技术新讯 > 计算推算,计数设备的制造及其应用技术 > 基于卫星遥感的输电通道漂浮物识别监测系统及方法与流程  >  正文

基于卫星遥感的输电通道漂浮物识别监测系统及方法与流程

  • 国知局
  • 2024-08-05 11:49:55

本发明涉及卫星遥感,更具体地说,本发明涉及基于卫星遥感的输电通道漂浮物识别监测系统及方法。

背景技术:

1、遥感识别技术是利用卫星、飞机等载具获取的遥感影像数据,通过对地物、地表和环境特征的分析与解译,从而实现对地球表面和大气层的监测与识别。这种技术能够非接触式地获取大范围区域的高分辨率图像,有效地反映地表物体的分布、变化和特征,广泛应用于环境监测、资源调查、城市规划、农业管理等领域。遥感识别技术的发展不仅推动了地学和环境科学的研究进展,还为应对自然灾害、资源管理和可持续发展等提供了重要的技术支持和决策依据。

2、神经网络技术是一种受启发于人类神经系统结构的计算模型,由大量相互连接的人工神经元组成。这些神经元按层次结构排列,每一层都通过权重连接传递和处理信息。通过训练过程中调整这些权重,神经网络能够学习复杂的模式和关系,从而实现对输入数据的分类、识别或预测。神经网络技术在计算机视觉、自然语言处理、语音识别等领域取得了显著进展,广泛应用于图像识别、智能推荐系统、自动驾驶等各种人工智能应用中。

3、例如公告号为:cn113205071a的发明专利公告的三江并流区高山林线的遥感识别及其空间格局分析方法,通过首先利用面向对象分类中的类相关特征,提取包围或与草地和未利用地相邻的林地;其次借助gis的面转线工具将林地面要素转为线要素;通过利用gis寻找与山顶点最近距离的林地边界点,本发明提供了三江并流区高山林线的遥感识别及其空间格局分析方法;该方法利用遥感手段识别林线,并对林线的地理分布变化进行了系统研究,具有一定的借鉴意义和可行性;但受遥感影像质量和解译精度的影响,林线提取精度有待进一步提高,同时应尽量减少人为因素的影响,加强林线遥感识别的定量化和模式化研究,以及遥感技术在林线研究中的应用和普及。

4、例如公告号为:cn112906455a的发明专利公告的一种海岸带生态系统遥感识别方法,包括数学基础要求、遥感数据要求、遥感识别方法和现状核查,所述数据基础要求包括平面坐标系、投影、深度基准、高程基准和计量单位要求,所述遥感数据要求包括数据类型、时相、空间分辨率、定位精度、潮时、质量和格式,所述遥感识别方法包括确定遥感识别范围、遥感识别对象和遥感识别过程,遥感识别对象为典型海岸带生态系统的生境分布图斑,遥感识别过程包括影像获取和处理、图件和资料准备、建立遥感识别对象的分类系统及代码、建立遥感解译标志、遥感解译和现状统计。该方法应用遥感技术对海岸带生态系统的类型进行识别和范围划定,从而为海岸带生态系统现状调查与评估工作提供技术支撑。

5、上述公开的技术方案中,至少存在如下技术问题:

6、在现代社会中,电力已经成为经济发展和日常生活的基础。然而,输电线路经常面临来自外界的各种挑战,其中之一就是漂浮物的影响。漂浮物指的是不应存在于输电线路上的各种物体,如树枝、塑料袋、垃圾等,它们可能由于自然因素或人为活动而被带到线路上,这就导致了大量电力安全隐患。

7、针对上述问题,本发明提出一种解决方案。

技术实现思路

1、为了克服现有技术的上述缺陷,本发明的实施例提供基于卫星遥感的输电通道漂浮物识别监测系统及方法,通过卫星遥感的输电通道漂浮物识别监测,以解决上述背景技术中提出的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、基于卫星遥感的输电通道漂浮物识别监测系统及方法,包括如下步骤:获取输电线路周围的初始卫星遥感图像,对初始卫星遥感图像进行图像预处理,获得预处理图像;对预处理图像进行云层校正和反射率标记,得到可识别图像;根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

4、在一个优选的实施方式中,所述对初始卫星遥感图像进行图像预处理的具体步骤如下:根据已知地面控制点和数字高程模型进行图像的几何校正,以消除图像中的空间扭曲和失真;对几何校正后的图像进行平滑操作,以降低噪声水平。

5、在一个优选的实施方式中,所述对预处理图像进行云层校正和反射率标记,具体为:基于云检测算法检测和标记云层和阴影区域,并对云层和阴影区域进行遮罩处理,利用基于中值滤波的图像修复技术进行云层校正;获取地面反射率标准场,根据地面反射率标准场计算每个像素的辐射校正系数,并应用于整个云层校正后的图像,得到可识别图像。

