CN108898177A - 一种输电线路走廊地表分类方法、***、介质及设备 - Google Patents
一种输电线路走廊地表分类方法、***、介质及设备 Download PDFInfo
- Publication number
- CN108898177A CN108898177A CN201810668284.XA CN201810668284A CN108898177A CN 108898177 A CN108898177 A CN 108898177A CN 201810668284 A CN201810668284 A CN 201810668284A CN 108898177 A CN108898177 A CN 108898177A
- Authority
- CN
- China
- Prior art keywords
- image
- convolutional neural
- neural networks
- transmission line
- power transmission
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
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)
- Image Analysis (AREA)
Abstract
本申请公开了一种输电线路走廊地表分类方法,包括:利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;其中,全卷积神经网络模型的构建过程为:对目标无人机影像进行预处理,得到样本数据;其中,目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;基于全卷积神经网络算法构建待训练模型;利用样本数据对待训练模型进行训练,得到全卷积神经网络模型。可见,利用全卷积神经网络模型来学习目标无人机影像当中复杂的结构信息,能够显著提高输电线路走廊地表的分类精度。相应的,本申请公开的一种输电线路走廊地表分类***、介质及设备,同样具有上述有益效果。
Description
技术领域
本发明涉及遥感技术领域,特别涉及一种输电线路走廊地表分类方法、***、介质及设备。
背景技术
电力工业作为国家的支柱性产业,其应用范围十分广泛,而其中的输电线路又是电力工业当中最为重要的基础设施。由于输电线路长期暴露在外界环境当中,极易导致输电线路发生故障,从而影响人们的正常生活。因此,在电网运行的过程中,为了防止安全事故的发生,需要对输电线路进行周期性的巡检。但是,由于输电线路穿越的地理环境较为复杂,给输电线路的管理和监测带来了很多的困难。
目前,最为常用的一种技术手段是通过无人机来对输电线路进行监测,但是,在利用无人机技术对输电线路进行检测的首要问题就是如何确定输电线路所处区域的地表覆盖类型,针对这一问题,目前大多是使用支持向量机、Adaboost、随机森林等算法来对输电线路走廊地表的覆盖类型进行分类,但是,由于无人机影像的复杂性,这些算法模型都无法充分学习到无人机影像当中复杂的结构信息,由此导致对输电线路走廊地表的分类精度较低。所以,如何利用一种更好的方法来对由无人机获取到的输电线路走廊地表的覆盖类型进行分类,是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种输电线路走廊的地表的分类方法、***、介质及设备,以提高对输电线路走廊地表的分类精度。其具体方案如下:
一种输电线路走廊地表分类方法,包括:
利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;
其中,所述全卷积神经网络模型的构建过程为:
对目标无人机影像进行预处理,得到样本数据;其中,所述目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
基于全卷积神经网络算法构建待训练模型;
利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
优选的,所述对目标无人机影像进行预处理,得到样本数据的过程,包括:
利用预设标注工具对所述目标无人机影像进行标注,得到标注影像;
对所述标注影像进行数据增广,得到增广影像;
利用参数为128*128的滑动窗口和参数为32的滑动步长对所述增广影像进行裁剪,得到所述样本数据。
优选的,所述利用预设标注工具对所述目标无人机影像进行标注,得到标注影像的过程,包括:
利用多边形工具对所述目标无人机影像中的植被和/或裸地和/或水体和/或建筑物和/或电力杆塔进行标注,得到所述标注影像。
优选的,所述对所述标注影像进行数据增广,得到增广影像的过程,包括:
对所述标注影像进行图像拉伸和/或图像加噪和/或图像旋转和/或图像模糊,得到所述增广影像。
