CN112633142A - 一种输电线路违章建筑物识别方法及相关装置 - Google Patents
一种输电线路违章建筑物识别方法及相关装置 Download PDFInfo
- Publication number
- CN112633142A CN112633142A CN202011519692.2A CN202011519692A CN112633142A CN 112633142 A CN112633142 A CN 112633142A CN 202011519692 A CN202011519692 A CN 202011519692A CN 112633142 A CN112633142 A CN 112633142A
- Authority
- CN
- China
- Prior art keywords
- feature
- color
- space domain
- layer
- color space
- 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 60
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000011218 segmentation Effects 0.000 claims abstract description 43
- 230000004927 fusion Effects 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011796 hollow space material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 101100295091 Arabidopsis thaliana NUDT14 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种输电线路违章建筑物识别方法及相关装置,方法包括:获取待识别遥感图像;将待识别遥感图像分别输入预设的多通道语义分割模型;多通道语义分割模型包括颜色空间域层、分层融合层和分类层;通过颜色空间域层从待识别遥感图像分别提取多个颜色特征;通过分层融合层融合多个颜色特征,生成待分类特征;通过分类层对待分类特征进行分类,识别输电线路违章建筑物的位置。从而更为有效地识别违章建筑物的位置,提高识别准确率。
Description
技术领域
本发明涉及违章建筑物识别技术领域,尤其涉及一种输电线路违章建筑物识别方法及相关装置。
背景技术
电力是国民正常生活和安全生产的重要保证,一旦发生无法安全运行状况,将给民众和企业带来重大损失。因此电力部门通常会定期或不定期的对输电线路进行安全巡检,以便及时发现输电线路中存在的缺陷,并及时排除安全隐患。
随着人工智能、大数据技术的不断成熟给输电线路巡检工作带来了新方向,利用大量历史数据训练建立特定检测识别***的深度卷积神经网络具有能够提取图像深度特征、识别速度快、识别准确率高的特点,是目前人工智能识别领域的主流应用技术。遥感监测通过摄像和其他方式获取被测目标的影像和数据,为区域地理环境研究从定性到定量、从静态到动态、从过程到模式的转化和发展提供了条件,大力提高了监测工作的广度和质量,节省人力、财力的特点。建筑物作为常见的卫星影像目标,对输电线路走廊内电力基础设施的安全有重要影响。因此,输电线路走廊违章建筑物的自动识别具有非常重要的意义。
传统的输电线路违章建筑物识别方法通常是需要多种种类的数据定位违章建筑物,数据收集过程较为繁琐,难以快速获取到同一目标的多种数据源,同时需要提取的特征较为浅显,容易受到环境影响,适用场景受限制,导致识别的准确率较差。
发明内容
本发明提供了一种输电线路违章建筑物识别方法及相关装置,解决了现有技术难以快速收集多种数据参数,对违章建筑物的识别容易受到环境影响,识别准确率较低的技术问题。
本发明第一方面提供了一种输电线路违章建筑物识别方法,包括:
获取待识别遥感图像;
将所述待识别遥感图像分别输入预设的多通道语义分割模型;所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
可选地,还包括:
获取训练图像;
采用所述训练图像训练预设的语义分割模型,生成所述多通道语义分割模型。
可选地,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,所述通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征的步骤,包括:
通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
可选地,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,所述通过所述分层融合层融合多个所述颜色特征,生成待分类特征的步骤,包括:
融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
本发明第二方面提供了一种输电线路违章建筑物识别装置,包括:
图像获取模块,用于获取待识别遥感图像;
输入模块,用于将所述待识别遥感图像分别输入预设的多通道语义分割模型;所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
颜色特征提取模块,用于通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
融合模块,用于通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
分类模块,用于通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
可选地,还包括:
训练图像获取模块,用于获取训练图像;
训练模块,用于采用所述训练图像训练预设的语义分割模型,生成所述多通道语义分割模型。
可选地,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,所述颜色特征提取模块包括:
第一颜色特征提取子模块,用于通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
第二颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
第三颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
可选地,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,所述融合模块包括:
