CN118411627A - 基于卫星遥感的输电通道漂浮物识别监测系统及方法 - Google Patents

Abstract

本发明公开了基于卫星遥感的输电通道漂浮物识别监测系统及方法，涉及卫星遥感的技术领域，包括以下步骤获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；对预处理图像进行云层校正和反射率标记，得到可识别图像；根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物，本申请不仅能够自动化地捕捉输电通道图像中的漂浮物视觉特征，还能够保留空间关系信息，从而提高了漂浮物识别的准确性，此外，模型在复杂环境和不同漂浮物类型下表现出良好的泛化能力，能够快速适应新的输电通道图像数据并进行准确的识别与分类，实现了对电力系统安全运行的重要支持。

Description

基于卫星遥感的输电通道漂浮物识别监测系统及方法

技术领域

本发明涉及卫星遥感技术领域，更具体地说，本发明涉及基于卫星遥感的输电通道漂浮物识别监测系统及方法。

背景技术

遥感识别技术是利用卫星、飞机等载具获取的遥感影像数据，通过对地物、地表和环境特征的分析与解译，从而实现对地球表面和大气层的监测与识别。这种技术能够非接触式地获取大范围区域的高分辨率图像，有效地反映地表物体的分布、变化和特征，广泛应用于环境监测、资源调查、城市规划、农业管理等领域。遥感识别技术的发展不仅推动了地学和环境科学的研究进展，还为应对自然灾害、资源管理和可持续发展等提供了重要的技术支持和决策依据。

神经网络技术是一种受启发于人类神经系统结构的计算模型，由大量相互连接的人工神经元组成。这些神经元按层次结构排列，每一层都通过权重连接传递和处理信息。通过训练过程中调整这些权重，神经网络能够学习复杂的模式和关系，从而实现对输入数据的分类、识别或预测。神经网络技术在计算机视觉、自然语言处理、语音识别等领域取得了显著进展，广泛应用于图像识别、智能推荐系统、自动驾驶等各种人工智能应用中。

例如公告号为：CN113205071A的发明专利公告的三江并流区高山林线的遥感识别及其空间格局分析方法，通过首先利用面向对象分类中的类相关特征，提取包围或与草地和未利用地相邻的林地；其次借助GIS的面转线工具将林地面要素转为线要素；通过利用GIS寻找与山顶点最近距离的林地边界点，本发明提供了三江并流区高山林线的遥感识别及其空间格局分析方法；该方法利用遥感手段识别林线，并对林线的地理分布变化进行了系统研究，具有一定的借鉴意义和可行性；但受遥感影像质量和解译精度的影响，林线提取精度有待进一步提高，同时应尽量减少人为因素的影响，加强林线遥感识别的定量化和模式化研究，以及遥感技术在林线研究中的应用和普及。

例如公告号为：CN112906455A的发明专利公告的一种海岸带生态系统遥感识别方法，包括数学基础要求、遥感数据要求、遥感识别方法和现状核查，所述数据基础要求包括平面坐标系、投影、深度基准、高程基准和计量单位要求，所述遥感数据要求包括数据类型、时相、空间分辨率、定位精度、潮时、质量和格式，所述遥感识别方法包括确定遥感识别范围、遥感识别对象和遥感识别过程，遥感识别对象为典型海岸带生态系统的生境分布图斑，遥感识别过程包括影像获取和处理、图件和资料准备、建立遥感识别对象的分类系统及代码、建立遥感解译标志、遥感解译和现状统计。该方法应用遥感技术对海岸带生态系统的类型进行识别和范围划定，从而为海岸带生态系统现状调查与评估工作提供技术支撑。

上述公开的技术方案中，至少存在如下技术问题：

在现代社会中，电力已经成为经济发展和日常生活的基础。然而，输电线路经常面临来自外界的各种挑战，其中之一就是漂浮物的影响。漂浮物指的是不应存在于输电线路上的各种物体，如树枝、塑料袋、垃圾等，它们可能由于自然因素或人为活动而被带到线路上，这就导致了大量电力安全隐患。

针对上述问题，本发明提出一种解决方案。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供基于卫星遥感的输电通道漂浮物识别监测系统及方法，通过卫星遥感的输电通道漂浮物识别监测，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于卫星遥感的输电通道漂浮物识别监测系统及方法，包括如下步骤：获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；对预处理图像进行云层校正和反射率标记，得到可识别图像；根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

在一个优选的实施方式中，所述对初始卫星遥感图像进行图像预处理的具体步骤如下：根据已知地面控制点和数字高程模型进行图像的几何校正，以消除图像中的空间扭曲和失真；对几何校正后的图像进行平滑操作，以降低噪声水平。

在一个优选的实施方式中，所述对预处理图像进行云层校正和反射率标记，具体为：基于云检测算法检测和标记云层和阴影区域，并对云层和阴影区域进行遮罩处理，利用基于中值滤波的图像修复技术进行云层校正；获取地面反射率标准场，根据地面反射率标准场计算每个像素的辐射校正系数，并应用于整个云层校正后的图像，得到可识别图像。

在一个优选的实施方式中，所述根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型，具体为：获取若干个带有漂浮物的可识别图像数据，将若干个带有漂浮物的可识别图像数据进行人工的漂浮物类型归类，将漂浮物类型加入可识别图像数据中，所述漂浮物类型包括无影响类别、存在隐患类别；将人工识别的图像数据分为训练集和测试集；将训练集基于卷积神经网络进行特征提取，获得若干特征映射，并建立初始训练模型；将训练集基于卷积神经网络进行特征提取，得到多特征映射，并建立初始训练模型；根据若干特征映射建立线性加权函数，将漂浮物类型作为加权函数的输出，设置预设的第一损失函数作为约束条件，并设置初始权重，结合初始训练模型得到初始的输电通道漂浮物信息提取模型；将训练集输入初始的输电通道漂浮物信息提取模型，判断第一损失函数是否收敛，若不收敛则对线性加权函数的权重进行梯度下降的迭代优化；直至第一损失函数收敛，停止权重的迭代优化，得到输电通道漂浮物信息提取模型；将测试集输入输电通道漂浮物信息提取模型，得到输出的漂浮物类型，将输出的漂浮物类型与测试集中的漂浮物类型做比较；将不同的图像数据再次对输电通道漂浮物信息提取模型进行参数优化和结构调整，得到最终的输电通道漂浮物信息提取模型。在一个优选的实施方式中，所述基于卷积神经网络进行特征提取，具体为：使用多个卷积核，每个卷积核对输入图像进行卷积操作，通过ReLU函数激活得到一个特征图；对各个特征图进行池化，得到池化后特征，并再次加入卷积核进行迭代，直至迭代次数达到预设池化次数；完成迭代，输出若干特征映射。

在一个优选的实施方式中，所述根据已知地面控制点和数字高程模型进行图像的几何校正，具体为：确定这些地面控制点的精确地理坐标；在初始卫星遥感图像上标记地面控制点的像素坐标；利用已知的地面控制点坐标，与它们在图像中的像素位置之间的关系通过采用多项式拟合，建立像素坐标与地理坐标的转换模型；根据每个像素的地理坐标和转换模型中对应位置的高程数据，计算出每个像素的真实地面位置，从而进行正射校正。

在一个优选的实施方式中，所述对几何校正后的图像进行平滑操作，具体为：选择滤波器大小，并确定滤波器的标准差，对几何校正后的图像应用滤波器；遍历图像的每一个像素；对于每个像素，根据滤波器大小确定其周围的像素区域并与高斯核进行加权平均；将加权平均值作为平滑后的像素值。

在一个优选的实施方式中，所述云检测算法检测和标记云层和阴影区域，具体为：将图像进行灰度处理，得到灰度图像；基于图像的整体亮度分布特征设置亮度阈值；将亮度阈值应用于灰度图像，将高于亮度阈值的设置为阴影和云层区域，低于亮度阈值的设置为非云层区域；将云层和阴影区域标记为0，非云层区域为255，生成一个二值遮罩图像。

在一个优选的实施方式中，所述利用图像修复技术进行云层校正，具体为：对于二值遮罩图像，采用基于邻域像素的中值滤波进行填充，以恢复图像中阴影区域的实际信息；所述采用基于邻域像素的中值滤波进行填充具体为：定义一个3x3窗口大小，以当前像素为中心；获取每个像素其周围窗口内的所有像素值；将窗口内所有像素值按大小排序，取中间值作为当前像素的新像素值；遍历图像的每个新像素值，并根据其周围窗口内的像素值进行中值滤波处理。

基于卫星遥感的输电通道漂浮物识别监测系统，其特征在于，包括图像获取模块、图像校正模块、图像识别模块：图像获取模块，用于获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；图像校正模块，用于对预处理图像进行云层校正和反射率标记，得到可识别图像；图像识别模块，用于根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

本发明基于卫星遥感的输电通道漂浮物识别监测系统及方法的技术效果和优点：

1.本发明通过利用卷积神经网络（CNN）技术进行电力输电线路上漂浮物的识别和检测。通过CNN的高效特征提取和空间关系建模能力，文章成功实现了对输电线路图像中潜在漂浮物的准确检测，这为及时处理和预防电力事故提供了重要支持，从而确保了电网运行的安全稳定性和可靠性。

2.本发明通过卷积神经网络建立的输电通道漂浮物信息提取模型，实现了高效的漂浮物识别和监测；首先，利用多个带有漂浮物的可识别图像数据，通过人工分类和标注漂浮物类型，构建了训练集和测试集。随后，基于CNN进行特征提取，通过卷积操作和池化操作得到多特征映射，建立了初始的训练模型，并利用梯度下降算法优化权重，直至模型收敛；该模型能够有效地识别不同尺度和类型的漂浮物，包括存在隐患的类别，实现了对输电通道安全的实时监测和预警功能；通过CNN的高效特征提取能力，该方法不仅能够自动化地捕捉输电通道图像中的漂浮物视觉特征，还能够保留空间关系信息，从而提高了漂浮物识别的准确性和鲁棒性；此外，模型在复杂环境和不同漂浮物类型下表现出良好的泛化能力，能够快速适应新的输电通道图像数据并进行准确的识别与分类，实现了对电力系统安全运行的重要支持。

附图说明

图1为本发明基于卫星遥感的输电通道漂浮物识别监测方法结构示意图。

图2为本发明基于卫星遥感的输电通道漂浮物识别监测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1，图1给出了本发明基于卫星遥感的输电通道漂浮物识别监测方法，包括如下步骤：

S1，获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；

S2，对预处理图像进行云层校正和反射率标记，得到可识别图像；

S3，根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

在现代社会中，电力已经成为经济发展和日常生活的基础。然而，输电线路经常面临来自外界的各种挑战，其中之一就是漂浮物的影响；漂浮物指的是不应存在于输电线路上的各种物体，如树枝、塑料袋、垃圾等，它们可能由于自然因素或人为活动而被带到线路上。

漂浮物对输电线路造成的影响主要体现在以下几个方面：

安全风险增加：大型漂浮物如树木枝条，一旦接触输电线路，可能导致线路短路甚至火灾，严重威胁周围居民和工作人员的生命安全；

电力供应中断：漂浮物的存在可能导致输电线路跳闸或短路，使得供电中断，影响用户的正常生产和生活；

设备损坏和维护成本增加：漂浮物会附着在输电塔、导线或绝缘子上，长期存在可能损坏设备或增加维护清洁成本，对输电设备的寿命和运行造成负面影响；

电力损耗增加：漂浮物在输电线路上会导致电场分布不均匀，增加线路的电阻，从而增加电力输送过程中的能量损耗。

正确认识和处理输电线路上的漂浮物问题具有重要的现实意义和长远影响：

保障电网安全稳定运行：清理漂浮物可以减少因外部物体引发的电力事故，保障电网的安全稳定运行，提高供电可靠性；

降低维护成本和提升效率：定期清理漂浮物可以降低输电设备的维护成本，延长设备寿命，提高输电线路的运行效率和经济效益；

环境保护和可持续发展：减少漂浮物对输电线路的影响，有助于减少环境污染和资源浪费，符合可持续发展的社会责任；

综上所述，漂浮物对输电线路的影响不容忽视，对于确保电力供应的安全稳定和提升电网运行效率具有重要意义；因此，相关部门和企业应采取有效的监测、预防和清理措施，以确保输电线路的顺畅运行和社会经济的可持续发展。

图像几何校正的主要目的是消除由于地球表面的曲率和卫星运动造成的几何变形；地球表面的曲率会导致远离成像中心的地物在图像中出现形变和位置偏移，而卫星的运动则引入了视角效应，使得同一地物在不同像素位置呈现不同的视觉特征；通过使用地面控制点和数字高程模型，可以精确地将图像像素坐标映射到地理坐标系统中，进而进行正射校正，使得图像像素在地理空间中的位置与实际地面上的位置一致，从而确保图像的空间几何精度和位置精度，为后续的地理信息分析和应用提供可靠的基础数据。

本实施例中，所述对初始卫星遥感图像进行图像预处理的具体步骤如下：

使用已知地面控制点和数字高程模型进行图像的几何校正，以消除图像中的空间扭曲和失真。

具体的，在地面控制点（比如已知的地理标志物、建筑物、边界或交叉点等）的帮助下，通过GPS或其他测量工具确定这些点的精确地理坐标；

在初始卫星遥感图像上标记这些地面控制点的像素坐标；

利用已知的地面控制点坐标，与它们在图像中的像素位置之间的关系，建立像素坐标与地理坐标的转换模型，通常采用多项式拟合或其他几何转换模型；

将DEM数据与图像结合使用，根据每个像素的地理坐标和DEM中对应位置的高程数据，计算出每个像素的真实地面位置，从而进行正射校正；

校正后的图像通常需要进行验证，以确保地理位置的准确性和图像的空间完整性。

通过以上步骤，可以消除由于地球表面形态和拍摄角度造成的图像扭曲和失真，使得卫星遥感图像更适合进行后续的地理信息系统（GIS）分析和应用。

需要说明的是，地面控制点是地球表面上已知位置的特定点，其地理坐标（经度和纬度）已经精确测量和记录；在图像几何校正中，地面控制点用于将卫星遥感图像的像素坐标与地理坐标系统进行关联；通过在图像中标识和测量这些点的像素坐标，可以建立图像像素与地球表面地理坐标之间的映射关系。

数字高程模型是对地球表面和地物的高程信息进行数值建模的数据集合；它通常以栅格形式存储，每个栅格单元包含地表的高程数据；在几何校正中，DEM用于处理地形引起的影像变形；通过使用DEM数据，可以进行正射校正，即将图像中的斜视投影转换为真实地面上的等距投影，从而消除由地形引起的视角效应和地面高差带来的扭曲和失真。

本实施例所述的几何校正对分析遥感图像具有以下优点：

空间几何精度提高：通过几何校正，消除了由地球曲率和卫星视角效应引起的图像扭曲和位置偏移，确保图像像素在地理空间中的精确位置信息，使得后续分析得到的结果更加准确可靠；

地理信息一致性：正射校正后的图像能够保持像素在地面上等距分布，不受地形影响，使得图像中的各个地理对象在空间分析中能够按照真实的地理位置进行精确匹配和比较；

数据集成和比较：几何校正后的遥感图像与其他空间数据（如地理信息系统中的矢量数据、其他遥感数据等）能够更方便地进行集成和比较分析，提高了不同数据源之间的互操作性和一致性；

应用广泛性：几何校正后的遥感图像可以更广泛地应用于土地利用、资源管理、环境监测等领域的定量分析和决策支持，为政府、科研机构和商业部门提供重要的空间信息支持；

后续分析效果优化：精确的几何校正提高了遥感图像在特定应用场景下的解译和分析效果，使得从图像中提取出的特征和信息更具可信度和应用价值；

综上所述，图像几何校正不仅提高了遥感图像的空间数据质量和精度，还增强了图像在多种地理信息分析和应用中的实用性和可靠性，为解决现实世界问题提供了强有力的数据基础和支持。

进行几何校正后的遥感图像通常包含了高质量的空间位置信息，但可能会受到原始数据中的噪声或细微的不完美影响。通过应用平滑操作（如高斯滤波器），可以有效降低图像中的噪声水平，使得图像更清晰、更易于解释和分析。这一步骤不仅改善了图像的视觉质量，还有助于确保后续基于图像的量化分析和模型应用的精确性和可靠性。

进一步的，对几何校正后的图像进行平滑操作，以降低噪声水平。

所述对几何校正后的图像进行平滑操作，具体为：

选择滤波器大小：高斯滤波器的大小由其核大小（或称窗口大小）决定，通常以像素为单位；较大的核大小可以提供更强的平滑效果，但可能会导致图像细节损失。

确定滤波器的标准差：高斯滤波器的效果取决于其标准差参数。标准差越大，滤波器的权重分布越广，平滑效果越明显，但可能会模糊图像的细节

对几何校正后的图像应用高斯滤波器。这一过程可以通过在图像上滑动滤波器的窗口，并计算每个窗口内像素的加权平均值来完成。加权系数由高斯函数确定，距离中心像素越远的像素其权重越小。

实现步骤：遍历图像的每一个像素；对于每个像素，将其周围的像素区域（根据选择的滤波器大小）与高斯核进行加权平均。

计算加权平均值并将其作为平滑后的像素值。

在图像边界处，由于无法获取完整的滤波器窗口，可以选择进行填充（如边界复制、零填充等）或使用有效的边界处理方法来减少边界处的影响。

根据具体应用场景和图像特性选择适当的滤波器大小和标准差，以平衡噪声去除和图像细节保留之间的关系。

通过以上步骤，使用高斯滤波器对几何校正后的图像进行平滑操作，可以有效降低噪声水平，使得图像更适合后续的分析和视觉展示。

所述图像平滑操作的优点如下：

噪声抑制和图像平滑：平滑操作有效降低了图像中的噪声水平，使得图像在视觉上更加清晰和平滑；这对于提升图像质量、减少视觉疲劳和提高观察者的可接受度至关重要；

保留细节和特征：通过适当选择滤波器大小和参数（如高斯核的标准差），可以在降低噪声的同时尽可能地保留图像的细节和特征；这对于后续的定量分析、目标检测和分类任务至关重要；

提高后续分析的效果：清晰、平滑的图像有助于提高自动化处理算法（如图像分割、特征提取）的性能和准确性；减少了噪声的影响，使得算法能够更可靠地识别和分析图像中的对象和模式；

增强图像解译的可靠性：在遥感图像分析中，几何校正和平滑操作能够共同提高图像的空间精度和视觉一致性，从而增强图像解译的可靠性；这对于地物分类、土地利用监测等应用具有重要意义；

提升数据的一致性和可比性：通过规范化和优化图像质量，平滑操作有助于确保不同时间、不同传感器或不同空间分辨率的图像具有一致的视觉表现和数据特征，从而提升数据的可比性和可操作性。

综上所述，几何校正后进行平滑操作能够有效增强遥感图像的视觉质量和数据质量，为后续的分析和应用提供更为可靠的基础和支持。

本实施例中，所述对预处理图像进行云层校正和反射率标记，具体为：

基于云检测算法检测和标记云层和阴影区域，并对云层和阴影区域进行遮罩处理，利用图像修复技术进行云层校正。

所述云检测算法检测和标记云层和阴影区域，具体为：

将图像进行灰度处理，得到灰度图像；

基于图像的整体亮度分布特征设置亮度阈值；

将亮度阈值应用于灰度图像，将高于亮度阈值的设置为阴影和云层区域，低于亮度阈值的设置为非云层区域。

采用基于阈值和基于纹理的方法相结合，通过阈值法识别出潜在的云层区域，然后使用纹理分析来进一步验证和修正。

所述云层和阴影区域进行遮罩处理，具体为：将云层和阴影区域标记为0，非云层区域为255，生成一个二值遮罩图像。

所述利用图像修复技术进行云层校正，具体为：

对于二值遮罩图像，采用基于邻域像素的中值滤波进行填充，以恢复图像中阴影区域的实际信息；

所述采用基于邻域像素的中值滤波进行填充具体为：

定义一个3x3窗口大小，以当前像素为中心；

获取每个像素其周围窗口内的所有像素值；

将窗口内所有像素值按大小排序，取中间值作为当前像素的新像素值；

遍历图像的每个新像素值，并根据其周围窗口内的像素值进行中值滤波处理。

所述灰度处理的具体计算公式如下：

其中，F为本发明灰度处理的函数，为灰度级别Z的概率，为灰度级别Z的概率最小值。

进一步的，获取地面反射率标准场，并计算每个像素的辐射校正系数，并应用于整个云层校正后的图像，得到可识别图像；

所述计算每个像素的辐射校正系数具体为：

从图像中提取像素（x,y）波段λ下的辐射度量值 L(x,y,λ)；

使用相应的地面反射率标准场数据C(λ)，计算辐射校正系数；

计算反射率 R(x,y,λ)=L(x,y,λ)/C(λ)。

将计算得到的反射率 R(x,y,λ）应用到图像相应位置（x,y）处，得到可识别图像。

需要说明的是，进行反射率标记和辐射校正是必要的，因为遥感图像中的原始辐射度量值受到大气影响和传感器特性的影响，直接影响到数据的精度和可比性。通过这些步骤，可以将图像转换为反映地表物体真实反射特性的反射率图像，提高数据的准确性和可信度，从而支持有效的地表监测、资源管理和环境研究。

进行反射率标记和辐射校正有以下几个显著的好处：

数据精度提升： 原始遥感图像中的辐射度量值受大气散射、传感器响应特性等因素影响，反映的是复杂的光学特性而非地表物体本身的反射特性；通过辐射校正，可以减少这些影响，使得数据更准确地反映地表物体的真实反射率；

数据可比性增强：校正后的反射率图像具有可比性，不同时间和地点获取的数据可以直接比较和分析；这种一致的数据处理方法支持长期监测和变化检测，有助于理解和预测地表物体的动态变化；

支持地表分类和监测：反射率数据是进行地表分类和监测的基础；准确的反射率图像可以帮助识别和区分不同类型的地表覆盖，例如植被、水体、建筑物等，从而支持环境管理、资源评估和城市规划等应用；

环境与资源管理应用：反射率数据在环境监测和资源管理中具有重要意义。例如，可以通过监测城市扩展、农作物生长状态或水体污染程度来进行可持续发展规划和自然资源管理；

科学研究支持：辐射校正提供了更准确和可信的遥感数据，对于科学研究尤为重要；研究人员可以利用这些数据开展更深入的环境分析、气候变化研究以及地表过程模拟；

综上所述，反射率标记和辐射校正不仅提高了遥感数据的质量和准确性，还为各种应用领域提供了可靠的数据基础，促进了遥感技术在环境科学和地理信息系统中的广泛应用和发展。

卷积神经网络（CNN）在识别漂浮物方面具有显著优势；其主要原因包括其对图像特征的高效提取能力和对空间关系的有效建模能力；通过卷积层和池化层，CNN可以自动学习和提取输入图像中的局部特征，这些特征具有平移不变性，即不受物体在图像中位置变化的影响；这种特性使得CNN能够在复杂的自然环境中准确地检测和识别出输电通道上的漂浮物，从而帮助及时发现潜在的安全隐患，保障输电通道的稳定运行和可靠性。

本实施例通过利用卷积神经网络（CNN）技术进行电力输电线路上漂浮物的识别和检测。通过CNN的高效特征提取和空间关系建模能力，文章成功实现了对输电线路图像中潜在漂浮物的准确检测，这为及时处理和预防电力事故提供了重要支持，从而确保了电网运行的安全稳定性和可靠性。

实施例2，本实施中，所述根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型，具体为：

获取若干个带有漂浮物的可识别图像数据，将若干个带有漂浮物的可识别图像数据进行人工的漂浮物类型归类，将漂浮物类型加入可识别图像数据中，所述漂浮物类型包括无影响类别、存在隐患类别；

将人工识别的图像数据分为训练集和测试集；

将训练集基于卷积神经网络进行特征提取，得到多特征映射，并建立初始训练模型；

所述基于卷积神经网络进行特征提取，具体为：

使用多个卷积核，每个卷积核对输入图像进行卷积操作，通过ReLU函数激活得到一个特征图；

对各个特征图进行池化，得到池化后特征，并再次加入卷积核进行迭代，直至迭代次数达到预设池化次数；完成迭代，输出若干特征映射。

所述特征图的输出计算公式为：

式中，为第p个池化层的第i个特征映射，为池化操作，为激活函数，为待训练特征的权重，为待训练特征，为偏置项。

进一步的，根据若干特征映射建立线性加权函数，将漂浮物类型作为加权函数的输出，设置预设的第一损失函数作为约束条件，并设置初始权重，结合初始训练模型得到初始的输电通道漂浮物信息提取模型；

将训练集输入建立初始的输电通道漂浮物信息提取模型，判断第一损失函数是否收敛，若不收敛则对线性加权函数的权重进行梯度下降的迭代优化；

直至第一损失函数收敛，停止权重的迭代优化，得到输电通道漂浮物信息提取模型；

将测试集输入输电通道漂浮物信息提取模型，得到输出的漂浮物类型，将输出的漂浮物类型与测试集中的漂浮物类型做比较，将不同的图像数据再次对输电通道漂浮物信息提取模型进行参数优化和结构调整，得到最终的输电通道漂浮物信息提取模型。

所述激活函数的具体计算公式为：

式中，JH（x）为激活函数，即为当满足激活函数时的训练进行输入。

所述第一损失函数的具体计算公式为：

式中，为第一损失函数，为数据集的总数，为训练出来的输出，及训练输出的漂浮物类型，为第i个可识别图像数据的人为归类的漂浮物类型。

所述对线性加权函数的权重进行梯度下降的迭代优化，具体计算公式为：

式中，为第t+1次迭代的权重值，为第t次权重值，为学习率，为数据集的总数，为训练出来的输出，及训练输出的漂浮物类型，为第i个可识别图像数据的人为归类的漂浮物类型。

上述使用卷积神经网络（CNN）进行识别漂浮物的步骤具有几个显著的优点：

高效的特征提取能力：CNN能够通过卷积层和池化层自动学习和提取图像中的关键特征，无需手工设计特征提取器；这种能力使得它能够有效地捕捉到漂浮物的视觉特征，包括大小、形状、纹理等，从而提高了识别的准确性和鲁棒性；

空间关系的有效建模：CNN能够保持图像的空间结构信息，并在多个层次上逐步抽象和组合特征；这种空间关系的建模能力使得网络能够在不同尺度上理解和处理输电通道图像中的漂浮物，从而更准确地定位和识别目标物体；

适应复杂环境和变化： 输电通道的环境复杂性和漂浮物的多样性要求算法能够快速适应和调整；CNN通过大规模数据训练和参数优化，能够有效应对不同光照、天气条件和漂浮物类型的变化，从而提高了在实际场景中的稳健性和泛化能力；

自动化和实时性：一旦训练好的CNN模型可以快速地对新的输电通道图像进行漂浮物检测和识别，实现了自动化监测和实时响应的能力；这种自动化处理不仅提高了效率，还能够及时发现和解决可能存在的安全隐患，保证输电线路的安全运行；

综上所述，利用卷积神经网络进行漂浮物识别的方法不仅提升了识别的精度和效率，还增强了系统的自动化和实时性，使得其在输电通道安全监测和维护中具有重要的应用价值。

本实施例中，所述通过其识别和监测输电通道漂浮物，具体为：

将实际待测的输电通道漂浮物图像数据输入输电通道漂浮物信息提取模型，得到输出的漂浮物类型，根据漂浮物类型判断漂浮物的隐患，对于有隐患的类型发出预警。

本实施例通过卷积神经网络（CNN）建立的输电通道漂浮物信息提取模型，实现了高效的漂浮物识别和监测；首先，利用多个带有漂浮物的可识别图像数据，通过人工分类和标注漂浮物类型，构建了训练集和测试集。随后，基于CNN进行特征提取，通过卷积操作和池化操作得到多特征映射，建立了初始的训练模型，并利用梯度下降算法优化权重，直至模型收敛；该模型能够有效地识别不同尺度和类型的漂浮物，包括存在隐患的类别，实现了对输电通道安全的实时监测和预警功能；

通过CNN的高效特征提取能力，该方法不仅能够自动化地捕捉输电通道图像中的漂浮物视觉特征，还能够保留空间关系信息，从而提高了漂浮物识别的准确性和鲁棒性；此外，模型在复杂环境和不同漂浮物类型下表现出良好的泛化能力，能够快速适应新的输电通道图像数据并进行准确的识别与分类，实现了对电力系统安全运行的重要支持。

实施例3，图2给出了本发明基于卫星遥感的输电通道漂浮物识别监测系统，包括图像获取模块、图像校正模块、图像识别模块：

图像获取模块，用于获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；

图像校正模块，用于对预处理图像进行云层校正和反射率标记，得到可识别图像；

图像识别模块，用于根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况进行设置。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，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，均应包含在本发明的保护范围之内。

Claims (10)

1.基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，包括如下步骤：

获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；

对预处理图像进行云层校正和反射率标记，得到可识别图像；

根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

2.根据权利要求1所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述对初始卫星遥感图像进行图像预处理的具体步骤如下：

根据已知地面控制点和数字高程模型进行图像的几何校正，消除图像中的空间扭曲和失真；

对几何校正后的图像进行平滑操作，以降低噪声水平。

3.根据权利要求2所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述对预处理图像进行云层校正和反射率标记，具体为：

基于云检测算法检测和标记云层和阴影区域，并对云层和阴影区域进行遮罩处理，利用基于中值滤波的图像修复技术进行云层校正；

获取地面反射率标准场，根据地面反射率标准场计算每个像素的辐射校正系数，并应用于整个云层校正后的图像，得到可识别图像。

4.根据权利要求3所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型，具体为：

获取若干个带有漂浮物的可识别图像数据，将若干个带有漂浮物的可识别图像数据进行人工的漂浮物类型归类，将漂浮物类型加入可识别图像数据中，所述漂浮物类型包括无影响类别、存在隐患类别；

将人工识别的图像数据分为训练集和测试集；

将训练集基于卷积神经网络进行特征提取，获得若干特征映射，并建立初始训练模型；

将训练集基于卷积神经网络进行特征提取，得到多特征映射，并建立初始训练模型；

根据若干特征映射建立线性加权函数，将漂浮物类型作为加权函数的输出，设置预设的第一损失函数作为约束条件，并设置初始权重，结合初始训练模型得到初始的输电通道漂浮物信息提取模型；

将训练集输入初始的输电通道漂浮物信息提取模型，判断第一损失函数是否收敛，若不收敛则对线性加权函数的权重进行梯度下降的迭代优化；

直至第一损失函数收敛，停止权重的迭代优化，得到输电通道漂浮物信息提取模型；

将测试集输入输电通道漂浮物信息提取模型，得到输出的漂浮物类型，将输出的漂浮物类型与测试集中的漂浮物类型做比较；

将不同的图像数据再次对输电通道漂浮物信息提取模型进行参数优化和结构调整，得到最终的输电通道漂浮物信息提取模型。

5.根据权利要求4所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述基于卷积神经网络进行特征提取，具体为：

使用多个卷积核，每个卷积核对输入图像进行卷积操作，通过ReLU函数激活得到一个特征图；

对各个特征图进行池化，得到池化后特征，并再次加入卷积核进行迭代，直至迭代次数达到预设池化次数；完成迭代，输出若干特征映射。

6.根据权利要求5所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述根据已知地面控制点和数字高程模型进行图像的几何校正，具体为：

确定地面控制点的精确地理坐标；

在初始卫星遥感图像上标记地面控制点的像素坐标；

利用已知的地面控制点坐标，与其在图像中的像素位置之间的关系通过采用多项式拟合，建立像素坐标与地理坐标的转换模型；

根据每个像素的地理坐标和转换模型中对应位置的高程数据，计算出每个像素的真实地面位置，从而进行正射校正。

7.根据权利要求6所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述对几何校正后的图像进行平滑操作，具体为：

选择滤波器，并确定滤波器的标准差，对几何校正后的图像应用滤波器；

遍历图像的每一个像素；对于每个像素，根据滤波器的大小确定其周围的像素区域并与高斯核进行加权平均，将加权平均值作为平滑后的像素值。

8.根据权利要求7所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述云检测算法检测和标记云层和阴影区域，具体为：

将图像进行灰度处理，得到灰度图像；

基于图像的整体亮度分布特征设置亮度阈值；

将亮度阈值应用于灰度图像，将高于亮度阈值的设置为阴影和云层区域，低于亮度阈值的设置为非云层区域；

将云层和阴影区域标记为0，非云层区域为255，生成一个二值遮罩图像。

9.根据权利要求8所述的基于卫星遥感的输电通道漂浮物识别监测方法，其特征在于，所述利用基于中值滤波的图像修复技术进行云层校正，具体为：

对二值遮罩图像采用基于邻域像素的中值滤波进行填充，以恢复图像中阴影区域的实际信息；

所述采用基于邻域像素的中值滤波进行填充具体为：

定义窗口大小，以当前像素为中心；

获取每个像素其周围窗口内的所有像素值；

将窗口内所有像素值按大小排序，取中间值作为当前像素的新像素值；

遍历图像的每个新像素值，并根据其周围窗口内的像素值进行中值滤波处理。

10.一种使用如权利要求1-9中任意一项所述的基于卫星遥感的输电通道漂浮物识别监测方法的系统，其特征在于，包括图像获取模块、图像校正模块、图像识别模块：

所述图像获取模块，用于获取输电线路周围的初始卫星遥感图像，对初始卫星遥感图像进行图像预处理，获得预处理图像；

所述图像校正模块，用于对预处理图像进行云层校正和反射率标记，得到可识别图像；

所述图像识别模块，用于根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。