[发明专利]一种基于深度学习的输电线路通道环境变化检测方法及系统

说明书

本发明公开了一种基于深度学习的输电线路通道环境变化检测方法及系统，首先在训练阶段，输入训练样本图像，将样本图像库的多期输电线路通道环境遥感影像按时序排列对环境变化部分进行标注，输入深度学习网络进行训练，待网络收敛后，将待检测的遥感图像进行相同的预处理，输入环境变化检测学习模型，输出检测结果图。对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。

技术领域

本发明涉及遥感图像建筑物变化检测技术领域，尤其是指一种基于深度学习的输电线路通道环境变化检测方法及系统。

背景技术

标准建筑物作为城市最主要的构成部分，一直是遥感影像解译的重点研究对象，在城市规划与管理领域有着重要的意义，而建筑物的变化检测在数据更新、城市土地用途实施管制、违法建筑监测等方面都至关重要，但是由于其光谱、纹理、几何形状等的复杂性，以及高分辨率遥感影像城市背景的复杂性，城市建筑物变化检测迄今为止仍然无法投入大规模的生产实践中，生产中还是以人工目视判读为主，随着遥感影像的更新频率提升，有普适性和实用性的建筑物与变化的检测方法亟待发展。深度学习的应用已经较为广泛，目前在遥感影像分割与目标识别领域都有一定的研究成果，作为视觉处理的主流深度学习框架，CNN被广泛应用于图像分类，并以此为基础逐渐发展了一系列通用的CNN架构，如AlexNet、VGGNet、GoogleNet、ResNet等。高分辨率城市遥感影像包含地物信息丰富，地物复杂度高，目前主要的自动分类方法有马尔科夫随机场、条件随机场、SVM、决策树等，但是由于这些方法依赖于影像特征的选取，难以推广于大面积的影像分类。深度学习网络有效地解决了特征选取的问题，通过深度网络模型的自动学习，可以获得高层次的语义特征，得到更为精确的语义分割结果。差等地物空间尺度相关的特征，无法有效地对地物的复杂特征进行提取。

发明内容

针对上述背景技术中的问题，提供一种全新的基于深度学习的输电线路通道环境变化检测方法。可以有效检测出输电线路通道环境的变化，从而得到建筑物新增与减少的变化区域，告警提示工作人员。

本发明所述的一种基于深度学习的输电线路通道环境变化检测方法，包括：

S1获取多期同分辨率同区域的输电线路通道环境遥感影像，依照时间顺序排序；

S2将所述遥感影像进行预处理，包括校正、配准和拉伸；

S3将预处理后的遥感影像转化为灰度图，计算灰度图中像素点的灰度值；

S4根据所述灰度值标注所述灰度图中通道环境变化更新的部分；

S5叠加两个遥感图像，切割标注图作为环境变化训练样本；

S6构建环境变化检测学习模型；

S7将待检测的遥感图像进行预处理，包括校正、配准和拉伸；

S8将预处理后的待检测遥感图像输入所述环境变化检测学习模型，输出检测结果图。

本发明通过对样本图像做预处理，然后将训练样本输入深度卷积神经网络进行训练，再将待测遥感图像输入训练所得的深度神经网络，在网络的输出层处进行模型融合，获取最佳图像分割模型，并对识别结果进行后端处理，能够较准确的获得遥感图像内环境变化识别图像。

深度学习源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。

具体地，对同区域下连续两张遥感图像进行分析识别，识别图像中的变化环境物体，进行隐患判断，并推送告警信息。

进一步地，所述隐患判断的步骤包括：

判断同区域下连续两张遥感图像相同隐患类型的环境物体数量是否相同；