一种输电线路通道速生树种识别方法及系统

技术领域

本发明涉及电力设施巡检、树种识别等技术领域，具体为一种输电线路通道速生树种识别方法及系统。

背景技术

近年来，国家对环境保护日益重视，经济用途及环境保护的林业也随之迅猛发展，为输电线路通道带来了隐患，当输电线路下的树木生长到一定高度后就有可能导致线路发生故障，影响整条输电线路的安全稳定。据相关可靠统计表明，输电线路安全隐患导致故障的情况中，树障占比50％～60％，其余例如违章施工及建筑物占比仅占10％～15％，由此可以看出，树障是输电线路安全隐患中影响最大的。

由于速生树种具有生长快，生长高度较高等特点，危害最大。因此，有必要即时掌握输电线路下的速生树种的分布，并对其进行处理。随着无人机技术的迅猛发展和成熟，采用无人机来辅助输电线路下树种的识别成为了一种可靠的方法。无人机在进行输电通道巡检时会拍摄大量的航拍照片，将这些照片合成后可以得到标签图像文件格式的超大尺寸航拍全景拼图。目前，通过人工来进行输电线路树种隐患的分析仍然是主要的手段，但是需要较多的林业专业知识，效率很低，在工作量大的情况下识别准确率低。

公开号为CN110082780A的中国专利公开了“一种架空输电线路树障信息采集方法”，通过获取无人机与架空输电线路的离线距离和离线角度，无人机与树障的离树距离和离树角度，根据离线距离和离线角度控制无人机跟随架空输电线路飞行，根据离线距离、离线角度、离树距离和离树角度，计算获得架空输电线路与树障之间的线树距离，以采集树障信息，但是在计算过程中获取数据量大，后台操作复杂。

发明内容

为解决上述现有技术中存在的问题，本发明提供一种输电线路通道速生树种识别方法及系统，基于输电线路通道无人机巡检全景拼图，提出了采用旋转目标检测算法获取杆塔位置，针对速生树林大小形状不定、特征较为简单的特点，对现有的UperNet模型进行了优化，可较准确识别出速生树种，提高了工作效率和准确率。

本发明的技术方案如下：

一种输电线路通道速生树种识别方法，具体包括以下步骤：

S1、获取输电线路通道全景拼图，对所述输电线路通道全景拼图进行预处理获得第一切片数据集，将第一切片数据集按比例划分为第一切片训练集和第一切片测试集；

S2、构建杆塔目标检测模型，将第一切片训练集输入杆塔目标检测模型进行迭代训练，在进行N次迭代训练后得到训练完成的杆塔目标检测模型，并将第一切片测试集输入杆塔目标检测模型测试性能；

S3、将待检测全景拼图输入杆塔目标检测模型获得杆塔位置，根据杆塔位置划定输电线路缓冲区，对所述输电线路缓冲区进行预处理获得第二切片数据集，将第二切片数据集按比例划分为第二切片训练集和第二切片测试集；

S4、构建速生树种识别模型，将第二切片训练集输入速生树种识别模型进行迭代训练，在进行N次迭代训练后得到训练完成的速生树种识别模型，并将第二切片测试集输入速生树种识别模型测试性能；

S5、将待检测全景拼图输入速生树种识别模型，生成表示速生树种分布的空间数据开放格式的文件。

进一步的，所述步骤S1具体为：对所述输电线路通道全景拼图切分，获得大小和重叠率在预设阈值范围内的第一切片。

进一步的，步骤S2中所述杆塔目标检测模型为优化后的OrientedR-CNN模型，其中，OrientedR-CNN模型优化的具体步骤为：对预设锚框的横纵比及尺度进行扩展，优化后的AnchorScales为8，AnchorRatios为[0.5，1，2]；模型的img_size参数设置为1024，优化器设为AdamW，betas设为(0.9,0.999)，lr设为0.0001，weight_decay设为0.05；backbone设为SwinTransformer-tiny；归一化参数mean为[101.319,120.211,108.69]，std为[36.037,36.945,42.36]；使用长边定义法来定义旋转框。

进一步的，所述步骤S3还包括将检测完成的所述输电线路通道全景拼图转换成全局像素坐标系，用全局像素坐标来表示所述全局像素坐标系中的杆塔位置，并用非极大值抑制对检测完成的全景拼图进行后处理。

进一步的，所述步骤S3中所述输电线路缓冲区根据杆塔中心点坐标和电压等级来划定，具体为：读取所述全局像素坐标系中相邻两杆塔的中心点像素坐标，以所述相邻两杆塔的中心点连线为对称轴设置一个矩形，其中，所述矩形的长度为相邻两杆塔的中心点距离，所述矩形的宽度对应电压等级的权重。

进一步的，所述步骤S4具体为：对所述输电线路缓冲区切分，获得大小和重叠率在预设阈值范围内的第二切片。

进一步的，所述步骤S5中的速生树种识别模型为优化后的UperNet模型，其中，UperNet模型优化的具体步骤为：将UperNet中的fpn的最后两层拼接起来，作为fpn_bottleneck的输入。fpn_bottleneck输入通道数为2*512，输出通道数为512，卷积核大小设为3，stride为1，padding为1；UperNet_head的loss_weight设为0.9；归一化参数mean为[101.319,120.211,108.69]，std为[36.037,36.945,42.36]；模型的image_size设为672；数据增强中Resize的ratio_range设为(0.7,1.1)，backbone设为SwinTransformer-small；auxiliary_head设为FCNHead，in_channels设为512,channels设为256，dropout_ratio设为0.15，loss_weight设为0.5。

进一步的，所述步骤S5还包括若两块相邻所述第二切片重叠部分识别速生树种的结果不同，则以速生树种识别结果不同的两块相邻所述第二切片重叠部分为中心，重新切片进行速生树种识别，并以识别后的重叠部分作为最终识别结果。

一种输电线路通道速生树种识别系统，所述输电线路通道速生树种识别系统包括第一数据采集模块、第一数据处理模块，第二数据采集模块、第二数据处理模块，其中：

所述第一数据采集模块用于获取输电线路通道全景拼图，对所述输电线路通道全景图片进行预处理获得第一切片数据集，将第一切片数据集按比例划分为第一切片训练集和第一切片测试集传输至第一数据处理模块；

所述第一数据处理模块搭建有杆塔目标检测模型，通过输入第一切片训练集和第一切片测试集进行训练和测试，将待检测的输电线路通道全景拼图输入至训练完成的杆塔目标检测模型获得检测结果；采用非极大值抑制方法对检测结果进行后处理后获得杆塔位置，根据杆塔位置划定输电线路缓冲区；

所述第二数据采集模块用于获取已经划定输电线路缓冲区的输电线路全景拼图，对所述划定输电线路缓冲区的输电线路全景图片进行切分，获得第二切片数据集，将第二切片数据集按比例划分为第二切片训练集和第二切片测试集第二数据处理模块；

所述第二数据处理模块搭建有速生树种识别模型，通过输入第二切片训练集和第二切片测试集进行训练和测试，将待检测的输电线路通道全景拼图输入至训练完成的速生树种识别模型进行速生树识别获得树种识别结果。

一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的一种输电线路通道速生树种识别方法。

相较于现有技术，本发明的有益效果在于：

本发明基于输电线路通道无人机巡检全景拼图，采用优化的杆塔目标检测模型，具体为OrientedR-CNN模型通过旋转目标检测算法获取全景拼图中杆塔位置，并针对速生树林大小形状不定、特征较为简单的特点，对现有的UperNet模型进行了优化，以较准确识别出全景拼图中的速生树种，及时对输电线路树种隐患进行分析，提高了工作效率和准确率，防止速生树种快速生长给输电线路带来故障，克服了原有人工进行输电线路树种隐患分析效率低下的问题。

附图说明

图1为本发明实施例一方法结构示意图；

图2为本发明实施例二系统结构示意图。

具体实施方式

为了使本发明所述的内容更加便于理解，下面结合具体实施方式和附图对本发明所述的技术方案做进一步的说明，但是本发明不仅限于此。

实施例一

请参阅图1，发明提供一种技术方案：一种输电线路通道速生树种识别方法，具体包括以下步骤：

S1、获取输电线路通道全景拼图，对输电线路通道全景拼图进行预处理获得第一切片数据集，将第一切片数据集按比例划分为第一切片训练集和第一切片测试集；

S2、构建杆塔目标检测模型，将第一切片训练集输入杆塔目标检测模型进行迭代训练，在进行N次迭代训练后得到训练完成的杆塔目标检测模型，并将第一切片测试集输入杆塔目标检测模型测试性能；

S3、将待检测全景拼图输入杆塔目标检测模型获得杆塔位置，根据杆塔位置划定输电线路缓冲区，对输电线路缓冲区进行预处理获得第二切片数据集，将第二切片数据集按比例划分为第二切片训练集和第二切片测试集；

S4、构建速生树种识别模型，将第二切片训练集输入速生树种识别模型进行迭代训练，在进行N次迭代训练后得到训练完成的速生树种识别模型，并将第二切片测试集输入速生树种识别模型测试性能；

S5、将待检测全景拼图输入速生树种识别模型，生成表示速生树种分布的空间数据开放格式(.shp)的文件。

其中，需要说明的是，以上步骤流程仅代表本实施例实施过程中所具体采用的步骤，其顺序不作为对本发明方案技术特征的限定。

其中，shp是“空间数据开放”格式的文件。shp全称“ESRI Shapefile”，是美国环境系统研究所公司开发的一种空间数据开放格式，是一种矢量图形格式，该格式文件主要用于描述几何体对象,包括点，折线与多边形，能够保存几何图形的位置及相关属性。

具体的，步骤S1具体为：对输电线路通道全景拼图切分，将全景拼图切分成大小为1024*1024和重叠率为20％的第一切片。

具体的，步骤S2中杆塔目标检测模型为优化后的Oriented R-CNN模型，OrientedR-CNN为一种有效且简单的oriented object detection框架，是一种通用的两阶段旋转目标检测器，具有良好的准确性和效率，优化后的Oriented R-CNN模型具体为：

backbone设为SwinTransformer-tiny，其中drop_path_rate为0.15，out_indices为(0,1,2,3)；neck为FPN，in_channels设为[96,192,384,768]，out_channels设为256，num_outs设为5；OrientedRPNHead中in_channels为256，其中anchor_generator的scales设为8，ratios设为[0.5,1.0,2.0]，strides设为[4,8,16,32,64]，bbox_coder的类型设为MidpointOffsetCoder，angle_range设为le90，target_means设为[0.0,0.0,0.0,0.0,0.0,0.0]，target_stds设为[1.0,1.0,1.0,1.0,0.5,0.5]，loss_cls选用CrossEntropyLoss，loss_weight设为1.0，loss_bbox选用SmoothL1Loss，beta设为0.1111111111111111，loss_weight设为1.0；OrientedStandardRoIHead的bbox_roi_extractor中roi_layer选用RoIAlignRotated，out_size设为7，sample_num设为2，out_channels设为256，featmap_strides设为[4,8,16,32]，bbox_head选用RotatedShared2FCBBoxHead，in_channels设为256，fc_out_channels设为1024，roi_feat_size设为7，num_classes设为2。bbox_coder选用DeltaXYWHAOBBoxCoder，angle_range设为le90，target_means设为(0.0,0.0,0.0,0.0,0.0)，target_stds设为(0.1,0.1,0.2,0.2,0.1)，loss_cls选用CrossEntropyLoss，loss_weight设为1.0，loss_bbox选用SmoothL1Loss，beta设为1.0，loss_weight设为1.0；模型的img_size参数设置为1024，优化器设为AdamW，betas设为(0.9,0.999)，lr设为0.0001，weight_decay设为0.05；归一化参数mean为[101.319,120.211,108.69]，std为[36.037,36.945,42.36]。

以上参数设置实现杆塔识别准确率得到有效的提高，可以作用在目前输电线路巡检得到的全景拼图数据，能够得到较为不错的效果。

具体的，步骤S3还包括将检测完成的输电线路通道全景拼图转换成全局像素坐标系，用全局像素坐标来表示全局像素坐标系中的杆塔位置，并用非极大值抑制(NMS)对检测完成的全景拼图进行后处理。

具体的，步骤S3中输电线路缓冲区根据杆塔中心点坐标和电压等级来划定，具体为：读取全局像素坐标系中相邻两杆塔的中心点像素坐标(x1，y1)和(x2，y2)，以相邻两杆塔的中心点连线为对称轴设置一个矩形，其中，矩形的长度为相邻两杆塔的中心点距离，矩形的宽度对应电压等级的权重，为20*V，V为电压等级对应的权重。

其中，电压等级权重分别如下：110kV为2.5；220kV为3；330kV为4；500kV为5；750kV为8；1000kV为10；电压等级通过人工来录入。

具体的，步骤S4具体为：对输电线路缓冲区切分，将输电线路缓冲区切分成若干个大小为672*672和重叠率为50％的第二切片。

具体的，步骤S5中的速生树种识别模型为语义分割模型，采用优化后的UperNet模型，优化后的Oriented R-CNN模型具体为：

backbone设为SwinTransformer-small，其中drop_path_rate为0.35，out_indices为(0,1,2,3)；decode_head选用改进后的UperNetHead，in_channels设为[96,192,384,768]，pool_scales设为(1,2,3,6)，channels设为512，dropout_ratio设为0.15，num_classes设为3，loss_decode选用CrossEntropyLoss，loss_weight设为0.9。其中fpn_bottleneck输入为fpn最后两层，in_channels设为2*512，out_channels设为512，kernel_size设为3，stride为1，padding为1；auxiliary_head设为FCNHead，in_channels设为384，channels设为256，num_convs设为1，dropout_ratio设为0.05，num_classes设为4，loss_decode选用CrossEntropyLoss，loss_weight设为0.5。归一化参数mean为[101.319,120.211,108.69]，std为[36.037,36.945,42.36]；模型的image_size设为672；数据增强中Resize的ratio_range设为(0.7,1.1)。

以上参数设置实现速生树种识别准确率得到有效的提高，可以作用在目前输电线路巡检得到的全景拼图数据，能够得到较为不错的效果。

具体的，步骤S5还包括，若两块相邻第二切片重叠部分识别结果不同，则以速生树种识别结果不同的两块相邻第二切片重叠部分为中心，重新切片进行速生树种识别，具体切片方法为：在长度方向上进行扩张，每个方向上扩张118个像素，最终得到大小为672*672的切片，并以识别后的重叠部分作为最终速生树种识别结果。

具体的，识别结果中值为0-2，分别代表不同的类型，0-2依次代表背景、毛竹、桉树。

具体的，根据速生树种识别结果，生成表示速生树种分布的空间数据开放格式的文件，空间数据开放格式的文件和标签图像文件格式的全景拼图的地理坐标信息相同。

本实施例提供的以上方法可以代码化的形式存储在计算机可读取存储介质中，并以计算机程序的方式进行实现，并通过计算机硬件输入计算所需的基本参数信息，并输出计算结果。

实施例二

一种输电线路通道速生树种识别系统，输电线路通道速生树种识别系统包括第一数据采集模块、第一数据处理模块，第二数据采集模块、第二数据处理模块，其中：

第一数据采集模块用于获取输电线路通道全景拼图，对输电线路通道全景图片进行预处理获得第一切片数据集，将第一切片数据集按比例划分为第一切片训练集和第一切片测试集传输至第一数据处理模块；

第一数据处理模块搭建有杆塔目标检测模型，通过输入第一切片训练集和第一切片测试集进行训练和测试，将待检测的输电线路通道全景拼图输入至训练完成的杆塔目标检测模型获得检测结果；采用非极大值抑制方法对检测结果进行后处理后获得杆塔位置，根据杆塔位置划定输电线路缓冲区；

第二数据采集模块用于获取已经划定输电线路缓冲区的输电线路全景拼图，对划定输电线路缓冲区的输电线路全景图片进行切分，获得第二切片数据集，将第二切片数据集按比例划分为第二切片训练集和第二切片测试集第二数据处理模块；

第二数据处理模块搭建有速生树种识别模型，通过输入第二切片训练集和第二切片测试集进行训练和测试，将待检测的输电线路通道全景拼图输入至训练完成的速生树种识别模型进行速生树识别获得树种识别结果。

实施例三

本发明提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明实施例一所述的一种输电线路通道速生树种识别方法。

本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(装置)、和计算机程序产品的流程图来描述的。应理解可由计算机程序指令实现流程图中的每一流程、以及流程图中的流程结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程图中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程中指定的功能的步骤。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。