(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211085981.5 (22)申请日 2022.09.06 (71)申请人 湖南经研电力设计有限公司 地址 410007 湖南省长 沙市雨花区韶山北 路380号 (72)发明人 肖辉　徐志强　陈霖华　周鲲　 陆俊　沈晓隶　王云飞　罗磊鑫　 刘立洪　罗正经　王立娜　胡启明　 唐咪娜　李勇智　齐增清　曾刚　 简洁　苏军明　陈智奇　欧宇健　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业 (51)Int.Cl. G06V 20/10(2022.01)G06V 10/54(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习优化的输变电遥感图像地物 辨识方法及系统 (57)摘要 本发明公开了一种基于深度学习优化的输 变电遥感图像地物辨识方法， 包括获取输变电工 程区域遥感图像数据信息并构建训练样本集； 计 算各个遥感图像的纹理特征强度值； 构建输变电 遥感图像地物 辨识初始模型； 对输变电遥感图像 地物辨识初始模型进行训练得到输变电遥感图 像地物辨识粗模 型； 对步输变电遥感图像地物辨 识粗模型再次训练得到输变电遥感图像地物辨 识模型； 采用输变电遥感图像地物 辨识模型进行 实际的输变电遥感图像地物辨识。 本发明还公开 了一种实现所述基于深度学习优化的输变电遥 感图像地物 辨识方法的系统。 本发 明对辨识模型 进行样本粗训练和精细化训练， 并在模型训练过 程加入优化控制， 实现了高效训练； 而且本发明 效率较高， 精度较好。 权利要求书3页 说明书6页 附图2页 CN 115457388 A 2022.12.09 CN 115457388 A 1.一种基于深度学习优化的输变电遥感图像地物辨识方法， 包括如下步骤： S1.获取输变电工程区域的遥感图像数据信息， 并构建包括了粗样本集和精细样本集 的训练样本集； S2.计算步骤S1得到的训练样本集中， 各个遥感图像的纹 理特征强度值； S3.构建输变电遥感图像地物辨识初始模型； S4.采用步骤S1得到的粗样本集， 对步骤S3构建的输变电遥感图像地物辨识初始模型 进行训练， 得到 输变电遥感图像地物辨识粗模型； S5.采用步骤S1得到的精细样本集， 对步骤S4得到的输变电遥感图像地物辨识粗模型 再次进行训练， 从而得到 输变电遥感图像地物辨识模型； S6.采用步骤S5得到的输变电遥感图像地物辨识模型， 进行实际的输变电遥感图像地 物辨识。 2.根据权利要求1所述的基于深度学习优化的输变电遥感图像地物辨识方法， 其特征 在于步骤S1所述的获取输变电工程区域的遥感图像数据信息， 并构建包括了粗样本集和精 细样本集的训练样本集， 具体包括如下步骤： 选取若干处设定的典型输变电工程区域， 划设作业区， 并规划航线； 采用无人机进行现场 勘测， 得到 输变电工程区域遥感图像； 对获取的输变电工程 区域遥感图像进行人工标记， 并分类为K类输变电工程地物类别， 第k类输变电工程地物类别包括N个图像数据样本， k＝1,2,...,K； 得到包含 K*N个图像数据 样本的训练样本集； K和N均为自然数； 设定粗训练比例因子r， 然后按照r和1 ‑r的比例将训练样本集随机分类， 得到包含K*N* r个图像数据样本的粗样本集和包 含K*N*(1 ‑r)个图像数据样本的精细样本集； 0＜r＜1。 3.根据权利要求2所述的基于深度学习优化的输变电遥感图像地物辨识方法， 其特征 在于步骤S2所述的计算步骤S1得到的训练样本集中， 各个遥感图像的纹理特征强度值， 具 体包括如下步骤： A.