[发明专利]一种将人工智能识别技术应用于三维输变电工程测算的方法

权利要求书

1.一种将人工智能识别技术应用于三维输变电工程测算的方法，其特征在于：所述方法包括遥感影像获取、数据预处理、影像分割、标注基础训练样本、网络模型选择、模型训练、预测、结果分析评价步骤。

2.根据权利要求1所述的一种将人工智能识别技术应用于三维输变电工程测算的方法，其特征在于：

该方法所述的数据预处理步骤还包括：由于遥感影像受到时候等因素的影响，导致影像会有白斑问题；这个时候需要先对影像进行预处理，包括矫正、降噪、去云，从而更好地进行影像分类；

该方法所述的影像分割步骤还包括：由于遥感影像覆盖范围广，信息量大，不适合直接利用深度学习的算法进行分析处理，因此有必要将影像分割为合适的大小，从而更好的提取影像的特征；

该方法所述的标注基础训练样本步骤还包括：根据遥感影像中目标或类别如房屋、树木的特征，对其进行矢量标注，形成矢量格式的文件，从而方便深度学习框架对影像数据的分析处理；

该方法所述的网络模型选择步骤还包括：基于目标识别的网络模型有RCNN、R-FCN、SSD，基于语义分割的网络模型有DEEPLAB；这些模型都是卷积神经网络CNN，其基本结构由输入层、卷积层、池化层、全连接层以及输出层构成；卷积的作用是提取原始图像的特征，池化可以减少特征参数的数量，减少计算量，同时提高所提取特征的鲁棒性；在卷积层和池化层之间会添加一个激活函数包括relu、sigmoid，以实现神经元输出的非线性化，提高模型对复杂函数的逼近能力；

该方法所述的模型训练步骤还包括：利用深度学习框架对模型进行训练；根据样本数据的大小利用卷积神经网络模型参数包括训练的次数、批次以及学习率，将样本分成训练样本和验证样本，利用训练样本对模型进行训练，利用验证样本对得到的模型进行精度验证；

该方法所述的预测步骤还包括：利用训练好的模型对未知的影像数据进行预测；

该方法所述的结果分析评价步骤还包括：对预测的结果进行分析评价，从而帮助决策分析。

3.根据权利要求1所述的一种将人工智能识别技术应用于三维输变电工程测算的方法，其特征在于：该方法还包括通过深度学习对数据预处理，包括去阴影和图像去噪处理；去阴影详细步骤为：阴影有比周围地物明显的低亮度，对图像做同态滤波，改善图像的亮度分布不均匀，使用深度学习对处理过的图像的阴影做训练；图像去噪处理详细步骤为遥感图像在拍摄、传输过程中，可能会因为设备或者数字化等因素产生较多的随机噪声，这会较大程度影响后期训练过程中的特征提取，去噪的算法采用中值滤波和高斯滤波相结合，中值滤波针对图像中的随机噪声比较有效；高斯滤波器对呈现一定正态分布的高斯噪声有很好的降噪作用；在真实环境中，噪音是由不同来源的噪音复合体；可以把真实噪音看成非常多不同概率分布的随机变量的加合，并且每一个随机变量都是独立的，那么随着噪音源数量的上升，趋近于一个高斯分布。

4.根据权利要求1所述的一种将人工智能识别技术应用于三维输变电工程测算的方法，其特征在于：该方法还包括数据增强；所述数据增强包括空间域和频率域，详细步骤为：空间域：对图像空间域做数据增强，主要手段有图像去噪、图像翻转、亮度和对比度增强、改善色彩强度、增加样本数量；频率域：对图像做傅里叶变换，获得频率域图像，然后对频率域图像做滤波，使用高斯高通和低通滤波，针对不同的地物使用不同的滤波器。