CN115457388A - 基于深度学习优化的输变电遥感图像地物辨识方法及系统 - Google Patents

基于深度学习优化的输变电遥感图像地物辨识方法及系统 Download PDF

Info

Publication number
CN115457388A
CN115457388A CN202211085981.5A CN202211085981A CN115457388A CN 115457388 A CN115457388 A CN 115457388A CN 202211085981 A CN202211085981 A CN 202211085981A CN 115457388 A CN115457388 A CN 115457388A
Authority
CN
China
Prior art keywords
remote sensing
power transmission
sensing image
transformation
training
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
Application number
CN202211085981.5A
Other languages
English (en)
Other versions
CN115457388B (zh
Inventor
肖辉
徐志强
陈霖华
周鲲
陆俊
沈晓隶
王云飞
罗磊鑫
刘立洪
罗正经
王立娜
胡启明
唐咪娜
李勇智
齐增清
曾刚
简洁
苏军明
陈智奇
欧宇健
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.)
Hunan Jingyan Electric Power Design Co ltd
Original Assignee
Hunan Jingyan Electric Power Design Co ltd
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 Hunan Jingyan Electric Power Design Co ltd filed Critical Hunan Jingyan Electric Power Design Co ltd
Priority to CN202211085981.5A priority Critical patent/CN115457388B/zh
Publication of CN115457388A publication Critical patent/CN115457388A/zh
Application granted granted Critical
Publication of CN115457388B publication Critical patent/CN115457388B/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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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

Abstract

本发明公开了一种基于深度学习优化的输变电遥感图像地物辨识方法，包括获取输变电工程区域遥感图像数据信息并构建训练样本集；计算各个遥感图像的纹理特征强度值；构建输变电遥感图像地物辨识初始模型；对输变电遥感图像地物辨识初始模型进行训练得到输变电遥感图像地物辨识粗模型；对步输变电遥感图像地物辨识粗模型再次训练得到输变电遥感图像地物辨识模型；采用输变电遥感图像地物辨识模型进行实际的输变电遥感图像地物辨识。本发明还公开了一种实现所述基于深度学习优化的输变电遥感图像地物辨识方法的系统。本发明对辨识模型进行样本粗训练和精细化训练，并在模型训练过程加入优化控制，实现了高效训练；而且本发明效率较高，精度较好。

Description

基于深度学习优化的输变电遥感图像地物辨识方法及系统
技术领域
本发明属于电气自动化领域，具体涉及一种基于深度学习优化的输变电遥感图像地物辨识方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
输变电系统是电力系统的重要组成部分。输变电工程往往涉及面广且项目工程巨大，而且对工程沿线的环境、地物等有着一定的影响。因此，在输变电工程设计阶段，就需要进行输变电工程项目的遥感图像地物识别和分类，从而评估项目建设的影响，从而修改后续的设计方案等。因此，输变电遥感图像地物辨识正是实现输变电工程三维设计效率提升的关键支撑技术之一。
当前的基于深度学习的输变电遥感图像地物辨识技术方案，有着不错的辨识正确率；但是，由于深度学习(DeepLearning)技术是基于数据训练原理的技术，如深度学习模型卷积神经网络CNN(Convolutional Neural Network，CNN)等，其在训练过程中需要大量的训练迭代过程。这类海量的训练迭代过程，效率不高，而且耗时巨大，极大地限制了输变电遥感图像地物辨识技术在输变电工程三维设计方面的应用。
发明内容
本发明的目的之一在于提供一种效率较高且精度较好的基于深度学习优化的输变电遥感图像地物辨识方法。
本发明的目的之二在于提供一种实现所述基于深度学习优化的输变电遥感图像地物辨识方法的系统。
本发明提供的这种基于深度学习优化的输变电遥感图像地物辨识方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据信息，并构建包括了粗样本集和精细样本集的训练样本集；
S2.计算步骤S1得到的训练样本集中，各个遥感图像的纹理特征强度值；
S3.构建输变电遥感图像地物辨识初始模型；
S4.采用步骤S1得到的粗样本集，对步骤S3构建的输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型；
S5.采用步骤S1得到的精细样本集，对步骤S4得到的输变电遥感图像地物辨识粗模型再次进行训练，从而得到输变电遥感图像地物辨识模型；
S6.采用步骤S5得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。
步骤S1所述的获取输变电工程区域的遥感图像数据信息，并构建包括了粗样本集和精细样本集的训练样本集，具体包括如下步骤：
选取若干处设定的典型输变电工程区域，划设作业区，并规划航线；
采用无人机进行现场勘测，得到输变电工程区域遥感图像；
对获取的输变电工程区域遥感图像进行人工标记，并分类为K类输变电工程地物类别，第k类输变电工程地物类别包括N个图像数据样本，k＝1,2,...,K；得到包含K*N个图像数据样本的训练样本集；K和N均为自然数；
设定粗训练比例因子r，然后按照r和1-r的比例将训练样本集随机分类，得到包含K*N*r个图像数据样本的粗样本集和包含K*N*(1-r)个图像数据样本的精细样本集；0＜r＜1。
步骤S2所述的计算步骤S1得到的训练样本集中，各个遥感图像的纹理特征强度值，具体包括如下步骤：
A.选取一张遥感图像；
B.选取步骤A选定的遥感图像中的任意点，以该点为中心点，取3*3的邻域窗口，得到中心点及对应的8个邻域点；
C.依次比较步骤B选定的中心点与8个邻域点的像素值大小：
若邻域点的像素值大于或等于中心点的像素值，则该邻域点标记为1；
若邻域点的像素值小于中心点的像素值，则该邻域点标记为0；
D.按照设定的顺序，将选定的中心点所对应的8个邻域点的标记值组成二进制数；将二进制数换算为十进制整数，得到选定中心点的图像纹理特征点强度值；
E.重复步骤B～步骤D，直至得到选定的遥感图像中所有点的图像纹理特征点强度值；
F.将步骤E得到的所有点的图像纹理特征点强度值求平均值，得到选定的遥感图像的图像纹理特征强度值；
G.重复步骤A～步骤F，直至得到训练样本集所有遥感图像的纹理特征强度值，从而实现对训练样本集的数据补充和对影响机器学习模型训练速度的纹理特征强度的量化。
步骤S3所述的构建输变电遥感图像地物辨识初始模型，具体为采用CNN神经网络作为输变电遥感图像地物辨识初始模型。
步骤S4所述的采用步骤S1得到的粗样本集，对步骤S3构建的输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型，具体包括如下步骤：
对粗样本集中的遥感图像，按照设定的聚类簇数据C，采用C均值算法进行聚类操作；
根据聚类结果，选取最接近聚类中心的
Figure BDA0003835070290000041
个图像，作为粗标记样本；
计算所有粗标记样本的图像纹理特征强度值的均值Lmean-C；
将粗标记样本再均分为M批，计算得到每批粗标记样本数λ为
Figure BDA0003835070290000042
每批粗标记样本为
Figure BDA0003835070290000043
采用小批量梯度下降法进行模型粗训练：初始化模型权重w和学习率α；粗训练速度影响度因子γ的设置规则为：若Lcurrent≤Lmean则γ＝0，若Lcurrent＞Lmean则