选取一张遥感图像； B.选取步骤A选定的遥感图像中的任意点， 以该点为中心点， 取3*3的邻域窗口， 得到中 心点及对应的8个邻域 点； C.依次比较步骤B选 定的中心点与8个邻域 点的像素值大小： 若邻域点的像素值大于或等于中心点的像素值， 则该邻域 点标记为1； 若邻域点的像素值小于中心点的像素值， 则该邻域 点标记为0； D.按照设定的顺序， 将选定的中心点所对应的8个邻域点的标记值组成二进制数； 将二 进制数换算为十进制整数， 得到 选定中心点的图像纹 理特征点强度值； E.重复步骤B～步骤D， 直至得到 选定的遥感图像中所有点的图像纹 理特征点强度值； F.将步骤E得到的所有点的图像纹理特征点强度值求平均值， 得到选定的遥感图像的 图像纹理特征强度值； G.重复步骤A～步骤F， 直至得到训练样本集所有遥感图像的纹理特征强度值， 从而实 现对训练样本集的数据补充和对影响机器学习模型训练速度的纹 理特征强度的量 化。 4.根据权利要求3所述的基于深度学习优化的输变电遥感图像地物辨识方法， 其特征 在于步骤S3所述的构建输变电遥感图像地物辨识初始模型， 具体为采用CNN神经网络作为权　利　要　求　书 1/3 页 2 CN 115457388 A 2输变电遥感图像地物辨识初始模型。 5.根据权利要求4所述的基于深度学习优化的输变电遥感图像地物辨识方法， 其特征 在于步骤S4所述的采用步骤S1得到的粗样 本集， 对步骤S3构建的输变电遥感图像地物 辨识 初始模型进行训练， 得到 输变电遥感图像地物辨识粗模型， 具体包括如下步骤： 对粗样本集中的遥感图像， 按照设定的聚类簇数据C， 采用C均值 算法进行聚类操作； 根据聚类结果， 选取最接 近聚类中心的 个图像， 作为 粗标记样本； 计算所有粗标记样本的图像纹 理特征强度值的均值 Lmean‑C； 将粗标记样 本再均分为M批， 计算得到每批粗标记样 本数λ为 每批粗标 记样本为 采用小批量梯度下降法进行模型粗训练： 初始化模型权重w和学习率α； 粗训练速度影 响度因子γ的设置规则为： 若Lcurrent≤Lmean则γ＝0， 若Lcurrent＞Lmean则 Lcurrent为当前批次训练图像的纹理特征强度值的平均 值， Lmean为已训练图像的纹理特征强 度值的平均值； 对于第i批训练样本， 设置学习率αi为αi＝αi‑1*(1+γ)， 模型权重wi+1为 Lλ_sum为当前批训练样本的纹理特征强度值 的和， 为当前位置损失函数的梯度； 进行分批迭代训练， 直至误差小于设定的阈值或者达到设定的迭代次数， 从而得到输 变电遥感图像地物辨识粗模型。 6.根据权利要求5所述的基于深度学习优化的输变电遥感图像地物辨识方法， 其特征 在于步骤S 5所述的采用步骤S1得到的精细样 本集， 对步骤S4得到的输变电遥感图像地物 辨 识粗模型 再次进行训练， 从而得到 输变电遥感图像地物辨识模型， 具体包括如下步骤： 将精细样本集均分为T批， 计算得到每批样本数ρ ρ 为 每批样本 为ρi； 采用精细样本集和小批量梯度下降法对步骤S4得到的输变电遥感图像地物辨识粗模 型进行精细训练： 以ρ ρ 作为精细训练批尺 寸， 进行分批次迭代训练； 设置精细训练速度影响 因子为 其中βi为本次精细训练的精细训练速度影响因子， δi为 本次迭代误差， δi‑1为上一次迭代误差， β1＝0； 经过至少一次迭代后， 调整学习率， 第i+1批 训练样本的学习率αi+1为αi+1＝αi*(1‑βi)； 进行分批迭代训练， 直至误差小于设定的阈值或者达到设定的迭代次数， 从而得到输权　利　要　求　书 2/3 页 3 CN 115457388 A 3