CN115908897A - 基于高分辨率遥感影像的高速铁路供电设施智能识别方法 - Google Patents

Abstract

本发明涉及遥感影像图像处理技术领域，涉及一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其包括以下步骤：步骤S1：选取高分辨率遥感影像，在高速列车站周围区域判读勾绘样本；步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练；步骤S3：采用路网搜索的方式进行计算；步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。本发明能够实现对高速铁路供电设施的自动识别提取，大大提高识别效率的同时和保证了目标检测的稳定性。

Description

基于高分辨率遥感影像的高速铁路供电设施智能识别方法

技术领域

本发明涉及遥感影像图像处理技术领域，具体地说，涉及一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法。

背景技术

高速列车的动力来源为电能，而弓网***却是高速列车核心的供电方式，所以高速铁路的供电设施主要就是指弓网***中的弓网接触网杆。高速铁路的铁路线往往架设在了无人烟的自然环境中，遇山而进，伴水而行，林进林出的情况更是常态，因此，在对铁路供电设施状态好坏的检测，尤其是检查弓网附近的自然环境和人造环境是否会危险到弓网，乃至破坏弓网***的问题中，组织人手沿着高速铁路线一起进入深山老林，跋山涉水，对如此大尺度的铁路线网进行线下人工检查不仅劳民伤财，而且毫无效率可言，更做不到可以实时检测，而在有这样的前提下，对大尺度区域识别以及提取目标的处理上继续使用基于人工判读的方法也是不理想的，因为同样是不能有效率性的和实时性的进行检查以及预防的。

以往的识别分类是依赖于人工的经验来进行判读的，这样的效率低，而且没有时效性，只有在解决小范围区域的目标检测上才会体现出效率性，一旦我们的需求尺度扩展放大到省级区域，就不仅没有效率，还会浪费人力，而没有效率自然就没有时效性，就做不到对研究区域每时每刻的监测来察觉将要或正在发生的威胁高速弓网供电设施的事件。

发明内容

本发明的内容是提供一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其能够通过少量的样本以及有限的算力支持下高效、精准识别高速铁路供电设施。

根据本发明的一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其包括以下步骤：

步骤S1：选取高分辨率遥感影像，在高速列车站周围区域判读勾绘样本；

步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练；

步骤S3：采用路网搜索的方式进行计算；

步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。

作为优选，所述步骤S1的具体步骤为：

步骤S11：根据高分辨率卫星遥感影像，对供电网杆位置进行勾绘；

步骤S12：采用GIS工具对供电网干位置生成最小包络矩形；

步骤S13：根据勾绘区域对原始影像进行裁剪，最后将面要素的shapefile文件、包络矩形的KML文件以及裁剪过后的影像TIFF文件分别存储。

作为优选，所述步骤S2的具体步骤为：

步骤S21：将原始影像放入卷积网络FastRCNN中提取得到特征信息，其中FastRCNN的损失函数为：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v)    (1)

式中，p是分类器预测的概率分布，u对应目标真实类别标签，t_u对应边界框回归器预测的对应类别u的回归参数，v对应真实目标的边界框回归参数；

步骤S22：以特征图像为模板放入到RPN网络中筛选出边界框，再进一步对边界框进行回归得到更为准确的位置，并将边界框的坐标信息映射到特征图上，其中，RPN网络采用如下损失函数，以个体判别作为代理任务构建自监督方式的特征学习模型，对模型的参数进行预训练：

式中，i指代一个mini-batch中一个anchor的索引，p_i表示锚点i是否为物体的估计概率；如果锚点为正样本，真实标记

为1，负样本为0；t_i代表预测边界框的4个参数化坐标的向量，

代表真实边界框；分类损失L_cls是覆盖两种类别的对数损失；针对回归损失，使用

其中R代表稳健的smooth L1损失；

代表只针对样本锚点的回归损失；cls和reg分支的输出分别由{p_i}和{t_i}组成；

步骤S23:带有边界框的特征图放入ROI Pooling层中对边界框的尺度进行统一，输出固定大小的特征向量；

步骤S24:再全连接层中使用Softmax分类器计算类别以及再一次进行边界框的回归得到更加精确的定位。

作为优选，所述步骤S3的具体步骤为：

步骤S31：根据S11初定的范围采用S22训练所得模型进行初始化预测；

步骤S32：当预测结果中出现车站时候，建立根节点；进而，在车站附近进行区域格网搜索，当搜索到附近存在铁路时候建立子节点，并进一步通过区域格网搜索遍历所有铁路线，当供电设施搜索完成则返回子节点处，继续沿铁路前进方向进行预测依次完成整个区域供电设施识别、提取。

