洪 倩，陳楓楠，梁 冬，李 晉，陳曉楓，戚國輝

（1．國網(wǎng)經(jīng)濟技術研究院有限公司，北京102209；2．紫光軟件系統(tǒng)有限公司，北京100084）

快速準確監(jiān)控施工擾動區(qū)域?qū)Ψ乐谓ㄔO項目水土流失具有重要意義。高分2號衛(wèi)星屬于民用衛(wèi)星，其空間分辨率較高而影像資料獲取費用較低，可用于施工擾動區(qū)域的快速識別。建設項目施工擾動區(qū)域遙感監(jiān)測的傳統(tǒng)解譯方法主要是目視解譯，計算機自動分類技術方法目前還不是特別成熟。近年來，將人工智能算法應用到圖像識別中是一個研究熱點，而圖像識別中最廣泛的學習模式是卷積神經(jīng)網(wǎng)絡算法，該算法在目標監(jiān)測、圖像分類、語音識別及行為識別等領域引發(fā)了一場研究與應用熱潮。特高壓輸變電工程與一般建設項目不同，具有線路長、地形地貌復雜、施工標段多、擾動范圍分散、造成的水土流失嚴重、監(jiān)督管理困難等特點［1］。筆者對基于卷積神經(jīng)網(wǎng)絡算法的圖像識別方法進行研究，并利用高分2號衛(wèi)星遙感影像對榆橫—濰坊特高壓輸變電工程塔基施工擾動區(qū)域進行自動識別，以期探索開發(fā)建設項目施工擾動區(qū)域和人為水土流失快速監(jiān)測方法。

1 研究區(qū)概況與數(shù)據(jù)選擇

1．1 研究區(qū)概況

榆橫—濰坊1 000 kV特高壓交流輸變電工程（簡稱榆橫—濰坊工程）起于陜西省榆橫交流變電站、止于山東省濰坊變電站，途經(jīng)陜西、山西、河北、山東四省，是國家大氣污染防治行動計劃“四交四直”特高壓工程中第5條輸電通道，是國家“三縱三橫”特高壓東西主干網(wǎng)架、華北特高壓交直流主網(wǎng)架的重要組成部分，線路全長 2×1 048．5 km，其中陜西省境內(nèi)約 2×151．5 km、山西省境內(nèi)約 2×318．0 km、河北省境內(nèi)約2×215．0 km、山東省境內(nèi)約 2×364．0 km。 該項目涉及平原農(nóng)作物區(qū)、山地林區(qū)、丘陵草地區(qū)、平原草地區(qū)等不同地類，急需開展擾動區(qū)域監(jiān)測。

1．2 數(shù)據(jù)選擇

高分2號衛(wèi)星是國家高分辨率對地觀測系統(tǒng)重大專項首批啟動研制的衛(wèi)星，于2014年8月19日發(fā)射成功［2］，是目前我國研制的空間分辨率最高、觀測幅寬最大、設計壽命最長的民用遙感衛(wèi)星。該衛(wèi)星遙感數(shù)據(jù)突破亞米級高分辨率大幅寬成像、長焦距大F數(shù)輕小型相機設計、高穩(wěn)定度快速姿態(tài)側(cè)擺、圖像高精度定位、低軌道遙感衛(wèi)星長壽命高可靠設計等關鍵技術，大幅提升了我國遙感衛(wèi)星觀測效能，打破高分辨率對地觀測數(shù)據(jù)依賴進口的被動局面，推動了植被、土地利用、水土保持等方面的遙感監(jiān)控。

高分2號衛(wèi)星遙感數(shù)據(jù)具有4個多光譜波段、1個全色波段，多光譜分辨率達到3．24 m、全色波段分辨率達到0．81 m。從該數(shù)據(jù)光譜波段來看，適合對特高壓塔基施工擾動區(qū)域植被、土壤和施工材料的監(jiān)測；從空間分辨角度看，能夠滿足水土保持行業(yè)對施工擾動面積監(jiān)控的精度要求。此外獲取數(shù)據(jù)成本較低、適合廣泛使用，因此選擇高分2號衛(wèi)星遙感數(shù)據(jù)進行特高壓塔基擾動區(qū)域監(jiān)控研究。

2 特高壓塔基擾動區(qū)域分類方法與結果評價

2．1 研究方法

2．1．1 卷積神經(jīng)網(wǎng)絡算法

卷積神經(jīng)網(wǎng)絡最早出現(xiàn)于Yann Le Cun設計的LeNet-5中（LeNet-5包含了2個卷積層、2個池化層和3個全連接層），用于手寫字符識別，取得了較好的效果［3］。 此后陸續(xù)出現(xiàn)了 AlexNet、VggNet、GoogLeNet和 ResNet［4-7］，其中：AlexNet有 8 層網(wǎng)絡，包含 5 個卷積層和3個全連接層，使用兩塊GPU并行加速訓練，用Relu作為激活函數(shù)，通過數(shù)據(jù)增強、DropOut以及設置局部響應歸一化層（Local Response Normalization，簡稱LRN）防止過擬合問題；VggNet包含不同級別的網(wǎng)絡，常用的是 VggNet-16和 VggNet-19，VggNet使用3×3和1×1的卷積核，使用小卷積核改善了網(wǎng)絡的分類效果；GoogLeNet首次出現(xiàn)在ILSVRC14比賽中，在當時獲得了第一名，GoogLeNet團隊提出Inception網(wǎng)絡結構，將全連接變?yōu)橄∈柽B接，使得不同的卷積核可以提取不同尺度的特征信息；ResNet（全稱Residual Neural Network）由He K等提出，該模型有不同的網(wǎng)絡層數(shù)、使用殘差模塊（見圖1），常用的有50層、101層和152層，主要代表網(wǎng)絡類型有 ResNet50和ResNet101。在ResNet中通過使用殘差模塊，能夠?qū)⑿畔妮斎肜@道傳到輸出，簡化學習的復雜度。本研究使用ResNet50進行網(wǎng)絡訓練，見圖2。

圖1 殘差模塊示意

圖2 ResNet50的結構

本研究將 224×224×3（長度×寬度×通道數(shù)，長、寬均為像素數(shù)）的圖像作為輸入，進入第一個卷積層conv1（conv1中包括 64個 7×7的卷積核），步長為2（像素數(shù)），接下來進入BatchNorm層。ResNet使用BatchNorm加速訓練，以獲得穩(wěn)定的訓練結果，能夠?qū)γ恳粋€batch的均值和方差做歸一化處理；激活函數(shù)使用Relu，采用最大池化，使用softmax進行輸出。

2．1．2 參數(shù)訓練

本研究采用的硬件設備為 Ubuntu16．04系統(tǒng)（Intel Xeon E52603處理器，8G內(nèi)存，NVIDIA Quadro K620 顯卡），軟件為 Tensorflow1．12．0。 對樣本圖像進行假彩色合成，使用labelImg工具制作訓練樣本，用3 000張作為訓練集、測試集和驗證集，樣本比例為3∶1∶1。設置分類數(shù)為4，batch size為16，最小學習率為0．000 1，平均學習率為 0．002，權重衰減速率為0．000 2，每個殘差組內(nèi)殘差單元數(shù)量為5，泄露修正線性單元（Leaky ReLU）參數(shù)為0．1，優(yōu)化策略為Adaptive Moment Estimation方法，對模型進行50 000次訓練，最終精度為90．4%。

2．2 分類結果

2．2．1 平原農(nóng)作物區(qū)分類結果

使用的高分二號衛(wèi)星遙感影像全色和多光譜融合后空間分辨率為1 m，可清晰識別平原農(nóng)作物區(qū)特高壓施工擾動區(qū)域并準確計算擾動面積。對平原農(nóng)作物區(qū)9S120號塔基施工擾動區(qū)域解譯分類結果見圖3，對平原農(nóng)作物區(qū)8個典型樣點（塔基）擾動面積解譯計算結果見表1?？梢钥闯?，卷積神經(jīng)網(wǎng)絡分類計算結果可信度較高，與目視解譯結果幾乎相等，相對誤差最大為 7．28%、最小為 1．20%，平均誤差為 4．43%。

表1 平原農(nóng)作物區(qū)典型樣點擾動面積解譯計算結果統(tǒng)計

2．2．2 山地林區(qū)分類結果

山地林區(qū)14R067號塔基施工擾動區(qū)域解譯分類結果見圖4，9個典型樣點（塔基）擾動面積解譯計算結果見表2?？梢钥闯觯谏降亓謪^(qū)利用卷積神經(jīng)網(wǎng)絡分類方法從高分2號衛(wèi)星遙感影像提取擾動面積的準確度較高，與目視解譯效果相當，相對誤差最大為11．77%、最小為 4．84%。

圖4 山地林區(qū)14R067號塔基擾動區(qū)域解譯結果

2．2．3 丘陵草地區(qū)分類結果

丘陵草地區(qū)14S079號塔基施工擾動區(qū)域解譯分類結果見圖5，7個典型樣點（塔基）擾動面積解譯計算結果見表3?？梢钥闯?，用高分2號衛(wèi)星遙感影像可清晰識別丘陵草地區(qū)特高壓施工擾動區(qū)域，并可較準確地提取施工擾動面積，卷積神經(jīng)網(wǎng)絡分類計算相對誤差最大為7．68%、最小為5．37%，可信度較高。

表2 山地林區(qū)典型樣點擾動面積解譯計算結果統(tǒng)計

圖5 丘陵草地區(qū)14S079號塔基擾動區(qū)域解譯結果

表3 丘陵草地區(qū)典型樣點擾動面積解譯計算結果統(tǒng)計

2．2．4 平原草地區(qū)分類結果

平原草地區(qū)2S37號塔基施工擾動區(qū)域解譯分類結果見圖6，9個典型樣點（塔基）擾動面積解譯計算結果統(tǒng)計見表4?？梢钥闯觯矸e神經(jīng)網(wǎng)絡分類計算結果可信度較高，與目視解譯效果相當，相對誤差最大為 7．21%、最小為 4．32%。

圖6 平原草地區(qū)2S37號塔基擾動區(qū)域解譯結果

表4 平原草地區(qū)典型樣點擾動面積解譯計算結果統(tǒng)計

3 結 語

利用卷積神經(jīng)網(wǎng)絡算法和高分2號衛(wèi)星遙感影像可以快速識別平原農(nóng)作物區(qū)、山地林區(qū)、丘陵草地區(qū)、平原草地區(qū)等不同地形地貌區(qū)施工擾動區(qū)域（范圍），并準確提取施工擾動面積，對各類地貌區(qū)典型樣點（特高壓輸變電工程塔基）施工擾動面積的分類計算結果與目視解譯結果基本一致，與實測值相比，相對誤差最大值為11．77%、最小值為1．20%，準確率較高，表明其可用于水土保持監(jiān)測和管理。

基于殘差網(wǎng)絡ResNet50識別施工擾動區(qū)取得了較好的效果，但仍有一些需要改進的地方。由于Res-Net50模型網(wǎng)絡層數(shù)較多、需要大量的參數(shù)，因此訓練過程中參數(shù)調(diào)整的時間長、訓練難度較大、泛化能力不夠強。本研究使用ResNet50的預訓練模型進行網(wǎng)絡訓練，并未對算法進行細節(jié)方面的優(yōu)化，后續(xù)研究可考慮使用多種模型并結合空洞卷積、語義分割等方法進行網(wǎng)絡訓練，以提高識別精度。