FR3104759A1 - Localisation d’éléments de réseau électrique dans des images aériennes - Google Patents
Localisation d’éléments de réseau électrique dans des images aériennes Download PDFInfo
- Publication number
- FR3104759A1 FR3104759A1 FR1914221A FR1914221A FR3104759A1 FR 3104759 A1 FR3104759 A1 FR 3104759A1 FR 1914221 A FR1914221 A FR 1914221A FR 1914221 A FR1914221 A FR 1914221A FR 3104759 A1 FR3104759 A1 FR 3104759A1
- Authority
- FR
- France
- Prior art keywords
- location
- image
- network element
- interest
- training database
- 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
Links
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 55
- 230000004807 localization Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims description 26
- 238000010801 machine learning Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000005429 filling process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
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
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Processing Or Creating Images (AREA)
- Image Analysis (AREA)
Abstract
La présente invention concerne un procédé de remplissage d’une base de données d’entraînement destinée à permettre l’entraînement d’un algorithme de localisation d’un élément de réseau, comprenant les étapes suivantes :génération d’un noyau de convolution, le noyau de convolution étant formé d’une matrice ayant un nombre de lignes et un nombre de colonnes choisis aléatoirement, et enregistrement en mémoire du noyau de convolution,application, à une pluralité de pixels d’au moins une image de zone géographique, d’un filtre de floutage correspondant au noyau de convolution, résultant en une image floutée,ajout de l’image floutée à la base de données d’entraînement, pour obtenir une base de données d’entraînement complétée.La présente invention concerne également un procédé de localisation d’un élément de réseau au sein d’une zone géographique d’intérêt, à l’aide d’un algorithme de localisation préalablement entraîné selon un procédé d’apprentissage comprenant un procédé de remplissage de base de données d’entraînement tel que défini ci-avant. Figure pour l’abrégé : Fig. 2 FIGURES
Description
La présente invention se rapporte au domaine de la reconnaissance d’éléments d’un réseau, notamment d’un réseau électrique, dans des images de zones géographiques. L’invention se rapporte également au domaine de la cartographie d’éléments d’un réseau. Le contexte de l’invention est la cartographie du réseau électrique dans des pays en voie de développement et en cours d’électrification.
L’invention concerne plus précisément un procédé de remplissage de base de données d’entraînement et un procédé d’apprentissage automatique pour un algorithme de localisation d’éléments de réseau, ainsi qu’un procédé de localisation d’élément de réseau, un produit programme d’ordinateur et un support lisible par ordinateur.
Pour générer une cartographie du réseau électrique d’une zone géographique donnée, on utilise généralement des coordonnées GPS (pour Global Positioning System) d’éléments fixes dudit réseau, tels que des pylônes ou des sous-stations électriques.
Des données utiles à ces fins sont disponibles dans des bases de données numériques. De telles bases sont généralement soit fournies par les autorités du pays concerné, soit disponibles sur Internet en accès libre ou «open data».
Toutefois, pour de nombreuses zones géographiques, on constate que les données disponibles dans l’un ou l’autre des types de bases de données précités sont incomplètes, incohérentes, voire inexistantes.
Il est nécessaire de reconstruire la cartographie du réseau électrique des zones pour lesquelles les données de réseau ne sont pas satisfaisantes, pour aider à la planification de l’électrification de ces zones. Par «électrification» on entend l’installation et la mise en fonctionnement d’éléments et de lignes de réseau électrique.
Il a été proposé de prédire, à distance, des emplacements d’éléments de réseau électrique à partir d’images aériennes. Il peut s’agir d’images prises par satellite ou par engin aéroporté. Les éléments du réseau sont identifiés par un algorithme de localisation automatique, prenant en entrée les images aériennes.
On connaît notamment des algorithmes de localisation entraînés par des méthodes d’apprentissage automatique. De tels algorithmes sont par exemple fondés sur des modèles du type réseau de neurones convolutif (CNN).
De manière connue, pour que de tels algorithmes soient performants, il est nécessaire d’implémenter une phase d’apprentissage automatique à partir d’une base de données d’entraînement.
S’agissant de zones géographiques pour lesquelles les données de réseau électrique ne sont pas satisfaisantes, il est très fréquent que les images aériennes disponibles pour l’utilisation d’un algorithme de localisation d’éléments du réseau électrique ne soient pas non plus satisfaisantes. Les images aériennes disponibles présentent une résolution basse ou très basse.
Or, les bases de données utilisées pour entraîner les algorithmes de localisation de l’état de la technique comprennent des images de haute résolution. Les algorithmes de localisation automatique d’éléments de réseau connus de l’état de la technique présentent l’inconvénient d’être peu performants lorsque des images de haute qualité ne sont pas disponibles.
Il a été observé que les performances des algorithmes de localisation de l’état de la technique sont d’autant moins satisfaisantes lorsque les éléments de réseau à localiser sont amenés à avoir une petite taille sur les images aériennes. C’est pourquoi les algorithmes de localisation existants sont peu performants lorsque les éléments à localiser sont des pylônes électriques.
DESCRIPTION GENERALE DE L'INVENTION
Au regard de ce qui précède, il existe un besoin pour un procédé de localisation automatique d’éléments de réseau, notamment de localisation d’éléments de réseau électrique, dans des images de zones géographiques, présentant des performances satisfaisantes même si les images prises en entrée sont des images de basse qualité.