6、在一个优选的实施方式中,所述根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型,具体为:获取若干个带有漂浮物的可识别图像数据,将若干个带有漂浮物的可识别图像数据进行人工的漂浮物类型归类,将漂浮物类型加入可识别图像数据中,所述漂浮物类型包括无影响类别、存在隐患类别;将人工识别的图像数据分为训练集和测试集;将训练集基于卷积神经网络进行特征提取,获得若干特征映射,并建立初始训练模型;将训练集基于卷积神经网络进行特征提取,得到多特征映射,并建立初始训练模型;根据若干特征映射建立线性加权函数,将漂浮物类型作为加权函数的输出,设置预设的第一损失函数作为约束条件,并设置初始权重,结合初始训练模型得到初始的输电通道漂浮物信息提取模型;将训练集输入初始的输电通道漂浮物信息提取模型,判断第一损失函数是否收敛,若不收敛则对线性加权函数的权重进行梯度下降的迭代优化;直至第一损失函数收敛,停止权重的迭代优化,得到输电通道漂浮物信息提取模型;将测试集输入输电通道漂浮物信息提取模型,得到输出的漂浮物类型,将输出的漂浮物类型与测试集中的漂浮物类型做比较;将不同的图像数据再次对输电通道漂浮物信息提取模型进行参数优化和结构调整,得到最终的输电通道漂浮物信息提取模型。在一个优选的实施方式中,所述基于卷积神经网络进行特征提取,具体为:使用多个卷积核,每个卷积核对输入图像进行卷积操作,通过relu函数激活得到一个特征图;对各个特征图进行池化,得到池化后特征,并再次加入卷积核进行迭代,直至迭代次数达到预设池化次数;完成迭代,输出若干特征映射。

7、在一个优选的实施方式中,所述根据已知地面控制点和数字高程模型进行图像的几何校正,具体为:确定这些地面控制点的精确地理坐标;在初始卫星遥感图像上标记地面控制点的像素坐标;利用已知的地面控制点坐标,与它们在图像中的像素位置之间的关系通过采用多项式拟合,建立像素坐标与地理坐标的转换模型;根据每个像素的地理坐标和转换模型中对应位置的高程数据,计算出每个像素的真实地面位置,从而进行正射校正。

8、在一个优选的实施方式中,所述对几何校正后的图像进行平滑操作,具体为:选择滤波器大小,并确定滤波器的标准差,对几何校正后的图像应用滤波器;遍历图像的每一个像素;对于每个像素,根据滤波器大小确定其周围的像素区域并与高斯核进行加权平均;将加权平均值作为平滑后的像素值。

9、在一个优选的实施方式中,所述云检测算法检测和标记云层和阴影区域,具体为:将图像进行灰度处理,得到灰度图像;基于图像的整体亮度分布特征设置亮度阈值;将亮度阈值应用于灰度图像,将高于亮度阈值的设置为阴影和云层区域,低于亮度阈值的设置为非云层区域;将云层和阴影区域标记为0,非云层区域为255,生成一个二值遮罩图像。

10、在一个优选的实施方式中,所述利用图像修复技术进行云层校正,具体为:对于二值遮罩图像,采用基于邻域像素的中值滤波进行填充,以恢复图像中阴影区域的实际信息;所述采用基于邻域像素的中值滤波进行填充具体为:定义一个3x3窗口大小,以当前像素为中心;获取每个像素其周围窗口内的所有像素值;将窗口内所有像素值按大小排序,取中间值作为当前像素的新像素值;遍历图像的每个新像素值,并根据其周围窗口内的像素值进行中值滤波处理。

11、基于卫星遥感的输电通道漂浮物识别监测系统,其特征在于,包括图像获取模块、图像校正模块、图像识别模块:图像获取模块,用于获取输电线路周围的初始卫星遥感图像,对初始卫星遥感图像进行图像预处理,获得预处理图像;图像校正模块,用于对预处理图像进行云层校正和反射率标记,得到可识别图像;图像识别模块,用于根据可识别图像基于卷积神经网络建立输电通道漂浮物信息提取模型并通过其识别和监测输电通道漂浮物。

12、本发明基于卫星遥感的输电通道漂浮物识别监测系统及方法的技术效果和优点:

13、1.本发明通过利用卷积神经网络(cnn)技术进行电力输电线路上漂浮物的识别和检测。通过cnn的高效特征提取和空间关系建模能力,文章成功实现了对输电线路图像中潜在漂浮物的准确检测,这为及时处理和预防电力事故提供了重要支持,从而确保了电网运行的安全稳定性和可靠性。

14、2.本发明通过卷积神经网络建立的输电通道漂浮物信息提取模型,实现了高效的漂浮物识别和监测;首先,利用多个带有漂浮物的可识别图像数据,通过人工分类和标注漂浮物类型,构建了训练集和测试集。随后,基于cnn进行特征提取,通过卷积操作和池化操作得到多特征映射,建立了初始的训练模型,并利用梯度下降算法优化权重,直至模型收敛;该模型能够有效地识别不同尺度和类型的漂浮物,包括存在隐患的类别,实现了对输电通道安全的实时监测和预警功能;通过cnn的高效特征提取能力,该方法不仅能够自动化地捕捉输电通道图像中的漂浮物视觉特征,还能够保留空间关系信息,从而提高了漂浮物识别的准确性和鲁棒性;此外,模型在复杂环境和不同漂浮物类型下表现出良好的泛化能力,能够快速适应新的输电通道图像数据并进行准确的识别与分类,实现了对电力系统安全运行的重要支持。

本文地址:https://www.jishuxx.com/zhuanli/20240802/259653.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。