一种抽水蓄能电站建设状态检测方法、系统、设备及介质与流程

本发明属于电网智能检测领域，涉及一种抽水蓄能电站建设状态检测方法、系统、设备及介质。

背景技术：

1、抽水蓄能电站作为清洁能源发电的重要组成部分，其稳定运行对于保障电网的可靠性、调节电力供需平衡具有至关重要的作用。随着电站建设规模的扩大，建设进度管理的复杂性与电站对周围环境的影响也在增加，传统的监测方法难以满足高效、安全、智能的管理运维需求。因此，抽水蓄能电站建设状态智能检测的背景应运而生，是提高电站建设监测效率和保障安全性的重要手段。基于遥感技术实现抽水蓄能电站建设状态的检测具有显著的优势：遥感技术能够提供多光谱遥感影像，包含丰富的建设过程中的各类信息，实现对抽水蓄能电站建设状态的实时监测，相比传统的人工巡查和常规测量，遥感技术能够大大提高监测的效率和频率，减少人力物力消耗，确保及时获取最新数据，为电站建设的管理提供科学依据。

2、随着人工智能和遥感大数据技术的蓬勃发展，深度学习在遥感影像变化检测领域的应用日益广泛。利用深度学习技术从高分辨率图像中提取地物特征并进行变化检测，已成为一种高效、客观且准确的解决方案。在遥感影像处理中，卷积神经网络如alexnet、vggnet和resnet等，因其在语义分割和目标检测任务中展现出的卓越性能而备受关注。与传统的依赖人工设计特征的方法相比，卷积神经网络不仅具备强大的特征表征能力，还能自动从输入图像中提取关键特征，在处理遥感影像时能够更有效地捕捉地物的细微变化，从而提高变化检测的准确性。在遥感影像的地物分割和地物识别等方面，卷积神经网络已经取得了一定的研究进展，然而目前的这些网络通过卷积操作的分辨率模糊，尤其导致地物边界识别的边缘退化现象，使得难以精确地识别在地物类别边界的细节信息。

技术实现思路

1、本发明的目的在于提供一种抽水蓄能电站建设状态检测方法、系统、设备及介质，以解决现有技术难以精确地识别在地物类别边界的细节信息的问题。

2、为实现上述目的，本发明采用以下技术方案：

3、第一方面，本发明提供一种抽水蓄能电站建设状态检测方法，包括：

4、获取遥感影像数据，并对获取的遥感影像数据进行预处理，得到相同大小的图像块；

5、对得到的图像块进行标注，得到影像样本库；

6、通过注意力引导构建卷积神经网络，并训练神经网络，通过神经网络输出不同时相的影像的像素级变化，以及前后两个建设时期的建设状态；

7、将待检测的遥感影像，通过训练后的神经网络进行预测，输出建设进度和状态的变化。

8、进一步的，获取遥感影像数据，并对获取的遥感影像数据进行预处理，得到相同大小的图像块，包括：

9、获取抽水蓄能电站建设阶段内待检测时期的不同时相遥感影像，然后进行辐射定标、几何校正、大气校正的预处理，并对各景影像进行配准，通过滑动窗口裁切为相同大小的图像块。

10、进一步的，对得到的图像块进行标注，得到影像样本库，包括：

11、对得到的图像块进行人工目视解译的标注，标注信息包括2个：

12、(1)像素级标注：抽水蓄能电站建设区域像素和背景像素；

13、(2)图像级标注：针对每个图像块，给定建设状态的类别标签。

14、进一步的，建设状态包括：土地平整和清理、地基开挖及支护施工期、建筑物混凝土浇筑施工期、公路施工期、机电设备安装及调试施工期。

15、进一步的，通过注意力引导构建卷积神经网络，包括：

16、使用全局上下文特征聚合模块提取的多层上下文特征中获取的信息，通过增强坐标注意方法引导的注意力解码块来捕获特征之间的通道和位置关联，最终输出不同时相的影像的像素级变化，以及前后两个建设时期的建设状态；

17、全局上下文特征聚合模块通过三个1×1卷积用于获得三个特征张量q、k和v，然后利用softmax函数获取q对每个k的相似度，其计算的权重a介于0和1之间，以模拟像素级特征之间的长距离依赖性和相似性，将权重a与v的二维矩阵相乘得到注意力特征图；

