自粒子群算法子代候选群落的个数大于来自遗传算法子代候选群落的个数，则将粒子群算法的选择概率上调预设值；若当前群落的子代群落个体来自遗传算法子代候选群落的个数大于来粒子群算法子代候选群落的个数，则将遗传算法的选择概率上调预设值。
2.如利要求1所述的方法，其特征在于，在获取含有输电通道的卫星遥感影像之后，在将所述的卫星遥感影像输入预先构建的支持向量机分类器之前，还包括对所述获取的输电通道卫星遥感影像进行处理。
3.如利要求2所述的方法，其特征在于，所述对所述获取的输电通道卫星遥感影像进行处理，包括：
获取含有输电通道的卫星遥感影像并进行辐射校正、大气定标和几何校正处理；基于预先设定的规则对处理后的卫星遥感影像进行截取，得到输电通道环境隐患巡检区域内的卫星遥感影像；
所述典型环境隐患包括：违规建筑物区、施工作业区、采动影响区、易漂浮物、高杆植物、森林和滑坡。
4.一种用于如权利要求1-3任一项所述基于卫星遥感影像的输电通道环境隐患识别方法的识别系统，其特征在于，包括：
图像采集模块，用于获取含有输电通道的卫星遥感影像；
图像分类模块，用于将所述的卫星遥感影像输入预先构建的支持向量机分类器中，得到输电通道的环境隐患类型；
所述支持向量机分类器基于历史卫星遥感影像中的环境隐患进行训练，并采用粒子群算法和遗传算法对所述分类器进行优化。
5.如利要求4所述的系统，其特征在于，还包括优化模块，所述优化模块，用于采用粒子群算法和遗传算法对支持向量机分类器的参数进行优化。
6.如利要求5所述的系统，其特征在于，所述优化模块，包括：
训练集构建单元，用于基于带有各种环境隐患标注的输电通道历史卫星遥感影像构建训练集；
参数优化单元，用于基于所述训练集，采用粒子群算法和遗传算法对支持向量机分类器的参数进行迭代更新；
所述支持向量机分类器参数包括：核函数参数和误差惩罚因子。
7.如利要求6所述的系统，其特征在于，所述参数优化单元，包括：
初始群落生成子单元，用于在设定范围内随机生成设定组参数值，基于所述设定组参数值，生成初始群落；
算法参数初始化子单元，用于对粒子群算法和遗传算法的参数以及两种算法的选择概率进行初始化；
算法选择子单元，用于基于两种算法的选择概率确定支持向量机分类器参数的优化算法；
优化子单元，用于基于所述训练集和当前群落，采用算法选择子单元中选择的优化算法对当前群落和两种算法的选择概率进行迭代更新；
结果输出子单元，用于判断是否满足终止标准：若满足终止标准，将最新子代群落中占比最大的个体对应的支持向量机分类器参数作为最优参输出，完成支持向量机分类器的参数优化；若不满足终止标准，返回算法选择子单元直到满足终止条件。
CN202011232957.0A 2020-11-06 2020-11-06 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统 Active CN112380945B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011232957.0A CN112380945B (zh) 2020-11-06 2020-11-06 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011232957.0A CN112380945B (zh) 2020-11-06 2020-11-06 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统

Publications (2)

Publication Number Publication Date
CN112380945A CN112380945A (zh) 2021-02-19
CN112380945B true CN112380945B (zh) 2021-12-21

Family

ID=74578000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011232957.0A Active CN112380945B (zh) 2020-11-06 2020-11-06 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统

Country Status (1)

Country Link
CN (1) CN112380945B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033386B (zh) * 2021-03-23 2022-12-16 广东电网有限责任公司广州供电局 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
CN113378723B (zh) * 2021-06-13 2023-08-01 国网福建省电力有限公司 一种基于深度残差网络的输变电线路隐患自动安全识别系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732244A (zh) * 2015-04-15 2015-06-24 大连交通大学 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN106897703A (zh) * 2017-02-27 2017-06-27 辽宁工程技术大学 基于aga‑pkf‑svm的遥感影像分类方法
CN109670408A (zh) * 2018-11-28 2019-04-23 河海大学 一种基于对象的遥感图像水体提取方法
CN109784168A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种高分辨率遥感输电通道巡视方法及系统
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102005135A (zh) * 2010-12-09 2011-04-06 上海海事大学 基于遗传算法优化的支持向量回归船舶交通流量预测方法
CN103487466B (zh) * 2013-07-30 2016-12-28 中国标准化研究院 一种基于遗传算法的支持向量机分类器参数选择的蜂蜜检测方法
CN104951834A (zh) * 2015-06-24 2015-09-30 上海大学 基于遗传算法和粒子群集成的lssvm风速预测方法
CN106529574B (zh) * 2016-10-17 2019-09-27 北京工业大学 基于稀疏自动编码器和支持向量机的图像分类方法
CN107067035B (zh) * 2017-04-17 2018-04-20 哈尔滨师范大学 协同演化算法优化的支持向量机湿地遥感分类方法
CN108596118B (zh) * 2018-04-28 2021-04-23 北京师范大学 一种基于人工蜂群算法的遥感影像分类方法及系统
CN110263994A (zh) * 2019-06-18 2019-09-20 南京航空航天大学 一种基于特征选择和参数优化的冰球赛况预测方法
CN111598209A (zh) * 2020-03-23 2020-08-28 天津职业技术师范大学(中国职业培训指导教师进修中心) 基于串行式融合的ga&pso优化算法研究
CN111476173B (zh) * 2020-04-09 2024-03-05 南京工程学院 一种基于bas-svm的配电网电压暂降源识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104732244A (zh) * 2015-04-15 2015-06-24 大连交通大学 基于小波变换、多策略pso和svm集成的遥感图像分类方法
CN106897703A (zh) * 2017-02-27 2017-06-27 辽宁工程技术大学 基于aga‑pkf‑svm的遥感影像分类方法
CN109670408A (zh) * 2018-11-28 2019-04-23 河海大学 一种基于对象的遥感图像水体提取方法
CN109784168A (zh) * 2018-12-13 2019-05-21 中国电力科学研究院有限公司 一种高分辨率遥感输电通道巡视方法及系统
CN109977921A (zh) * 2019-04-11 2019-07-05 广东电网有限责任公司 一种输电线路隐患检测方法

Also Published As

Publication number Publication date
CN112380945A (zh) 2021-02-19

Similar Documents

Publication Publication Date Title
CN111860205B (zh) 基于多源遥感影像和网格的森林火情评价方法及存储介质
CN113780296B (zh) 基于多尺度信息融合的遥感图像语义分割方法及系统
CN111537515A (zh) 基于三维实景模型的铁塔螺栓缺陷展示方法和系统
CN112307884B (zh) 基于连续时序遥感态势数据的林火蔓延预测方法及电子设备
CN112380945B (zh) 一种基于卫星遥感影像的输电通道环境隐患的识别方法和系统
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
CN102867217A (zh) 基于投影寻踪的设施农业气象灾害风险评价方法
CN112835997B (zh) 一种基于GeoSOT网格的电网巡检空间网格编码方法
CN115359366A (zh) 基于参数优化的遥感图像目标检测方法
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
CN115585731A (zh) 空天地一体化水电站空间状态智能监控管理系统及其方法
CN114882373A (zh) 基于深度神经网络的多特征融合沙尘暴预测方法
CN117371949B (zh) 基于三维可视化模型的输电线路施工安全监测方法及系统
CN114067245A (zh) 一种铁路外部环境隐患识别方法及系统
Li Evaluation method of ecological vulnerability of scenic spots based on entropy weight TOPSIS model
CN116704386B (zh) 一种基于ai的精准应急救援方法及装置
CN109829583A (zh) 基于概率编程技术的山火风险预测方法
CN109636194B (zh) 一种输变电项目重大变动多源协同检测方法与系统
US20230316744A1 (en) Method and system for remotely analysing trees
Kumar et al. Cellular automata calibration model to capture urban growth
CN112464997B (zh) 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统
Aqbelaghi et al. Environmental approach in modelling of urban growth: Tehran City, Iran
Tsukahara et al. Rainfall forecasting by using residual network with cloud image and humidity
CN112183921A (zh) 一种遥感卫星组网的监测任务规划方法及系统
CN109447309A (zh) 一种舞动数据的挖掘方法及系统

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