On souhaite en particulier pouvoir exploiter, aux fins de la localisation des éléments de réseau électrique, des images de basse résolution disponibles dans les bases de données «open data» ou dans les bases de données fournies par des autorités gouvernementales.
On souhaite notamment localiser avec acuité des pylônes électriques dans des images de basse résolution de zones géographiques.
Il existe un besoin additionnel pour un procédé de localisation automatique d’éléments de réseau qui soit d’une grande fiabilité, malgré l’éventuelle basse qualité de l’information disponible dans les images utilisées pour la localisation.
Pour autant, on souhaite que l’algorithme de localisation associé audit procédé demeure facile à mettre en œuvre, et que l’entraînement dudit algorithme de localisation soit rapide.
A ce titre, un premier aspect de l’invention concerne un procédé de remplissage d’une base de données d’entraînement destinée à permettre l’entraînement d’un algorithme de localisation d’un élément de réseau, le procédé comprenant les étapes suivantes mises en œuvre par une unité de traitement :
i. génération d’un noyau de convolution, le noyau de convolution étant formé d’une matrice ayant un nombre de lignes et un nombre de colonnes choisis aléatoirement, et enregistrement en mémoire du noyau de convolution,
ii. application, à une pluralité de pixels d’au moins une image de zone géographique, d’un filtre de floutage correspondant au noyau de convolution, résultant en une image floutée,
iii. ajout de l’image floutée à la base de données d’entraînement, pour obtenir une base de données d’entraînement complétée.
i. génération d’un noyau de convolution, le noyau de convolution étant formé d’une matrice ayant un nombre de lignes et un nombre de colonnes choisis aléatoirement, et enregistrement en mémoire du noyau de convolution,
ii. application, à une pluralité de pixels d’au moins une image de zone géographique, d’un filtre de floutage correspondant au noyau de convolution, résultant en une image floutée,
iii. ajout de l’image floutée à la base de données d’entraînement, pour obtenir une base de données d’entraînement complétée.
Dans le procédé de remplissage de base de données d’entraînement selon l’invention, une image d’une zone géographique est volontairement floutée, à l’aide d’un filtre de floutage basé sur un noyau de convolution. Les dimensions du noyau de convolution sont choisies aléatoirement. On diminue ainsi la qualité de l’information disponible au sein de l’image floutée de la zone géographique, par comparaison à l’image avant floutage.
Le procédé de remplissage de base de données d’entraînement de l’invention est notamment avantageux dans le cas où l’image (avant floutage) de la zone géographique est une image très nette de la zone, par exemple une image de haute résolution disponible dans une base de données libre, et dans la situation où l’algorithme à entraîner est destiné à localiser des éléments de réseau électrique dans des images de basse résolution.
Cette dernière situation peut notamment se produire si une utilisation prévue de l’algorithme est pour des images d’une zone géographique pour laquelle des images de haute résolution, dans lesquelles la qualité d’information est élevée, ne sont pas disponibles.
L’invention permet d’implémenter un algorithme performant pour la localisation d’éléments de réseau, par exemple de réseau électrique, au sein d’images de basse résolution. En effet, l’algorithme a été préalablement entraîné sur des images floutées porteuses d’une information de basse qualité.
De plus, le procédé de remplissage de base de données d’entraînement selon l’invention est rapide, l’image géographique non floutée pouvant être rapidement extraite d’une base de données. Il suffit ensuite d’appliquer un filtre de floutage à ladite image.
Des caractéristiques additionnelles et non limitatives du procédé de remplissage de base de données de l’invention sont les suivantes, prises seules ou en l’une quelconque des combinaisons techniquement possibles:
- l’application du filtre de floutage comprend une normalisation, de sorte qu’une moyenne des intensités lumineuses d’un ensemble de pixels de l’image de zone géographique multipliés par le noyau de convolution est égale à une intensité lumineuse d’un pixel de l’image floutée issu de la convolution par le noyau de convolution.
- l’image de zone géographique est une image bidimensionnelle acquise par un satellite ou par un engin aéroporté.
- le procédé comprend une étape supplémentaire d’incorporation, dans la base de données d’entraînement, d’au moins une image supplémentaire, dans lequel une résolution de l’image supplémentaire est inférieure à une résolution de l’image de zone géographique.
Un deuxième objet de l’invention se rapporte à un procédé d’apprentissage automatique d’un algorithme de localisation d’un élément de réseau électrique, le procédé d’apprentissage comprenant un procédé de remplissage de base de données d’entraînement tel que défini ci-avant et comprenant en outre une étape d’entraînement de l’algorithme de localisation, à l’aide de la base de données d’entraînement complétée.
Un troisième objet de l’invention se rapporte à un procédé de localisation d’un élément de réseau au sein d’une zone géographique d’intérêt, à l’aide d’un algorithme de localisation préalablement entraîné à l’aide d’un procédé d’apprentissage automatique tel que défini ci-avant, et à partir d’une image représentative d’une zone géographique d’intérêt, le procédé de détermination de localisation comprenant les étapes suivantes mises en œuvre par une unité de traitement :
exécution de l’algorithme de localisation à partir de l’image représentative de la zone géographique d’intérêt, résultant en la prédiction d’au moins un emplacement d’élément de réseau,
marquage de l’emplacement d’élément de réseau au sein d’une carte de la zone géographique d’intérêt.
exécution de l’algorithme de localisation à partir de l’image représentative de la zone géographique d’intérêt, résultant en la prédiction d’au moins un emplacement d’élément de réseau,
marquage de l’emplacement d’élément de réseau au sein d’une carte de la zone géographique d’intérêt.
