CN115100544A - 输电线路星地协同外破监测预警方法、装置、设备及介质 - Google Patents
输电线路星地协同外破监测预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115100544A CN115100544A CN202211017037.6A CN202211017037A CN115100544A CN 115100544 A CN115100544 A CN 115100544A CN 202211017037 A CN202211017037 A CN 202211017037A CN 115100544 A CN115100544 A CN 115100544A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- distribution range
- set target
- neural network
- 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.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 199
- 238000012544 monitoring process Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 158
- 238000010276 construction Methods 0.000 claims abstract description 138
- 230000008859 change Effects 0.000 claims abstract description 111
- 230000003287 optical effect Effects 0.000 claims abstract description 101
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 70
- 238000005065 mining Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 30
- 239000002689 soil Substances 0.000 claims description 28
- 238000012795 verification Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010200 validation analysis Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000007 visual effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003897 fog Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001915 proofreading effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007958 sleep Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002618 waking effect Effects 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
- 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
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
Abstract
输电线路星地协同外破监测预警方法、装置、设备及介质涉及输电线路监测领域,包括基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的卷积神经网络模型及变化检测模型,得到设定目标的空间分布范围及变化空间分布范围;以设定目标为中心向外扩大设定倍数得到的新的范围与设定目标的空间分布范围和变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;基于输电线路设定范围内地表沉降情况以及判定结果确定输电线路的风险等级;本发明采用的光学卫星遥感正射影像覆盖范围广,且通过预先训练好的卷积神经网络模型和变化检测模型进行图像识别及目标匹配,准确的确定设定目标的空间分布范围及变化空间分布范围。
Description
技术领域
本发明涉及输电线路监测领域,具体涉及输电线路星地协同外破监测预警方法、装置、设备及介质。
背景技术
近年来,大规模基础设施建设导致的外破隐患日益增多,对输电线路安全稳定运行带来不小的挑战。据统计,外力破坏(施工作业)造成输电线路故障停运累计占所有故障比例超过36.4%。
从故障原因分析,施工作业造成的线路故障往往是因为管理不到位引起的。故障发生后的责任认定困难但绩效考核严厉。因此,如何实现大范围、精细化、多频次的输电通道施工作业预警并在外破发生后追责相关单位成为了公司管理部门关注的重要问题。
目前,解决施工作业监测防治的手段主要是利用可视化监拍(即摄像头)。通过大量的安装摄像头(包括单目摄像头、双目摄像头等),实现输电线路的全覆盖可视化。此外,还探索使用无人机、激光雷达等技术开展输电线路施工作业监测预警。
用卫星作为平台的遥远感知技术称为卫星遥感。卫星遥感的结果是一幅一幅的图像。该图像具有红绿蓝、近红外4个光谱波段,最高分辨率为0.3 m,即地面上0.3 m的物体对应着卫星遥感影像上的一个像素。
毫米波雷达,是工作在毫米波波段(millimeter wave)探测的雷达。通常毫米波是指30~300GHz频域(波长为1~10mm)的。毫米波的波长介于微波和厘米波之间,因此毫米波雷达兼有微波雷达和光电雷达的一些优点。
毫米波雷达具有体积小、质量轻和空间分辨率高的特点。与红外、激光、电视等光学雷达相比,毫米波雷达穿透雾、烟、灰尘的能力强,具有全天候(大雨天除外)全天时的特点。另外,毫米波雷达的抗干扰、反隐身能力也优于其他微波雷达。毫米波雷达能分辨识别很小的目标,而且能同时识别多个目标;具有成像能力,体积小、机动性和隐蔽性好。
民用上,毫米波雷达往往用于汽车自动驾驶和倒车雷达上。
综上所述现有的技术方案单纯使用摄像头、激光雷达等装置视野小,存在监测空白的问题以及现有摄像头海量图片/视频智能识别瓶颈问题。
发明内容
为了解决现有技术方案单纯使用摄像头、激光雷达等装置视野小,存在监测空白的问题以及现有摄像头海量图片/视频智能识别瓶颈问题,本发明提供了输电线路星地协同外破监测预警方法,包括:
基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
可选的,所述基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围,包括:
