基于深度学习的多源遥感影像输电线路通道地物智能提取研究

陈 功，刘佳莹，姚 远，吴 岘，王 林，周 冰，王雪浩，王 黎，江 桥

(中南电力设计院有限公司，湖北 武汉 430071)

1 研究背景及应用现状

电力输电线路工程勘测设计中，首先需要进行输电线路通道的地形图测制，采集通道内的典型地物要素(房屋、植被、水体、居民地、耕地、道路等)信息，目前主要采取多源遥感数据(高清卫片、航片及无人机影像等)测图的方式。这种方式依靠人工方式采集数据，劳动强度大、效率低、人为误差大，已经成为制约输电线路工程地理信息获取和更新的瓶颈问题。因此，研究输电线路通道内典型地物的智能识别和提取，提高测图效率，满足电网地理信息系统的数据自动获取与更新的需要，具有非常重要的意义。

传统的目标检测识别方法难以适应海量数据，其所依赖的特征表达是通过人工设计的，耗时较长，并且强烈依赖于专业知识和数据本身的特征，很难从海量的数据中学习出一个有效的分类器以充分挖掘数据之间的关联[1～3]。因此需要寻求一种能够“智能”学习特征的方法，通过对大量数据本身的学习，获取其中最有效的特征表征，建立有效的分类器[7,8,15]。

近年来，随着深度学习技术的发展，在遥感领域的应用也越来越广泛[4～6]。,用于各种地物对象的识别，如舰船，飞机，桥梁，油库等目标[11～14]，同时也深度学习已被应用于遥感影像地表覆盖分类、变化检测、建筑物提取、道路提取、遥感影像场景识别等任务的处理中[8,9]。鉴于深度学习在影像处理方面的优秀表现，在电网工程中也选择将深度学习用于输电线路通道典型地物智能识别提取[10]。

目前，电网工程建设不断提速，时间紧，任务重。国家电网公司正在电网基建过程中推行可行性研究、初步设计一体化的工作新模式。一方面，对前期基础测绘数据的要求更高，要求快速，准确提供跨越房屋、林木、占用耕地等数据，准确获取目前电网设备的状态；另一方面，传统的人工方式速度慢、效率低、准确度不高、容易漏掉一些重要地物，不能满足当前快速准确获取地形、地物信息的要求。

本项目研究如何利用深度学习智能提取输电线路典型地物目标，从多源遥感影像中将地物对象化，实现“端到端”的数据获取。

2 算法原理

针对跨地域、跨时相、跨传感器单一遥感影像分割模型适用性差、鲁棒性不足的行业难题，构建了顾及典型要素和场景语义信息的遥感影像全要素智能解译模型集，在训练端多模型解译的方法首先对总体样本集进行特征抽取，然后根据抽取的特征进行聚类，将样本集分为n类，分别对n个样本子集进行训练，得到n个模型；在解译端待解译的影像，首先通过特征提取，选择和子模型中相似的若干模型，使用若干个模型进行解译，加权得到解译结果，如图1所示。

图1 输电线路通道典型地物智能解译模型集

对于模型集中的每个模型，本项目采用了遥感影像智能解译模型的层次认知方法，以实现遥感影像从数据到场景级别的智能解译。图2是本项目“基于深度卷积网络的高分辨率遥感影像层次认知方法”示意图。主要包括4个部分：多源数据增广(数据级)、像素级语义分割、目标级语义分割，以及场景约束级语义分割。多源数据增广的目的是利用开放的众源遥感数据对已有语义分割数据集进行增广，缓解遥感影像语义分割标注数据少的问题，为语义分割任务提供充足的“燃料”；像素级语义分割主要目标是在DCNN语义分割网络中，综合考虑尺度、感受视野、先验知识融合以及网络所占GPU显存等几个方面因素，实现语义分割任务“端对端”优化；目标级语义分割侧重于研究如何使遥感影像中的目标不变特征融入到语义分割框架，实现DCNN语义分割网络对旋转不变因素的抵抗；场景约束级语义分割主要目标是融入大范围的场景信息，抑制语义分割任务中无关场景信息干扰，提高遥感影像语义分割结果可靠性。

图2 遥感影像实例分割层次认知方法框架示意

同时，针对传统分割模型造成的分块效应，本项目根据对原始“扩张卷积层集”做进一步改进，在全卷积网络(FCN)基础上，采用密集连接特征重用方法，以及对称编码-解码结构，通过多尺度特征优化，实现“无缝”语义分割，见图3。

图3 智能“无缝”语义分割效果

3 试验与结果评价

本次研究利用WorldView、北京二号、高分二号、高分一号、资源三号及航空影像分别进行实验。不同影像解译的总体精度统计如表1所示，卫星影像各分辨率(0.5 m、1 m、2 m)的解译总体正确率均优于90%，其中0.5 m影像的解译正确率优于95%；0.5 m航空影像的解译正确率接近90%。

表1 不同影像解译总体精度统计

不同分辨率卫星影像及0.5 m航空影像各地类的分类解译精度如表2所示。整体来看，卫星影像的解译精度依然优于航空影像的解译精度，各地类的精度基本在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%，其他地类的精度均达到或超过90%；从单个要素来看，构筑物、裸地以及水系的解译精度更好，其中构筑物整体精度均优于96%，裸地的解译精度均优于97%，0.5 m和1 m分辨率的卫星影像甚至能达到100%，水系的解译精度均优于92%。

表2 不同影像分类解译精度统计 %

以下为不同分辨率影像具体的解译结果展示(图4～6)。

图4 WorldView-2 0.5m无云影像解译结果局部展示

图5 北京二号亮色调影像解译结果及真值对比局部效果

4 结语

本文的多源遥感影像输电线路典型地物智能提取方法综合像素、目标、语义3个层面的解译分割，本项目采用了从大尺度到小尺度，从粗粒度到细粒度，从宏观到微观的渐进识别与解译的策略，提出了顾及“场景-目标-像素”层次关系的典型要素智能解译方法。基于该算法解决了无关场景信息干扰、目标尺度方向差异、局部区域感受野小等造成的典型要素解译鲁棒性差的问题，对WorldView、北京二号、高分二号、高分一号、资源三号及航空影像分别进行了实验，取得了不错的效果，实现了输电线路通道典型地物的鲁棒解译。

图6 高分二号影像解译结果及真值对比局部效果

本文提取的典型地物可用于输电线路的前期路径方案比选，但是有些输电线路工程关注的重要地物，比如加油站、采石场、学校等，由于不具有独特的单一“学习”特征因素，需要较多的组合特征来综合判断，提取效果较差，无法为输电线路详细设计阶段提供更为详细、准确的数据，因此在后续的研究中，将继续研究复合场景(如加油站、采石场等)智能提取，提高通道典型地物智能提取的深度与广度。