优选的,所述利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果的过程,包括:
利用参数为128*128的滑动窗口和参数为128的滑动步长对所述待分类无人机影像进行裁剪,得到目标裁剪影像;
利用所述全卷积神经网络模型对所述目标裁剪影像进行分类,得到预分类结果;
将所述预分类结果进行拼接,得到所述分类结果。
优选的,所述利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型的过程,包括:
利用Batch Normalization对所述样本数据进行处理,得到目标样本数据;
利用所述目标样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
优选的,所述基于全卷积神经网络算法构建待训练模型的过程,包括:
基于所述全卷积神经网络算法,并选择Softmax函数构建所述待训练模型。
相应的,本发明还公开了一种输电线路走廊地表分类***,包括:
分类器分类模块,用于利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;
其中,分类器分类模块为分类器创建模块创建获得,所述分类器创建模块包括:
图片预处理子模块,用于对目标无人机影像进行预处理,得到样本数据;其中,所述目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
模型构建子模块,用于基于全卷积神经网络算法构建待训练模型;
模型训练子模块,用于利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
相应的,本发明还公开了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前述公开的输电线路走廊地表分类方法的步骤。
相应的,本发明还公开了一种输电线路走廊地表分类设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如前述公开的输电线路走廊地表分类方法的步骤。
可见,在本发明中,首先由无人机上搭载的多视角相机获取输电线路走廊地表的影像,再对获取到的影像进行预处理,得到样本数据,然后,利用样本数据对基于全卷积神经网络算法构建的待训练模型进行训练,由此得到训练好的全卷积神经网络模型,最后,利用预先创建好的全卷积神经网络模型确定目标输电线路走廊地表的覆盖类型,由此达到对输电线路走廊地表进行分类的目的。显然,因为全卷积神经网络模型可以从无人机影像当中,通过多层分级堆叠的卷积核及池化层,自动学习到无人机影像中不同层次的抽象特征,所以,利用全卷积神经网络模型可以显著提高输电线路走廊地表的分类精度。相应的,本发明公开的一种输电线路走廊地表分类***、介质及设备,同样具有上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种构建全卷积神经网络模型的流程图;
图2为本发明实施例公开的一种对目标无人机影像进行预处理的流程图;
图3为本发明实施例公开的一种输电线路走廊地表分类方法的流程图;
图4为本发明实施例公开的另一种输电线路走廊地表分类方法的流程图;
图5为本发明实施例公开的另一种构建全卷积神经网络模型的流程图;
图6为本发明实施例公开的一种最大池化的示意图;
图7为本发明实施例公开的一种输电线路地表分类***的结构图;
图8为本发明实施例公开的一种输电线路地表分类设备的结构图。
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、完整地描述,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。
本发明实施例公开了一种输电线路走廊地表分类方法,如图1所示,该方法包括:
步骤S11:对目标无人机影像进行预处理,得到样本数据;
其中,目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
在实际应用当中,输电线路走廊架设在地理环境较为复杂的自然环境当中,给输电线路的管理和监测带来了许多困难,利用无人机可以拍摄得到输电线路走廊更多的信息。具体的,是利用无人机上搭载的多视角相机从各个角度拍摄输电线路走廊的影像,以获取更多的输电线路走廊地表的影像信息。但是,由于利用无人机拍摄得到的输电线路走廊的影像较大,所以,需要对目标无人机影像进行预处理,以减少计算机的计算量,并且由于在后续步骤当中,建立的待训练模型为基于全卷积神经网络算法构建的模型,所以在本步骤当中,还需要将目标无人机影像所对应的分类结果进行标注,经过这样对无人机影像的预处理之后,就可以得到与目标无人机影像相对应的样本数据。