第一融合子模块,用于融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
第二融合子模块,用于融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
待分类特征生成子模块,用于融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
本发明第三方面还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如本发明第一方面所述的输电线路违章建筑物识别方法的步骤。
本发明第四方面还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如本发明第一方面所述的输电线路违章建筑物识别方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过获取包括多个输电线路建筑物的待识别遥感图像,将待识别遥感图像输入到多通道语义分割模型,通过其中的颜色空间域层从待识别遥感图像中提取到多个颜色特征,在通过分层融合层融合多个颜色特征,生成待分类特征,最后通过分类簇对待分类特征进行分类,以识别输电线路违章建筑物的位置。从而解决了现有技术中难以快速收集多种数据参数,对违章建筑物的识别容易受到环境影响,识别准确率较低的技术问题,更为有效地识别违章建筑物的位置,提高识别准确率。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例一提供的一种输电线路违章建筑物识别方法的步骤流程图;
图2为本发明实施例二提供的一种输电线路违章建筑物识别方法的步骤流程图;
图3为本发明实施例二中的一种空洞空间金字塔结构示意图;
图4为本发明实施例二中的一种残差块结构示意图;
图5为本发明实施例中的一种多通道语义分割模型的结构框图;
图6为本发明实施例提供的一种输电线路违章建筑物识别装置的结构框图。
具体实施方式
本发明实施例提供了一种输电线路违章建筑物识别方法及相关装置,用于解决现有技术难以快速收集多种数据参数,对违章建筑物的识别容易受到环境影响,识别准确率较低的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,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,下面所描述的实施例仅仅是本发明一层实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
请参阅图1,图1为本发明实施例一提供的一种输电线路违章建筑物识别方法的步骤流程图。
本发明提供的一种输电线路违章建筑物识别方法,包括:
步骤101,获取待识别遥感图像;
待识别遥感图像指的是在不与目标对象直接接触的情况下,通过某种平台上装载的传感器获取其特征信息,然后对所获取的信息进行提取、判定、加工处理及应用分析,以记录各种地物电磁波大小的胶片或照片,主要分为航空像片和卫星相片。在图像上真实、清晰的展现了地球表面物体的位置、形状、大小、颜色等信息;其次,遥感图像中的地物在这些不同的光谱范围内表现出不一样的特性,通过分析图像的光谱信息,就可以获取如植被信息、地表水分、水质参数、地表温度、海水温度等地球定量信息。
在本发明实施例中,所获取到的待识别遥感图像中包括多个输电线路建筑物。
步骤102,将所述待识别遥感图像分别输入预设的多通道语义分割模型;
其中,所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层,在本发明实施例中,采用预设的多通道语义分割模型对待识别遥感图像进行进一步的语义分割,以确定其中的输电线路违章建筑物的位置。
步骤103,通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
步骤104,通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
步骤105,通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
在本实施例中,通过多通道语义分割模型中的颜色空间域层从待识别遥感图像中分别提取各种颜色空间域的颜色特征,再通过分层融合层,在不同尺度和不同层次对所提取的各个颜色特征进行进一步的融合,以得到待分类特征;最后采用分类层对待分类特征进行分类,以确定输电线路违章建筑物的位置。
在本发明实施例中,通过获取包括多个输电线路建筑物的待识别遥感图像,将待识别遥感图像输入到多通道语义分割模型,通过其中的颜色空间域层从待识别遥感图像中提取到多个颜色特征,在通过分层融合层融合多个颜色特征,生成待分类特征,最后通过分类簇对待分类特征进行分类,以识别输电线路违章建筑物的位置。从而解决了现有技术中难以快速收集多种数据参数,对违章建筑物的识别容易受到环境影响,识别准确率较低的技术问题,更为有效地识别违章建筑物的位置,提高识别准确率。
请参阅图2,图2为本发明实施例二提供的一种输电线路违章建筑物识别方法的步骤流程图。
本发明提供的一种输电线路违章建筑物识别方法,包括:
步骤201,获取训练图像;
在本发明实施例中,训练图像可以为多个卫星遥感图像,其中包括输电线路上的多个建筑物图像。
进一步地,除了训练图像外还可以设置包括已识别输电线路违章建筑物的卫星遥感图像作为验证图像,用于对训练的语义分割模型进行性能检验。
步骤202,采用所述训练图像训练预设的语义分割模型,生成多通道语义分割模型。
在获取到训练图像后,可以采用训练图像对预设的语义分割模型进行训练,分别提取训练图像在多个颜色空间域的颜色特征,其中颜色空间域可以包括但不限于RGB、HSV、YCbCr等,再对提取到的多个颜色特征进行不同尺度不同层次的融合,对融合后的特征进行分类,以确定训练图像中的输电线路违章建筑物,将识别成果与验证图像进行比较,确定语义分割模型的识别准确率;当语义分割模型的识别准确率达到预定阈值时,说明该语义分割模型已经训练成功,可以生成多通道语义分割模型。
可选地,预定阈值可以设置为80%、95%等,或者由技术人员基于业务需求进行自行设定。
在生成多通道语义分割模型后,还可以对其进行修改,增加或减少对应的颜色空间域,再次进行训练,以构建更为精确的多通道语义分割模型。
步骤203,获取待识别遥感图像;
步骤204,将所述待识别遥感图像分别输入所述多通道语义分割模型;
其中,所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
在本发明实施例中,步骤203-204的具体实施过程与上述步骤101-102类似,在此不再赘述。
步骤205,通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
在本发明实施例中,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,步骤205可以包括以下子步骤:
通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
在本发明的一个示例,可以先从RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征,也就是获取到待识别遥感图像的RGB值。
其中,HSV(Hue,Saturation,Value,色调,饱和度,明度)是根据颜色的直观特性创建的一种颜色空间。
RGB转HSV颜色空间域的转换计算公式如下所示:
V=Cmax
其中:R′=R/255,G′=G/255,B′=B/255,表示对待识别图像在RGB颜色空间域的RGB值进行归一化后的值;Cmax=max(R′,G′,B′),Cmin=min(R′,G′,B′),max和min分别表示求最大值和最小值操作。
YCbCr是色彩空间的一种,通常会用于影片中的图像连续处理,或是数字摄影***中。Y为颜色的亮度成分、而Cb和Cr则为蓝色和红色的浓度偏移量成份。
RGB转YCbCr颜色空间域的转换计算公式如下所示
Y=0.257*R+0.564*G+0.098*B+16
Cb=-0.148*R-0.291*G+0.439*B+128
Cr=0.439*R-0.368*G-0.071*B+128
通过上述过程,可以得到待识别遥感图像在HSV颜色空间域中的第二颜色特征,以及待识别遥感图像在YCbCr颜色空间域的第三颜色特征,以便于后续对颜色特征进行融合。
步骤206,通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
可选地,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,步骤206可以包括以下子步骤:
融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
在本发明实施例中,所述第一颜色特征包括第一浅层特征和第一中层特征,为进一步提高特征的精度,在RGB颜色空间域提取到第一颜色特征时,可以将其直接输出作为第一浅层特征,再基于已提取到的第一浅层特征采用空洞空间金字塔结构和残差块结构增强网络的特征提取能力,获取更为深度的第一中层特征,对于第二颜色特征和第三颜色特征的操作与上述步骤类似,在此不再赘述。
在获取到对应的浅层特征和中层特征后,可以按照其提取的尺度,将全部浅层特征进行融合,同时融合全部中层特征,并进行图像上采样操作以实现尺度变换,以得到同样尺度的两个高层特征,最后将两个高层特征进行融合,并再次执行图像上采样才做,以生成待分类特征。
请参阅图3,图3示出了本发明实施例二中的一种空洞空间金字塔结构示意图。其中包括了多个不同尺度的卷积采样模块,例如1×1和3×3,同时每个3×3具有不同的空洞跨度rate。
空洞空间金字塔结构(atrous spatial pyramid pooling,ASPP)指的是对所给定的输入以不同采样率的空洞卷积并行采样,相当于以多个比例捕捉图像的上下文,从而获取到多尺度的特征。
请参阅图4,图4示出了本发明实施例二中的一种残差块结构示意图。其中包括二维卷积模块Conv2D,以及线性整流函数(Rectified Linear Unit,ReLU)。
残差块结构(Resnet block)指的是用于缓解深度结构中梯度消失问题的结构。
步骤207,通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
在本发明的一个示例中,在获取到待分类特征后,还可以通过分类层对其进行分类,将待分类特征中的输电线路违章建筑物进行标识,确定待分类特征中输电线路违章建筑物。
在本发明实施例中,通过获取包括多个输电线路建筑物的待识别遥感图像,将待识别遥感图像输入到多通道语义分割模型,通过其中的颜色空间域层从待识别遥感图像中提取到多个颜色特征,在通过分层融合层融合多个颜色特征,生成待分类特征,最后通过分类簇对待分类特征进行分类,以识别输电线路违章建筑物的位置。从而解决了现有技术中难以快速收集多种数据参数,对违章建筑物的识别容易受到环境影响,识别准确率较低的技术问题,更为有效地识别违章建筑物的位置,提高识别准确率。
请参阅图5,图5示出了本发明实施例中的一种多通道语义分割模型的结构框图。
在本发明实施例中,当获取到待识别遥感图像后,分别输入到RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,通过二维卷积层、残差块结构和二维卷积层,分别提取到对应的浅层特征;融合多个浅层特征再经过二维卷积层,得到第一高层特征;通过二维卷积层、残差块结构、残差块结构和空洞空间金字塔结构,分别提取到对应的中层特征;融合多个中层特征再经过图像上采样和二维卷积层,得到第二高层特征;融合第一高层特征和第二高层特征,经过图像上采样和二维卷积层,得到待分类特征,最后将待分类特征通过分类层softmax,输出输电线路违章建筑物的位置。
请参阅图6,图6示出了本发明实施例中的一种输电线路违章建筑物识别装置的结构框图。
本发明提供的一种输电线路违章建筑物识别装置,包括:
图像获取模块601,用于获取待识别遥感图像;
输入模块602,用于将所述待识别遥感图像分别输入预设的多通道语义分割模型;所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
颜色特征提取模块603,用于通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
融合模块604,用于通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
分类模块605,用于通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
可选地,还包括:
训练图像获取模块,用于获取训练图像;
训练模块,用于采用所述训练图像训练预设的语义分割模型,生成所述多通道语义分割模型。
可选地,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,所述颜色特征提取模块603包括:
第一颜色特征提取子模块,用于通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
第二颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
第三颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
可选地,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,所述融合模块604包括:
第一融合子模块,用于融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
第二融合子模块,用于融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
待分类特征生成子模块,用于融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
本发明实施例还提供了一种电子设备,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如本发明任一实施例所述的输电线路违章建筑物识别方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被所述处理器执行时实现如本发明任一实施例所述的输电线路违章建筑物识别方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的层或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的层或者该技术方案的全部或层可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或层步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中层技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种输电线路违章建筑物识别方法,其特征在于,包括:
获取待识别遥感图像;
将所述待识别遥感图像分别输入预设的多通道语义分割模型;所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
2.根据权利要求1所述的输电线路违章建筑物识别方法,其特征在于,还包括:
获取训练图像;
采用所述训练图像训练预设的语义分割模型,生成所述多通道语义分割模型。
3.根据权利要求1所述的输电线路违章建筑物识别方法,其特征在于,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,所述通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征的步骤,包括:
通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
4.根据权利要求3所述的输电线路违章建筑物识别方法,其特征在于,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,所述通过所述分层融合层融合多个所述颜色特征,生成待分类特征的步骤,包括:
融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
5.一种输电线路违章建筑物识别装置,其特征在于,包括:
图像获取模块,用于获取待识别遥感图像;
输入模块,用于将所述待识别遥感图像分别输入预设的多通道语义分割模型;所述多通道语义分割模型包括颜色空间域层、分层融合层和分类层;
颜色特征提取模块,用于通过所述颜色空间域层从所述待识别遥感图像分别提取多个颜色特征;
融合模块,用于通过所述分层融合层融合多个所述颜色特征,生成待分类特征;
分类模块,用于通过所述分类层对所述待分类特征进行分类,识别输电线路违章建筑物的位置。
6.根据权利要求5所述的输电线路违章建筑物识别装置,其特征在于,还包括:
训练图像获取模块,用于获取训练图像;
训练模块,用于采用所述训练图像训练预设的语义分割模型,生成所述多通道语义分割模型。
7.根据权利要求5所述的输电线路违章建筑物识别装置,其特征在于,所述颜色空间域层包括RGB颜色空间域、HSV颜色空间域和YCbCr颜色空间域,所述颜色特征包括第一颜色特征、第二颜色特征和第三颜色特征,所述颜色特征提取模块包括:
第一颜色特征提取子模块,用于通过所述RGB颜色空间域从所述待识别遥感图像提取所述第一颜色特征;
第二颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述HSV颜色空间域,提取所述待识别遥感图像对应的所述第二颜色特征;
第三颜色特征提取子模块,用于将所述待识别遥感图像从所述RGB颜色空间域转换到所述YCbCr颜色空间域,提取所述待识别遥感图像对应的所述第三颜色特征。
8.根据权利要求7所述的输电线路违章建筑物识别装置,其特征在于,所述第一颜色特征包括第一浅层特征和第一中层特征,所述第二颜色特征包括第二浅层特征和第二中层特征,所述第三颜色特征包括第三浅层特征和第三中层特征,所述融合模块包括:
第一融合子模块,用于融合所述第一浅层特征、所述第二浅层特征和所述第三浅层特征,生成第一高层特征;
第二融合子模块,用于融合所述第一中层特征、所述第二中层特征和所述第三中层特征,并执行图像上采样操作后,生成第二高层特征;
待分类特征生成子模块,用于融合所述第一高层特征和所述第二高层特征,并执行所述图像上采样操作后,生成所述待分类特征。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器中储存有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1-4任一项所述的输电线路违章建筑物识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-4任一项所述的输电线路违章建筑物识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519692.2A CN112633142A (zh) | 2020-12-21 | 2020-12-21 | 一种输电线路违章建筑物识别方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011519692.2A CN112633142A (zh) | 2020-12-21 | 2020-12-21 | 一种输电线路违章建筑物识别方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633142A true CN112633142A (zh) | 2021-04-09 |
Family
ID=75320525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011519692.2A Pending CN112633142A (zh) | 2020-12-21 | 2020-12-21 | 一种输电线路违章建筑物识别方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633142A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648706A (zh) * | 2022-05-23 | 2022-06-21 | 四川嘉普信工程技术咨询有限公司 | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
CN107292339A (zh) * | 2017-06-16 | 2017-10-24 | 重庆大学 | 基于特征融合的无人机低空遥感影像高分地貌分类方法 |
WO2018177237A1 (zh) * | 2017-03-29 | 2018-10-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置和存储介质 |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
-
2020
- 2020-12-21 CN CN202011519692.2A patent/CN112633142A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102622607A (zh) * | 2012-02-24 | 2012-08-01 | 河海大学 | 一种基于多特征融合的遥感图像分类方法 |
CN105512661A (zh) * | 2015-11-25 | 2016-04-20 | 中国人民解放军信息工程大学 | 一种基于多模态特征融合的遥感影像分类方法 |
WO2018177237A1 (zh) * | 2017-03-29 | 2018-10-04 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置和存储介质 |
CN107292339A (zh) * | 2017-06-16 | 2017-10-24 | 重庆大学 | 基于特征融合的无人机低空遥感影像高分地貌分类方法 |
CN109034066A (zh) * | 2018-07-27 | 2018-12-18 | 北方工业大学 | 基于多特征融合的建筑物识别方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114648706A (zh) * | 2022-05-23 | 2022-06-21 | 四川嘉普信工程技术咨询有限公司 | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
CN114648706B (zh) * | 2022-05-23 | 2022-07-29 | 四川嘉普信工程技术咨询有限公司 | 基于卫星遥感影像的森林树种识别方法、装置及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mayer et al. | Exposing fake images with forensic similarity graphs | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN109948566B (zh) | 一种基于权重融合与特征选择的双流人脸反欺诈检测方法 | |
CN106610969A (zh) | 基于多模态信息的视频内容审查***及方法 | |
CN111339883A (zh) | 复杂场景下基于人工智能的变电站内异常行为识别与检测方法 | |
CN111222564B (zh) | 基于图像通道相关性的图像鉴别***、方法、装置 | |
CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及*** | |
CN105184308B (zh) | 一种基于全局优化决策的遥感图像建筑物检测分类方法 | |
CN109448009A (zh) | 用于输电线路检测的红外图像处理方法及装置 | |
Tao et al. | Automatic smoky vehicle detection from traffic surveillance video based on vehicle rear detection and multi‐feature fusion | |
Zhang et al. | Improved Fully Convolutional Network for Digital Image Region Forgery Detection. | |
Zhang et al. | Application research of YOLO v2 combined with color identification | |
CN110986889A (zh) | 一种基于遥感图像技术的高压变电站全景态监测方法 | |
CN105894507B (zh) | 基于图像信息量自然场景统计特征的图像质量评价方法 | |
Feng et al. | A novel saliency detection method for wild animal monitoring images with WMSN | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
CN113435452A (zh) | 一种基于改进ctpn算法的电气设备铭牌文本检测方法 | |
CN112802027A (zh) | 一种目标对象的分析方法、存储介质及电子装置 | |
CN114332559A (zh) | 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法 | |
CN112633142A (zh) | 一种输电线路违章建筑物识别方法及相关装置 | |
Hu et al. | Multi-information PointNet++ fusion method for DEM construction from airborne LiDAR data | |
Wang et al. | Optimized faster R-CNN for oil wells detection from high-resolution remote sensing images | |
CN112560925A (zh) | 一种复杂场景目标检测数据集构建方法及*** | |
CN114519689A (zh) | 图像篡改检测方法、装置、设备及计算机可读存储介质 |
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 |