Des caractéristiques additionnelles et non limitatives du procédé de localisation d’un élément de réseau électrique selon l’invention sont les suivantes, prises seules ou en l’une quelconque des combinaisons techniquement possibles:
- l’image représentative de la zone géographique d’intérêt est une image bidimensionnelle acquise par un satellite ou par un engin aéroporté.
- l’emplacement d’élément de réseau prédit correspond à un pylône ou à une sous-station électrique.
- l’emplacement d’élément de réseau correspond à un pylône, et une pluralité d’emplacements supplémentaires de pylône au sein de l’image représentative de la zone géographique d’intérêt sont connus ou prédits,
le procédé comprenant une étape supplémentaire de vérification de l’emplacement d’élément de réseau, ledit emplacement étant déterminé invalide si une distance entre ledit emplacement et chacun des emplacements supplémentaires est supérieure à un seuil.
le procédé comprenant une étape supplémentaire de vérification de l’emplacement d’élément de réseau, ledit emplacement étant déterminé invalide si une distance entre ledit emplacement et chacun des emplacements supplémentaires est supérieure à un seuil.
- l’emplacement d’élément de réseau correspond à une sous-station électrique, et une pluralité de tracés de lignes électriques au sein de l’image représentative de la zone géographique d’intérêt sont connus ou prédits,
le procédé comprenant une étape supplémentaire de vérification de l’emplacement d’élément de réseau, ledit emplacement étant déterminé invalide si ledit emplacement n’est pas situé à une intersection entre deux tracés parmi la pluralité de tracés.
le procédé comprenant une étape supplémentaire de vérification de l’emplacement d’élément de réseau, ledit emplacement étant déterminé invalide si ledit emplacement n’est pas situé à une intersection entre deux tracés parmi la pluralité de tracés.
Un quatrième objet de l’invention se rapporte à un produit programme d’ordinateur comprenant des instructions de code correspondant à un algorithme entraîné selon un procédé d’apprentissage automatique tel que défini ci-avant, ces instructions permettant la mise en œuvre d’un procédé de localisation d’un élément de réseau électrique tel que défini ci-avant lorsque ces instructions sont exécutées par une unité de traitement.
DESCRIPTION GENERALE DES FIGURES
D’autres caractéristiques, buts et avantages de l’invention ressortiront de la description qui suit, qui est purement illustrative et non limitative, et qui doit être lue en regard des figures annexées parmi lesquelles:
DESCRIPTION DETAILLEE DE MODES DE REALISATION DE L'INVENTION
Sur l’ensemble des figures et tout au long de la description ci-après, les éléments similaires portent des références numériques identiques.
Système de localisation d’éléments de réseau
LaFigure 1représente schématiquement un système 1 de localisation d’éléments de réseau selon un exemple. Le système 1 peut notamment être utilisé pour localiser des éléments d’un réseau électrique.
Le système 1 comprend une unité de traitement 10 ayant accès à une base de données d’entraînement 11 et dotée de moyens de traitement 12.
Des instructions de code sont enregistrées dans une mémoire des moyens de traitement 12. L’exécution de ces instructions permet aux moyens de traitement 12 de mettre en œuvre un procédé de localisation d’éléments de réseau (ici, d’éléments de réseau électrique) à partir d’images obtenues par l’unité de traitement 10.
Ici, les instructions de code pour les moyens de traitement 12 correspondent à un algorithme de localisation.
Avant de mettre en œuvre un algorithme de localisation d’éléments de réseau dont l’emplacement n’est pas connu, il convient de soumettre l’algorithme de localisation à un apprentissage automatique.
Au cours de la phase d’apprentissage automatique, on exécute l’algorithme en lui fournissant en entrée plusieurs images d’une base de données d’entraînement. On sait par ailleurs, pour chacune de ces images, si l’image contient ou non un élément de réseau du type recherché, et si cela est le cas, on connaît un emplacement dudit élément de réseau au sein de l’image.
La base de données d’entraînement 11 est ici utilisée aux fins dudit apprentissage automatique. Un exemple de procédé 20 de remplissage de la base de données d’entraînement 11 sera décrit ci-après en relation à la Figure 2.
Dans le présent exemple et dans toute la suite, l’algorithme de localisation se fonde sur un modèle de réseau de neurones artificiels.
Selon un exemple préférentiel, l’algorithme de localisation se fonde sur un réseau de neurones convolutif, couramment désigné par CNN pour «Convolutional Neural Network».
L’algorithme de localisation permet, lorsqu’il est exécuté, de mettre en œuvre un procédé de localisation d’éléments de réseau, par exemple de réseau électrique. Un exemple d’un tel procédé de localisation sera décrit ci-après en relation à la Figure 5.
Les moyens de traitement 12 comprennent par exemple un ou plusieurs processeurs et/ou un ou plusieurs contrôleurs.
L’unité de traitement 10 dispose, de manière très avantageuse, d’une interface de communication avec une base de données DB. La base de données DB comprend des images de zones géographiques. Une image issue de la base de données DB peut être utilisée soit pour un apprentissage automatique tel que défini ci-avant, soit pour une localisation d’éléments de réseau (dont la localisation n’est pas connue) au sein de ladite image.