将待巡视输电线路区段的光学卫星遥感正射影像输入到预先训练好的卷积神经网络模型中,对设定目标进行智能识别得到所述设定目标的空间分布范围;
将待巡视输电线路区段多期的光学卫星遥感正射影像输入到预先训练好的变化检测模型中,对设定目标变化进行智能检测,得到设定目标变化空间分布范围。
可选的,所述基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果,包括:
当所述新的范围与设定目标的空间分布范围有重叠时,所述待巡视输电线路区段为施工作业区;
当所述新的范围与设定目标的空间分布范围没有重叠,且所述新的范围与设定目标变化空间分布范围没有交集时,所述待巡视输电线路区段不为施工作业区;
当在所述设定目标变化空间分布范围内,所述新的范围与设定目标的空间分布范围没有重叠时,经过进一步判断属于施工作业区的,所述待巡视输电线路区段属于施工作业区。
可选的,所述基于输电线路设定范围内地表沉降情况以及是否为施工作业区确定所述输电线路的风险等级,包括:
获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,将所述输电线路设定范围内地表沉降年速率超过设定速率阈值的区域确定为地质不稳定区;
如果所述地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
可选的,所述基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级包括:
当所述施工作业区和所述采动影响区距离输电线的距离不大于设定第一阈值时,所述施工作业区和所述采动影响区为高风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第一阈值小于等于第二阈值时,所述施工作业区和所述采动影响区为中风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第二阈值且小于等于第三设定阈值时,所述施工作业区和所述采动影响区为低风险区。
可选的,所述卷积神经网络的训练包括:
对获取的光学卫星遥感原始影像进行预处理,得到光学卫星遥感正射影像;
对光学卫星遥感正射影像上的设定目标进行勾画得到样本标签,由所述光学卫星遥感正射影像和对应的设定目标的空间分布范围构建样本集;
将所述样本集按照设定比例划分为训练集、验证集和测试集;
采用所述训练集中的光学卫星遥感正射影像作为所述卷积神经网络的输入,并将所述光学卫星遥感正射影像对应的设定目标的空间分布范围作为输出,对所述卷积神经网络进行训练,得到初步训练好的卷积神经网络模型;
基于所述验证集对所述初步训练好的卷积神经网络模型的损失值进行监测;
基于所述测试集对所述初步训练好的卷积神经网络模型的精度进行监测;
在所述初步训练好的卷积神经网络模型的损失值不小于设定损失阈值或者精度不高于设定阈值时,重复对所述初步训练好的卷积神经网络模型进行训练,得到新的初步训练好的卷积神经网络模型,直至当所述新的初步训练好的卷积神经网络模型的损失值小于设定损失阈值,并精度高于设定阈值时,将所述新的初步训练好的卷积神经网络模型作为训练好的卷积神经网络;
所述设定目标包括下述中的一个或多个:塔吊、车辆、裸土和矿山。
可选的,所述基于所述验证集对所述初步训练好的卷积神经网络模型的损失值进行监测,包括:
将所述验证集中的光学卫星遥感正射影像输入所述初步训练好的卷积神经网络模型,得到预测的设定目标的空间分布范围;基于所述预测的设定目标的空间分布范围和所述验证集中的设定目标的空间分布范围计算所述卷积神经网络的损失值。
可选的,基于所述预测的设定目标的空间分布范围和所述验证集中设定目标的空间分布范围计算所述卷积神经网络的损失值,包括:
基于验证集中的设定目标的空间分布范围和所述预测的设定目标的空间分布范围,分别计算所述卷积神经网络中隐藏层的损失;
对所有隐藏层的损失进行加权求和作为所述卷积神经网络的损失值。
可选的,所述基于所述测试集对所述初步训练好的卷积神经网络模型的精度进行监测,包括:
将所述测试集中的光学卫星遥感正射影像输入所述初步训练好的卷积神经网络模型,得到预测的设定目标的空间分布范围;
将所述预测的设定目标的空间分布范围与所述测试集中的设定目标的空间分布范围进行对比,得到所述预测的设定目标的空间分布范围相对于测试集中的设定目标的空间分布范围的精度。
可选的,所述变化检测模型的训练包括:
获取同一地点的多个时相的光学卫星遥感原始影像,并对所述多个时相的光学卫星遥感原始影像进行预处理,得到光学卫星遥感正射影像,以及每个时相的光学卫星遥感正射影像中设定目标的空间分布范围;
将每个时相的光学卫星遥感正射影像和对应的设定目标的空间分布范围构成多时相卫星遥感影像变化检测样本集;
对所述多时相卫星遥感影像变化检测样本集按照设定比例划分为训练集、验证集和测试集;
将所述训练集中的每一相卫星遥感影像输入到每条分支卷积神经网络中,并将对应的设定目标的空间分布范围作为所述分支卷积神经网络的输出进行训练,得到初步训练好的变化检测模型;
基于所述验证集对所述初步训练好的变化检测模型的损失值进行监测;
基于所述测试集对所述初步训练好的变化检测模型的精度进行监测;
在所述初步训练好的变化检测模型的损失值不小于设定损失阈值或者精度不高于设定阈值时,重复对所述初步训练好的变化检测模型进行训练,得到新的初步训练好的变化检测模型,直至当所述新的初步训练好的卷积神经网络模型的损失值小于设定损失阈值,并精度高于设定阈值时,将所述新的初步训练好的变化检测模型作为训练好的变化检测模型。
可选的,所述基于所述验证集对所述初步训练好的变化检测模型的损失值进行监测,包括:
基于验证集中的设定目标的空间分布范围和所述预测的设定目标的空间分布范围,计算每个分支卷积神经网络中隐藏层的损失;
对所有隐藏层的损失进行加权求和作为所述卷积神经网络的损失值。
可选的,所述基于所述测试集对所述初步训练好的变化检测模型的精度进行监测,包括:
将所述测试集中的光学卫星遥感正射影像输入所述初步训练好的变化检测模型,得到预测的设定目标的空间分布范围;
将所述预测的样本标签与所述测试集中的样本标签进行对比,得到所述预测的样本标签相对于测试集中的设定目标的空间分布范围的精度。
再一方面本发明还提供了输电线路星地协同外破监测预警系统,包括:
分布范围确定模块,用于基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
作业区确定模块,用于以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
风险等级确定模块,用于基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
可选的,所述分布范围确定模块包括:
空间分布范围子模块,用于将待巡视输电线路区段的光学卫星遥感正射影像输入到预先训练好的卷积神经网络模型中,对设定目标进行智能识别得到所述设定目标的空间分布范围;
变化空间分布范围子模块,用于将待巡视输电线路区段多期的光学卫星遥感正射影像输入到预先训练好的变化检测模型中,对设定目标变化进行智能检测,得到设定目标变化空间分布范围。
可选的,所述作业区确定模块具体用于:
当所述新的范围与设定目标的空间分布范围有重叠时,所述待巡视输电线路区段为施工作业区;
当所述新的范围与设定目标的空间分布范围没有重叠,且所述新的范围与设定目标变化空间分布范围没有交集时,所述待巡视输电线路区段不为施工作业区;
当在所述设定目标变化空间分布范围内,所述新的范围与设定目标的空间分布范围没有重叠时,经过进一步判断属于施工作业区的,所述待巡视输电线路区段属于施工作业区。
可选的,所述风险等级确定模块包括:
不稳定区子模块,用于获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,基于所述输电线路设定范围内地表沉降年速率超过设定速率阈值的区域确定为地质不稳定区;
采动影响区子模块,用于如果所述地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
等级确定子模块,用于基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
可选的,所述等级确定子模块具体用于:
当所述施工作业区和所述采动影响区距离输电线的距离不大于设定第一阈值时,所述施工作业区和所述采动影响区为高风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第一阈值小于等于第二阈值时,所述施工作业区和所述采动影响区为中风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第二阈值小于等于第三设定阈值时,所述施工作业区和所述采动影响区为低风险区。
再一方面,本申请还提供了一种计算设备,包括:一个或多个处理器;
处理器,用于执行一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的输电线路星地协同外破监测预警方法。
再一方面,本申请还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的输电线路星地协同外破监测预警方法。
与现有技术相比,本发明的有益效果为:
本发明提供了输电线路星地协同外破监测预警方法,包括基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;以设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;基于输电线路设定范围内地表沉降情况以及判定结果确定所述输电线路的风险等级;其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的,本发明采用的光学卫星遥感正射影像覆盖范围大,成本低,且通过预先训练好的卷积神经网络模型和预先训练好的变化检测模型进行智能识别,准确的确定设定目标的空间分布范围以及设定目标变化空间分布范围,并结合输电线路设定范围内地表沉降情况对输电线路的风险等级进行了准确的评估。
附图说明
图1为本发明的输电线路星地协同外破监测预警方法流程图;
图2 为本发明的总体技术路线示意图;
图3为本发明的遥感影像施工作业区相关目标识别网络结构示意图;
图4为本发明的遥感影像施工作业区相关目标变化检测网络结构示意图;
图5为本发明的输电线路星地协同外破监测预警系统部署示意图;
图6为本发明的输电线路星地协同外破监测预警系统业务流程图;
图7为本发明的雷视一体装置中毫米波雷达俯视覆盖图;
图8为本发明的雷视一体装置中毫米波雷达侧视覆盖图。
具体实施方式
如背景技术中所介绍,目前,解决施工作业监测防治的手段,方案一主要是利用可视化监拍(即摄像头)。通过大量的安装摄像头,实现输电线路的全覆盖可视化。
该技术的技术方案主要包括三部分:(1)拍照;(2)智能识别:前端边缘计算式或者后台云端智能识别;(3)人工校对。
摄像头防施工作业存在3个问题。
1)智能性不足。针对海量摄像头采集到的海量的图片数据,各单位致力于研发人工智能识别方法,希望能够智能识别。但现实是人工智能算法存在瓶颈,工程化应用精度大多在80%左右。因此,在算法自动化处理完成后仍需安排大量的人手人工分析与核对,最终找到风险点。
2)实时性不足。设备的供能多采用太阳能+高能锂离子电池的组合供能方式,且相关标准要求20天无光照运行,故现有策略为每30分钟拍摄,无法实现实时监测。
3)覆盖范围不足。摄像头受其驱动结构视场影响,视野受限,而且图像视频拍摄质量受天气影响大。经常拍摄的图片是雾蒙蒙的,而且存在事业死角,左右宽度也只有100 m-200 m。往往是等施工作业已经在线下了才开始响应。
方案二:
采用激光雷达技术,具体内容如下:
该技术的主要步骤是:
(1)将激光雷达装置安装在输电杆塔上;
(2)激光雷达主动发射激光点云,对视野范围内的物体三维建模。
(3)针对三维模型,高精度地识别出是否存在物体与输电线路的距离不够,精度是毫米级。
(4)如果距离不足,则启动报警。
激光雷达存在下面问题:
(1)单价高,激光雷达装置造价昂贵;
(2)功耗高,在输电线路上安装时没有市电,难以支撑24小时运行。
(3)处理比较复杂。在上述步骤2中,激光雷达三维建模需要算力较高,处理较为复杂。
综上所述现有的技术方案单纯使用摄像头、激光雷达等装置视野小,存在监测空白的问题以及现有摄像头海量图片/视频智能识别瓶颈问题。
为了改善上述问题,本发明采用了卫星遥感和毫米波雷达+摄像头的星地协同的技术,有力提升了输电线路施工作业监测预警自动化、可靠性水平。下面结合实施例对上述方案进行详细介绍。
实施例1:
输电线路星地协同外破监测预警方法,如图1所示,包括:
S1:基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
S2:以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
S3:基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
下面结合图2对本发明做详细介绍:
在S1之前还包括:对卷积神经网络模型和变化检测模型的训练。
(一)光学卫星影像智能识别施工作业区:
首先,利用光学卫星影像开展施工作业区识别。输入是亚米级高分辨率光学卫星遥感影像,输出是施工作业区识别结果。
利用卫星遥感技术,实现输电线路左右2 km范围内施工作业区定期识别,将现有摄像头、激光雷达仅观测输电线路左右100 m范围提升至输电线路左右2 km范围,避免施工作业到线下才能发现的问题,促进施工作业防治、宣贯管理关口前移。
利用卫星遥感技术实现大范围输电线路全覆盖普查,弥补了摄像头、激光雷达没有覆盖区域的监测空白,优化摄像头、激光雷达布局。解决了现有摄像头海量图片/视频智能识别瓶颈。
利用毫米波雷达对施工作业机械的高精度定位、检测,引导摄像头拍照取证,可以保证照片抓拍施工作业隐患的有效性,避免了人工后期的海量数据筛查。将现有图像智能识别70%-80%的精度提升至95%以上,即通过毫米波雷达检测后可以保证95%以上的抓拍影像的有效性。
毫米波雷达功耗小,可以实现24小时全天时开机,发现隐患启动摄像头抓拍取证,最大限度地保证施工作业的不间断监测。将现有摄像头半小时/次的抓拍频率提升至1分钟/次。
使用的方法如下:
(1)构建施工作业区相关的样本集:
①影像预处理。针对获取的光学卫星遥感原始影像,开展几何校正、辐射校正、匀色等预处理,得到光学卫星遥感正射影像。
②样本库制作。在光学卫星遥感正射影像上,利用现有LabelImg软件对光学卫星遥感正射影像上的设定目标进行勾画得到样本标签,这里的设定目标包括塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土),这里的样本标签为设定目标的空间分布范围。保证每个样本大小为128×128像元,每类目标包含实例个数不低于1000个,且各类别实例数量保持均衡。将标签和光学卫星遥感正射影像规范存储,并将样本随机划分为训练集、验证集和测试集,三种样本集的比例为3:2:1。
(2)构建多时相卫星遥感影像变化检测样本集:
①影像预处理。获取同一地点的2个时相的光学卫星遥感原始影像对,这里以今天的卫星遥感影像和7天后的卫星遥感影像,分别记作前时相影像和后时相影像为例进行介绍,开展几何校正、辐射校正、匀色等预处理,并对每对影像进行高精度配准,得到一系列光学卫星遥感正射影像对。
②样本库制作。在光学卫星遥感正射影像上,利用现有LabelImg软件对裸土(施工作业区)和矿山(堆土)两种目标进行样本勾画。对于每一对正射影像,都可以得到前时相样本标签和后时相样本标签,这里的样本标签为设定目标的变化空间分布范围。为了检测出变化区域,对前时相样本标签和后时相样本标签做差处理,得到变化的掩膜作为变化标签。保证每个样本大小为128×128像元,每类目标包含实例个数不低于1000个,且各类别实例数量保持均衡。将标签和光学卫星遥感正射影像规范存储,并将样本随机划分为训练集、验证集和测试集,三种样本集的比例为3:2:1。
(3)模型构建及训练:
对识别和变化检测两个任务构建卷积神经网络,并使用步骤(1)和步骤(2)中构建的样本集对卷积神经网络进行训练,优化网络参数。由于识别和变化检测两个任务具有一定的相似性,即都是建立在语义分割的基础上完成的,二者的区别在于变化检测任务需要将影像对作为双分支网络的输入,每一分支的结构和权重共享,而识别任务输入的是单张影像,并且只使用单一结构的网络。因此,首先构建识别网络,在此基础上扩展为双分支的变化检测网络。
首先针对施工作业区相关目标识别任务,构建编码器-解码器结构的卷积神经网络。作为特征提取网络,编码器部分采用ResNet50网络结构对影像的特征进行提取;解码器部分采用空洞空间金字塔结构对不同大小的特征图进行上采样,最终得到与原始影像大小一样的特征图。由于遥感影像上的吊塔、车辆、裸土等目标属于小目标,在池化的过程中小目标的特征会被模糊,这直接导致了小目标识别率较低的问题。针对此,在网络的不同层分别进行损失计算,对隐层特征进行监督,并将所有损失进行加权求和作为最终的损失来指导网络的训练。使用步骤(1)中构建的训练集训练网络,验证集用于监测网络的训练情况,测试集用于网络的最终精度测试。在训练网络时,如果验证集上的损失值低于设定的阈值并且精度(mIoU)高于设定阈值,则识别网络训练完成。该卷积神经网络模型可以对塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)四类目标进行识别。图3显示了卷积神经网络模型的结构,其中r代表空洞卷积采样率。
类似,针对施工作业区的裸土和矿山变化检测任务,在所构建的卷积神经网络模型基础上,将其扩展为双分支网络,每一分支的结构与识别网络一致,并保证两个分支参数共享。使用步骤(2)中构建的训练集训练网络,验证集用于监测网络的训练情况,测试集用于网络的最终精度测试。在训练网络时,如果验证集上的损失值低于设定的阈值并且精度(mIoU)高于设定阈值,则变化检测网络训练完成。该变化检测模型的结构如图4所示,可用于裸土(施工作业区)和矿山(堆土)智能变化检测。
S1:基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围,具体包括:
(4)开展输电线路附近塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)智能识别。
利用步骤(3)中的面向塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)卷积神经网络模型,输入待巡视输电线路区段的光学卫星遥感正射影像,对塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)进行智能识别,得到塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)空间分布范围。
(5)开展输电线路附近裸土(施工作业区)和矿山(堆土)智能变化检测;
利用步骤(3)中的面向裸土(施工作业区)和矿山(堆土)变化检测模型,输入待巡视输电线路区段两期的光学卫星遥感正射影像,对裸土(施工作业区)和矿山(堆土)变化进行智能检测,得到裸土(施工作业区)和矿山(堆土)变化空间分布范围。
S2:以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果,具体包括:
(6)判断施工作业区范围。
依托步骤(4)得到的塔吊、车辆(挖掘机、卡车)、裸土(施工作业区)和矿山(堆土)空间分布范围,分别以裸土(施工作业区)和矿山(堆土)的范围为中心,向外扩大1.2倍得到一个新的范围,并依据以下四个条件来判断该区域是否为施工作业区:
①如果新的范围与塔吊、车辆(挖掘机、卡车)识别结果有重叠,则认为该区域属于施工作业区,计算机自动判断该区域为施工作业区,赋值为1。
②如果新的范围与塔吊、车辆(挖掘机、卡车)识别结果没有重叠,但该范围与步骤(5)中的裸土(施工作业区)和矿山(堆土)变化空间分布范围有交集,则认为该区域属于施工作业区,计算机自动判断该区域为施工作业区,赋值为1。
③如果新的范围与塔吊、车辆(挖掘机、卡车)识别结果没有重叠,且该范围与步骤(5)中的裸土(施工作业区)和矿山(堆土)变化空间分布范围没有交集,则认为该区域不属于施工作业区,计算机自动判断该区域为非施工作业区,赋值为0。
④对于步骤(5)中得到裸土(施工作业区)和矿山(堆土)变化空间分布范围,如果存在不属于步骤①和②中的施工作业区范围,则认为该区域属于待定判断区。由人工进行进一步判断,若人工判断发现该区域属于施工作业区,则赋值为1,反之赋值为0。
S3:基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级,具体包括:
获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,将所述输电线路设定范围内地表沉降的年速率超过设定速率阈值的区域确定为地质不稳定区;
如果所述地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
(二)雷达卫星影像智能识别采动影响区:
通过获取多时次的雷达卫星影像,利用现有DInSAR或PSINSAR算法,实现输电线路附近地表沉降的监测。
本实施例以输电杆塔左右100 m范围内存在地表沉降年速率超过20 mm的区域,可被认定为地质不稳定区。结合最新的光学卫星遥感影像,通过步骤(一)识别是否为施工作业区,如果地质不稳定区附近1 km范围内存在施工作业区,则认为该区域为采空影响区,应重点关注。
(三)建立输电线路外破风险评估模型:
结合步骤(一)和步骤(二)的施工作业区和采动影响区提取结果,通过叠加输电线路和输电杆塔矢量数据(即空间经纬度坐标),本实施例利用ArcGIS软件自动提取施工作业区和采动影响区与输电线路和输电杆塔的距离。并将第一阈值取值为100m,第二阈值取值为200m,第三阈值取值为500m为例,对本发明做详细介绍:
如果施工作业区和采动影响区距离输电线路或输电杆塔小于等于100 m,则认为对应的施工作业区和采动影响区为高风险区。
如果施工作业区和采动影响区距离输电线路或输电杆塔小于等于200 m,则认为对应的施工作业区和采动影响区为中风险区。
如果施工作业区和采动影响区距离输电线路或输电杆塔小于等于500 m,则认为对应的施工作业区和采动影响区为低风险区。
通过上述方法,建立高中低风险判断的输电线路外破风险评估模型。
本发明提供的输电线路星地协同外破监测预警方法还包括:将高风险施工作业区和采动影响区距离最近的杆塔与输电线路区段,标记为输电线路的外破高风险区段;
在标记为外破高风险区段的输电线路上安装雷视一体监测传感器,对外破高风险区段的输电线路进行实时监测评估。
(四)提取输电线路外破高风险区段:
针对步骤(三)得到的高风险施工作业区和采动影响区,判断高风险施工作业区和采动影响区距离最近的杆塔与输电线路区段,标记为输电线路外破高风险区段。
同时,通过道路跟踪方法,找到高风险施工作业区和采动影响区中大型机械(如塔吊、起重机、卡车等)通过的道路与输电线路的交点,将交点所在区段标记为输电线路外破高风险区段。
(五)安装雷视一体外力破坏监测预警传感器:
针对步骤(四)标记的输电线路外破高风险区段,在对应输电线路区段的导线或杆塔上安装新型的雷视一体监测传感器,如图5所示,实现对重点风险区段外破的实时监测评估。毫米波雷达融合云台视频监控设备的输电线路外破监测装置监测预警流程如图6所示。
(1)利用毫米波雷达高稳定、高可靠和低功耗能实现对动态目标的探测特性,对输电线路周围0-600 m范围进行24小时不间断非接触、低死角监测,如图7和图8所示,其中,图7中的电塔间距为100/500米间隔,雷达水平伞扫90o,探测距离对人500米,对车700米,预警区域为橙色线内区域,控制电塔单侧300米内,报警区域为红色虚线内,控制电塔单侧150米内;图8中的电塔间距为100/500米,雷达对车探测距离为600米,雷达垂直扫描13o,雷达安装高度5米,上倾12o,下倾1o ,雷达最低监控高度为250米处,高度56米,500米处监控高度为109米。当大型机械(包括不限于汽车吊、塔吊、挖掘机、翻斗车、铲车、压桩机、车辆(机械)、采砂船)进入输电线路300 m范围内,设置为蓝色预警,同时发送信号至云台视频监控设备,预启动云台视频监控设备;
(2)当超限金属机械(包括不限于汽车吊、塔吊、挖掘机、翻斗车、铲车、压桩机、车辆(机械)、采砂船)进入输电线路150 m范围内,设置为红色预警,同时发送信号至云台视频监控设备,1s内唤醒云台视频监控设备拍照及视频,发送雷达探测到的目标坐标数据到云台视频监控设备,云台设备根据雷达发送的目标坐标定位机械位置,并切换至适合的镜头组开始监测,可实现如图7所示的俯视覆盖图和如图8所示的侧视覆盖图等;
(3)人工智能软件系统将基于人工智能学习算法,事先对汽车吊、塔吊、挖掘机、铲车等需求约定目标车辆进行训练,从而实现目标准确识别。当云台视频监控设备收到毫米波雷达信号后,唤醒并开启拍摄功能,云台视频监控设备对雷达预警目标聚焦跟踪拍摄,拍摄视频10s-30s,并同步完成工程车辆的识别。
(4)由软件系统中的动态目标跟踪功能,完成对识别车辆的实时跟踪监控;通过构建的测距约束下的单相机测量模型,可实现图像中识别车辆与高压线/线塔相对距离或高度测量,并将相关预警信息回传给管理平台;
(5)通过3G/4G/5G等无线信号将雷达数据、云台视频监控设备照片或视频传回后台管理中心及移动端,管理人员复核并进行相关处理;
云台视频监控设备自动休眠,等待下一次唤醒拍摄。
通过本发明基于卫星遥感普查结果还可以优化传感器的布局。
本发明通过毫米波雷达实时监测,并在测到大型机械后再引导可视化设备定点精准监拍取证方法。本发明通过毫米波雷达+可视化监拍的施工作业监测准确预测输电线路的风险等级。
实施例2:
再一方面本发明还提供了输电线路星地协同外破监测预警系统,包括:
分布范围确定模块,用于基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
作业区确定模块,用于以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
风险等级确定模块,用于基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
可选的,所述分布范围确定模块包括:
空间分布范围子模块,用于将待巡视输电线路区段的光学卫星遥感正射影像输入到预先训练好的卷积神经网络模型中,对设定目标进行智能识别得到所述设定目标的空间分布范围;
变化空间分布范围子模块,用于将待巡视输电线路区段多期的光学卫星遥感正射影像输入到预先训练好的变化检测模型中,对设定目标变化进行智能检测,得到设定目标变化空间分布范围。
可选的,所述作业区确定模块具体用于:
当所述新的范围与设定目标的空间分布范围有重叠时,所述待巡视输电线路区段为施工作业区;
当所述新的范围与设定目标的空间分布范围没有重叠,且所述新的范围与设定目标变化空间分布范围没有交集时,所述待巡视输电线路区段不为施工作业区;
当在所述设定目标变化空间分布范围内,所述新的范围与设定目标的空间分布范围没有重叠时,经过进一步判断属于施工作业区的,所述待巡视输电线路区段属于施工作业区。
可选的,所述风险等级确定模块包括:
不稳定区子模块,用于获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,将所述输电线路设定范围内地表沉降年速率超过设定速率阈值的区域确定为所述地质不稳定区;
采动影响区子模块,用于如果地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
等级确定子模块,用于基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
可选的,所述等级确定子模块具体用于:
当所述施工作业区和所述采动影响区距离输电线的距离不大于设定第一阈值时,所述施工作业区和所述采动影响区为高风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第一阈值小于等于第二阈值时,所述施工作业区和所述采动影响区为中风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第二阈值且小于等于第三设定阈值时,所述施工作业区和所述采动影响区为低风险区。
实施例4:
基于同一种发明构思,本发明还提供了一种计算机设备,该计算机设备包括处理器以及存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable GateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,其是终端的计算核心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能,以实现上述实施例中输电线路星地协同外破监测预警方法的步骤。
实施例5:
基于同一种发明构思,本发明还提供了一种存储介质,具体为计算机可读存储介质(Memory),所述计算机可读存储介质是计算机设备中的记忆设备,用于存放程序和数据。可以理解的是,此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质,当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是高速RAM 存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令,以实现上述实施例中输电线路星地协同外破监测预警方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在发明待批的本发明的权利要求范围之内。
Claims (19)
1.输电线路星地协同外破监测预警方法,其特征在于,包括:
基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
2.如权利要求1所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围,包括:
将待巡视输电线路区段的光学卫星遥感正射影像输入到预先训练好的卷积神经网络模型中,对设定目标进行智能识别得到所述设定目标的空间分布范围;
将待巡视输电线路区段多期的光学卫星遥感正射影像输入到预先训练好的变化检测模型中,对设定目标变化进行智能检测,得到设定目标变化空间分布范围。
3.如权利要求1所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果,包括:
当所述新的范围与设定目标的空间分布范围有重叠时,所述待巡视输电线路区段为施工作业区;
当所述新的范围与设定目标的空间分布范围没有重叠,且所述新的范围与设定目标变化空间分布范围没有交集时,所述待巡视输电线路区段不为施工作业区;
当在所述设定目标变化空间分布范围内,所述新的范围与设定目标的空间分布范围没有重叠时,经过进一步判断属于施工作业区的,所述待巡视输电线路区段属于施工作业区。
4.如权利要求1所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于输电线路设定范围内地表沉降情况以及是否为施工作业区确定所述输电线路的风险等级,包括:
获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,将所述输电线路设定范围内地表沉降的年速率超过设定速率阈值的区域确定为地质不稳定区;
如果所述地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
5.如权利要求4所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级包括:
当所述施工作业区和所述采动影响区距离输电线的距离不大于设定第一阈值时,所述施工作业区和所述采动影响区为高风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第一阈值小于等于第二阈值时,所述施工作业区和所述采动影响区为中风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第二阈值且小于等于第三设定阈值时,所述施工作业区和所述采动影响区为低风险区。
6.如权利要求1所述的输电线路星地协同外破监测预警方法,其特征在于,所述卷积神经网络的训练包括:
对获取的光学卫星遥感原始影像进行预处理,得到光学卫星遥感正射影像;
对光学卫星遥感正射影像上的设定目标进行勾画得到样本标签,由所述光学卫星遥感正射影像和对应的设定目标的空间分布范围构建样本集;
将所述样本集按照设定比例划分为训练集、验证集和测试集;
采用所述训练集中的光学卫星遥感正射影像作为所述卷积神经网络的输入,并将所述光学卫星遥感正射影像对应的设定目标的空间分布范围作为输出,对所述卷积神经网络进行训练,得到初步训练好的卷积神经网络模型;
基于所述验证集对所述初步训练好的卷积神经网络模型的损失值进行监测;
基于所述测试集对所述初步训练好的卷积神经网络模型的精度进行监测;
在所述初步训练好的卷积神经网络模型的损失值不小于设定损失阈值或者精度不高于设定阈值时,重复对所述初步训练好的卷积神经网络模型进行训练,得到新的初步训练好的卷积神经网络模型,直至当所述新的初步训练好的卷积神经网络模型的损失值小于设定损失阈值,并精度高于设定阈值时,将所述新的初步训练好的卷积神经网络模型作为训练好的卷积神经网络;
所述设定目标包括下述中的一个或多个:塔吊、车辆、裸土和矿山。
7.如权利要求6所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述验证集对所述初步训练好的卷积神经网络模型的损失值进行监测,包括:
将所述验证集中的光学卫星遥感正射影像输入所述初步训练好的卷积神经网络模型,得到预测的设定目标的空间分布范围;
基于所述预测的设定目标的空间分布范围和所述验证集中的设定目标的空间分布范围计算所述卷积神经网络的损失值。
8.如权利要求7所述的输电线路星地协同外破监测预警方法,其特征在于,基于所述预测的设定目标的空间分布范围和所述验证集中设定目标的空间分布范围计算所述卷积神经网络的损失值,包括:
基于验证集中的设定目标的空间分布范围和所述预测的设定目标的空间分布范围,分别计算所述卷积神经网络中隐藏层的损失;
对所有隐藏层的损失进行加权求和作为所述卷积神经网络的损失值。
9.如权利要求6所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述测试集对所述初步训练好的卷积神经网络模型的精度进行监测,包括:
将所述测试集中的光学卫星遥感正射影像输入所述初步训练好的卷积神经网络模型,得到预测的设定目标的空间分布范围;
将所述预测的设定目标的空间分布范围与所述测试集中的设定目标的空间分布范围进行对比,得到所述预测的设定目标的空间分布范围相对于测试集中的设定目标的空间分布范围的精度。
10.如权利要求6所述的输电线路星地协同外破监测预警方法,其特征在于,所述变化检测模型的训练包括:
获取同一地点的多个时相的光学卫星遥感原始影像,并对所述多个时相的光学卫星遥感原始影像进行预处理,得到光学卫星遥感正射影像,以及每个时相的光学卫星遥感正射影像中设定目标的空间分布范围;
将每个时相的光学卫星遥感正射影像和对应的设定目标的空间分布范围构成多时相卫星遥感影像变化检测样本集;
对所述多时相卫星遥感影像变化检测样本集按照设定比例划分为训练集、验证集和测试集;
将所述训练集中的每一相卫星遥感影像输入到每条分支卷积神经网络中,并将对应的设定目标的空间分布范围作为所述分支卷积神经网络的输出进行训练,得到初步训练好的变化检测模型;
基于所述验证集对所述初步训练好的变化检测模型的损失值进行监测;
基于所述测试集对所述初步训练好的变化检测模型的精度进行监测;
在所述初步训练好的变化检测模型的损失值不小于设定损失阈值或者精度不高于设定阈值时,重复对所述初步训练好的变化检测模型进行训练,得到新的初步训练好的变化检测模型,直至当所述新的初步训练好的卷积神经网络模型的损失值小于设定损失阈值,并精度高于设定阈值时,将所述新的初步训练好的变化检测模型作为训练好的变化检测模型。
11.如权利要求10所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述验证集对所述初步训练好的变化检测模型的损失值进行监测,包括:
基于验证集中的设定目标的空间分布范围和所述预测的设定目标的空间分布范围,计算每个分支卷积神经网络中隐藏层的损失;
对所有隐藏层的损失进行加权求和作为所述卷积神经网络的损失值。
12.如权利要求10所述的输电线路星地协同外破监测预警方法,其特征在于,所述基于所述测试集对所述初步训练好的变化检测模型的精度进行监测,包括:
将所述测试集中的光学卫星遥感正射影像输入所述初步训练好的变化检测模型,得到预测的设定目标的空间分布范围;
将所述预测的样本标签与所述测试集中的样本标签进行对比,得到所述预测的样本标签相对于测试集中的设定目标的空间分布范围的精度。
13.输电线路星地协同外破监测预警系统,其特征在于,包括:
分布范围确定模块,用于基于待巡视输电线路区段多期的光学卫星遥感正射影像结合预先训练好的预卷积神经网络模型和预先训练好的变化检测模型,得到设定目标的空间分布范围以及设定目标变化空间分布范围;
作业区确定模块,用于以所述设定目标为中心向外扩大设定倍数得到新的范围,基于所述新的范围与所述设定目标的空间分布范围和所述设定目标变化空间分布范围确定待巡视输电线路区段是否为施工作业区,得到判定结果;
风险等级确定模块,用于基于输电线路设定范围内地表沉降情况以及所述判定结果计算所述输电线路的风险等级;
其中,所述卷积神经网络模型是基于光学卫星遥感正射影像和对所述光学卫星遥感正射影像中设定目标的空间分布范围对卷积神经网络进行训练得到的;
所述变化检测模型是基于多时相光学卫星遥感正射影像和对所述多时相光学卫星遥感正射影像中设定目标的空间分布范围对多分支卷积神经网络模型进行训练得到的。
14.如权利要求13所述的输电线路星地协同外破监测预警系统,其特征在于,所述分布范围确定模块包括:
空间分布范围子模块,用于将待巡视输电线路区段的光学卫星遥感正射影像输入到预先训练好的卷积神经网络模型中,对设定目标进行智能识别得到所述设定目标的空间分布范围;
变化空间分布范围子模块,用于将待巡视输电线路区段多期的光学卫星遥感正射影像输入到预先训练好的变化检测模型中,对设定目标变化进行智能检测,得到设定目标变化空间分布范围。
15.如权利要求13所述的输电线路星地协同外破监测预警系统,其特征在于,所述作业区确定模块具体用于:
当所述新的范围与设定目标的空间分布范围有重叠时,所述待巡视输电线路区段为施工作业区;
当所述新的范围与设定目标的空间分布范围没有重叠,且所述新的范围与设定目标变化空间分布范围没有交集时,所述待巡视输电线路区段不为施工作业区;
当在所述设定目标变化空间分布范围内,所述新的范围与设定目标的空间分布范围没有重叠时,经过进一步判断属于施工作业区的,所述待巡视输电线路区段属于施工作业区。
16.如权利要求13所述的输电线路星地协同外破监测预警系统,其特征在于,所述风险等级确定模块包括:
不稳定区子模块,用于获取多时次的光学卫星遥感正射影像,利用DInSAR或PSINSAR算法监测输电线路设定范围内地表沉降,将所述输电线路设定范围内地表沉降的年速率超过设定速率阈值的区域确定为地质不稳定区;
采动影响区子模块,用于如果所述地质不稳定区内存在施工作业区,则所述地质不稳定区为采动影响区;
等级确定子模块,用于基于所述施工作业区和所述采动影响区距离输电线的距离确定所述输电线路的风险等级。
17.如权利要求16所述的输电线路星地协同外破监测预警系统,其特征在于,所述等级确定子模块具体用于:
当所述施工作业区和所述采动影响区距离输电线的距离不大于设定第一阈值时,所述施工作业区和所述采动影响区为高风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第一阈值小于等于第二阈值时,所述施工作业区和所述采动影响区为中风险区;
当所述施工作业区和所述采动影响区距离输电线的距离大于设定第二阈值且小于等于第三设定阈值时,所述施工作业区和所述采动影响区为低风险区。
18.一种计算机设备,其特征在于,包括:一个或多个处理器;
所述处理器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,实现如权利要求1至12中任一项所述的输电线路星地协同外破监测预警方法。
19.一种计算机可读存储介质,其特征在于,其上存有计算机程序,所述计算机程序被执行时,实现如权利要求1至12中任一项所述的输电线路星地协同外破监测预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017037.6A CN115100544A (zh) | 2022-08-24 | 2022-08-24 | 输电线路星地协同外破监测预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211017037.6A CN115100544A (zh) | 2022-08-24 | 2022-08-24 | 输电线路星地协同外破监测预警方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115100544A true CN115100544A (zh) | 2022-09-23 |
Family
ID=83300263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211017037.6A Pending CN115100544A (zh) | 2022-08-24 | 2022-08-24 | 输电线路星地协同外破监测预警方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115100544A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009127706A2 (en) * | 2008-04-16 | 2009-10-22 | Fmc Tech Limited | A system and method for locating line faults in a medium voltage network |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN112488931A (zh) * | 2020-11-04 | 2021-03-12 | 国网浙江省电力有限公司电力科学研究院 | 一种卫星遥感影像中输电线路的超分辨率增强方法及系统 |