步骤S12:基于全卷积神经网络算法构建待训练模型;
步骤S13:利用样本数据对待训练模型进行训练,得到全卷积神经网络模型。
可以理解的是,由于无人机上搭载的多视角相机拍摄得到的输电线路走廊地表影像的尺寸较大、结构较为复杂,而全卷积神经网络模型是一种监督学***移、比例缩放和倾斜等其它形式变形引起的误差,所以,利用全卷积神经网络模型可以对输电线路走廊地表的无人机影像进行更好的分类。也即,在本实施例中,在基于全卷积神经网络算法构建待训练模型之后,再利用预先处理得到的样本数据对待训练模型进行训练,即可得到全卷积神经网络模型,最后利用训练好的全卷积神经网络模型就可以对含有输电线路走廊地表的无人机影像进行分类。
需要说明的是,在本实施例中,步骤S11至步骤S13均为创建全卷积神经网络模型的过程。在实际应用当中,可以是按照步骤S11至步骤S13来创建全卷积神经网络模型后,直接向全卷积神经网络模型输入目标输电线路走廊地表的无人机影像,然后根据全卷积神经网络模型的输出值得到目标输电线路走廊地表的覆盖类型,也可以是预先获取一个已经训练好的全卷积神经网络模型直接对目标输电线路走廊地表的无人机影像进行分类。一切以达到实际应用为目的,此处不作具体的限定。
可见,在本实施例当中,首先由无人机上搭载的多视角相机获取输电线路走廊地表的影像,再对获取到的影像进行预处理,得到样本数据,然后,利用样本数据对基于全卷积神经网络算法构建的待训练模型进行训练,由此得到训练好的全卷积神经网络模型,最后,利用预先创建好的全卷积神经网络模型确定目标输电线路走廊地表的覆盖类型,由此达到对输电线路走廊地表进行分类的目的。显然,因为全卷积神经网络模型可以从无人机影像当中,通过多层分级堆叠的卷积核及池化层,自动学习到无人机影像中不同层次的抽象特征,所以,利用全卷积神经网络模型可以显著提高输电线路走廊地表的分类精度。
基于上述实施例,本实施例对上一实施例进行具体的说明与优化,如图2所示,具体的,上述步骤S11:对目标无人机影像进行预处理,得到样本数据的过程,包括:
步骤S111:利用预设标注工具对目标无人机影像进行标注,得到标注影像;
能够想到的是,由于全卷积神经网络算法是一种监督学习式的算法模型,所以,在得到目标无人机影像之后,需要对目标无人机影像中的各种类别信息进行标注,得到标注影像,以将标注影像转换为全卷积神经网络模型所能够识别的格式。在实际应用当中,可以通过预设标注工具对目标无人机影像进行标注,得到标注影像。此处的预设标注工具可以是多边形工具,也可以是利用其他的标注工具对目标无人机影像进行标注,得到标注影像,此处不作具体的限定。
具体的,步骤S111:利用预设标注工具对目标无人机影像进行标注,得到标注影像的过程,包括:
利用多边形工具对目标无人机影像中的植被和/或裸地和/或水体和/或建筑物和/或电力杆塔进行标注,得到标注影像。
可以理解的是,因为目标无人机影像中的影像信息较为复杂,影像中蕴含的内容信息较多,所以,为了对目标无人机影像进行更好的分类,需要对目标无人机影像中的特征信息进行标注。因为考虑到目标无人机影像的实际情况,所以,在本实施例中,是针对目标无人机影像的具体内容信息,对目标无人机影像进行具体的标注,也即,利用多边形工具对目标无人机影像中的植被和/或裸地和/或水体和/或建筑物和/或电力杆塔进行标注,更具体的,是对电力杆塔中细小的结构特征进行标注,比如电力杆塔中的绝缘子、塔脚等进行精确的标注,以得到更加精确的目标无人机影像中的各种类别信息。
步骤S112:对标注影像进行数据增广,得到增广影像;
为了更进一步的增加对待训练模型样本数据的数量,提高待训练模型的泛化能力,在本实施例中,还对标注影像进行了数据增广,以增加样本数据的数量。进一步的,此处还可以是针对标注影像中所占面积较小的电力杆塔进行数据增广,以进一步的增加样本数据中有效样本数据的数量。
具体的,步骤S112:对标注影像进行数据增广,得到增广影像的过程,包括:
对标注影像进行图像拉伸和/或图像加噪和/或图像旋转和/或图像模糊,得到增广影像。
可以理解的是,由无人机上搭载的多视角相机获取到的输电线路走廊地表的影像数据量较少,而且,由于无人机拍摄得到的输电线路走廊地表影像中目标物体的尺寸较小,所以,在本实施例中,还可以对标注影像进行图像拉伸、图像加噪、图像旋转以及图像模糊等,来进一步的增加标注影像的数量。
步骤S113:利用参数为128*128的滑动窗口和参数为32的滑动步长对增广影像进行裁剪,得到样本数据。
可以理解的是,由于无人机拍摄得到的目标输电线路走廊地表的目标无人机影像尺寸过大,不适合直接用计算机进行识别,所以,在本实施例中,还可以利用参数为128*128的滑动窗口和参数为32的滑动步长对增广影像进行裁剪,得到样本数据,以缩小增广影像的尺寸,以便于待训练模型的训练,同时也解决了计算机显卡显存不足的问题。当然,此处还可以是以其它的方式,对增广影像进行裁剪,此处不作具体的限定。
如图3所示,相应的,利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果的过程,包括:
步骤S01:利用参数为128*128的滑动窗口和参数为128的滑动步长对待分类无人机影像进行裁剪,得到目标待分类无人机影像;
步骤S02:利用全卷积神经网络模型对目标待分类无人机影像进行分类,得到预分类结果;
步骤S03:将预分类结果进行拼接,得到分类结果。
因为利用无人机获取到的目标输电线路走廊的待分类无人机影像的尺寸较大,所以,在利用训练好的全卷积神经网络模型对待分类无人机影像进行分类时,可以先利用参数为128*128的滑动窗口和参数为128的滑动步长对待分类无人机影像进行裁剪,这样一方面可以缩小全卷积神经网络模型输入影像的尺寸大小,另一方面,还可以进一步的保证全卷积神经网络模型输入样本数据的充足性。
在实际操作当中,是对待分类无人机影像和与待分类无人机影像相对应的标签数据同时进行裁剪,生成样本数据。最后,通过将预分类结果进行拼接,得到与待分类无人机影像相对应的分类结果,也即,通过全卷积神经网络中的逻辑回归层可以得到每一张裁剪影像的预分类结果,再将这些预分类结果进行拼接,即可得到待分类无人机影像的最终分类结果。上述过程的具体流程可参见图4,此处不再赘述。
基于上述实施例,本实施例对上一实施例进行具体的说明与优化,如图5所示,具体的,上述步骤S11:利用样本数据对待训练模型进行训练,得到全卷积神经网络模型的过程,包括:
步骤S101:利用Batch Normalization对样本数据进行处理,得到目标样本数据;
步骤S102:利用目标样本数据对待训练模型进行训练,得到全卷积神经网络模型。
可以理解的是,在建立全卷积神经网络模型的过程中,通常会有大量的参数需要计算,当样本数据量较少的情况下,极易出现过拟合的现象,所以,在本实施例中,为了避免这一情况的发生,是利用Batch Normalization对样本数据进行归一化处理,得到目标样本数据,然后利用目标样本数据对待训练模型进行训练,得到全卷积神经网络模型。
其中,Batch Normalization的表述式为:
式中,x和y分别为训练样本的输入和输出,μ和σ2为输入的训练样本的平均值与方差,γ和β为需要学习的参数,ε为使得数值稳定所添加的常量。
基于上述实施例,本实施例对上一实施例进行具体的说明与优化,具体的,上述步骤S12:基于全卷积神经网络算法构建待训练模型的过程,包括:
基于全卷积神经网络算法,并选择ReLU函数构建待训练模型。
在本实施例中,是利用ReLU函数来激活基于全卷积神经网络算法构建的待训练模型,ReLU函数相比于一般的非线性激活函数,具有训练速度快的优点,所以,在本实施例中是选择ReLU函数来缩短待训练模型的训练时间。
此外,在全卷积神经网络算法当中,卷积层是全卷积神经网络的核心,卷积层能够将输入的目标无人机影像进行卷积操作,输出的结果代表着每个卷积核对输入的目标无人机影像的响应。所以,通过全卷积神经网络中的卷积层,可以对输入的目标无人机影像进行分类识别。
其中,全卷积神经网络中卷积层的计算公式为:
式中,g为ReLU激活函数,k为卷积核,*为卷积操作,b为偏置项,Mj为全卷积神经网络中上一层的输入特征图像,j为全卷积神经网络中的层数,l为卷积层所在的层数,x为输入的目标无人机影像,i为全卷积神经网络中输入特征图像的层数。
基于上述实施例,本实施例对上一实施例进行具体的说明与优化,具体的,上述步骤S12:基于全卷积神经网络算法构建待训练模型的过程,包括:
基于全卷积神经网络算法,并选择最大池化构建待训练模型。
在全卷积神经网络算法当中,池化层是一个非线性降采样层,当无人机影像通过池化层找到一个特征以后,找到的该特征所处的确切位置就没有其它特征的相对位置重要,池化层的出现提高了全卷积神经网络的鲁棒性,并减少了全卷积神经网络中参数的计算数量。在现有技术当中,池化层一般可以分为均值池化与最大池化,均值池化所起的作用是选择目标无人机影像中的均值来代替找到的特征,最大池化所起的作用是选择目标无人机影像中的最大值来代替找到的特征,如图6所示,在A位置区域内通过最大池化得到如位置区域B的结果示意图,具体的,在本实施例中,为了保留无人机影像当中更多的纹理信息,是利用最大池化来构建待训练模型。
基于上述实施例,本实施例对上一实施例进行具体的说明与优化,具体的,上述步骤S12:基于全卷积神经网络算法构建待训练模型的过程,包括:
基于全卷积神经网络算法,并选择Softmax函数构建待训练模型。
可以理解的是,全卷积神经网络算法实现的是端到端的对应,也即,全卷积神经网络的输入端是无人机影像,输出端也是无人机影像,最后通过逻辑回归层输出与所有输入无人机影像所对应的分类结果。具体的,在本实施例中,是利用Softmax函数来进行全卷积神经网络算法中的逻辑回归,也即,通过Softmax函数来输出与目标无人机影像的每一个像素所属分类类别的最大概率,并将该概率作为无人机影像对应像素的分类结果,从而最终实现目标无人机影像像素级别的分类。
