[发明专利]一种变电工程进度监测影像识别方法

说明书

本发明涉及一种变电工程进度监测影像识别方法，具体包括以下步骤：1)样本库训练和分类：采集大量影像数据提取影像特征并进行分类，对分类后的子集进行样本训练提取影像特征点，形成可用于深度学习训练的样本库；2)深度神经网络影像学习：根据样本库进行模型训练与测试，并进行遥感影像的特征物自动识别；3)特征物变化自动检测：适用于多种传感器及分辨率遥感影像成像质量合格，变化信息数据分别以tif和矢量数据输出，变化检测模块支持CPU/GPU多线程并行计算，分别实现在变化区域目标级、影像级的并行计算加速。本发明优点在于：使用变化图斑自动提取算法得到变化二值图、变化图斑矢量和变化图斑属性信息，检测影响识别效果好，方便操作。

技术领域

本发明涉及一种变电工程进度监测影像识别方法。

背景技术

数据预处理主要用于扩增样本数量，改善数据不足以及数据类型过少挑战，以此提升模型鲁棒性和泛化性能。具体而言，适当预处理可有效突出影像整体和局部特性，重点关注建筑设施变化区域，增加样本数据集中不同建筑特征间差别，丰富特征信息，提升变化检测模型识别性能，满足变化检测建筑设施识别需要。因此，数据预处理是实施方案关键性地步骤。

深度学习模型需要利用大批量训练样本优化生成模型文件，样本数量和质量直接关乎深度学习模型优劣。样本稀缺、数据不易获取目标，在训练模型时，没有充足数据可供样本训练，往往导致模型性能下降、模型泛化性能不足。针对数据量匮乏问题，拟采用多源数据融合方式扩充数据量。并将符合项目需求的数据进行采集、标注和处理，经过数据扩增，进行目标检测。

如何提供一种变电工程进度监测影像识别方法成为研究方向。

发明内容

本发明的目的在于提供一种变电工程进度监测影像识别方法，以解决上述背景技术中提出的问题。

为解决上述技术问题，本发明提供的技术方案为：一种变电工程进度监测影像识别方法，具体包括以下步骤：

1)样本库训练和分类：采集大量影像数据提取影像特征并进行分类，对分类后的子集进行样本训练提取影像特征点，形成可用于深度学习训练的样本库；

2)深度神经网络影像学习：根据样本库进行模型训练与测试，并进行遥感影像的特征物自动识别；

3)特征物变化自动检测：适用于多种传感器及分辨率遥感影像成像质量合格，变化信息数据分别以tif和矢量数据输出，变化检测模块支持CPU/GPU多线程并行计算，分别实现在变化区域目标级、影像级的并行计算加速。

作为一种优选方案，所述矢量数据的属性字段包括面积、置信度、变化前后属性。

作为一种优选方案，算法核心模块包含样本库训练模块、影像解译模块、变化检测模块。

作为一种优选方案，解译模块完成影像自动分类提取的任务，变化检测模块完成两期遥感影像的线路路径、杆塔、基础及绝缘子串的变化提取的任务。

本发明优点在于：使用变化图斑自动提取算法得到变化二值图、变化图斑矢量和变化图斑属性信息，提供了一种变电工程进度监测影像识别方法，检测影响识别效果好，方便操作。

附图说明

图1是本发明的流程图。

具体实施方式

下面用具体实施例说明本发明，并不是对本发明的限制。

实施例

一种变电工程进度监测影像识别方法，具体包括以下步骤：

1)样本库训练和分类：采集大量影像数据提取影像特征并进行分类，对分类后的子集进行样本训练提取影像特征点，形成可用于深度学习训练的样本库；

2)深度神经网络影像学习：根据样本库进行模型训练与测试，并进行遥感影像的特征物自动识别；