18、坐标注意力机制通过嵌入位置信息到通道注意力，使移动网络获取更大区域的信息，通过分解通道注意为两个并行的1维特征编码来整合空间坐标信息到生成的注意力特征图中；

19、解码阶段末端采用即插即用的边缘细化模块erm模块来融合高分辨率特征和局部细节信息。

20、进一步的，损失函数选择优化的二分类交叉熵损失函数，通过自适应加权系数进行优化，具体公式如下所示：

21、

22、其中，(i,j)表示像素的空间位置索引，y(i,j)表示当前点的标签值，取值为0或1，其中0表示没有变化，1表示有变化，p(i,j)表示在变化特征图上的值，m和n表示特征图的尺寸，w1和w2是分配的权重。w1和w2分别对应于负样本和正样本的交并比iou值；tp为准确识别的变化像素数量，fp为误将不变像素检测为变化像素的数量；tn表示正确检测出的不变像素的数量，fn表示误将变化像素识别为不变像素的数量。

23、进一步的，训练神经网络，包括：

24、将数据集按预设的比例分为训练集、测试集和验证集，训练采用了深度监督训练的策略，用神经网络同时进行像素级和图像级的训练；针对待进行检测的遥感影像，预处理后，分块通过训练结果进行预测，输出结果，输出的结果包含像素级别和图像级别2个结果：像素级结果为输出前后两景影像上发生变化的像素，用于监控和判读哪些区域发生了变化，图像级结果为输出前后两景图像分别位于施工期的哪个阶段，用于了解建设进度和状态的变化。

25、第二方面，本发明提供一种抽水蓄能电站建设状态检测系统，包括：

26、数据获取模块，用于获取遥感影像数据，并对获取的遥感影像数据进行预处理，得到相同大小的图像块；

27、样本库构建模块，用于对得到的图像块进行标注，得到影像样本库；

28、神经网络构建模块，用于通过注意力引导构建卷积神经网络，并训练神经网络，通过神经网络输出不同时相的影像的像素级变化，以及前后两个建设时期的建设状态；

29、输出模块，用于将待检测的遥感影像，通过训练后的神经网络进行预测，输出建设进度和状态的变化。

30、第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现一种抽水蓄能电站建设状态检测方法的步骤。

31、第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现一种抽水蓄能电站建设状态检测方法的步骤。

32、与现有技术相比，本发明有以下技术效果：

33、本发明通过注意力引导的卷积神经网络来实现变化检测，避免卷积神经网络的过度模糊。同时进行像素级和图像级的深度监督学习，得到更为精细的电站建设过程的信息。

34、本发明通过将遥感影像数据预处理为相同大小的图像块，并进行像素级和图像级的标注，构建了高质量的影像样本库。这种细粒度的标注方式使得模型能够学习到更加精确的建设状态变化信息。

35、使用注意力引导机制，特别是全局上下文特征聚合模块和坐标注意力机制，增强了模型对特征间通道和位置关联的捕获能力，从而提高了像素级变化检测的精度。

36、该方法能够识别抽水蓄能电站建设过程中的多个关键阶段，如土地平整和清理、地基开挖及支护施工期等，为项目管理和决策提供了重要的时间节点信息。通过图像级标注和分类，模型能够输出前后两个建设时期的具体状态，帮助用户了解建设进度的实时变化。

37、采用深度监督训练策略，同时进行像素级和图像级的训练，使得模型在训练过程中能够同时优化两个层面的性能，提高了整体检测效果。优化的二分类交叉熵损失函数通过自适应加权系数，针对正负样本的不平衡问题进行了调整，进一步提升了模型的鲁棒性和准确性。

38、自动化处理流程，包括遥感影像的获取、预处理、标注、模型训练以及预测，大大减少了人工干预，提高了工作效率。

39、通过卷积神经网络的高效计算能力，能够快速处理大量遥感影像数据，实现抽水蓄能电站建设状态的实时监测和评估。

40、该方法不仅适用于抽水蓄能电站的建设状态检测，还可以推广到其他大型基础设施建设项目，如桥梁、道路、港口等的建设进度监测中。

41、综上所述，该技术方案通过创新的注意力引导卷积神经网络和深度监督学习方法，实现了抽水蓄能电站建设状态的高精度、细粒度检测，具有显著的技术效果和广泛的应用前景。