作为优选，所述步骤S4的具体步骤为：

步骤S41：随机选用一些车站影像作为检验数据放入模型中进行供电网杆的识别，检验识别结果的置信度；

步骤S42：考虑到不同地貌对供电设施识别监测的影响，将不同地貌下的高速铁路影像输入模型，检验模型在应对不同影响下的鲁棒性。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明采用卫星影像来获取样本对Faster R-CNN深度学习模型进行训练，能够实现对高速铁路供电设施的自动识别提取，大大提高识别效率的同时和保证了目标检测的稳定性；

2.本发明构建了一个基于区域搜索的高速铁路供电设施识别方案，该方案通过建立根节点-子节点的方式，使得模型由区域遍历的方式转为区域搜索的方式，有效的减少了算力损耗，大幅加速了预测速度；

3.不同地貌下识别结果表明即使有一定的地形影响，模型的效果都非常好且相差不大。

附图说明

图1是实施例中一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法的流程图；

图2是实施例中生成包含供电网杆位置的最小包络矩形示例；

图3是实施例中勾绘的车站及供电网杆的栅格图。

具体实施方式

为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。

实施例

如图1所示，本实施例提供了一种基于高分辨率遥感影像的高速铁路供电设施智能识别方法，包括以下步骤：

步骤S1：选取高分辨率遥感影像，在高速列车站周围1000米左右的区域判读勾绘样本。

步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练。

步骤S3：考虑到高分辨率遥感影像中仅有少部分包含高速铁路供电设施，其余部分可以视为背景，因此采用路网搜索的方式替代网格遍历进行计算。

步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。

进一步的，所述步骤S1的具体步骤为：

步骤S11：根据高分辨率卫星遥感影像，对合适的供电网杆位置进行勾绘；

步骤S12：采用GIS工具对供电网干位置生成最小包络矩形；

步骤S13：考虑到文件大小问题，需要根据勾绘区域对原始影像进行裁剪，最后将面要素的shapefile文件,包络矩形的KML文件以及裁剪过后的影像TIFF文件分别存储。

进一步的，所述步骤S2的具体步骤为：

步骤S21：将原始影像放入卷积网络中提取得到特征信息，其中FastRCNN的损失函数为：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v) (1)

式中，p是分类器预测的概率分布p＝(p₀,…,p_k)，u对应目标真实类别标签，t_u对应边界框回归器预测的对应类别u的回归参数

v对应真实目标的边界框回归参数(v_x，v_y，v_w，v_h)

步骤S22：以特征图像为模板放入到RPN网络中筛选出边界框，再进一步对边界框进行回归得到更为准确的位置，并将边界框的坐标信息映射到特征图上,其中，RPN网络采用如下损失函数，以个体判别作为代理任务构建自监督方式的特征学习模型，对模型的参数进行预训练：

式中，i指代一个mini-batch中一个anchor的索引，p_i表示锚点i是否为物体的估计概率。如果锚点为正样本，真实标记

为1，负样本为0。t_i代表预测边界框的4个参数化坐标的向量，

代表真实边界框。分类损失L_cls是覆盖两种类别的对数损失。针对回归损失，我们使用

其中R代表稳健的smooth L1损失。

代表只针对样本锚点的回归损失，其他忽略。cls和reg分支的输出分别由{p_i}和{t_i}组成。

步骤S23:带有边界框的特征图放入ROI Pooling层中对边界框的尺度进行统一，输出固定大小的特征向量。

步骤S24:再全连接层中使用Softmax分类器计算类别以及再一次进行边界框的回归得到更加精确的定位。

进一步的，所述步骤S3的具体步骤为：

步骤S31：根据S11初定的范围采用S22训练所得模型进行初始化预测；

步骤S32：当预测结果中出现车站时候，建立根节点。进而，在车站附近进行区域格网搜索，当搜索到附近存在铁路时候建立子节点，并进一步通过区域格网搜索遍历所有铁路线，当供电设施搜索完成则返回子节点处，继续沿铁路前进方向进行预测依次完成整个区域供电设施识别、提取；

进一步的，所述步骤S4的具体步骤为：

步骤S41：随机选用一些车站影像作为检验数据放入模型中进行供电网杆的识别，检验识别结果的置信度。

步骤S42：考虑到不同地貌对供电设施识别监测的影响，将不同地貌下的高速铁路影像输入模型，检验模型在应对不同影响下的鲁棒性。

图1展示的是本发明的整体架构设计，该架构按照步骤分为S1、S2、S3、S4四个部分，按照顺序序贯进行。每一个部分都有单独的产出，且是下一个部分的输入。

图2展示的是包含供电网杆位置的最小包络矩形示例，其中大的矩形是对车站生成的包络矩形，小的矩形是对供电网杆生成的包络矩形。

图3展示的是本发明勾绘的车站及供电网杆的栅格图，其中左边是车站的候车厅，长条是轨道，中间是月台。根据勾绘区域对原始影像进行裁剪需要先将面要素转换成栅格文件，才能将其作为裁剪范围。

