陳 功，劉佳瑩，姚 遠，吳 峴，王 林，周 冰，王雪浩，王 黎，江 橋

(中南電力設計院有限公司，湖北 武漢 430071)

1 研究背景及應用現(xiàn)狀

電力輸電線路工程勘測設計中，首先需要進行輸電線路通道的地形圖測制，采集通道內(nèi)的典型地物要素(房屋、植被、水體、居民地、耕地、道路等)信息，目前主要采取多源遙感數(shù)據(jù)(高清衛(wèi)片、航片及無人機影像等)測圖的方式。這種方式依靠人工方式采集數(shù)據(jù)，勞動強度大、效率低、人為誤差大，已經(jīng)成為制約輸電線路工程地理信息獲取和更新的瓶頸問題。因此，研究輸電線路通道內(nèi)典型地物的智能識別和提取，提高測圖效率，滿足電網(wǎng)地理信息系統(tǒng)的數(shù)據(jù)自動獲取與更新的需要，具有非常重要的意義。

傳統(tǒng)的目標檢測識別方法難以適應海量數(shù)據(jù)，其所依賴的特征表達是通過人工設計的，耗時較長，并且強烈依賴于專業(yè)知識和數(shù)據(jù)本身的特征，很難從海量的數(shù)據(jù)中學習出一個有效的分類器以充分挖掘數(shù)據(jù)之間的關聯(lián)[1～3]。因此需要尋求一種能夠“智能”學習特征的方法，通過對大量數(shù)據(jù)本身的學習，獲取其中最有效的特征表征，建立有效的分類器[7,8,15]。

近年來，隨著深度學習技術的發(fā)展，在遙感領域的應用也越來越廣泛[4～6]。,用于各種地物對象的識別，如艦船，飛機，橋梁，油庫等目標[11～14]，同時也深度學習已被應用于遙感影像地表覆蓋分類、變化檢測、建筑物提取、道路提取、遙感影像場景識別等任務的處理中[8,9]。鑒于深度學習在影像處理方面的優(yōu)秀表現(xiàn)，在電網(wǎng)工程中也選擇將深度學習用于輸電線路通道典型地物智能識別提取[10]。

目前，電網(wǎng)工程建設不斷提速，時間緊，任務重。國家電網(wǎng)公司正在電網(wǎng)基建過程中推行可行性研究、初步設計一體化的工作新模式。一方面，對前期基礎測繪數(shù)據(jù)的要求更高，要求快速，準確提供跨越房屋、林木、占用耕地等數(shù)據(jù)，準確獲取目前電網(wǎng)設備的狀態(tài)；另一方面，傳統(tǒng)的人工方式速度慢、效率低、準確度不高、容易漏掉一些重要地物，不能滿足當前快速準確獲取地形、地物信息的要求。

本項目研究如何利用深度學習智能提取輸電線路典型地物目標，從多源遙感影像中將地物對象化，實現(xiàn)“端到端”的數(shù)據(jù)獲取。

2 算法原理

針對跨地域、跨時相、跨傳感器單一遙感影像分割模型適用性差、魯棒性不足的行業(yè)難題，構建了顧及典型要素和場景語義信息的遙感影像全要素智能解譯模型集，在訓練端多模型解譯的方法首先對總體樣本集進行特征抽取，然后根據(jù)抽取的特征進行聚類，將樣本集分為n類，分別對n個樣本子集進行訓練，得到n個模型；在解譯端待解譯的影像，首先通過特征提取，選擇和子模型中相似的若干模型，使用若干個模型進行解譯，加權得到解譯結果，如圖1所示。