Figure BDA0003835070290000044
为当前批次训练图像的纹理特征强度值的平均值，Lmean为已训练图像的纹理特征强度值的平均值；对于第i批训练样本，设置学习率αi为αi＝αi-1*(1+γ)，模型权重wi+1为
Figure BDA0003835070290000045
Lλ_sum为当前批训练样本的纹理特征强度值的和，
Figure BDA0003835070290000046
为当前位置损失函数的梯度；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识粗模型。
步骤S5所述的采用步骤S1得到的精细样本集，对步骤S4得到的输变电遥感图像地物辨识粗模型再次进行训练，从而得到输变电遥感图像地物辨识模型，具体包括如下步骤：
将精细样本集均分为T批，计算得到每批样本数ρρ为
Figure BDA0003835070290000051
每批样本为ρi；
采用精细样本集和小批量梯度下降法对步骤S4得到的输变电遥感图像地物辨识粗模型进行精细训练：以ρρ作为精细训练批尺寸，进行分批次迭代训练；设置精细训练速度影响因子为
Figure BDA0003835070290000052
其中βi为本次精细训练的精细训练速度影响因子，δi为本次迭代误差，δi-1为上一次迭代误差，β1＝0；经过至少一次迭代后，调整学习率，第i+1批训练样本的学习率αi+1为αi+1＝αi*(1-βi)；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识模型。
本发明还提供了一种实现所述基于深度学习优化的输变电遥感图像地物辨识方法的系统，具体包括图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块；图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块依次串接；图像数据获取模块用于获取输变电工程区域的遥感图像数据信息，构建包括了粗样本集和精细样本集的训练样本集，并将结果上传纹理特征强度计算模块；纹理特征强度计算模块用于计算训练样本集中各个遥感图像的纹理特征强度值，并将结果上传辨识模型构建模块；辨识模型构建模块用于构建输变电遥感图像地物辨识初始模型，并将结果上传辨识模型粗训练模块；辨识模型粗训练模块用于采用粗样本集对输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型，并将结果上传辨识模型精细训练模块；辨识模型精细训练模块用于采用精细样本集对输变电遥感图像地物辨识粗模型再次进行训练，得到输变电遥感图像地物辨识模型，并将结果上传地物辨识模块；地物辨识模块用于采用得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。
本发明提供的这种基于深度学习优化的输变电遥感图像地物辨识方法及系统，充分考虑了遥感地物图像纹理特征强度对辨识模型的训练效率的影响，从图像纹理特征强度角度分析模型训练速度影响因素，对辨识模型进行样本粗训练和精细化训练；在模型训练过程加入优化控制，在粗训练过程中结合图像纹理、在精细化训练过程中结合迭代误差动态调整学习率，寻找辨识模型的最优化参数，实现了辨识模型的高效训练；因此，本发明的效率较高，而且精度较好。
附图说明
图1为本发明方法的方法流程示意图。
图2为本发明系统的功能模块示意图。
具体实施方式
如图1所示为本发明方法的方法流程示意图：本发明提供的这种基于深度学习优化的输变电遥感图像地物辨识方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据信息，并构建包括了粗样本集和精细样本集的训练样本集；具体包括如下步骤：
选取若干处设定的典型输变电工程区域(包括海洋湖泊、河流、居民楼、永久性作物、牧场、工业建筑、高速公路、草本植被、森林和庄稼作物等)，划设作业区，并规划航线；
采用无人机进行现场勘测，得到输变电工程区域遥感图像；
对获取的输变电工程区域遥感图像进行人工标记，并分类为K类(优选为5～10类)输变电工程地物类别，第k类输变电工程地物类别包括N个图像数据样本(优选为2000～5000个数据样本)，k＝1,2,...,K；得到包含K*N个图像数据样本的训练样本集；K和N均为自然数；
设定粗训练比例因子r(设定范围为0.1～0.4)，然后按照r和1-r的比例将训练样本集随机分类，得到包含K*N*r个图像数据样本的粗样本集和包含K*N*(1-r)个图像数据样本的精细样本集；0＜r＜1；
S2.计算步骤S1得到的训练样本集中，各个遥感图像的纹理特征强度值；具体包括如下步骤：
A.选取一张遥感图像；
B.选取步骤A选定的遥感图像中的任意点，以该点为中心点，取3*3的邻域窗口，得到中心点及对应的8个邻域点；
C.依次比较步骤B选定的中心点与8个邻域点的像素值大小：
若邻域点的像素值大于或等于中心点的像素值，则该邻域点标记为1；
若邻域点的像素值小于中心点的像素值，则该邻域点标记为0；