出于为了实现高效率和稳定性的目标检测以及能够达到可以解放人力资源的需求，本实施例使用了基于计算机视觉中目标检测的有关理论和搭建Faster R-CNN深度机器学习模型来解决背景技术中的问题。

这种基于计算机视觉的目标检测和深度学习模型搭建的方法来对供电设施的自动识别相对比以往基于人工判读识别来说效率大大提高的同时又会降低对人力资源的需求，省时省力，因此利用19级分辨率卫星影像来获取样本对Faster R-CNN模型进行训练以及实现对其他区域的自动识别提取是有必要的，是具有重大现实意义的。

以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其特征在于：包括以下步骤：

步骤S1：选取高分辨率遥感影像，在高速列车站周围区域判读勾绘样本；

步骤S2：设置初始参数，利用带有供电网杆真实位置边界框的样本进行损失函数的计算以及参与反向传播过程中参数权重W以及偏移值b的迭代以及更新，从而完成对模型的训练；

步骤S3：采用路网搜索的方式进行计算；

步骤S4：随机选用一些车站影像放入训练好的模型中进行供电网杆的识别，并对识别结果进行检验。

2.根据权利要求1所述的基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其特征在于：所述步骤S1的具体步骤为：

步骤S11：根据高分辨率卫星遥感影像，对供电网杆位置进行勾绘；

步骤S12：采用GIS工具对供电网干位置生成最小包络矩形；

步骤S13：根据勾绘区域对原始影像进行裁剪，最后将面要素的shapefile文件、包络矩形的KML文件以及裁剪过后的影像TIFF文件分别存储。

3.根据权利要求2所述的基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其特征在于：所述步骤S2的具体步骤为：

步骤S21：将原始影像放入卷积网络FastRCNN中提取得到特征信息，其中FastRCNN的损失函数为：

L(p,u,t^u,v)＝L_cls(p,u)+λ[u≥1]L_loc(t^u,v)    (1)

式中，p是分类器预测的概率分布，u对应目标真实类别标签，t_u对应边界框回归器预测的对应类别u的回归参数，v对应真实目标的边界框回归参数；

步骤S22：以特征图像为模板放入到RPN网络中筛选出边界框，再进一步对边界框进行回归得到更为准确的位置，并将边界框的坐标信息映射到特征图上，其中，RPN网络采用如下损失函数，以个体判别作为代理任务构建自监督方式的特征学习模型，对模型的参数进行预训练：

式中，i指代一个mini-batch中一个anchor的索引，p_i表示锚点i是否为物体的估计概率；如果锚点为正样本，真实标记

为1，负样本为0；t_i代表预测边界框的4个参数化坐标的向量，

代表真实边界框；分类损失L_cls是覆盖两种类别的对数损失；针对回归损失，使用

其中R代表稳健的smooth L1损失；

代表只针对样本锚点的回归损失；cls和reg分支的输出分别由{p_i}和{t_i}组成；

步骤S23:带有边界框的特征图放入ROI Pooling层中对边界框的尺度进行统一，输出固定大小的特征向量；

步骤S24:再全连接层中使用Softmax分类器计算类别以及再一次进行边界框的回归得到更加精确的定位。

4.根据权利要求3所述的基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其特征在于：所述步骤S3的具体步骤为：

步骤S31：根据S11初定的范围采用S22训练所得模型进行初始化预测；

步骤S32：当预测结果中出现车站时候，建立根节点；进而，在车站附近进行区域格网搜索，当搜索到附近存在铁路时候建立子节点，并进一步通过区域格网搜索遍历所有铁路线，当供电设施搜索完成则返回子节点处，继续沿铁路前进方向进行预测依次完成整个区域供电设施识别、提取。

5.根据权利要求4所述的基于高分辨率遥感影像的高速铁路供电设施智能识别方法，其特征在于：所述步骤S4的具体步骤为：

步骤S41：随机选用一些车站影像作为检验数据放入模型中进行供电网杆的识别，检验识别结果的置信度；

步骤S42：考虑到不同地貌对供电设施识别监测的影响，将不同地貌下的高速铁路影像输入模型，检验模型在应对不同影响下的鲁棒性。

Images