圖1 輸電線路通道典型地物智能解譯模型集

對于模型集中的每個模型，本項目采用了遙感影像智能解譯模型的層次認知方法，以實現(xiàn)遙感影像從數(shù)據(jù)到場景級別的智能解譯。圖2是本項目“基于深度卷積網(wǎng)絡的高分辨率遙感影像層次認知方法”示意圖。主要包括4個部分：多源數(shù)據(jù)增廣(數(shù)據(jù)級)、像素級語義分割、目標級語義分割，以及場景約束級語義分割。多源數(shù)據(jù)增廣的目的是利用開放的眾源遙感數(shù)據(jù)對已有語義分割數(shù)據(jù)集進行增廣，緩解遙感影像語義分割標注數(shù)據(jù)少的問題，為語義分割任務提供充足的“燃料”；像素級語義分割主要目標是在DCNN語義分割網(wǎng)絡中，綜合考慮尺度、感受視野、先驗知識融合以及網(wǎng)絡所占GPU顯存等幾個方面因素，實現(xiàn)語義分割任務“端對端”優(yōu)化；目標級語義分割側重于研究如何使遙感影像中的目標不變特征融入到語義分割框架，實現(xiàn)DCNN語義分割網(wǎng)絡對旋轉不變因素的抵抗；場景約束級語義分割主要目標是融入大范圍的場景信息，抑制語義分割任務中無關場景信息干擾，提高遙感影像語義分割結果可靠性。

圖2 遙感影像實例分割層次認知方法框架示意

同時，針對傳統(tǒng)分割模型造成的分塊效應，本項目根據(jù)對原始“擴張卷積層集”做進一步改進，在全卷積網(wǎng)絡(FCN)基礎上，采用密集連接特征重用方法，以及對稱編碼-解碼結構，通過多尺度特征優(yōu)化，實現(xiàn)“無縫”語義分割，見圖3。

圖3 智能“無縫”語義分割效果

3 試驗與結果評價

本次研究利用WorldView、北京二號、高分二號、高分一號、資源三號及航空影像分別進行實驗。不同影像解譯的總體精度統(tǒng)計如表1所示，衛(wèi)星影像各分辨率(0.5 m、1 m、2 m)的解譯總體正確率均優(yōu)于90%，其中0.5 m影像的解譯正確率優(yōu)于95%；0.5 m航空影像的解譯正確率接近90%。

表1 不同影像解譯總體精度統(tǒng)計

不同分辨率衛(wèi)星影像及0.5 m航空影像各地類的分類解譯精度如表2所示。整體來看，衛(wèi)星影像的解譯精度依然優(yōu)于航空影像的解譯精度，各地類的精度基本在80%或者以上；0.5 m航空影像的耕地和林草地精度稍低，不足80%，其他地類的精度均達到或超過90%；從單個要素來看，構筑物、裸地以及水系的解譯精度更好，其中構筑物整體精度均優(yōu)于96%，裸地的解譯精度均優(yōu)于97%，0.5 m和1 m分辨率的衛(wèi)星影像甚至能達到100%，水系的解譯精度均優(yōu)于92%。

表2 不同影像分類解譯精度統(tǒng)計 %

以下為不同分辨率影像具體的解譯結果展示(圖4～6)。

圖4 WorldView-2 0.5m無云影像解譯結果局部展示

圖5 北京二號亮色調影像解譯結果及真值對比局部效果

4 結語

本文的多源遙感影像輸電線路典型地物智能提取方法綜合像素、目標、語義3個層面的解譯分割，本項目采用了從大尺度到小尺度，從粗粒度到細粒度，從宏觀到微觀的漸進識別與解譯的策略，提出了顧及“場景-目標-像素”層次關系的典型要素智能解譯方法?；谠撍惴ń鉀Q了無關場景信息干擾、目標尺度方向差異、局部區(qū)域感受野小等造成的典型要素解譯魯棒性差的問題，對WorldView、北京二號、高分二號、高分一號、資源三號及航空影像分別進行了實驗，取得了不錯的效果，實現(xiàn)了輸電線路通道典型地物的魯棒解譯。

圖6 高分二號影像解譯結果及真值對比局部效果

本文提取的典型地物可用于輸電線路的前期路徑方案比選，但是有些輸電線路工程關注的重要地物，比如加油站、采石場、學校等，由于不具有獨特的單一“學習”特征因素，需要較多的組合特征來綜合判斷，提取效果較差，無法為輸電線路詳細設計階段提供更為詳細、準確的數(shù)據(jù)，因此在后續(xù)的研究中，將繼續(xù)研究復合場景(如加油站、采石場等)智能提取，提高通道典型地物智能提取的深度與廣度。