具体实施时，若遇到遥感图像最边缘的区域的像素点，该类像素点并无完整的8邻域点(比如图像最左上角的像素点，其本身的邻域点仅有右侧一个和下侧一个)，此时则用现有技术将其他邻域点的像素值补齐即可；补齐时，可以直接补充为0，或者用周围相邻的像素点的像素值补齐；
D.按照设定的顺序，将选定的中心点所对应的8个邻域点的标记值组成二进制数；将二进制数换算为十进制整数，得到选定中心点的图像纹理特征点强度值；
E.重复步骤B～步骤D，直至得到选定的遥感图像中所有点的图像纹理特征点强度值；
F.将步骤E得到的所有点的图像纹理特征点强度值求平均值，得到选定的遥感图像的图像纹理特征强度值；
G.重复步骤A～步骤F，直至得到训练样本集所有遥感图像的纹理特征强度值，从而实现对训练样本集的数据补充和对影响机器学习模型训练速度的纹理特征强度的量化；
S3.构建输变电遥感图像地物辨识初始模型；具体为采用CNN神经网络作为输变电遥感图像地物辨识初始模型；
S4.采用步骤S1得到的粗样本集，对步骤S3构建的输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型；具体包括如下步骤：
对粗样本集中的遥感图像，按照设定的聚类簇数据C，采用C均值算法进行聚类操作；
根据聚类结果，选取最接近聚类中心的
Figure BDA0003835070290000081
个图像，作为粗标记样本；
计算所有粗标记样本的图像纹理特征强度值的均值Lmean-C；
将粗标记样本再均分为M批，计算得到每批粗标记样本数λ为
Figure BDA0003835070290000091
每批粗标记样本为
Figure BDA0003835070290000092
采用小批量梯度下降法进行模型粗训练：初始化模型权重w和学习率α；粗训练速度影响度因子γ的设置规则为：若Lcurrent≤Lmean则γ＝0，若Lcurrent＞Lmean则
Figure BDA0003835070290000093
Lcurrent为当前批次训练图像的纹理特征强度值的平均值，Lmean为已训练图像的纹理特征强度值的平均值；对于第i批训练样本，设置学习率αi为αi＝αi-1*(1+γ)，模型权重wi+1为
Figure BDA0003835070290000094
Lλ_sum为当前批训练样本的纹理特征强度值的和，
Figure BDA0003835070290000095
为当前位置损失函数的梯度；γ的初始化值为0；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识粗模型；
S5.采用步骤S1得到的精细样本集，对步骤S4得到的输变电遥感图像地物辨识粗模型再次进行训练，从而得到输变电遥感图像地物辨识模型；具体包括如下步骤：
将精细样本集均分为T批，计算得到每批样本数ρρ为
Figure BDA0003835070290000096
每批样本为ρi；
采用精细样本集和小批量梯度下降法对步骤S4得到的输变电遥感图像地物辨识粗模型进行精细训练：以ρρ作为精细训练批尺寸，进行分批次迭代训练；设置精细训练速度影响因子为
Figure BDA0003835070290000097
其中βi为本次精细训练的精细训练速度影响因子，δi为本次迭代误差，δi-1为上一次迭代误差，β1＝0(即初始化为0)；经过至少一次迭代后，调整学习率，第i+1批训练样本的学习率αi+1为αi+1＝αi*(1-βi)；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识模型；
S6.采用步骤S5得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。
如图2所示为本发明系统的功能模块示意图：本发明提供的这种实现所述基于深度学习优化的输变电遥感图像地物辨识方法的系统，具体包括图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块；图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块依次串接；图像数据获取模块用于获取输变电工程区域的遥感图像数据信息，构建包括了粗样本集和精细样本集的训练样本集，并将结果上传纹理特征强度计算模块；纹理特征强度计算模块用于计算训练样本集中各个遥感图像的纹理特征强度值，并将结果上传辨识模型构建模块；辨识模型构建模块用于构建输变电遥感图像地物辨识初始模型，并将结果上传辨识模型粗训练模块；辨识模型粗训练模块用于采用粗样本集对输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型，并将结果上传辨识模型精细训练模块；辨识模型精细训练模块用于采用精细样本集对输变电遥感图像地物辨识粗模型再次进行训练，得到输变电遥感图像地物辨识模型，并将结果上传地物辨识模块；地物辨识模块用于采用得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。