Dans le présent exemple, la base de données DB est distante, et l’unité de traitement 10 est munie d’une interface de communication à distance avec la base de données DB. La communication est effectuée via un réseau de télécommunications tel qu’Internet, 3G, 4G, etc. En alternative, la communication avec la base de données DB peut être filaire.
On comprendra que, si l’unité de traitement 10 est connectée à un réseau de télécommunications à distance tel qu’Internet, l’unité de traitement 10 peut échanger des données avec une variété de bases de données selon les besoins. L’unité de traitement 10 peut notamment obtenir des images de zones géographiques et/ou des données prédéterminées de localisation d’éléments de réseau électrique (telles que des coordonnées GPS d’éléments de réseau), auprès de bases de données «open data» et/ou auprès de bases de données d’accès privé.
Le système 1 comprend en outre, de manière optionnelle et préférentielle, un afficheur 13 doté d’une interface graphique pour communiquer des résultats de localisation d’éléments de réseau électrique à un utilisateur. Le système 1 peut comprendre en outre une interface (non représentée) de saisie de données par un utilisateur.
Apprentissage automatique à l’aide d’une base de données d’entraînement
On a représenté enFigure 2les étapes d’un procédé 20 de remplissage d’une base de données d’entraînement, selon un exemple de réalisation.
Avantageusement, le procédé 20 est mis en œuvre pour préparer une base de données d’entraînement, utilisable pour entraîner un algorithme de localisation tel que par exemple un algorithme fondé sur un réseau de neurones artificiels, et notamment sur un réseau de neurones convolutif.
Dans le présent exemple, l’algorithme de localisation se fonde sur un réseau de neurones du type «RetinaNet». Un tel réseau de neurones est décrit à la section 4 «RetinaNet Detector» du document suivant:Focal Loss for Dense Object Detection, Lin, Goyal, Girshick, He, Dollar, ICCV, pp.2980-2988.
Un tel réseau de neurones est avantageux, de par le compromis satisfaisant qu’il réalise entre rapidité de mise en œuvre et précision des résultats de classification.
On notera qu’un autre type de réseau de neurones, notamment convolutif, approprié pour la détection d’objets au sein d’images aériennes, pourrait en alternative être employé comme base de l’algorithme de localisation.
Une utilisation prévue de l’algorithme est, dans le présent exemple, de repérer des éléments de réseau électrique et de localiser lesdits éléments dans des images de zones géographiques.
Les éléments de réseau électrique à localiser sont par exemple des pylônes et/ou des sous-stations électriques.
Dans le cas de pylônes, il peut s’agir de pylônes de basse tension, de moyenne tension ou de haute tension.
Les images de zones géographiques dont il est fait usage, aussi bien pour la constitution de la base de données d’entraînement que comme données d’entrée de l’algorithme de localisation, sont préférentiellement des images bidimensionnelles.
Il s’agit, de préférence, d’images acquises par un satellite ou par un engin aéroporté. De telles images seront appelées images aériennes dans toute la suite.
L’algorithme de localisation est destiné à être utilisé dans un contexte d’indisponibilité ou de faible disponibilité d’images de haute résolution, dans lesquelles la qualité d’information est élevée.
Par exemple, l’algorithme est destiné à être utilisé pour localiser des éléments de réseau électrique dans des pays qui ne fournissent pas ou fournissent peu de données relatives au réseau électrique, et pour lesquels des images aériennes de haute résolution ne sont pas disponibles.
A ce titre, au cours du procédé 20, on constitue la base de données d’entraînement 11 en y incorporant des images de zones géographiques (de préférence des images aériennes) qui présentent volontairement une basse résolution.
Parmi les images participant à la constitution de la base de données d’entraînement 11, on souhaite partir d’au moins une image géographique IE présentant une résolution élevée. Comme il sera vu ci-après, l’image géographique IE est volontairement floutée, à l’aide d’un filtre de floutage basé sur un noyau de convolution.
Une unité de mesure utilisable pour exprimer la résolution d’une image numérique est le nombre de pixels par unité de longueur. On utilise usuellement le nombre de pixels par pouce.
A titre d’exemple, une résolution de 200 pixels par pouce peut être considérée comme satisfaisante pour une image aérienne numérique.
Le procédé 20 peut être mis en œuvre par l’unité de traitement 10 du système de localisation d’éléments de réseau tel qu’illustré sur la Figure 1. Le procédé 20 est, par exemple, utilisable pour compléter la base de données d’entraînement 11.
A une étape 100 optionnelle du procédé 20, si l’on dispose d’ores et déjà d’une image aérienne de basse résolution, on incorpore ladite image de basse résolution dans la base de données d’entraînement. Il s’agit par exemple d’une image de résolution inférieure à 200 pixels par pouce.
De préférence, ladite image de basse résolution donne à voir un élément de réseau que l’on souhaite pouvoir localiser. Il est avantageux que ladite image de basse résolution soit une image de la zone géographique ou de l’une des zones géographiques pour lesquelles on souhaite appliquer ultérieurement l’algorithme de localisation.
Toutefois, il est fréquent que les images de basse résolution déjà disponibles ne soient pas suffisantes pour constituer une bonne base de données d’entraînement.
Il est souhaitable de disposer de davantage d’images de basse résolution. Ainsi, à partir del’image géographique IE de résolution élevée (par exemple supérieure à 200 pixels par pouce), un floutage volontaire est réalisé.
A une étape 200, on génère un noyau de convolution, formé d’une matrice de convolution M. Pour désigner un tel noyau, on utilise couramment la dénomination de «kernel».
De manière avantageuse, le nombre de lignes x et le nombre de colonnes y de la matrice de convolution M sont sélectionnés aléatoirement, pour chaque image géographique IE à flouter. Un avantage est que, dans le cas où une pluralité d’images floutées IE* sont obtenues, lesdites images présentent des types de flou différents et permettent un entraînement efficace d’un réseau de neurones d’algorithme de localisation.
Dans l’exemple illustratif qui va suivre, une matrice de convolution M de dimensions 3*3 est aléatoirement générée (autrement dit, x = 3 et y = 3).
Une même valeur est affectée à chaque élément de la matrice de convolution M. De préférence, la valeur affectée à chaque élément de la matrice est légale à 1/(x*y). Ici, la valeur 1/9 est affectée aux neuf éléments de ladite matrice.
La matrice de convolution M est enregistrée, par exemple, dans une mémoire des moyens de traitement 12.
Ensuite, à une étape 300, l’unité de traitement 10 applique à l’image géographique IE un filtre de floutage. Le filtre de floutage est associé à la matrice de convolution M.
Il s’agit de réaliser une convolution entre les pixels de différentes régions de l’image géographique IE et la matrice de convolution M. De manière connue en traitement d’images, la convolution consiste à «retourner» les colonnes et les lignes de la matrice de convolution M, puis à multiplier deux à deux les valeurs des éléments de la matrice ainsi retournée et les valeurs des pixels d’une région courante de l’image géographique IE.
Par «valeur d’un pixel de l’image», on entend par exemple ici un triplet de niveaux de couleurs correspondant respectivement à un niveau de rouge, un niveau de vert et un niveau de bleu, dans un codage de type RGB.
Un principe du floutage de l’image géographique IE à l’étape 300 est illustré schématiquement sur laFigure 3annexée, pour ce qui concerne un pixel P de l’image géographique IE.
Le pixel P* de l’image floutée IE* correspond au pixel P. Une valeur du pixel P* est obtenue en réalisant la convolution de la région de taille 3*3 autour du pixel P (région de l’image géographique IE) avec la matrice de convolution M.
Au cours de l’étape 300, de manière très avantageuse, on traite l’ensemble des pixels P de l’image géographique IE, un par un, en réalisant pour chacun de ces pixels la convolution de la région centrée sur ledit pixel avec la matrice de convolution M. Les bords de l’image géographique IE peuvent être traités par toute méthode connue en traitement d’images.
De manière préférée, l’application du filtre de floutage comprend une normalisation, de sorte qu’une moyenne des intensités lumineuses des pixels d’une région de taille 3*3 de l’image géographique IE est égale à une intensité lumineuse du pixel correspondant de l’image floutée IE*, ce dernier pixel étant issu de la convolution par la matrice de convolution M.
A l’issue de l’étape 300, on dispose d’une image floutée IE* complète.
On notera que le floutage de l’image géographique IE pourrait être externalisé et réalisé par une entité différente de l’unité de traitement 10.
Enfin, à une étape 400, l’image floutée IE* est incorporée à la base de données d’entraînement 11, de sorte à obtenir une base de données d’entraînement complétée.
A titre d’exemple, laFigure 4aillustre une image géographique IE avant floutage (ici, une photographie aérienne d’une zone agricole) et laFigure 4billustre une image floutée IE* obtenue par floutage de l’image géographique IE selon l’étape 300 décrite ci-avant.
On constate qu’une résolution de l’image floutée IE* est bien inférieure à une résolution de l’image géographique IE.
L’image floutée IE* ainsi obtenue est plus appropriée que l’image géographique IE pour être incorporée à la base de données d’entraînement 11, pour entraîner un algorithme dédié à la reconnaissance et à la localisation d’éléments d’un réseau électrique sur des images de pays pour lesquels la résolution des images disponibles est basse.
On comprendra que les étapes 200 à 400 du procédé de remplissage de base de données d’entraînement peuvent faire l’objet d’autant d’itérations que nécessaire, pour remplir suffisamment la base de données d’entraînement 11. Les images floutées IE* ainsi obtenues sont facultativement transmises par Internet à un serveur distant, pour alimenter une base de données partagée.
Une fois la base de données d’entraînement 11 constituée, il est possible de mettre en œuvre l’entraînement de l’algorithme de localisation d’éléments de réseau à l’aide de la base de données d’entraînement 11.
Dans le cas où l’algorithme de localisation se fonde sur un réseau de neurones de type «RetinaNet», on notera qu’un exemple de protocole d’entraînement dudit réseau de neurones est décrit à la section 4.1 «Inference and Training» du document précité:Focal Loss for Dense Object Detection, Lin, Goyal, Girshick, He, Dollar, ICCV, pp.2980-2988.
Localisation d’éléments de réseau au sein d’une image de zone géographique
On a représenté enFigure 5un procédé de localisation 50 d’éléments d’un réseau électrique au sein d’images géographiques, selon un exemple.
Le procédé de localisation 50 peut être par exemple mis en œuvre par l’unité de traitement 10, notamment après un apprentissage automatique d’un algorithme de localisation à l’aide d’une base de données d’entraînement 11 complétée, issue du procédé 20 de remplissage de base de données d’entraînement décrit ci-avant.
On rappelle que l’algorithme de localisation est de préférence fondé sur un modèle de réseau de neurones convolutif, par exemple du type «RetinaNet».
On fournit en entrée de l’algorithme de localisation une image géographique, représentative d’une zone géographique d’intérêt. De manière préférentielle, il s’agit d’une image bidimensionnelle aérienne prise par un satellite ou par un engin aéroporté. La zone géographique d’intérêt est par exemple située dans un pays qui ne fournit pas des bases de données d’images aériennes de haute résolution.
Ainsi, l’image prise en entrée est susceptible d’avoir une basse résolution, par exemple une résolution inférieure à 200 pixels par pouce.
A une étape 1100, l’algorithme de localisation est exécuté à partir de ladite image. Un résultat de l’algorithme est, soit la détermination qu’aucun élément de réseau (ici électrique) n’est présent dans l’image, soit la détermination qu’un ou plusieurs éléments de réseau y sont présents.
De manière très avantageuse, si un élément de réseau est détecté, l’emplacement E1 dudit élément de réseau est déterminé et enregistré en mémoire.
L’emplacement E1 est par exemple déterminé soit sous forme de coordonnées bidimensionnelles au sein de ladite image, soit sous forme de coordonnées géographiques (par exemple des coordonnées GPS) au sein de la zone géographique d’intérêt.
On observe que le procédé de localisation 50 est performant, car la qualité d’information (notamment la résolution) des images utilisées pour l’entraînement de l’algorithme de localisation (par exemple l’image floutée IE*) est en adéquation avec la qualité d’information des images exploitées pour localiser les éléments de réseau électrique dans la zone géographique d’intérêt.
De manière avantageuse, à une étape 1200 du procédé 50, l’emplacement E1 d’élément de réseau est marquéau sein d’une carte C de la zone géographique d’intérêt.
La carte C est par exemple une image aérienne ou un dessin de la zone géographique d’intérêt sur laquelle a été marquée la localisation d’éléments remarquables de ladite zone, notamment des villes et/ou des frontières et/ou des noms de régions et/ou des fleuves et/ou des montagnes, etc.
L’emplacement E1 est par exemple repéré par un point sur la carte C.
LaFigure 6areprésente une carte C marquée avec une pluralité d’emplacements, prédits à l’aide du procédéde localisation 50. Ici, les emplacements sont des emplacements de pylônes. Un pylône correspond à un emplacement ponctuel (par exemple une latitude et une longitude).
La carte C est ici représentative d’une zone géographique située dans la région de la vallée du Rift au Kenya.
Les emplacements de pylônes prédits s’étendent selon deux lignes principales. On a notamment marqué un emplacement E1 de pylône situé au sein d’une ligne principale, et un emplacement E2 de pylône qui est éloigné des deux lignes principales.
Il a été constaté que des emplacements superflus, non représentatifs de la réalité, sont susceptibles d’être prédits par un algorithme de localisation automatique.
Il est donc proposé de procéder à une vérification des emplacements de réseau électrique.
Le procédé de localisation 50 comprend ainsi une étape optionnelle et avantageuse de vérification 1300a d’au moins un emplacement de pylône obtenu.
De préférence, tous les emplacements de pylône prédits sont vérifiés.
Lors de la vérification 1300a, on dispose d’une pluralité d’emplacements de pylônes connus, ou prédits. On dispose aussi d’un emplacement courant de pylône (ici l’emplacement E2), qui a été prédit à l’étape 1100.
L’emplacement courant de pylône est déterminé comme invalide si la distance entre ledit emplacement et chacun des autres emplacements de pylônes dont on dispose dépasse un seuil prédéterminé.
Le seuil prédéterminé de distance est de préférence compris entre 100 mètres et 1000 mètres, et est encore plus préférentiellement compris entre 400 mètres et 600 mètres. Dans le présent exemple, ledit seuil s’élève à 500 mètres.
Sur la Figure 6a, l’emplacement E2 de pylône est situé à plus de 500 mètres de tous les autres emplacements de pylône. Ainsi, l’emplacement E2 est écarté. Il est considéré que cet emplacement a peu de chances de correspondre à un véritable pylône de la zone géographique d’intérêt.
Après avoir réitéré l’étape 1300a sur tous les emplacements de pylône marqués sur la carte C de la Figure 6a, on obtient une carte améliorée C*, dans laquelle tous les emplacements de pylône marqués restants ont été validés. La carte améliorée C* est représentée sur laFigure 6b.
En alternative, dans le cas où un élément de réseau électrique dont l’emplacement est prédit est une sous-station électrique, une vérification 1300b associée à un critère de vérification différent est optionnellement et avantageusement mise en œuvre.
Lors de la vérification 1300b, on dispose d’une pluralité de tracés de lignes électriques sur la carte de la zone géographique d’intérêt, par exemple sous forme de courbes géométriques.
Un emplacement courant de sous-station électrique, déterminé par exemple à l’étape 1100, est déterminé invalide si ledit emplacement n’est pas situé à une intersection entre au moins deux tracés de lignes électriques.
L’emplacement prédit de sous-station électrique peut notamment être non ponctuel et correspondre à une surface de l’espace.
On comprendra que les éléments de réseau électrique à localiser pourraient être en partie des pylônes et en partie des sous-stations électriques, et/ou d’autres types d’éléments de réseau électrique. Il est possible de combiner plusieurs critères de vérification adaptés à chaque type d’élément de réseau. De plus, une pluralité d’algorithmes de localisation différents pourrait être exécutée afin de repérer une pluralité de types d’éléments de réseau distincts.
Les critères de vérification décrits ci-avant, pour la vérification des emplacements d’élément de réseau, permettent d’accroître encore davantage les performances de l’algorithme de localisation pour la localisation d’éléments de réseau.
Grâce à un tel procédé de localisation, il est possible de prédire de manière fiable et rapide des localisations d’éléments de réseau électrique et de constituer ultérieurement une cartographie de réseau électrique proche de la réalité du terrain. Ce procédé de localisation est efficace même pour des zones géographiques d’intérêt pour lesquelles ni des données de réseau électrique satisfaisantes, ni des images aériennes de haute résolution ne sont disponibles.
Un tel procédé de localisation permet donc de planifier efficacement, à distance, l’électrification des zones géographiques d’intérêt.
Claims (11)
- Procédé de remplissage d’une base de données d’entraînement (11) destinée à permettrel’entraînement d’un algorithme de localisation d’un élément de réseau, le procédé comprenant les étapes suivantes mises en œuvre par une unité de traitement (10):
i. génération (200) d’un noyau de convolution, le noyau de convolution étant formé d’une matrice ayant un nombre de lignes et un nombre de colonnes choisis aléatoirement, et enregistrement en mémoire du noyau de convolution,
ii. application (300), à une pluralité de pixels d’au moins une image (IE) de zone géographique, d’un filtre de floutage correspondant au noyau de convolution, résultant en une image floutée (IE*),
iii. ajout (400) de l’image floutée (IE*) à la base de données d’entraînement (11), pour obtenir une base de données d’entraînement complétée. - Procédé de remplissage selon la revendication 1, dans lequel l’application (300) du filtre de floutage comprend une normalisation, de sorte qu’une moyenne des intensités lumineuses d’un ensemble de pixels de l’image (IE) de zone géographique multipliés par le noyau de convolution est égale à une intensité lumineuse d’un pixel de l’image floutée (IE*) issu de la convolution par le noyau de convolution.
- Procédé de remplissage selon l’une quelconque des revendications 1 ou 2, dans lequel l’image (IE) de zone géographique est une image bidimensionnelle acquise par un satellite ou par un engin aéroporté.
- Procédé de remplissage selon l’une quelconque des revendications 1 à 3, comprenant une étape supplémentaire d’incorporation (100), dans la base de données d’entraînement (11), d’au moins une image supplémentaire, dans lequel une résolution de l’image supplémentaire est inférieure à une résolution de l’image (IE) de zone géographique.
- Procédé d’apprentissage automatique d’un algorithme de localisation d’éléments de réseau, le procédé d’apprentissage comprenant un procédé de remplissage de base de données d’entraînement selon l’une quelconque des revendications 1 à 4, et comprenant en outre une étape d’entraînement dudit algorithme de localisation à l’aide de la base de données d’entraînement (11) complétée.
- Procédé de localisation d’un élément de réseau au sein d’une zone géographique d’intérêt, à l’aide d’un algorithme de localisation préalablement entraîné à l’aide d’un procédé d’apprentissage automatique selon la revendication 5, et à partir d’une image représentative d’une zone géographique d’intérêt,
le procédé de détermination de localisation comprenant les étapes suivantes mises en œuvre par une unité de traitement (10):
- exécution (1100) de l’algorithme de localisation à partir de l’image représentative de la zone géographique d’intérêt, résultant en la prédiction d’au moins un emplacement d’élément de réseau (E1),
- marquage (1200) de l’emplacement d’élément de réseau (E1) au sein d’une carte (C) de la zone géographique d’intérêt. - Procédé de localisation selon la revendication 6, dans laquelle l’image représentative de la zone géographique d’intérêt est une image bidimensionnelle acquise par un satellite ou par un engin aéroporté.
- Procédé de localisation selon l’une quelconque des revendications 6 ou 7, dans laquelle l’emplacement d’élément de réseau prédit correspond à un pylône ou à une sous-station électrique.
- Procédé de localisation selon la revendication 8, dans lequel l’emplacement d’élément de réseau (E1) correspond à un pylône, et dans lequel une pluralité d’emplacements supplémentaires de pylône au sein de l’image représentative de la zone géographique d’intérêt sont connus ou prédits,
le procédé comprenant une étape supplémentaire de vérification (1300a) de l’emplacement d’élément de réseau (E1), ledit emplacement étant déterminé invalide si une distance entre ledit emplacement et chacun des emplacements supplémentaires est supérieure à un seuil. - Procédé de localisation selon la revendication 8, dans lequel l’emplacement d’élément de réseau correspond à une sous-station électrique, et dans lequel une pluralité de tracés de lignes électriques au sein de l’image représentative de la zone géographique d’intérêt sont connus ou prédits,
le procédé comprenant une étape supplémentaire de vérification (1300b) de l’emplacement d’élément de réseau, ledit emplacement étant déterminé invalide si ledit emplacement n’est pas situé à une intersection entre deux tracés parmi la pluralité de tracés. - Produit programme d’ordinateur comprenant des instructions de code correspondant à un algorithme de localisation entraîné à l’aide d’un procédé d’apprentissage automatique selon la revendication 5, lesdites instructions permettant la mise en œuvre d’un procédé de localisation d’un élément de réseau selon l’une quelconque des revendications 6 à 10 lorsque lesdites instructions sont exécutées par une unité de traitement.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1914221A FR3104759B1 (fr) | 2019-12-12 | 2019-12-12 | Localisation d’éléments de réseau électrique dans des images aériennes |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1914221A FR3104759B1 (fr) | 2019-12-12 | 2019-12-12 | Localisation d’éléments de réseau électrique dans des images aériennes |
| FR1914221 | 2019-12-12 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3104759A1 true FR3104759A1 (fr) | 2021-06-18 |
| FR3104759B1 FR3104759B1 (fr) | 2021-12-10 |
Family
ID=70613900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1914221A Active FR3104759B1 (fr) | 2019-12-12 | 2019-12-12 | Localisation d’éléments de réseau électrique dans des images aériennes |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3104759B1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253621A1 (en) * | 2016-08-24 | 2018-09-06 | Google Inc. | Change Direction Based Imagery Acquisition Tasking System |
| US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
-
2019
- 2019-12-12 FR FR1914221A patent/FR3104759B1/fr active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180253621A1 (en) * | 2016-08-24 | 2018-09-06 | Google Inc. | Change Direction Based Imagery Acquisition Tasking System |
| US10140544B1 (en) * | 2018-04-02 | 2018-11-27 | 12 Sigma Technologies | Enhanced convolutional neural network for image segmentation |
Non-Patent Citations (2)
| Title |
|---|
| LINGOYALGIRSHICKHEDOLLAR: "Focal Loss for Dense Object Detection", ICCV, pages: 2980 - 2988 |
| WANG CHEN ET AL: "Geospatial Object Detection via Deconvolutional Region Proposal Network", IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING, IEEE, USA, vol. 12, no. 8, 1 August 2019 (2019-08-01), pages 3014 - 3027, XP011746835, ISSN: 1939-1404, [retrieved on 20190920], DOI: 10.1109/JSTARS.2019.2919382 * |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3104759B1 (fr) | 2021-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0282364B1 (fr) | Procédé de représentation de l'image en perspective d'un terrain et système pour sa mise en oeuvre | |
| EP1828992A1 (fr) | Procede de traitement d'images mettant en oeuvre le georeferencement automatique d'images issues d'un couple d'images pris dans le meme plan focal | |
| EP3459051B1 (fr) | Procédé de reconstruction tridimensionnelle à l'aide d'une caméra plénoptique | |
| FR3054897A1 (fr) | Procede d'elaboration d'une image numerique, produit programme d'ordinateur et systeme optique associes | |
| WO2016207551A1 (fr) | Dispositif interactif a affichage tridimensionnel | |
| WO2022112722A1 (fr) | Procédé de détection d'installations photovoltaïques sur une image par apprentissage profond | |
| EP1327156A1 (fr) | Procede d'individualisation d'un element de circuit integre | |
| FR3104759A1 (fr) | Localisation d’éléments de réseau électrique dans des images aériennes | |
| EP4012579A1 (fr) | Appareil géomatique ayant une architecture de calculateur utilisant les utilitaires osmosis et gdal | |
| EP1387232A1 (fr) | Procédé de détermination de la valeur à donner à différents paramètres d'un système | |
| CA2734940A1 (fr) | Procede et systeme d'acquisition et rapatriement de donnees satellitaires | |
| EP4156102A1 (fr) | Procédé de sélection de paires stéréoscopiques d'images aériennes ou satellite pour générer des données d élévation | |
| FR3081590A1 (fr) | Procede d’augmentation de resolution spatiale d’une image multi-spectrale a partir d’une image panchromatique | |
| CA3161385A1 (fr) | Procede de segmentation d'une image d'entree representant un document comportant des informations structurees | |
| EP3488383B1 (fr) | Procede et dispositif d'aide a la navigation d'un vehicule | |
| FR3059453A1 (fr) | Procede et dispositif de deconvolution d'images numeriques | |
| WO2021239805A1 (fr) | Construction d'images vues du dessus d'un tronçon de route | |
| FR3068459A1 (fr) | Procede de construction d'une representation image de la terre par reconstruction statistique a partir de signaux issus de capteurs se deplacant de facon aleatoire | |
| WO2021255214A1 (fr) | Procede et systeme de caracterisation geometrique de feux | |
| Baleux et al. | Levé topographie par Scanner3D. Fouilles programmées. Basi (Corse). Acquisition et restitutions, rapport préliminaire. | |
| FR3095858A1 (fr) | Procédé de consolidation d’une trajectoire à partir de fragments de trajectoire. | |
| EP1864260A2 (fr) | Procede de reconstruction d'image dans un graphique vectoriel | |
| FR3059124A1 (fr) | Procede d'indexation de videos, et procede de recherche d'une sequence video dans une base de videos | |
| Hostache | Satellite image analysis for three-dimensionnal flood hazard characterisation and hydraulic modelling support. | |
| WO2011144435A1 (fr) | Système de traitement de données relatives à des bâtiments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210618 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |