CN113689399B - 一种用于电网识别遥感图像处理方法及系统 - Google Patents
一种用于电网识别遥感图像处理方法及系统 Download PDFInfo
- Publication number
- CN113689399B CN113689399B CN202110970917.4A CN202110970917A CN113689399B CN 113689399 B CN113689399 B CN 113689399B CN 202110970917 A CN202110970917 A CN 202110970917A CN 113689399 B CN113689399 B CN 113689399B
- Authority
- CN
- China
- Prior art keywords
- power grid
- remote sensing
- sensing image
- identified
- image
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000002372 labelling Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000010586 diagram Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000002834 transmittance Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 4
- 230000005540 biological transmission Effects 0.000 description 24
- 238000005516 engineering process Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000012544 monitoring process Methods 0.000 description 8
- 230000001629 suppression Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于电网识别遥感图像处理方法及系统，通过对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息，解决了受到天气影响的遥感图像模糊等缺陷，然后采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型，基于遥感图像，利用深度学习的方法，对电网部分进行目标检测和特征识别，将识别后的结果用来预测，通过对电网的目标检测，能够及时的发现电网的状态，通过对发电厂各个部分的目标检测识别，获得发电厂各个部位的分布特点，用于电网的科学安全规划。
Description
技术领域
本发明属于电子信息技术技术领域，涉及一种用于电网识别遥感图像处理方法及系统。
背景技术
近年来，为了让计算机更加智能，能够认知事物，从而进行判定和深度学习，计算机视觉技术方法与应用发展迅速，全球计算机视觉市场正处于迅速发展之中。目前，由于国民生活水平和经济实力的不断提高，社会对于电能的需求量巨大，传统的运行模式愈发难以完全满足电力系统安全、稳定运行的要求，在此背景下，电力系统自动化成为了新的发展趋势，而多媒体技术在其中占据着重要地位。物联网时代的到来，不仅给人们的生活带来新的变革，同时给电网的安全检测也提供了一种新的方式。例如，在输电线路上安装智能化传感器，可实现对于不同的输电线路，在输配电的过程中遇到所有的情况进行实时的检测，并且能够及时的将线路中的损耗和绝缘损耗情况以及线路发生各种异常故障，及时反馈到监控中心。无人机的巡查也是电网安全监测的一种新兴方式。将物联网技术和无人机的智能化设备能够有效地结合到一块，通过无线通讯方式，能够更加科学准确的掌握输配电环节中的各种异常情况。保障了电网的安全运行。而遥感图像处理技术在电网安全中的应用，也是越来越广泛。
电网安全因为其复杂性，使得监测变得十分困难。而遥感技术是一种非接触的视频监控方式，因为其具有实时，判断迅速且可以处理大量的检测数据的特点在电网安全中得到广泛的应用，若依靠人眼进行观察的人工检测，易因疲劳等因素而造成遗漏，从而造成隐患。将遥感图像处理技术应用于电力系统监测中，通过高清摄像头，将传回来的图像进行特征提取和识别，并进行预测。
在传统方式中，为了获取图像所包含的信息，主要是通过人眼的观察和大脑的理解。然而，与计算机相比，人的判断具有主观性，同时，长时间观看视频或图像也容易导致疲劳。若电力系统中出现异常情况，这些消极的影响可能会造成预判和处理的准确性降低。电力系统是实时变化的系统，必须快速地对相关画面进行综合判断，因此，对于能量和信息的变化，电力系统要求很高的响应速度。
发明内容
本发明的目的在于提供一种用于电网识别遥感图像处理方法及系统，以克服现有技术的不足。
为达到上述目的，本发明采用如下技术方案：
一种用于电网识别遥感图像处理方法，包括以下步骤：
S1，对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；
S2，采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型。
进一步的，采用暗通道去雾方法对待识别电网遥感图像进行预处理；
在RGB三个通道中取最小值组成灰度图，然后通过最小值滤波得到，其最终计算公式为：
其中I(x)是现有的图像，J(x)为去雾后的图像，A为大气光成分，t(x)为透射率。
进一步的，采用图像增强的空间域的去雾方法对待识别电网遥感图像进行去雾处理。
进一步的，采用频率域通过同态滤波进行去雾处理。
进一步的，将已知电网遥感图像进行尺寸调整并进行标注，然后对卷积神经网络模型进行训练，对于输入输出的特征图通道数都为单位通道时，设二维的输入特征图IεRHin*Win，二维输出特征图OεRHout*wout；
卷积运算的方法为：
Hin和Win分别为特征输入图的高和宽，Hout和Wout分别为输出特征图的高和宽，i，j分别为输入特征图中Hin与Win方向上的像素索引，kh与kw分别为卷积核的高和宽；m，n分别为卷积核中各采样点在kh与kw方向上的索引。
进一步的，当输入与输出特征图通道数为多通道时，设输入通道数为Cin，输出通道数为Cout，卷积核K变为四维张量，其尺寸为Cout×Cin×kh×kw。卷积计算公式为：
进一步的，将提取的特征与检测模型中标注的电网遥感图像特征进行匹配时，对提取的特征进行平移和尺度缩放：
先做平移(Δx，Δy)，Δx＝Pwdx(P)，Δy＝Phdy(P)：
尺度缩放(Sw，Sh)，Sw＝exp(dw(p))，Sh＝exp(dh(P))对应公式为：
在特征比对过程中，采用非极大值抑制方法获取预测值。
进一步的，1)，将所有候选框进行分类，然后按照置信度从高到低进行排序，最后选择置信度最高的候选框；
2)，计算选中的候选框和剩下的候选框之间的交并比；筛选出交并比小于阀值的候选框。
3)，对剩下的所有候选框重复1)和2)步骤，得到置信度最高且交并比小于阀值的候选框为最终的预测值。
进一步的，预处理前，将待识别电网遥感图像进行的尺寸进行调整与用于检测模型训练的图像尺寸一致。
一种电网识别遥感图像处理系统，包括预处理模块和检测模块，
预处理模块用于对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；检测模块用于存储检测模型，检测模型基于信息标注的已知电网遥感图像进行训练得到，利用检测模型对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型，并将检测结果输出。
与现有技术相比，本发明具有以下有益的技术效果：
本发明一种用于电网识别遥感图像处理方法，通过对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息，解决了受到天气影响的遥感图像模糊等缺陷，然后采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型，本发明基于遥感图像，利用深度学习的方法，对电网部分进行目标检测和特征识别，将识别后的结果用来预测，通过对电网的目标检测，能够及时的发现电网的状态，通过对发电厂各个部分的目标检测识别，获得发电厂各个部位的分布特点，用于电网的科学安全规划。本发明为监测电网安全提供了一种新方向，而且可以代替人工劳动的现场检测，提高识别检测效率，及时排除事故风险并避免人工现场检测出现的事故，为电网的安全运行保驾护航。
附图说明
图1是本发明实施例中去雾流程图；
图2是本发明实施例中卷积运算过程图；
图3是本发明实施例中非极大值抑制过程图；
图4是本发明实施例中边框回归原理图；
图5是本发明实施例中输电塔截断与弯曲图；
图6是本发明实施例中预测流程图；
图7是本发明实施例中训练步骤图；
图8是本发明实施例中预测图像流程图；
图9是本发明实施例中去雾前后效果对比图；
图10是本发明实施例中SSD模型结构图；
图11是本发明实施例中输电塔预测结果图；
图12是本发明实施例中SSD模型工作流程图；
图13是本发明实施例中模型检测结果对比图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
如图6所示，一种用于电网识别遥感图像处理方法，包括以下步骤：
S1，对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；
具体的，本申请采用图像增强的空间域的去雾方法对待识别电网遥感图像进行去雾处理；或者采用频率域通过同态滤波进行去雾处理；提高图像中的有用信息，改善图像的视觉效果，对于给定图像的应用场合，有目的地突出图像的整体或局部特性，将原本不清晰的图像变得清晰明了。
如图9所示，暗通道去雾方法在处理单幅场景图像具有很好效果，暗通道是设在绝大多数的非天空的局部区域中，某一些像素总会有至少一个颜色通道具有很低的值；暗通道是在RGB三个通道中取最小值组成灰度图，然后通过最小值滤波得到，其最终计算公式为：
其中I(x)是现有的图像，J(x)为去雾后的图像，A为大气光成分，t(x)为透射率，其中由公式可知透射率过小则J(x)过大容易出现曝光的现象，如果透射率过大则去雾效果不明显，因此在进行操作时需要对t的取值范围进行设定得到预期效果，本申请t取值小于0.1。
S2，采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型。
具体的，预处理前，将待识别电网遥感图像进行的尺寸进行调整与用于检测模型训练的图像尺寸一致，确保识别计算的准确性，减少计算量。
将已知电网遥感图像进行尺寸调整并进行标注，将标注后所得的数据集分为训练集和预测集两部分；将标记好的训练集分别带入SSD模型进行训练，得到训练后的检测模型，具体训练过程流程如图7所示。
对测试集图像进行预测：使用训练好的检测模型对测试集图像预测，统计其结果的准确率，流程如图8所示，根据预测结果，并引用对应的检测方案对其结果评估，根据对应的评估结果对模型改良和调整。
本申请检测模型采用卷积神经网络模型，如图2所示；
对于输入输出的特征图通道数都为单位通道时，也就是都为1，设二维的输入特征图IεRHin*Win，二维输出特征图OεRHout*Wout；
卷积运算的方法为：
Hin和Win分别为特征输入图的高和宽，Hout和Wout分别为输出特征图的高和宽，i，j分别为输入特征图中Hin与Win方向上的像素索引，kh与kw分别为卷积核的高和宽；m，n分别为卷积核中各采样点在kh与kw方向上的索引；
当输入与输出特征图通道数为多通道时，设输入通道数为Cin，输出通道数为Cout，卷积核K变为四维张量，其尺寸为Cout×Cin×kh×kw。卷积计算公式为：
目标检测过程中对产生的候选框以标注好的真实框为目标进行逼近的过程，对于窗口一般使用四维向量(x，y，w，h)来表示，四维向量(x，y，w，h)分别表示窗口的中心点坐标和宽高。对于图中框P代表原始的Proposal，框G代表目标的Ground Truth，寻找一种关系使得输入原始的窗口P经过映射得到一个跟真实窗口G更接近的回归窗口如图4所示。
进行平移和尺度缩放：
先做平移(Δx，Δy)，Δx＝Pwdx(P)，Δy＝Phdy(P)：
尺度缩放(Sw，Sh)，Sw＝exp(dw(p))，Sh＝exp(dh(P))对应公式为：
在特征比对过程中，采用非极大值抑制，即在局部范围内的最大搜索。在目标检测中为了减少漏检，尽可能的召回目标，会形成特别多的候选框，而这些候选框中最终只有一个结果才能成为最终的预测值，所以采用非极大值抑制，如图4所示输电塔的非极大值抑制的过程。
非极大值抑制的算法具体流程如下：
1)，将所有候选框进行分类，然后按照置信度从高到低进行排序，最后选择置信度最高的候选框；
2)，计算选中的候选框和剩下的候选框之间的交并比；筛选出交并比小于阀值的候选框。
3)，对剩下的所有候选框重复1)和2)步骤，得到置信度最高且交并比小于阀值的候选框为最终的预测值。
本发明采用SSD算法是YOLO基于回归的检测思想和Faster R-CNN的锚点机制的结合，并用了多尺度的特征图，用来检测，卷积神经网络前面的特征图较大，后面经过池化或者步进为2的卷积之后，特征图相比于之前会变小；利用大的特征图检测小物体，小的特征图检测大物体，解决了小目标难以检测的问题，在本实验中精度优越于Faster RCNN。
本发明一种用于电网识别遥感图像处理方法及系统，通过去雾操作使得电力遥感图像变得更加清楚，利于图像标注以及目标检测，并且能够满足遥感电力图像对于实行的要求，同时对于在野外输电塔的检测具有重要意义。
高压输电塔是电力输送系统中最重要的基础设施之一，联系着整个电网的脉络，它的运行情况决定着整个电网的运行稳定和安全，对它进行目标检测识别，主要是对高压输电塔运行状态进行监测，也是高压输电塔输电线路监测的重要部分。而且，随着光学遥感技术近几年的迅猛发展，卫星获取的图像分辨率越来越高，细节信息越来越丰富和清晰，利用光学遥感图像进行广域的电网输电线路运行状态监测已成为遥感应用研究的发展方向。本申请通过采集高压输电塔的遥感图片，利用目标检测进行特征提取和识别，当输电塔发生意外事故时，比如输电塔的弯曲，通过遥感检测技术让事故所影响的范围降到最小，保证国民经济不受到影响，确保了电力系统运行的安全性，可靠性，为电网的安全运行保驾护航。
本发明采用暗通道图像去雾方法和SSD模型的深度学习实现遥感视觉图像的目标检测；暗通道图像去雾方法用于遥感图像的前期去雾处理，很大程度解决了受到天气影响的遥感图像模糊等缺陷。SSD模型用于实现对电力遥感视觉图像的目标估计，通过训练得到所需模型，并进行测试。本发明采用了暗通道去雾和深度学习相结合的分类方法，通过去雾操作使得电力遥感图像变得更加清楚，利于图像标注以及目标检测，并且能够满足遥感电力图像对于实行的要求，同时对于在野外输电塔的检测具有重要意义。通过这些发现电力系统中异常的部分，及时反馈到终端系统，这样就可以代替人工劳动的现场检测，提高识别检测效率，及时排除事故风险并避免人工现场检测出现的事故，对于输电塔的明显故障具有重要的现实意义。
如图10-11所示，对6个feature map提取是通过backbone和外接卷积层实现的，对于不同的backbone其外接卷积层是不太一样。正是由于backbone结构、外接卷积层和选择抽取层的位置不一样，所以不同SSD模型提取出的feature map尺寸是不一样的。例如，VGG为backbone提取的feature map尺寸为[38,19,10,5,3,1]，Resnet50为backbone提取的feature map尺寸为[38,19,10,5,3,1],mobilenetv2为backbone提取的feature map尺寸为[19,10,5,3,2,1]。
由于采用不同backbone得到的feature map尺寸不太一样，而default box的step和长宽尺寸变化固定不变，所以最终生成default box数量因backbone而异。例如，以VGG和resnet50为backbone得到的default box数量为8732个，而以mobilenetv2为backbone得到的default box数量为2268个。(计算公式为：feature map height×feature map width×该层锚框种类数)
预测图像实验结果图及其性能对比：如图12、图13，通过以上数据可以看出，对于大型目标检测物，像输电塔、冷凝塔，它们的检测效果相差不大，都在90％以上，这也是它们共有的特点，对于大目标检测效果非常好。而对于煤区和烟囱，两种算法得到的数据相差也是比较大的，主要原因有两点，一是煤区和烟囱的数量相比于输电塔和冷凝塔比较少；二是在图片中所占比例不大，从整体来看，相对于输电塔和冷凝塔，它们算是较小目标。而通过对水箱和风扇的识别效果可以看出，SSD对于小目标的识别效果比Faster RCNN要好的多，而且在训练的过程中，SSD的速度明显快于Faster RCNN，主要是因为SSD将分类和位置回归压缩到一个网络中，实现了端到端的处理，从而节省了大量时间。但是对于风扇，二者都为0，主要原因是图片中风扇的目标非常少而且所占像素比也不高，从而导致了识别效果极差。
Claims (4)
1.一种用于电网识别遥感图像处理方法，其特征在于，包括以下步骤：
S1，对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；
S2，采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型；采用暗通道去雾方法对待识别电网遥感图像进行预处理；
在RGB三个通道中取最小值组成灰度图，然后通过最小值滤波得到，其最终计算公式为：
其中I(x)是现有的图像，J(x)为去雾后的图像，A为大气光成分，t(x)为透射率；采用图像增强的空间域的去雾方法对待识别电网遥感图像进行去雾处理；将已知电网遥感图像进行尺寸调整并进行标注，然后对卷积神经网络模型进行训练，对于输入输出的特征图通道数都为单位通道时，设二维的输入特征图IεRHin*Win,二维输出特征图OεRHout*Wout；
卷积运算的方法为:
Hin和Win分别为特征输入图的高和宽，Hout和Wout分别为输出特征图的高和宽，i,j分别为输入特征图中Hin与Win方向上的像素索引，kh与kw分别为卷积核的高和宽；m,n分别为卷积核中各采样点在kh与kw方向上的索引；
当输入与输出特征图通道数为多通道时，设输入通道数为Cin，输出通道数为Cout，卷积核K变为四维张量，其尺寸为Cout×Cin×kh×kw，卷积计算公式为：
将提取的特征与检测模型中标注的电网遥感图像特征进行匹配时，对提取的特征进行平移和尺度缩放：
先做平移(Δx,Δy),Δx＝Pwdx(P),Δy＝Phdy(P)：
尺度缩放(Sw,Sh),Sw＝exp(dw(p)),Sh＝exp(dh(P))对应公式为：
在特征比对过程中，采用非极大值抑制方法获取预测值；
1)，将所有候选框进行分类，然后按照置信度从高到低进行排序，最后选择置信度最高的候选框；
2)，计算选中的候选框和剩下的候选框之间的交并比；筛选出交并比小于阀值的候选框；
3)，对剩下的所有候选框重复1)和2)步骤，得到置信度最高且交并比小于阀值的候选框为最终的预测值。
2.一种用于电网识别遥感图像处理方法，其特征在于，包括以下步骤：
S1，对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；
S2，采用信息标注的已知电网遥感图像进行训练得到的检测模型，对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型；采用暗通道去雾方法对待识别电网遥感图像进行预处理；
在RGB三个通道中取最小值组成灰度图，然后通过最小值滤波得到，其最终计算公式为：
其中I(x)是现有的图像，J(x)为去雾后的图像，A为大气光成分，t(x)为透射率；采用频率域通过同态滤波进行去雾处理；将已知电网遥感图像进行尺寸调整并进行标注，然后对卷积神经网络模型进行训练，对于输入输出的特征图通道数都为单位通道时，设二维的输入特征图IεRHin*Win,二维输出特征图OεRHout*Wout；
卷积运算的方法为:
Hin和Win分别为特征输入图的高和宽，Hout和Wout分别为输出特征图的高和宽，i,j分别为输入特征图中Hin与Win方向上的像素索引，kh与kw分别为卷积核的高和宽；m,n分别为卷积核中各采样点在kh与kw方向上的索引；
当输入与输出特征图通道数为多通道时，设输入通道数为Cin，输出通道数为Cout，卷积核K变为四维张量，其尺寸为Cout×Cin×kh×kw，卷积计算公式为：
将提取的特征与检测模型中标注的电网遥感图像特征进行匹配时，对提取的特征进行平移和尺度缩放：
先做平移(Δx,Δy),Δx＝Pwdx(P),Δy＝Phdy(P)：
尺度缩放(Sw,Sh),Sw＝exp(dw(p)),Sh=exp(dh(P))对应公式为：
在特征比对过程中，采用非极大值抑制方法获取预测值；
1)，将所有候选框进行分类，然后按照置信度从高到低进行排序，最后选择置信度最高的候选框；
2)，计算选中的候选框和剩下的候选框之间的交并比；筛选出交并比小于阀值的候选框；
3)，对剩下的所有候选框重复1)和2)步骤，得到置信度最高且交并比小于阀值的候选框为最终的预测值。
3.根据权利要求1所述的一种用于电网识别遥感图像处理方法，其特征在于，预处理前，将待识别电网遥感图像进行的尺寸进行调整与用于检测模型训练的图像尺寸一致。
4.一种用于实现权利要求1所述方法的电网识别遥感图像处理系统，其特征在于，包括预处理模块和检测模块，
预处理模块用于对待识别电网遥感图像进行预处理，去除待识别电网遥感图像的无关信息；检测模块用于存储检测模型，检测模型基于信息标注的已知电网遥感图像进行训练得到，利用检测模型对预处理后的待识别电网遥感图像进行特征提取，然后将提取的特征与检测模型中标注的电网遥感图像特征进行匹配，匹配度最高的即为待识别电网遥感图像的电网类型，并将检测结果输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970917.4A CN113689399B (zh) | 2021-08-23 | 2021-08-23 | 一种用于电网识别遥感图像处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110970917.4A CN113689399B (zh) | 2021-08-23 | 2021-08-23 | 一种用于电网识别遥感图像处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113689399A CN113689399A (zh) | 2021-11-23 |
| CN113689399B true CN113689399B (zh) | 2024-05-31 |
Family
ID=78581614
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110970917.4A Active CN113689399B (zh) | 2021-08-23 | 2021-08-23 | 一种用于电网识别遥感图像处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113689399B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115131682A (zh) * | 2022-07-19 | 2022-09-30 | 云南电网有限责任公司电力科学研究院 | 一种基于遥感图像的电网分布情况绘制方法及系统 |
Citations (6)
| 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 |
| CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
| CN111461006A (zh) * | 2020-03-31 | 2020-07-28 | 哈尔滨航耀光韬科技有限公司 | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 |
| CN111797676A (zh) * | 2020-04-30 | 2020-10-20 | 南京理工大学 | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 |
| WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN113221731A (zh) * | 2021-05-10 | 2021-08-06 | 西安电子科技大学 | 一种多尺度遥感图像目标检测方法及系统 |
-
2021
- 2021-08-23 CN CN202110970917.4A patent/CN113689399B/zh active Active
Patent Citations (6)
| 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 |
| CN109344774A (zh) * | 2018-10-08 | 2019-02-15 | 国网经济技术研究院有限公司 | 遥感影像中的火力发电站目标识别方法 |
| WO2020244261A1 (zh) * | 2019-06-05 | 2020-12-10 | 中国科学院长春光学精密机械与物理研究所 | 高分辨率遥感图像的场景识别系统及模型生成方法 |
| CN111461006A (zh) * | 2020-03-31 | 2020-07-28 | 哈尔滨航耀光韬科技有限公司 | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 |
| CN111797676A (zh) * | 2020-04-30 | 2020-10-20 | 南京理工大学 | 一种高分辨率遥感图像目标在轨轻量化快速检测方法 |
| CN113221731A (zh) * | 2021-05-10 | 2021-08-06 | 西安电子科技大学 | 一种多尺度遥感图像目标检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于卫星遥感影像的输电线路异物故障特征分析;聂鼎;黄然;周仿荣;赵现平;沈志;方明;马仪;;云南电力技术(第04期);全文 * |
| 基于无人机图像识别技术的输电线路缺陷检测;李宁;郑仟;谢贵文;陈炜;;电子设计工程(第10期);全文 * |
| 基于深度卷积神经网络的遥感影像目标检测;孙梓超;谭喜成;洪泽华;董华萍;沙宗尧;周松涛;杨宗亮;;上海航天(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113689399A (zh) | 2021-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| CN109034184B (zh) | 一种基于深度学习的均压环检测识别方法 | |
| CN113344475B (zh) | 基于序列模态分解的变压器套管缺陷识别方法及系统 | |
| CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
| Pan et al. | No-reference assessment on haze for remote-sensing images | |
| CN113989613A (zh) | 一种应对复杂环境的轻量级高精度船舶目标检测方法 | |
| CN114772208B (zh) | 一种基于图像分割的非接触式皮带撕裂检测系统及方法 | |
| CN112365467B (zh) | 一种基于单幅图像深度估计的雾天图像能见度估计方法 | |
| CN114119586A (zh) | 一种基于机器视觉的飞机蒙皮缺陷智能检测方法 | |
| CN116311254B (zh) | 一种恶劣天气情况下的图像目标检测方法、系统及设备 | |
| CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
| CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
| CN110826577A (zh) | 一种基于目标跟踪的高压隔离开关状态跟踪识别方法 | |
| CN113689399B (zh) | 一种用于电网识别遥感图像处理方法及系统 | |
| CN117745709A (zh) | 一种铁路异物侵限检测方法、系统、设备及介质 | |
| CN113781388A (zh) | 基于图像增强的输电线路通道隐患图像识别方法及装置 | |
| CN117541535A (zh) | 一种基于深度卷积神经网络的输电线路巡检图像检测方法 | |
| CN113450318A (zh) | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 | |
| CN117422677A (zh) | 一种机载端用电力线路图像缺陷检测方法、装置及系统 | |
| CN113256563A (zh) | 基于空间注意力机制的精品罐表面缺陷检测方法和系统 | |
| CN116824352A (zh) | 一种基于语义分割与图像异常检测的水面漂浮物识别方法 | |
| CN116994161A (zh) | 一种基于改进YOLOv5的绝缘子缺陷检测方法 | |
| CN116519710A (zh) | 一种用于复合绝缘子表面污秽状态的检测方法及系统 | |
| CN113192018B (zh) | 基于快速分割卷积神经网络的水冷壁表面缺陷视频识别方法 | |
| CN114998248A (zh) | 一种输变电设备缺陷图像自动识别方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240315 Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant after: Shenzhen Wanzhida Technology Co.,Ltd. Country or region after: China Address before: 710064 middle section, south two ring road, Shaanxi, Xi'an Applicant before: CHANG'AN University Country or region before: China |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240422 Address after: 753099 No. 225, Chaoyang West Street, Dawukou District, Shizuishan City, Ningxia Hui Autonomous Region Applicant after: SHIZUISHAN POWER SUPPLY COMPANY OF STATE GRID NINGXIA ELECTRIC POWER CO.,LTD. Country or region after: China Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province Applicant before: Shenzhen Wanzhida Technology Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |