CN114565802A - 一种风力发电机提取方法 - Google Patents
一种风力发电机提取方法 Download PDFInfo
- Publication number
- CN114565802A CN114565802A CN202111535160.2A CN202111535160A CN114565802A CN 114565802 A CN114565802 A CN 114565802A CN 202111535160 A CN202111535160 A CN 202111535160A CN 114565802 A CN114565802 A CN 114565802A
- Authority
- CN
- China
- Prior art keywords
- wind driven
- driven generator
- grid
- grid center
- center point
- 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
Images
Classifications
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种风力发电机提取方法,包括以下步骤:构建训练样本集;采用所述训练样本集,对卷积神经网络进行训练,得到训练好的卷积神经网络;采用训练好的卷积神经网络,对输入的图片进行风力发电机提取。本发明根据遥感影像中风力发电机的特点,提供一种风力发电机提取方法,在大范围区域中,能准确、高效的获取风力发电机的数量和空间位置分布。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种风力发电机提取方法。
背景技术
随着现代化城市建设进程的加快,化石能源不断被消耗,地球环境也遭受着巨大的破坏,为了缓解能源枯竭和气候变化的窘境,国际社会更加注重清洁能源的开发和利用。近几年,风能的利用发展非常迅速,在世界范围内得到大规模的部署。面对数量巨大的风力发电机,如何对其进行有效的管理,在优化局部能源输送,进一步挖掘能源布局空间和提升清洁能源利用水平等方面具有重要意义。
现有技术中,主要采用实地的人工解译方法统计风力发电机的数量和位置,消耗大量的人力物力,而且效率较低。
发明内容
针对现有技术存在的缺陷,本发明提供一种风力发电机提取方法,可有效解决上述问题。
本发明采用的技术方案如下:
本发明提供一种风力发电机提取方法,包括以下步骤:
步骤1,构建训练样本集;所述训练样本集包括多个训练样本;每个所述训练样本为风力发电机图片样本;在所述风力发电机图片样本中,具有风力发电机影像,所述风力发电机影像具有最小外接矩形,形成所述风力发电机影像的标注框;
步骤2,构建卷积神经网络;所述卷积神经网络包括a*b*2个卷积核;
步骤3,采用所述训练样本集,对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
具体方法为:
步骤3.1,对于训练样本集中的任意风力发电机图片样本,表示为:风力发电机图片样本F,输入多尺度卷积网络进行初步特征提取,得到风力发电机特征图F0;
步骤3.2,将风力发电机特征图F0按分辨率大小格网化为n行m列个网格,每个网格的中心对应一个像素值;在每个网格的中心选择网格中心点;由此得到n行m列网格中心点;
在n行m列网格中心点中,以a行b列网格中心点为一组,以步长为S,得到u组网格中心点集合;对于任意一组网格中心点集合,表示为:Pi={pi1,pi2,...,piv},其中,i=1,2,...,u;v=a*b,代表每个网格中心点集合包括的网格中心点的总数;其中,a≤n;b≤m;S≤a;S≤b;
对于网格中心点集合Pi中的每个网格中心点pij,其中,j=1,2,...,v,为三元组{xij,yij,pixelij},其中,xij,yij,pixelij分别代表网格中心点pij在特征图F0中的横坐标、纵坐标以及对应位置的像素值;
步骤3.3,对于每个网格中心点集合Pi,均执行以下操作,得到网格中心点集合Pi中各个网格中心点的第一次偏移量:
网格中心点集合Pi的各个网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个网格中心点的像素值进行特征识别,得到每个网格中心点的第一次偏移量;其中,每个网格中心点的第一次偏移量包括x向偏移量△x与y向偏移量△y;各个网格中心点的第一次偏移量相互独立;
步骤3.4,然后,对于每个网格中心点集合Pi,使其各个网格中心点按自身的第一次偏移量进行移动,从而得到第一次移动后的网格中心点集合,表示为:网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
由此共得到u组第一次移动后的网格中心点集合;在风力发电机特征图F0中,保留u组第一次移动后的网格中心点在风力发电机特征图F0的像素值,根据网格中心点集合Pi [1]在风力发电机特征图F0的位置,查找网格中心点集合Pi [1]中v个网格中心点各自在风力发电机特征图F0中的邻域的像素值,对查找到的各邻域的像素值进行插值,插值结果作为网格中心点集合Pi [1]中各网格中心点的像素值,再对得到的网格中心点集合Pi [1]中各网格中心点的像素值进行S*S的池化计算,得到u组池化结果依次排列组成空间信息增强的风力发电机特征图,表示为风力发电机特征图F1;其中,风力发电机特征图F1和风力发电机特征图F0尺寸相同;
步骤3.5,对于风力发电机特征图F1,包括u组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
对于每组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},均执行以下步骤,进行位置微调:
步骤3.5.1,第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},包括v个第一次移动后的网格中心点;每个第一次移动后的网格中心点具有在风力发电机特征图F1中的横坐标、纵坐标以及对应位置的像素值;
步骤3.5.2,将v个第一次移动后的网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个第一次移动后的网格中心点的像素值进行特征识别,得到每个第一次移动后的网格中心点的第二次偏移量,使每个第一次移动后的网格中心点按自身的第二次偏移量在风力发电机特征图F1进行移动,从而得到第二次移动后的网格中心点;
v个第二次移动后的网格中心点形成第二次移动后的网格中心点集合Pi [2]={pi1 [2],pi2 [2],...,piv [2]};
步骤3.6,由此共得到u组第二次移动后的网格中心点集合,分别为:P1 [2],P2 [2],...,Pu [2];
采用以下方法,对P1 [2],P2 [2],...,Pu [2]进行筛选,得到筛选后的w个网格中心点集合:
步骤3.6.1,将风力发电机图片样本F中的标注框映射到风力发电机特征图F1,使风力发电机特征图F1中具有对应的标注框;
步骤3.6.2,对于第二次移动后的网格中心点集合Pi [2],计算其与风力发电机特征图F1中标注框的重合度,如果重合度大于等于阈值,则保留;如果重合度小于阈值,则舍弃;
步骤3.7,对于步骤3.6筛选后的w个网格中心点集合,采用损失函数计算损失值,如果损失值小于设定值,则对卷积神经网络训练结束,得到训练好的卷积神经网络,执行步骤4;否则,根据损失值调节卷积神经网络的网络参数,得到更新后的卷积神经网络;
然后,对于更新后的卷积神经网络,采用剩余风力发电机图片样本继续训练;如此不断迭代,直到得到训练好的卷积神经网络,执行步骤4;
步骤4,采用训练好的卷积神经网络,对输入的图片进行风力发电机提取。
优选的,步骤4具体为:
将需要提取的图片称为图片G;以图片G替换步骤3.1的风力发电机图片样本F,以训练好的卷积神经网络为特征提取网络,执行步骤3.1-步骤3.5,得到多个第二次移动后的网格中心点集合,第二次移动后的所有网格中心点集合的总外接矩形区域,即为在图片G中提取到的风力发电机影像目标。
本发明提供的一种风力发电机提取方法具有以下优点:
本发明根据遥感影像中风力发电机的特点,提供一种风力发电机提取方法,在大范围区域中,能准确、高效的获取风力发电机的数量和空间位置分布。
附图说明
图1为本发明提供的一种风力发电机提取方法的流程示意图;
图2为本发明提供的标注后的风力发电机图片样本示意图;
图3为本发明提供的部分地区的风力发电机提取结果图;
图4为本发明提供的风力发电机特征图F0设置网格中心点集合的原理图;
图5为本发明提供的网格中心点按第一次偏移量进行移动的示意图;
图6为本发明提供的风力发电机特征图F1的生成过程原理图。
具体实施方式
为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明根据遥感影像中风力发电机的特点,提供一种风力发电机提取方法,在大范围区域中,使用较少的人力物力就能准确、高效的获取风力发电机的数量和空间位置分布。
参考图1,本发明提供一种风力发电机提取方法,包括以下步骤:
步骤1,构建训练样本集;所述训练样本集包括多个训练样本;每个所述训练样本为风力发电机图片样本;在所述风力发电机图片样本中,具有风力发电机影像,所述风力发电机影像具有最小外接矩形,形成所述风力发电机影像的标注框。
由于风力发电机分布范围广,涉及多种地貌环境,为减少风力发电机样本的背景干扰,提高模型的鲁棒性,选取点位制作样本时,在多种地貌环境中均匀选择。
在具体实现上,训练样本集可采用以下方法获得:
步聚1.1:获取风力发电机点位数据。
获取丘陵、戈壁、沿海、草原等多种地貌背景的GF-2卫星遥感影像,目视识别风力发电机中心位置,获得风力发电机中心点的经纬度坐标。基于风力发电机在GF-2卫星遥感影像的特点和大小,从风力发电机中心点向外扩1024x1024像素得到包含风力发电机的风力发电机矢量数据;
步骤1.2:制作标准的风力发电机训练样本集。
利用步骤1.1得到的风力发电机矢量数据裁剪GF-2卫星遥感影像,得到1024x1024像素的风力发电机切片(以RGB三波段组合的图像)。
在风力发电机切片中,以风力发电机目标为中心,采用基于python编写的标注工具,作风力发电机外接矩形框标注,从而制作得到标准的风力发电机图片样本;作为一种具体实现方式,在遥感影像中,风力发电机的阴影总是伴随风力发电机一同出现,并且在遥感影像上清晰可见,标注时,将阴影作为辅助特征与白色的风力发电机一起作外接矩形框进行标注。如图2所示,为标注后的风力发电机图片样本示意图。
步骤2,构建卷积神经网络;所述卷积神经网络包括a*b*2个卷积核;
考虑到风力发电机目标在卫星遥感影像上占据空间大、棱角突出、风力发电机目标姿态多变、颜色单一,并易受到背景干扰等特点,本发明提供了卷积神经网络,从像素出发,学习风力发电机目标的边缘特征来确定风力发电机目标位置,实现风力发电机的准确提取,基于风力发电机主要由修长的塔筒和叶片组成,表面呈白色,在特征图检测中引入关键点检测,可以充分利用风力发电机目标固定的颜色特征,并适应风力发电机目标形状变化的特性,训练得到的卷积神经网络具有非常优良的性能,提取风力发电机的效果显著,有效提升了风力发电机目标识别精度。
步骤3,采用所述训练样本集,对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
具体方法为:
步骤3.1,对于训练样本集中的任意风力发电机图片样本,表示为:风力发电机图片样本F,输入多尺度卷积网络进行初步特征提取,得到风力发电机特征图F0;
本步骤具体可通过以下方式实现:
步骤3.1.1,多尺度卷积网络对风力发电机图片样本F分别经过4倍、8倍、16倍、32倍、64倍下采样,得到特征图C0、特征图C1、特征图C2、特征图C3和特征图C4;
由于深层特征图下采样倍数大导致部分语义信息的丢失,因此,采用以下方式进行特征融合:
特征图C4进行2倍上采样,再与特征图C3进行融合,得到细粒度特征更高的特征图P3;
特征图C3进行2倍上采样,再与特征图C2进行融合,得到细粒度特征更高的特征图P2;
特征图C2进行2倍上采样,再与特征图C1进行融合,得到细粒度特征更高的特征图P1;
特征图C1进行2倍上采样,再与特征图C0进行融合,得到细粒度特征更高的特征图P0;
对特征图C4进行卷积和2倍下采样,得到特征图P4。
步骤3.1.2,统计样本中风力发电机目标的标注框面积,选取合适尺度特征图进行检测。
根据风力发电机自身规模大小不同以及在遥感影像中受不同经纬度影响的成像差异,基于遥感影像制作的样本数据中的风力发电机目标的标注框大小具有一定差距,编写python代码统计标注框的面积,得到标注框面积大小的主要分布区间。
经统计,特征图P0下采样倍数小,数据量大,包含大量背景信息,不用于风力发电机目标检测;
特征图P1和特征图P2可以较完整保留中小型标注框信息,数据量适中,用于风力发电机目标检测;
特征图P3对大型标注框信息保留较好,数据量较小,适合检测大尺度目标;
特征图P4下采样倍数大,中小型标注框信息丢失严重,大型标注框信息保留少,不用于风力发电机目标检测。
因此,最终选取特征图P1、特征图P2、特征图P3作为风力发电机特征图F0,进行后续步骤的卷积神经网络的训练。
步骤3.2,将风力发电机特征图F0按分辨率大小格网化为n行m列个网格,每个网格的中心对应一个像素值;在每个网格的中心选择网格中心点;由此得到n行m列网格中心点;
例如,参考图4,为风力发电机特征图F0设置网格中心点集合的原理图。在图4中,将风力发电机特征图F0格网化为7行7列个网格,即:n=7,m=7。
在n行m列网格中心点中,以a行b列网格中心点为一组,以步长为S,得到u组网格中心点集合;对于任意一组网格中心点集合,表示为:Pi={pi1,pi2,...,piv},其中,i=1,2,...,u;v=a*b,代表每个网格中心点集合包括的网格中心点的总数;其中,a≤n;b≤m;S≤a;S≤b;
仍然参考图4,在7行7列的风力发电机特征图F0中,以3行3列网格中心点为一组,步长S设置为1,可得到25组网格中心点集合,每个网格中心点集合包括3*3=9个网格中心点。即:u=25,v=9,a=3,b=3。
对于网格中心点集合Pi中的每个网格中心点pij,其中,j=1,2,...,v,为三元组{xij,yij,pixelij},其中,xij,yij,pixelij分别代表网格中心点pij在特征图F0中的横坐标、纵坐标以及对应位置的像素值;
步骤3.3,对于每个网格中心点集合Pi,均执行以下操作,得到网格中心点集合Pi中各个网格中心点的第一次偏移量:
网格中心点集合Pi的各个网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个网格中心点的像素值进行特征识别,得到每个网格中心点的第一次偏移量;其中,每个网格中心点的第一次偏移量包括x向偏移量△x与y向偏移量△y;各个网格中心点的第一次偏移量相互独立;
步骤3.4,然后,对于每个网格中心点集合Pi,使其各个网格中心点按自身的第一次偏移量进行移动,从而得到第一次移动后的网格中心点集合,表示为:网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
步骤3.3和步骤3.4的原理如图5所示,为网格中心点按第一次偏移量进行移动的示意图。在图5中,由于每个网格中心点集合包括9个网格中心点,而每个网格中心点需要计算两个分量,分别为:x向偏移量△x与y向偏移量△y,因此,共设置18个3*3的卷积核形成的卷积神经网络,从而输出每个网格中心点的第一次偏移量,并进行移动。
由此共得到u组第一次移动后的网格中心点集合;在风力发电机特征图F0中,保留u组第一次移动后的网格中心点在风力发电机特征图F0的像素值,根据网格中心点集合Pi [1]在风力发电机特征图F0的位置,查找网格中心点集合Pi [1]中v个网格中心点各自在风力发电机特征图F0中的邻域的像素值,对查找到的各邻域的像素值进行插值,插值结果作为网格中心点集合Pi [1]中各网格中心点的像素值,再对得到的网格中心点集合Pi [1]中各网格中心点的像素值进行S*S的池化计算,得到u组池化结果依次排列组成空间信息增强的风力发电机特征图,表示为风力发电机特征图F1;其中,风力发电机特征图F1和风力发电机特征图F0尺寸相同;
参考图6,为风力发电机特征图F1的生成过程原理图。
步骤3.5,对于风力发电机特征图F1,包括u组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
对于每组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},均执行以下步骤,进行位置微调:
步骤3.5.1,第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},包括v个第一次移动后的网格中心点;每个第一次移动后的网格中心点具有在风力发电机特征图F1中的横坐标、纵坐标以及对应位置的像素值;
步骤3.5.2,将v个第一次移动后的网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个第一次移动后的网格中心点的像素值进行特征识别,得到每个第一次移动后的网格中心点的第二次偏移量,使每个第一次移动后的网格中心点按自身的第二次偏移量在风力发电机特征图F1进行移动,从而得到第二次移动后的网格中心点;
v个第二次移动后的网格中心点形成第二次移动后的网格中心点集合Pi [2]={pi1 [2],pi2 [2],...,piv [2]};
步骤3.6,由此共得到u组第二次移动后的网格中心点集合,分别为:P1 [2],P2 [2],...,Pu [2];
采用以下方法,对P1 [2],P2 [2],...,Pu [2]进行筛选,得到筛选后的w个网格中心点集合:
步骤3.6.1,将风力发电机图片样本F中的标注框映射到风力发电机特征图F1,使风力发电机特征图F1中具有对应的标注框;
步骤3.6.2,对于第二次移动后的网格中心点集合Pi [2],计算其与风力发电机特征图F1中标注框的重合度,如果重合度大于等于阈值,则保留;如果重合度小于阈值,则舍弃;
步骤3.7,对于步骤3.6筛选后的w个网格中心点集合,采用损失函数计算损失值,如果损失值小于设定值,则对卷积神经网络训练结束,得到训练好的卷积神经网络,执行步骤4;否则,根据损失值调节卷积神经网络的网络参数,得到更新后的卷积神经网络;
然后,对于更新后的卷积神经网络,采用剩余风力发电机图片样本继续训练;如此不断迭代,直到得到训练好的卷积神经网络,执行步骤4;
实际应用中,可将制作得到的风力发电机图片样本集,以10:1随机划分为训练集trainset和验证集validateset;采用训练集trainset对卷积神经网络进行训练;采用验证集validateset对训练后的卷积神经网络的性能进行检测,将每个验证样本中识别到的发电机影像与标注框真值进行对比,从而得到卷积神经网络的识别准确率,进而可评估训练得到的卷积神经网络的性能。
步骤4,采用训练好的卷积神经网络,对输入的图片进行风力发电机提取。
步骤4具体为:将需要提取的图片称为图片G;以图片G替换步骤3.1的风力发电机图片样本F,以训练好的卷积神经网络为特征提取网络,执行步骤3.1-步骤3.5,得到多个第二次移动后的网格中心点集合,第二次移动后的所有网格中心点集合的总外接矩形区域,即为在图片G中提取到的风力发电机影像目标。
本发明提供一种风力发电机提取方法,主要原理为:
1)风力发电机特征图F0,有可能包括多个风力发电机影像,因此,本发明将风力发电机特征图F0格网化后,例如,格网化为7行7列个网格,然后,采用25组3行3列网格中心点集合,每个3*3网格中心点集合对应风力发电机特征图F0的一个小区域,用于检测风力发电机特征图F0在该小区域中是否存在风力发电机影像。所以,通过设置25组3行3列网格中心点集合,能够一次性全面检测提取风力发电机特征图F0的风力发电机影像,具有风力发电机影像提取效率高的优点,非常适合对大范围区域中精确快速的实现风力发电机的提取检测。
2)针对一组3*3网格中心点形成的集合,首先通过步骤3.3的方式实现3*3网格中心点第一次偏移量的计算和调整,原理为:由于一组3*3网格中心点对应的风力发电机特征图F0的小区域可能不含风力发电机影像,或者,3*3网格中心点不在风力发电机影像的边缘位置,因此,通过卷积神经网络生成第一次偏移量,可使3*3网格中心点进行第一次移动,使3*3网格中心点向靠近风力发电机影像边缘位置调整。
3*3网格中心点进行第一次移动调节位置后,采用步骤3.4的方式,通过插值和池化方式,得到空间信息增强的风力发电机特征图F1;
然后,采用步骤3.5的方式计算得到第二次偏移量,对第一次移动后的3*3网格中心点的位置微调,使3*3网格中心点更准确地落在风力发电机影像的边缘位置。
最后,采用步骤3.6的方式,对各组3*3网格中心点进行筛选。
如图3所示,为部分地区的风力发电机提取结果图。通过对某个区域进行风力发电机提取,可获得该区域风力发电机的数量和空间位置分布,适用于在大范围区域中准确地提取风力发电机。
本发明可在大范围区域中精确快速的实现风力发电机的提取检测,进而获得风力发电机的空间位置布局和数量情况,结合局部地区供电需求高低,更合理的输送风电,可以提高风电的利用率,缓解部分地区的供电压力和减少化石能源的消耗。此外,根据风力发电机的现有布局,可以进一步发掘在某些地区安装风力发电机的潜在可能,完善能源布局和输送。与互联网的结合,还可以实现风力发电机的实时监测,将更加便捷相关部门对风力发电机的管理工作,提高利用清洁能源的水平。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (2)
1.一种风力发电机提取方法,其特征在于,包括以下步骤:
步骤1,构建训练样本集;所述训练样本集包括多个训练样本;每个所述训练样本为风力发电机图片样本;在所述风力发电机图片样本中,具有风力发电机影像,所述风力发电机影像具有最小外接矩形,形成所述风力发电机影像的标注框;
步骤2,构建卷积神经网络;所述卷积神经网络包括a*b*2个卷积核;
步骤3,采用所述训练样本集,对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
具体方法为:
步骤3.1,对于训练样本集中的任意风力发电机图片样本,表示为:风力发电机图片样本F,输入多尺度卷积网络进行初步特征提取,得到风力发电机特征图F0;
步骤3.2,将风力发电机特征图F0按分辨率大小格网化为n行m列个网格,每个网格的中心对应一个像素值;在每个网格的中心选择网格中心点;由此得到n行m列网格中心点;
在n行m列网格中心点中,以a行b列网格中心点为一组,以步长为S,得到u组网格中心点集合;对于任意一组网格中心点集合,表示为:Pi={pi1,pi2,...,piv},其中,i=1,2,...,u;v=a*b,代表每个网格中心点集合包括的网格中心点的总数;其中,a≤n;b≤m;S≤a;S≤b;
对于网格中心点集合Pi中的每个网格中心点pij,其中,j=1,2,...,v,为三元组{xij,yij,pixelij},其中,xij,yij,pixelij分别代表网格中心点pij在特征图F0中的横坐标、纵坐标以及对应位置的像素值;
步骤3.3,对于每个网格中心点集合Pi,均执行以下操作,得到网格中心点集合Pi中各个网格中心点的第一次偏移量:
网格中心点集合Pi的各个网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个网格中心点的像素值进行特征识别,得到每个网格中心点的第一次偏移量;其中,每个网格中心点的第一次偏移量包括x向偏移量△x与y向偏移量△y;各个网格中心点的第一次偏移量相互独立;
步骤3.4,然后,对于每个网格中心点集合Pi,使其各个网格中心点按自身的第一次偏移量进行移动,从而得到第一次移动后的网格中心点集合,表示为:网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
由此共得到u组第一次移动后的网格中心点集合;在风力发电机特征图F0中,保留u组第一次移动后的网格中心点在风力发电机特征图F0的像素值,根据网格中心点集合Pi [1]在风力发电机特征图F0的位置,查找网格中心点集合Pi [1]中v个网格中心点各自在风力发电机特征图F0中的邻域的像素值,对查找到的各邻域的像素值进行插值,插值结果作为网格中心点集合Pi [1]中各网格中心点的像素值,再对得到的网格中心点集合Pi [1]中各网格中心点的像素值进行S*S的池化计算,得到u组池化结果依次排列组成空间信息增强的风力发电机特征图,表示为风力发电机特征图F1;其中,风力发电机特征图F1和风力发电机特征图F0尺寸相同;
步骤3.5,对于风力发电机特征图F1,包括u组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]};
对于每组第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},均执行以下步骤,进行位置微调:
步骤3.5.1,第一次移动后的网格中心点集合Pi [1]={pi1 [1],pi2 [1],...,piv [1]},包括v个第一次移动后的网格中心点;每个第一次移动后的网格中心点具有在风力发电机特征图F1中的横坐标、纵坐标以及对应位置的像素值;
步骤3.5.2,将v个第一次移动后的网格中心点的像素值作为输入,同时输入到卷积神经网络,卷积神经网络对各个第一次移动后的网格中心点的像素值进行特征识别,得到每个第一次移动后的网格中心点的第二次偏移量,使每个第一次移动后的网格中心点按自身的第二次偏移量在风力发电机特征图F1进行移动,从而得到第二次移动后的网格中心点;
v个第二次移动后的网格中心点形成第二次移动后的网格中心点集合Pi [2]={pi1 [2],pi2 [2],...,piv [2]};
步骤3.6,由此共得到u组第二次移动后的网格中心点集合,分别为:P1 [2],P2 [2],...,Pu [2];
采用以下方法,对P1 [2],P2 [2],...,Pu [2]进行筛选,得到筛选后的w个网格中心点集合:
步骤3.6.1,将风力发电机图片样本F中的标注框映射到风力发电机特征图F1,使风力发电机特征图F1中具有对应的标注框;
步骤3.6.2,对于第二次移动后的网格中心点集合Pi [2],计算其与风力发电机特征图F1中标注框的重合度,如果重合度大于等于阈值,则保留;如果重合度小于阈值,则舍弃;
步骤3.7,对于步骤3.6筛选后的w个网格中心点集合,采用损失函数计算损失值,如果损失值小于设定值,则对卷积神经网络训练结束,得到训练好的卷积神经网络,执行步骤4;否则,根据损失值调节卷积神经网络的网络参数,得到更新后的卷积神经网络;
然后,对于更新后的卷积神经网络,采用剩余风力发电机图片样本继续训练;如此不断迭代,直到得到训练好的卷积神经网络,执行步骤4;
步骤4,采用训练好的卷积神经网络,对输入的图片进行风力发电机提取。
2.根据权利要求1所述的风力发电机提取方法,其特征在于,步骤4具体为:
将需要提取的图片称为图片G;以图片G替换步骤3.1的风力发电机图片样本F,以训练好的卷积神经网络为特征提取网络,执行步骤3.1-步骤3.5,得到多个第二次移动后的网格中心点集合,第二次移动后的所有网格中心点集合的总外接矩形区域,即为在图片G中提取到的风力发电机影像目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535160.2A CN114565802B (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111535160.2A CN114565802B (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114565802A true CN114565802A (zh) | 2022-05-31 |
CN114565802B CN114565802B (zh) | 2023-04-07 |
Family
ID=81711659
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111535160.2A Active CN114565802B (zh) | 2021-12-15 | 2021-12-15 | 一种风力发电机提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114565802B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107422369A (zh) * | 2017-07-27 | 2017-12-01 | 北京信息科技大学 | 一种基于通信网络及设备故障的地震高烈度区快速判断方法 |
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111008567A (zh) * | 2019-11-07 | 2020-04-14 | 郑州大学 | 一种驾驶员行为识别方法 |
CN111178432A (zh) * | 2019-12-30 | 2020-05-19 | 武汉科技大学 | 多分支神经网络模型的弱监督细粒度图像分类方法 |
CN111402139A (zh) * | 2020-03-25 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN113496480A (zh) * | 2021-05-13 | 2021-10-12 | 西安数合信息科技有限公司 | 一种焊缝图像缺陷的检测方法 |
-
2021
- 2021-12-15 CN CN202111535160.2A patent/CN114565802B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107422369A (zh) * | 2017-07-27 | 2017-12-01 | 北京信息科技大学 | 一种基于通信网络及设备故障的地震高烈度区快速判断方法 |
CN109086792A (zh) * | 2018-06-26 | 2018-12-25 | 上海理工大学 | 基于检测和识别网络架构的细粒度图像分类方法 |
CN111008567A (zh) * | 2019-11-07 | 2020-04-14 | 郑州大学 | 一种驾驶员行为识别方法 |
CN110889399A (zh) * | 2019-12-23 | 2020-03-17 | 北京航天泰坦科技股份有限公司 | 基于深度学习的高分辨率遥感影像弱小目标检测方法 |
CN111178432A (zh) * | 2019-12-30 | 2020-05-19 | 武汉科技大学 | 多分支神经网络模型的弱监督细粒度图像分类方法 |
CN111402139A (zh) * | 2020-03-25 | 2020-07-10 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备和计算机可读存储介质 |
CN113496480A (zh) * | 2021-05-13 | 2021-10-12 | 西安数合信息科技有限公司 | 一种焊缝图像缺陷的检测方法 |
Non-Patent Citations (2)
Title |
---|
MAHYAR等: "G-CNN:an Iterative Grid Based Object Detector", 《ARXIV》 * |
刘丽娟: "数字图像篡改盲取证技术研究", 《硕士电子期刊》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114565802B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
CN113160234B (zh) | 基于超分辨率和域自适应的无监督遥感图像语义分割方法 | |
CN111626947B (zh) | 基于生成对抗网络的地图矢量化样本增强方法及系统 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
CN113505842B (zh) | 一种适用于大尺度区域遥感影像城市建筑物自动提取方法 | |
CN112052783A (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
CN106600574A (zh) | 一种基于遥感影像与高程数据的滑坡提取方法 | |
CN113609896A (zh) | 基于对偶相关注意力的对象级遥感变化检测方法及系统 | |
CN115796712B (zh) | 区域陆地生态系统碳储量估算方法、装置、电子设备 | |
CN102521624A (zh) | 一种土地利用类型分类的方法和系统 | |
CN110992366A (zh) | 一种图像语义分割方法、装置及存储介质 | |
CN106097252A (zh) | 基于图Graph模型的高光谱图像超像素分割方法 | |
CN107688776A (zh) | 一种城市水体提取方法 | |
CN114373009A (zh) | 基于高分辨率遥感影像的建筑物阴影测高智能化计算方法 | |
CN102540169B (zh) | 一种基于遥感影像的水体制图产品质量评价方法 | |
CN102496185B (zh) | 基于多分辨率遥感影像离散点融合的dem构建方法 | |
Kalita et al. | Inception time DCNN for land cover classification by analyzing multi-temporal remotely sensed images | |
CN114565802B (zh) | 一种风力发电机提取方法 | |
US20220415022A1 (en) | Systems and methods for categorizing image pixels | |
CN114842356B (zh) | 一种高分辨率地表类型样本自动生成方法、系统及设备 | |
CN102706326B (zh) | 光束法空中三角测量文件数据处理方法 | |
CN116467946A (zh) | 一种基于深度学习的模式预报产品降尺度方法 | |
Deb et al. | Multiplet based technique to derive atmospheric winds from Kalpana-1 | |
Huang et al. | Simultaneous update of high-resolution land-cover mapping attempt: Wuhan and the surrounding satellite cities cartography using L2HNet | |
Giganti et al. | Multi-bvoc super-resolution exploiting compounds inter-connection |
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 |