Claims (7)

1.一种基于深度学习优化的输变电遥感图像地物辨识方法，包括如下步骤：
S1.获取输变电工程区域的遥感图像数据信息，并构建包括了粗样本集和精细样本集的训练样本集；
S2.计算步骤S1得到的训练样本集中，各个遥感图像的纹理特征强度值；
S3.构建输变电遥感图像地物辨识初始模型；
S4.采用步骤S1得到的粗样本集，对步骤S3构建的输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型；
S5.采用步骤S1得到的精细样本集，对步骤S4得到的输变电遥感图像地物辨识粗模型再次进行训练，从而得到输变电遥感图像地物辨识模型；
S6.采用步骤S5得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。
2.根据权利要求1所述的基于深度学习优化的输变电遥感图像地物辨识方法，其特征在于步骤S1所述的获取输变电工程区域的遥感图像数据信息，并构建包括了粗样本集和精细样本集的训练样本集，具体包括如下步骤：
选取若干处设定的典型输变电工程区域，划设作业区，并规划航线；
采用无人机进行现场勘测，得到输变电工程区域遥感图像；
对获取的输变电工程区域遥感图像进行人工标记，并分类为K类输变电工程地物类别，第k类输变电工程地物类别包括N个图像数据样本，k＝1,2,...,K；得到包含K*N个图像数据样本的训练样本集；K和N均为自然数；
设定粗训练比例因子r，然后按照r和1-r的比例将训练样本集随机分类，得到包含K*N*r个图像数据样本的粗样本集和包含K*N*(1-r)个图像数据样本的精细样本集；0＜r＜1。
3.根据权利要求2所述的基于深度学习优化的输变电遥感图像地物辨识方法，其特征在于步骤S2所述的计算步骤S1得到的训练样本集中，各个遥感图像的纹理特征强度值，具体包括如下步骤：
A.选取一张遥感图像；
B.选取步骤A选定的遥感图像中的任意点，以该点为中心点，取3*3的邻域窗口，得到中心点及对应的8个邻域点；
C.依次比较步骤B选定的中心点与8个邻域点的像素值大小：
若邻域点的像素值大于或等于中心点的像素值，则该邻域点标记为1；
若邻域点的像素值小于中心点的像素值，则该邻域点标记为0；
D.按照设定的顺序，将选定的中心点所对应的8个邻域点的标记值组成二进制数；将二进制数换算为十进制整数，得到选定中心点的图像纹理特征点强度值；
E.重复步骤B～步骤D，直至得到选定的遥感图像中所有点的图像纹理特征点强度值；
F.将步骤E得到的所有点的图像纹理特征点强度值求平均值，得到选定的遥感图像的图像纹理特征强度值；
G.重复步骤A～步骤F，直至得到训练样本集所有遥感图像的纹理特征强度值，从而实现对训练样本集的数据补充和对影响机器学习模型训练速度的纹理特征强度的量化。
4.根据权利要求3所述的基于深度学习优化的输变电遥感图像地物辨识方法，其特征在于步骤S3所述的构建输变电遥感图像地物辨识初始模型，具体为采用CNN神经网络作为输变电遥感图像地物辨识初始模型。
5.根据权利要求4所述的基于深度学习优化的输变电遥感图像地物辨识方法，其特征在于步骤S4所述的采用步骤S1得到的粗样本集，对步骤S3构建的输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型，具体包括如下步骤：
对粗样本集中的遥感图像，按照设定的聚类簇数据C，采用C均值算法进行聚类操作；
根据聚类结果，选取最接近聚类中心的
Figure FDA0003835070280000031
个图像，作为粗标记样本；
计算所有粗标记样本的图像纹理特征强度值的均值Lmean-C；
将粗标记样本再均分为M批，计算得到每批粗标记样本数λ为
Figure FDA0003835070280000032
每批粗标记样本为
Figure FDA0003835070280000033
采用小批量梯度下降法进行模型粗训练：初始化模型权重w和学习率α；粗训练速度影响度因子γ的设置规则为：若Lcurrent≤Lmean则γ＝0，若Lcurrent＞Lmean则
Figure FDA0003835070280000034
Lcurrent为当前批次训练图像的纹理特征强度值的平均值，Lmean为已训练图像的纹理特征强度值的平均值；对于第i批训练样本，设置学习率αi为αi＝αi-1*(1+γ)，模型权重wi+1为
Figure FDA0003835070280000035
Lλ_sum为当前批训练样本的纹理特征强度值的和，
Figure FDA0003835070280000036
为当前位置损失函数的梯度；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识粗模型。
6.根据权利要求5所述的基于深度学习优化的输变电遥感图像地物辨识方法，其特征在于步骤S5所述的采用步骤S1得到的精细样本集，对步骤S4得到的输变电遥感图像地物辨识粗模型再次进行训练，从而得到输变电遥感图像地物辨识模型，具体包括如下步骤：
将精细样本集均分为T批，计算得到每批样本数ρρ为
Figure FDA0003835070280000041
每批样本为ρi；
采用精细样本集和小批量梯度下降法对步骤S4得到的输变电遥感图像地物辨识粗模型进行精细训练：以ρρ作为精细训练批尺寸，进行分批次迭代训练；设置精细训练速度影响因子为
Figure FDA0003835070280000042
其中βi为本次精细训练的精细训练速度影响因子，δi为本次迭代误差，δi-1为上一次迭代误差，β1＝0；经过至少一次迭代后，调整学习率，第i+1批训练样本的学习率αi+1为αi+1＝αi*(1-βi)；
进行分批迭代训练，直至误差小于设定的阈值或者达到设定的迭代次数，从而得到输变电遥感图像地物辨识模型。
7.一种实现权利要求1～6之一所述的基于深度学习优化的输变电遥感图像地物辨识方法的系统，其特征在于具体包括图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块；图像数据获取模块、纹理特征强度计算模块、辨识模型构建模块、辨识模型粗训练模块、辨识模型精细训练模块和地物辨识模块依次串接；图像数据获取模块用于获取输变电工程区域的遥感图像数据信息，构建包括了粗样本集和精细样本集的训练样本集，并将结果上传纹理特征强度计算模块；纹理特征强度计算模块用于计算训练样本集中各个遥感图像的纹理特征强度值，并将结果上传辨识模型构建模块；辨识模型构建模块用于构建输变电遥感图像地物辨识初始模型，并将结果上传辨识模型粗训练模块；辨识模型粗训练模块用于采用粗样本集对输变电遥感图像地物辨识初始模型进行训练，得到输变电遥感图像地物辨识粗模型，并将结果上传辨识模型精细训练模块；辨识模型精细训练模块用于采用精细样本集对输变电遥感图像地物辨识粗模型再次进行训练，得到输变电遥感图像地物辨识模型，并将结果上传地物辨识模块；地物辨识模块用于采用得到的输变电遥感图像地物辨识模型，进行实际的输变电遥感图像地物辨识。
CN202211085981.5A 2022-09-06 2022-09-06 基于深度学习优化的输变电遥感图像地物辨识方法及系统 Active CN115457388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211085981.5A CN115457388B (zh) 2022-09-06 2022-09-06 基于深度学习优化的输变电遥感图像地物辨识方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211085981.5A CN115457388B (zh) 2022-09-06 2022-09-06 基于深度学习优化的输变电遥感图像地物辨识方法及系统

Publications (2)

Publication Number Publication Date
CN115457388A true CN115457388A (zh) 2022-12-09
CN115457388B CN115457388B (zh) 2023-07-28

Family

ID=84302742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211085981.5A Active CN115457388B (zh) 2022-09-06 2022-09-06 基于深度学习优化的输变电遥感图像地物辨识方法及系统

Country Status (1)

Country Link
CN (1) CN115457388B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379053A1 (en) * 2015-06-23 2016-12-29 University Of Electronic Science And Technology Of China Method and Apparatus for Identifying Object
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109299671A (zh) * 2018-09-04 2019-02-01 上海海事大学 一种级联式由粗到精的卷积神经网络船舶类型识别方法
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法
CN111476199A (zh) * 2020-04-26 2020-07-31 国网湖南省电力有限公司 基于高清航测影像的输变电工程坟地识别方法
CN112257496A (zh) * 2020-09-14 2021-01-22 中国电力科学研究院有限公司 一种基于深度学习的输电通道周围环境分类方法及系统
CN112800826A (zh) * 2020-12-15 2021-05-14 四川航天神坤科技有限公司 一种基于遥感影像分类的城市变化监测方法及系统
US20210342975A1 (en) * 2020-05-03 2021-11-04 Shiwei Liu Marine survey image enhancement system
CN114648665A (zh) * 2022-03-25 2022-06-21 西安电子科技大学 一种弱监督目标检测方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160379053A1 (en) * 2015-06-23 2016-12-29 University Of Electronic Science And Technology Of China Method and Apparatus for Identifying Object
CN108256424A (zh) * 2017-12-11 2018-07-06 中交信息技术国家工程实验室有限公司 一种基于深度学习的高分辨率遥感图像道路提取方法
CN108960143A (zh) * 2018-07-04 2018-12-07 北京航空航天大学 一种高分辨率可见光遥感图像中的舰船检测深度学习方法
CN109299671A (zh) * 2018-09-04 2019-02-01 上海海事大学 一种级联式由粗到精的卷积神经网络船舶类型识别方法
CN109815859A (zh) * 2019-01-10 2019-05-28 中交信息技术国家工程实验室有限公司 一种低等级道路自动提取及变化分析方法
CN111476199A (zh) * 2020-04-26 2020-07-31 国网湖南省电力有限公司 基于高清航测影像的输变电工程坟地识别方法
US20210342975A1 (en) * 2020-05-03 2021-11-04 Shiwei Liu Marine survey image enhancement system
CN112257496A (zh) * 2020-09-14 2021-01-22 中国电力科学研究院有限公司 一种基于深度学习的输电通道周围环境分类方法及系统
CN112800826A (zh) * 2020-12-15 2021-05-14 四川航天神坤科技有限公司 一种基于遥感影像分类的城市变化监测方法及系统
CN114648665A (zh) * 2022-03-25 2022-06-21 西安电子科技大学 一种弱监督目标检测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
SHUNZHOU WANG ET.AL: "A coarse-to-fine model for airport detection from remote sensing images using target-oriented visual saliency and CRF", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING 》, pages 1 - 13 *
陈睿敏;孙胜利;: "基于深度学习的红外遥感信息自动提取", 红外, no. 08, pages 39 - 45 *

Also Published As

Publication number Publication date
CN115457388B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
Robles-Kelly et al. Graph edit distance from spectral seriation
CN114092832B (zh) 一种基于并联混合卷积网络的高分辨率遥感影像分类方法
CN112991354B (zh) 一种基于深度学习的高分辨率遥感影像语义分割方法
CN109948742B (zh) 基于量子神经网络的手写体图片分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN110866934B (zh) 基于规范性编码的复杂点云分割方法及系统
CN111709318B (zh) 一种基于生成对抗网络的高分辨率遥感图像分类方法
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN107423747A (zh) 一种基于深度卷积网络的显著性目标检测方法
CN110188963A (zh) 基于最小角回归和梯度提升模型的建筑能耗预测方法
CN112084877A (zh) 基于nsga-net的遥感图像识别方法
CN112651317A (zh) 一种样本关系学习的高光谱图像分类方法及系统
CN116128150A (zh) 一种基于两级优化的光伏智能出力预测方法
CN114329031A (zh) 一种基于图神经网络和深度哈希的细粒度鸟类图像检索方法
CN114078237A (zh) 一种遥感影像道路变化识别方法及装置
CN115457388B (zh) 基于深度学习优化的输变电遥感图像地物辨识方法及系统
CN116863217A (zh) 一种野外露头岩石图像岩性识别方法
CN109829511B (zh) 基于纹理分类的下视红外图像中云层区域检测方法
CN111126173A (zh) 一种高精度人脸检测方法
CN113408370B (zh) 基于自适应参数遗传算法的森林变化遥感检测方法
CN115471698B (zh) 基于深度学习网络的输变电工程遥感图像分类方法及系统
CN108022240B (zh) 基于多种群联合演化的螺旋叶片图像分割方法
CN112686254B (zh) 一种基于红外卫星云图的台风中心定位方法
CN116977854A (zh) 一种基于代理辅助进化神经网络架构搜索的极化sar图像分类方法、系统、设备及介质
CN117079056A (zh) 渐进式训练多尺度信息检索网络的图像场景分类方法

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
GR01 Patent grant
GR01 Patent grant