[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

说明书

本发明涉及输变电工程测算，特别涉及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，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。本发明通过真彩色DOM影像的及点云数据的自动分类，能够将房屋、林木等对输电线路电力走廊有重要影响的要素高效、准确地提取，极大程度减少了测量人员的工作量，仅需定点人工干预，即可完成传统模式下的工程量测算工作。并且通过本发明深度学习方法的高精度边界提取结果较高，在测试集中对目标的预测结果与标签做对比，计算地物识别的准确率能达到85%以上，基本能准确的对已经分类的地物做好边界分割，对实际测算工作提供了可靠的依据。

技术领域

本发明涉及输变电工程测算，特别涉及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。

背景技术

在勘测专业，工程量测算的传统方式是基于影像，人工对房屋、树木、征地等地物进行手动绘制，生成ORG文件，导入设计软件中进行测算。测算一般有四种方法：第一种是基于全波形激光探测与测量(LiDAR，Light Detection And Ranging)数据，获取植被的结构化信息，在受影响范围内汇总点云属性并计算综合波形特征参数，实现通过单一数据源获取并提高目标大小的测量精度；第二种是基于全波形LiDAR数据，衍生出对单体树、房屋，征地的定位和提取，结合韦伯分布和三次样条函数模型，作为特征变量获取模型参数；第三种是基于多源同期高分辨率遥感数据，首先基于高分辨率数据和面向对象分割方法进行目标分类，然后基于高光谱数据提取的空间细节和光谱特征并结合反向传播神经网络对图像地物识别；第四种是基于高光谱数据，使用三维卷积神经网络对地物识别，三维卷积神经网络基于机载高光谱数据对复杂地物实现语义分割，构建用于训练及验证数据集，完成深度学习模型的训练，利用训练好的模型分别对高光谱影像中每个像元所属类别进行预测，得到整个区域的树种分布制图。

这种方式工作量相当庞大，需要消耗大量的人力，且周期长。对于复杂的地物边界，人工标绘比较粗糙，精度不高。

上述现有技术的地物分类中，仅利用高光谱影像进行地物分类，主要手段还是传统的遗传算法、BP神经网络(Back Propagation Neural Network)等优化算法，无法充分利用高光谱数据的所有信息，而精细的地物边界划分往往依赖于不同尺度图像语义分割，以上算法在不同尺度特性上无法表现更加通用，因此分类精度一般。

三维卷积神经网络中在每个卷积层后加入了三维最大池化层，由于引入光谱维度池化的数据降维方式会引起原始图像细节的丢失，从而导致模型分割的能力下降。虽然加入光谱维度池化可以显著减少网络训练参数，并节省模型训练的时间，但是光谱信息的损失会造成主要边界精度的下降，而且三维卷积神经网络维度增加，数据运算量更大，训练参数更加复杂，效率较低。

传统的测量方法主要是人工通过选点使用测高仪、经纬仪等高精度仪器开展测量，测量精度也与仪器性能、摆放位置和测量仰角设置等人工操作精准度有关，不能保证永远精准的测量。

在基于遥感的地物提取的方法方面，不同的遥感技术在提取精度、覆盖范围、数据获得难易程度、成本等方面差距很大。

发明内容

本发明提出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，该方法具有效率高、成本低、精度准等特点。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。

优选的，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；