CN112883840B

CN112883840B - 基于关键点检测的输电线路提取方法

Info

Publication number: CN112883840B
Application number: CN202110140906.3A
Authority: CN
Inventors: 闫天池; 刘克俭; 刘吉磊; 周楠; 魏春山; 李俊刚; 杨鹏; 卢文静; 刘亚樵
Original assignee: Suzhou Yixin Information Technology Co ltd; PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Current assignee: Suzhou Yixin Information Technology Co ltd; PEOPLE'S PUBLIC SECURITY UNIVERSITY OF CHINA
Priority date: 2021-02-02
Filing date: 2021-02-02
Publication date: 2023-07-07
Anticipated expiration: 2041-02-02
Also published as: CN112883840A

Abstract

本发明涉及基于关键点检测的输电线路提取方法，包括：S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本，用该训练样本对关键点检测模型进行训练，获得源域中的关键点检测模型；S2、利用S1获得的关键点检测模型的模型参数对目标域中的关键点检测模型进行参数初始化；S3、用目标域数据对目标域中的关键点检测模型进行微调，得到训练好的关键点检测模型；S4、用S3得到的关键点检测模型进行测试，获得高压线塔的关键点位置；S5、对S4的测试结果进行空间关系分析，挖掘高压线塔之间的拓扑关系，实现输电线路的提取。本发明检测速度快；本发明实现了小样本学习，通过手工制作少量样本，就完成了高压线塔关键点检测的训练。

Description

基于关键点检测的输电线路提取方法

技术领域

本发明涉及遥感影像处理技术领域，尤其涉及基于关键点检测的输电线路提取方法。

背景技术

输电线路作为电网的动脉，为国民经济社会和人民生活提供电力支持保障。位于无人区的线路海拔高，周边交通条件差，人力难以到达。洪涝和滑坡等地质灾害发生后，导致地面道路损坏、高压线塔倒塌，人员巡查困难，电网企业难以第一时间掌握现场情况。

遥感数据具有广域普查效率高、低成本、无需人员到达现场的特点。近年来，随着遥感技术飞速发展，遥感影像的空间分辨率有了大幅度的提高，高分辨率遥感影像逐渐成为面向输电线路广域检测的一个重要技术手段。基于高分辨率遥感影像的输电线路提取对于电网的精益化运维具有重要意义。

传统的输电线路提取方法都是基于人工特征展开的，如局部二值模式（LBP）、梯度方向直方图（HOG）、Gabor等特征，然后将这些特征以特征向量的形式输入到一个传统的分类器例如SVM、AdaBoost、决策树等进行分类，其不足在于鲁棒性差、受限于位移旋转等影响、特征提取精度不足。而基于深度学习的关键点检测无需人工设计特征便可获得较高的检测精度，与基于深度学习的目标检测相比，其具有检测速度快、后处理简单的优点。

由于深度学习的特性，要使得训练出来的模型能有较好的泛化能力，需要大量的训练样本，而基于关键点检测的高压线塔提取几乎没有训练样本。如果全部采用人工标注将会十分费时费力，导致无法将基于深度学习的关键点检测技术方法直接用于高压线塔的提取。

发明内容

本发明为了解决上述技术问题提供基于关键点检测的输电线路提取方法。

本发明通过下述技术方案实现：

基于关键点检测的输电线路提取方法，包括以下步骤：

S1、将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本，获得源域中的图像；用源域中的图像对关键点检测模型进行训练，获得训练好的源域中的关键点检测模型；

S2、将训练好的源域中的关键点检测模型的模型参数前移到目标域中的关键点检测模型中，对目标域中的关键点检测模型进行参数初始化；

S3、用目标域中的图像对参数初始化后的目标域中的关键点检测模型进行微调，得到训练好的目标域中的关键点检测模型；

所述目标域中的图像中均包含有高压线塔，且高压线塔上标记了关键点；

S4、用S3得到的目标域中的关键点检测模型对作业区域进行测试，获得作业区域高压线塔的关键点位置；

S5、对S4的测试结果进行空间关系分析，计算所有关键点之间的空间距离，在满足一定空间距离限制下，每个关键点都与其周围的关键点建立拓扑关系。

进一步的，所述S3中，每个关键点都与最近的关键点以及次最近的关键点建立拓扑关系。

进一步的，所述目标域的构建方法为：

用遥感影像生成一定数量的影像切片，每个影像切片内都包含高压线塔；

在影像切片中，找出每个高压线塔的几何中心，在该几何中心以点矢量的形式进行标记，所得样本集按照一定的比例划分成训练集、验证集和测试集。

进一步的，所述S1中将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本的方法为：

通过目标检测的检测框的两个角点坐标，计算出检测框的中心点坐标，将该中心点作为源域图像中的高压线塔的关键点。

进一步的，关键点检测模型包括特征提取模块、特征金字塔模块以及网络输出端模块；

网络输出端模块包括分类模块和回归模块，分类模块用于获取关键点位置，回归模块用于获取关键点偏移量。

进一步的，将Efficientnet-b5的全连接层剔除，剩余部分构成所述特征提取模块。

优选地，特征金字塔模块为BiFPN。

进一步的，所述S4中，拓扑关系以线矢量的方式输出。

与现有技术相比，本发明具有以下有益效果：

1，本发明通过基于深度学习的关键点检测技术对遥感影像进行处理，获取高压线塔的地理信息；然后通过空间关系分析，挖掘高压线塔之间的拓扑关系，实现了输电线路的提取；本发明检测速度快、后处理简单；

2，本发明利用技术手段实现了目标检测数据集向关键点检测数据集的转换，再结合迁移学习技术，实现小样本学习；通过手工制作少量样本，完成了高压线塔关键点检测的训练；

3.本发明结合空间分析技术，实现了输电线路的自动提取，将提取结果转换成矢量图层，大大增强了实用性能。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。

图1是本发明的流程图；

图2是本发明中迁移学习的训练过程示意图；

图3是目标检测样本示例图；

图4是关键点检测样本示例图；

图5是本发明中关键点检测模型结构图；

图6是场景一中关键点检测结果图；

图7是场景二中关键点检测结果图；

图8是场景一的空间分析结果图；

图9是场景二的空间分析结果图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

如图1所示，本发明公开的基于关键点检测的输电线路提取方法，包括以下步骤：

本发明在确保精度的情况下，检测速度比现有方法更高。

基于上述输电线路提取方法，本发明公开两个实施例。

实施例1

本实施例中，遥感影像以RGB波段组合的真彩色模式，训练样本集中的遥感影像大小为640pixel*640pixel。如图1所示，本实施例中输电线路提取方法的步骤如下：

A1、样本制作：

用ArcGIS软件打开0.8m分辨率的遥感影像，首先生成一定数量的影像切片，确保每个影像切片内都包含高压线塔；

然后，在影像切片中，找出每个高压线塔的几何中心，几何中心作为关键点位置，将几何中心以点矢量的形式进行标记，并将其以XML的格式存储，所得样本集按照一定的比例划分成训练集、验证集和测试集；

A2、样本扩增：

将A1获得的训练集进行旋转、水平垂直翻转、镜像、高斯噪声、cutmix、mixup、随机擦除等数据增强操作来扩充训练样本；

A3、模型构建：

本实施例所使用的关键点检测模型是基于CenterNet思想构成的，本实施例所使用的关键点检测模型主要有三个模块，分别是特征提取模块、特征金字塔模块以及网络输出端模块。

如图4所示。将Efficientnet-b5的全连接层剔除，剩余部分构成特征提取模块；特征金字塔选用BiFPN。

网络输出端模块包括两个子网络构成，分别是分类模块和回归模块，其中分类网络输出类别和中心点位置，回归模块用于对中心点偏移量进行估计。

A4、网络参数初始化：

将在源域中得到的模型迁移到当前的训练任务中，作为初始化参数，对A3所构建的关键点检测模型进行参数初始化。

A5、模型训练：

在参数初始化基础上，调整网络训练参数，利用A1、A2得到的数据集不断地进行迭代训练，最终得到目标域上的关键点检测模型。

本实施例中训练阶段的超参数设置：初始学习率设置为0.001；batch size为8；训练次数为300；学习率计划为余弦退火学习率；优化器为AdamW；损失函数由分类损失和回归损失组成，其中分类损失为focal loss，回归损失为smooth l1 loss。在训练过程中，当模型在验证集精度指标最高时，保存模型参数。

A6、模型预测：

使用A5得到的最优的关键点检测模型，在作业区域进行测试，所得结果可视化后如图6、7所示，其中还包含该关键点的类别信息以及置信度；随后，对结果进行非极大值抑制。

非极大值抑制处理的具体步骤为：在每个关键点建立一定范围的圆形缓冲区，对在缓冲区内的所有关键点进行置信度大小排序，只保留置信度最大的关键点。最终结果以点矢量的形式保存。

A7、空间关系分析：

将A6得到的点矢量进行空间关系分析，在每个关键点上建立一定范围的圆形缓冲区，计算每个关键点之间的空间距离，并进行排序，取出离圆心P0最近的点P1和次最近的点P2，若P1和P2都在缓冲区内，则新建线矢量，否则丢弃。最终结果可视化如图8、9所示。

实施例2

如图2所示，本实施例公开一迁移学习方法，步骤如下：

步骤a、将现有的高压线塔目标检测数据集（样本标注如图3所示），经一定方式转化为关键点检测数据集（样本标注如图4所示）。具体操作为通过检测框的两个角点坐标，计算出检测框的中心点坐标，中心点即为高压线塔的几何中心，满足高压线塔的关键点检测模型的训练要求。

步骤b、将步骤a得到的数据集作为源域数据，用于训练本发明的关键点检测模型。具体训练过程如下：

对模型参数进行随机初始化，利用步骤a得到的数据集不断地进行迭代训练，最终得到源域关键点检测模型。

本实施例中训练阶段的超参数设置：初始学习率设置为0.001；batch size为8；训练次数为300；学习率计划为余弦退火学习率；优化器为AdamW；损失函数由分类损失和回归损失组成，其中分类损失为focal loss，回归损失为smooth l1 loss。在训练过程中，当模型在验证集精度指标最高时，保存模型参数。步骤c、在步骤b得到的源域关键点检测模型的基础上，调整网络训练超参数，利用目标域数据进行微调，最终得到目标域上的检测模型。

具体微调过程为：将源域数据替换为目标域数据，模型参数初始化为步骤b得到的源域关键点检测模型，具体训练过程如下：

利用目标域数据，即实施例1中获得的数据集不断地进行迭代训练，最终得到目标域上的检测模型。

本实施例中训练阶段的超参数设置：初始学习率设置为0.0001；batch size为8；训练次数为300；学习率计划为余弦退火学习率；优化器为AdamW；损失函数由分类损失和回归损失组成，其中分类损失为focal loss，回归损失为smooth l1 loss。在训练过程中，当模型在验证集精度指标最高时，保存模型参数。本发明使用关键点检测技术，结合遥感影像自身的空间特性和光谱特性，成功实现高压线塔位置信息的提取。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.基于关键点检测的输电线路提取方法，其特征在于：包括以下步骤：

S5、对S4的测试结果进行空间关系分析，计算所有关键点之间的空间距离，在满足一定空间距离限制下，每个关键点都与其周围的关键点建立拓扑关系；

所述S1中将现有的用于高压线塔目标检测的训练样本转换为关键点检测模型的训练样本的方法为：

2.根据权利要求1所述的基于关键点检测的输电线路提取方法，其特征在于：所述S3中，每个关键点都与最近的关键点以及次最近的关键点建立拓扑关系。

3.根据权利要求1所述的基于关键点检测的输电线路提取方法，其特征在于：所述目标域的构建方法为：

4.根据权利要求1所述的基于关键点检测的输电线路提取方法，其特征在于：关键点检测模型包括特征提取模块、特征金字塔模块以及网络输出端模块；

5.根据权利要求4所述的基于关键点检测的输电线路提取方法，其特征在于：将Efficientnet-b5的全连接层剔除，剩余部分构成所述特征提取模块。

6.根据权利要求4或5所述的基于关键点检测的输电线路提取方法，其特征在于：特征金字塔模块为BiFPN。

7.根据权利要求1或2所述的基于关键点检测的输电线路提取方法，其特征在于：所述S4中，拓扑关系以线矢量的方式输出。