CN113033386A (zh) * | 2021-03-23 | 2021-06-25 | 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 |
CN114062511A (zh) * | 2021-10-24 | 2022-02-18 | 北京化工大学 | 一种基于单传感器的航空发动机早期损伤声发射智能识别方法 |
CN114359137A (zh) * | 2021-11-24 | 2022-04-15 | 中国电力科学研究院有限公司 | 一种星地融合的输电线路外破监测方法及装置 |
-
2022
- 2022-08-24 CN CN202211017037.6A patent/CN115100544A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009127706A2 (en) * | 2008-04-16 | 2009-10-22 | Fmc Tech Limited | A system and method for locating line faults in a medium voltage network |
CN109886359A (zh) * | 2019-03-25 | 2019-06-14 | 西安电子科技大学 | 基于卷积神经网络的小目标检测方法及检测模型 |
CN112488931A (zh) * | 2020-11-04 | 2021-03-12 | 国网浙江省电力有限公司电力科学研究院 | 一种卫星遥感影像中输电线路的超分辨率增强方法及系统 |
CN112396594A (zh) * | 2020-11-27 | 2021-02-23 | 广东电网有限责任公司肇庆供电局 | 变化检测模型获取方法及装置、变化检测方法、计算机设备及可读存储介质 |
CN113033386A (zh) * | 2021-03-23 | 2021-06-25 | 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 |
CN114062511A (zh) * | 2021-10-24 | 2022-02-18 | 北京化工大学 | 一种基于单传感器的航空发动机早期损伤声发射智能识别方法 |
CN114359137A (zh) * | 2021-11-24 | 2022-04-15 | 中国电力科学研究院有限公司 | 一种星地融合的输电线路外破监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
王治,郭文生, 华中科技大学出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kang et al. | Pothole detection system using 2D LiDAR and camera | |
US7630797B2 (en) | Accuracy enhancing system for geospatial collection value of an image sensor aboard an airborne platform and associated methods | |
US7528938B2 (en) | Geospatial image change detecting system and associated methods | |
US7603208B2 (en) | Geospatial image change detecting system with environmental enhancement and associated methods | |
CN102081801B (zh) | 多特征自适应融合船舶跟踪和航迹检测方法 | |
CA2573291C (en) | Environmental condition detecting system using geospatial images and associated methods | |
US9488471B2 (en) | Methods and systems for navigation and terrain change detection | |
CN114898296A (zh) | 基于毫米波雷达与视觉融合的公交车道占用检测方法 | |
CN111339826A (zh) | 一种滑坡无人机线性传感器网络框架检测系统 | |
CN113240887A (zh) | 边坡落石崩塌监测方法、装置及设备 | |
CN113406014A (zh) | 一种基于多光谱成像设备的溢油监测系统及方法 | |
CN116719334A (zh) | 一种水库智能巡检系统及方法 | |
CN117492026A (zh) | 结合激光雷达扫描的铁路货车装载状态检测方法及系统 | |
CN115100544A (zh) | 输电线路星地协同外破监测预警方法、装置、设备及介质 | |
CN115953429A (zh) | 一种矿区落石监测装置及方法 | |
Broggi et al. | Artificial vision in extreme environments for snowcat tracks detection | |
CN115071974A (zh) | 基于地质隐患监测系统的无人机灾后自主勘测方法 | |
CN114037968A (zh) | 基于深度雷达点云和图像数据融合的车道线检测方法 | |
Paar et al. | Vision-based terrestrial surface monitoring | |
CN117238143B (zh) | 基于雷达双光谱相机的交通数据融合方法、系统和装置 | |
CN114581615B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
Brown et al. | Evaluation of Near-Ship Ice Conditions from Ship Bourne Sensors | |
CN116071670A (zh) | 一种基于深度学习的铁路坡面排水结构劣化识别方法 | |
CN114581889A (zh) | 一种融合方法、装置、设备、介质及产品 | |
Wang et al. | Radar Target Tracking Coordinated Control with PTZ Cameras for Monitoring Nearshore Buoys |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220923 |