上述实施例对本申请中全卷积神经网络模型的各个构成部分进行了具体的说明,在实际操作当中,通过将Batch Normalization、ReLU函数、卷积层、池化层、上采样以及逻辑回归层进行组合,即可得到全卷积神经网络模型,同时也可以利用该全卷积神经网络模型对输电线路地表的覆盖类型进行分类。
相应的,本发明还公开了一种输电线路走廊地表分类***,如图7所示,该***包括:
分类器分类模块,用于利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;
其中,分类器分类模块为分类器创建模块创建获得,分类器创建模块包括:
图片预处理子模块21,用于对目标无人机影像进行预处理,得到样本数据;其中,目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
模型构建子模块22,用于基于全卷积神经网络算法构建待训练模型;
模型训练子模块23,用于利用样本数据对待训练模型进行训练,得到全卷积神经网络模型。
优选的,图片预处理子模块21包括:
影像标注单元,用于利用预设标注工具对目标无人机影像进行标注,得到标注影像;
影像增广单元,用于对标注影像进行数据增广,得到增广影像
影像裁剪单元,用于利用参数为128*128的滑动窗口和参数为32的滑动步长对增广影像进行裁剪,得到样本数据。
优选的,影像标注单元,包括:
影像标注子单元,用于利用多边形工具对目标无人机影像中的植被和/或裸地和/或水体和/或建筑物和/或电力杆塔进行标注,得到标注影像。
优选的,影像增广单元,包括:
影像增广子单元,用于对标注影像进行图像拉伸和/或图像加噪和/或图像旋转和/或图像模糊,得到增广影像。
优选的,分类器分类模块,包括:
目标影像裁剪单元,用于利用参数为128*128的滑动窗口和参数为128的滑动步长对待分类无人机影像进行裁剪,得到目标裁剪影像;
数据预分类单元,用于利用全卷积神经网络模型对目标裁剪影像进行分类,得到预分类结果;
数据拼接单元,用于将预分类结果进行拼接,得到分类结果。
优选的,模型构建子模块22,包括:
数据处理单元,用于利用Batch Normalization对样本数据进行处理,得到目标样本数据;
数据训练单元,用于利用目标样本数据对待训练模型进行训练,得到全卷积神经网络模型。
优选的,模型构建子模块22,包括:
函数选择单元,用于基于全卷积神经网络算法,并选择Softmax函数构建待训练模型。
相应的,本发明还公开了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如前述公开的一种输电线路地表分类方法的步骤。
相应的,本发明还公开了一种输电线路地表分类设备,如图8所示,包括:
存储器31,用于存储计算机程序;
处理器32,用于执行计算机程序时实现如前述公开的一种输电线路地表分类方法的步骤。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种输电线路走廊地表分类方法、***、介质及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种输电线路走廊地表分类方法,其特征在于,包括:
利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;
其中,所述全卷积神经网络模型的构建过程为:
对目标无人机影像进行预处理,得到样本数据;其中,所述目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
基于全卷积神经网络算法构建待训练模型;
利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
2.根据权利要求1所述的方法,其特征在于,所述对目标无人机影像进行预处理,得到样本数据的过程,包括:
利用预设标注工具对所述目标无人机影像进行标注,得到标注影像;
对所述标注影像进行数据增广,得到增广影像;
利用参数为128*128的滑动窗口和参数为32的滑动步长对所述增广影像进行裁剪,得到所述样本数据。
3.根据权利要求2所述的方法,其特征在于,所述利用预设标注工具对所述目标无人机影像进行标注,得到标注影像的过程,包括:
利用多边形工具对所述目标无人机影像中的植被和/或裸地和/或水体和/或建筑物和/或电力杆塔进行标注,得到所述标注影像。
4.根据权利要求2所述的方法,其特征在于,所述对所述标注影像进行数据增广,得到增广影像的过程,包括:
对所述标注影像进行图像拉伸和/或图像加噪和/或图像旋转和/或图像模糊,得到所述增广影像。
5.根据权利要求2所述的方法,其特征在于,所述利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果的过程,包括:
利用参数为128*128的滑动窗口和参数为128的滑动步长对所述待分类无人机影像进行裁剪,得到目标裁剪影像;
利用所述全卷积神经网络模型对所述目标裁剪影像进行分类,得到预分类结果;
将所述预分类结果进行拼接,得到所述分类结果。
6.根据权利要求1所述的方法,其特征在于,所述利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型的过程,包括:
利用Batch Normalization对所述样本数据进行处理,得到目标样本数据;
利用所述目标样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
7.根据权利要求1至6任一项所述的方法,其特征在于,所述基于全卷积神经网络算法构建待训练模型的过程,包括:
基于所述全卷积神经网络算法,并选择Softmax函数构建所述待训练模型。
8.一种输电线路走廊地表分类***,其特征在于,包括:
分类器分类模块,用于利用预先构建好的全卷积神经网络模型对目标输电线路走廊地表的待分类无人机影像进行分类,得到分类结果;
其中,分类器分类模块为分类器创建模块创建获得,所述分类器创建模块包括:
图片预处理子模块,用于对目标无人机影像进行预处理,得到样本数据;其中,所述目标无人机影像为预先利用无人机上搭载的多视角相机获取到的输电线路走廊地表的影像;
模型构建子模块,用于基于全卷积神经网络算法构建待训练模型;
模型训练子模块,用于利用所述样本数据对所述待训练模型进行训练,得到所述全卷积神经网络模型。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的输电线路走廊地表分类方法的步骤。
10.一种输电线路走廊地表分类设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的输电线路走廊地表分类方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668284.XA CN108898177A (zh) | 2018-06-26 | 2018-06-26 | 一种输电线路走廊地表分类方法、***、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668284.XA CN108898177A (zh) | 2018-06-26 | 2018-06-26 | 一种输电线路走廊地表分类方法、***、介质及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898177A true CN108898177A (zh) | 2018-11-27 |
Family
ID=64346066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810668284.XA Pending CN108898177A (zh) | 2018-06-26 | 2018-06-26 | 一种输电线路走廊地表分类方法、***、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898177A (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
CN111027422A (zh) * | 2019-11-27 | 2020-04-17 | 国网山东省电力公司电力科学研究院 | 一种应用于输电线路走廊的应急无人机巡检方法及*** |
CN111125434A (zh) * | 2019-11-26 | 2020-05-08 | 北京理工大学 | 一种基于集成学习的关系抽取方法及*** |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN107230205A (zh) * | 2017-05-27 | 2017-10-03 | 国网上海市电力公司 | 一种基于卷积神经网络的输电线路螺栓检测方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积***网络的目标检测方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
-
2018
- 2018-06-26 CN CN201810668284.XA patent/CN108898177A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787501A (zh) * | 2015-12-17 | 2016-07-20 | 武汉大学 | 输电线路走廊区域自动选择特征的植被分类方法 |
CN106446930A (zh) * | 2016-06-28 | 2017-02-22 | 沈阳工业大学 | 基于深层卷积神经网络的机器人工作场景识别方法 |
CN107230205A (zh) * | 2017-05-27 | 2017-10-03 | 国网上海市电力公司 | 一种基于卷积神经网络的输电线路螺栓检测方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107392214A (zh) * | 2017-07-26 | 2017-11-24 | 成都快眼科技有限公司 | 一种基于全卷积***网络的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
王柯等: "基于三维点云电力线路廊道障碍物检测流程与质量分析", 《矿山测量》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
CN111125434B (zh) * | 2019-11-26 | 2023-06-27 | 北京理工大学 | 一种基于集成学习的关系抽取方法及*** |
CN111125434A (zh) * | 2019-11-26 | 2020-05-08 | 北京理工大学 | 一种基于集成学习的关系抽取方法及*** |
CN111027422A (zh) * | 2019-11-27 | 2020-04-17 | 国网山东省电力公司电力科学研究院 | 一种应用于输电线路走廊的应急无人机巡检方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898177A (zh) | 一种输电线路走廊地表分类方法、***、介质及设备 | |
Huang et al. | Point cloud labeling using 3d convolutional neural network | |
CN107832353B (zh) | 一种社交媒体平台虚假信息识别方法 | |
CN109765462A (zh) | 输电线路的故障检测方法、装置和终端设备 | |
CN111598860B (zh) | 基于嵌入自注意力门模块的yolov3网络的锂电池缺陷检测方法 | |
CN109711463A (zh) | 基于注意力的重要对象检测方法 | |
CN109766921A (zh) | 一种基于深度领域自适应的振动数据故障分类方法 | |
CN110245709A (zh) | 基于深度学习和自注意力的3d点云数据语义分割方法 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、***、设备和介质 | |
CN105426908B (zh) | 一种基于卷积神经网络的变电站属性分类方法 | |
CN111339935B (zh) | 一种基于可解释cnn图像分类模型的光学遥感图片分类方法 | |
CN105809146A (zh) | 一种图像场景识别方法和装置 | |
CN114842208B (zh) | 一种基于深度学习的电网危害鸟种目标检测方法 | |
CN113160062B (zh) | 一种红外图像目标检测方法、装置、设备及存储介质 | |
CN110321862B (zh) | 一种基于紧致三元损失的行人再识别方法 | |
CN112905997B (zh) | 面向深度学习模型中毒攻击的检测方法、装置及*** | |
CN113657421B (zh) | 卷积神经网络压缩方法和装置、图像分类方法和装置 | |
CN114332104B (zh) | 电网输电场景rgb点云语义分割多阶段模型联合优化方法 | |
CN110019652A (zh) | 一种基于深度学习的跨模态哈希检索方法 | |
CN109508756B (zh) | 一种基于多线索多模态融合深度网络的地基云分类方法 | |
CN113806580B (zh) | 基于层次语义结构的跨模态哈希检索方法 | |
Hussain et al. | A Simple and Efficient Deep Learning‐Based Framework for Automatic Fruit Recognition | |
CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
CN116503399A (zh) | 基于yolo-afps的绝缘子污闪检测方法 | |
CN111191704A (zh) | 一种基于任务图卷积网络的地基云分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |