高分辨率遙感影像在電網(wǎng)工程建設(shè)中的應(yīng)用研究

洪巧章，賴余斌，彭飛

(南方電網(wǎng)能源發(fā)展研究院有限責(zé)任公司，廣東 廣州 510663)

1 研究背景及應(yīng)用現(xiàn)狀

電網(wǎng)在現(xiàn)代能源供應(yīng)的體系中發(fā)揮著極其重要的樞紐作用，是一個(gè)國家經(jīng)濟(jì)的重要命脈。如何全面保障和提升電網(wǎng)工程建設(shè)過程中的安全質(zhì)量是電網(wǎng)工程管理工作的重中之重。保證電網(wǎng)工程建設(shè)的安全、可靠開展，不僅僅關(guān)乎電網(wǎng)工程建設(shè)的順利進(jìn)行，更關(guān)系到國家能源安全和國計(jì)民生。

隨著我國經(jīng)濟(jì)的飛速發(fā)展，國民經(jīng)濟(jì)對(duì)電力工程等基礎(chǔ)設(shè)施建設(shè)的依賴和需求也日益增加，穩(wěn)定、安全的電網(wǎng)基建對(duì)國民經(jīng)濟(jì)的貢獻(xiàn)極大。但是由于電網(wǎng)工程建設(shè)的施工現(xiàn)場(chǎng)情況復(fù)雜，區(qū)域跨度大，管控的難度也大，因而給施工項(xiàng)目帶來了極大的安全隱患。在傳統(tǒng)的工程施工現(xiàn)場(chǎng)，電網(wǎng)工程的質(zhì)量監(jiān)控主要受工程管理人員經(jīng)驗(yàn)的影響，缺乏及時(shí)監(jiān)測(cè)與監(jiān)督的能力，對(duì)于工程施工現(xiàn)場(chǎng)的不規(guī)范現(xiàn)象和不確定因素?zé)o法實(shí)時(shí)地發(fā)現(xiàn)并及時(shí)地做出反應(yīng)，難以完全滿足現(xiàn)代工程施工現(xiàn)場(chǎng)的管理需求，因此在工程施工現(xiàn)場(chǎng)實(shí)行全面的自動(dòng)化監(jiān)控顯得極其重要，國內(nèi)外的眾多專家學(xué)者也一直在探尋新的工程質(zhì)量監(jiān)控模式。

全球范圍內(nèi)，高分辨率遙感衛(wèi)星經(jīng)過了幾十年的飛速發(fā)展，已經(jīng)逐步實(shí)現(xiàn)了商業(yè)化、市場(chǎng)化和產(chǎn)業(yè)化。進(jìn)入21世紀(jì)以后，全球近30個(gè)國家和地區(qū)的政府機(jī)構(gòu)和私人企業(yè)每年都投入了巨額的資金，用以研究和發(fā)展地球觀測(cè)衛(wèi)星，因而高分商業(yè)遙感衛(wèi)星進(jìn)入了全新的發(fā)展階段。其特點(diǎn)是實(shí)用性更強(qiáng)、效率更高、周期更短等，高分商業(yè)遙感衛(wèi)星的快速發(fā)展為社會(huì)的發(fā)展和生產(chǎn)帶來了新的動(dòng)力。衛(wèi)星遙感技術(shù)的飛速發(fā)展為電網(wǎng)工程建設(shè)過程中動(dòng)態(tài)監(jiān)控的實(shí)現(xiàn)提供了可能。

因此，本文利用高分衛(wèi)星遙感技術(shù)進(jìn)行電網(wǎng)工程建設(shè)過程的監(jiān)控。首先，快速獲取工程建設(shè)區(qū)域內(nèi)的高分衛(wèi)星遙感影像，然后，基于深度學(xué)習(xí)模型，對(duì)遙感影像進(jìn)行判讀、解譯，最后，對(duì)前后期影像進(jìn)行變化檢測(cè)，實(shí)現(xiàn)電網(wǎng)工程建設(shè)過程中的動(dòng)態(tài)監(jiān)控。目的在于規(guī)范電網(wǎng)工程建設(shè)過程中各方主體及相關(guān)機(jī)構(gòu)的質(zhì)量行為，通過利用高分衛(wèi)星遙感影像，對(duì)電網(wǎng)工程施工過程進(jìn)行實(shí)時(shí)的動(dòng)態(tài)監(jiān)控，及時(shí)發(fā)現(xiàn)施工過程中的質(zhì)量、安全隱患，并對(duì)電網(wǎng)工程建設(shè)產(chǎn)生的環(huán)境及安全影響進(jìn)行評(píng)估。其意義在于確保電網(wǎng)工程建設(shè)的安全，保證人民生命財(cái)產(chǎn)安全，保護(hù)當(dāng)?shù)氐纳鷳B(tài)環(huán)境，維護(hù)社會(huì)大眾的利益，充分發(fā)揮電網(wǎng)工程項(xiàng)目的經(jīng)濟(jì)效益與社會(huì)效益。

2 算法原理

2.1 深度學(xué)習(xí)模型

卷積神經(jīng)網(wǎng)絡(luò)( Convolutional Neural Network，簡(jiǎn)稱CNN) 是近年來模式識(shí)別領(lǐng)域一種圖片高效的分類方法，它將人工神經(jīng)網(wǎng)絡(luò)技術(shù)與深度學(xué)習(xí)的方法相結(jié)合，最大的特點(diǎn)是稀疏連接和權(quán)值共享，它使用了一種基于梯度改進(jìn)的反向傳播算法來訓(xùn)練網(wǎng)絡(luò)中的權(quán)重，在實(shí)際應(yīng)用中極大地避免了輸入數(shù)據(jù)復(fù)雜的前期處理過程，可以直接輸入原始圖像或其他數(shù)據(jù)。CNN具備擬合任意復(fù)雜函數(shù)的特點(diǎn)，擁有非常強(qiáng)的擬合能力及表征能力，能夠獨(dú)立完成比較復(fù)雜的非線性映射。在面對(duì)復(fù)雜的地物分類上，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法具有比較突出的分類能力。利用深度的卷積網(wǎng)絡(luò)，將整個(gè)遙感衛(wèi)星影像作為輸入數(shù)據(jù)，引入全局優(yōu)化以及類別的空間關(guān)系信息作為約束條件，然后訓(xùn)練這個(gè)深度學(xué)習(xí)模型就可以進(jìn)行遙感衛(wèi)星影像的分類。

大多數(shù)經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型是為了分類任務(wù)而設(shè)計(jì)的，這類網(wǎng)絡(luò)通常的設(shè)計(jì)思路一般都是在整個(gè)網(wǎng)絡(luò)的最后一個(gè)卷積層之后再增加一個(gè)全連接層，將最后一組的特征圖直接映射到固定長(zhǎng)度的特征向量上，然后通過一層甚至幾層全連接層把特征向量再映射到分類向量上，用來實(shí)現(xiàn)對(duì)原始輸入數(shù)據(jù)的分類。CNN實(shí)現(xiàn)的是基于圖像級(jí)的分類任務(wù)，它可以判斷輸入的圖像屬于哪種類別。可是，當(dāng)要實(shí)現(xiàn)對(duì)輸入的圖像進(jìn)行基于像素級(jí)的分類任務(wù)時(shí)，一般的CNN將難以實(shí)現(xiàn)這種需求。此時(shí)，可以通過調(diào)整或改變網(wǎng)絡(luò)的輸入、輸出來完成基于像素級(jí)的圖像分類任務(wù)。

基于多尺度流形排序優(yōu)化方法的基本流程為：以圖像像素為基礎(chǔ)，在此基礎(chǔ)之上建立圖像的深度學(xué)習(xí)網(wǎng)絡(luò)，然后通過每一層網(wǎng)絡(luò)的學(xué)習(xí)得到圖像的表達(dá)式。為了更好地表達(dá)目標(biāo)，基于多尺度流形排序優(yōu)化方法中深層網(wǎng)絡(luò)的每一層都被賦予了特別的意義。深度學(xué)習(xí)方法的本質(zhì)上就是通過構(gòu)造具有多個(gè)隱含層的機(jī)器學(xué)習(xí)模型，然后從大量的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)和挖掘更多有用的特征，用來提高分類結(jié)果的準(zhǔn)確性。因此，深度學(xué)習(xí)方法也是一種特征學(xué)習(xí)方法，可以從輸入的圖像數(shù)據(jù)中自動(dòng)學(xué)習(xí)出最能表達(dá)目標(biāo)的特征。在得到可以表征圖像的特征后，再利用目標(biāo)標(biāo)記、目標(biāo)上下文和場(chǎng)景上下文的信息來調(diào)整深度網(wǎng)絡(luò)的權(quán)重，并通過上下文的信息形成“擴(kuò)展-非擴(kuò)展”的卷積層，來增強(qiáng)深度網(wǎng)絡(luò)的識(shí)別能力，最大程度上消除分類的不確定性或模糊性，進(jìn)一步減少處理時(shí)間，最終提高目標(biāo)的檢測(cè)性能。許多傳統(tǒng)的分類方法都是基于局部特征的，但是實(shí)際上高層語義的描述更加穩(wěn)定。因此，基于上下文的語義描述可以彌補(bǔ)底層特征與高層語義之間的空白。在目標(biāo)層的基礎(chǔ)上，增加一個(gè)目標(biāo)群層和一個(gè)場(chǎng)景層，再通過多尺度、多方向?yàn)V波特征的空間分布提取場(chǎng)景的上下文特征，并采用流形排序優(yōu)化的方法提高圖像的分類精度，這樣就可以在目標(biāo)層、目標(biāo)群層以及場(chǎng)景層之間形成一個(gè)有監(jiān)督的網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)指導(dǎo)了整個(gè)模型的學(xué)習(xí)，通過不斷調(diào)整深度網(wǎng)絡(luò)的參數(shù)，最終實(shí)現(xiàn)了目標(biāo)檢測(cè)性能的提高[3]。

2.2 基于深度學(xué)習(xí)解譯的變化檢測(cè)方法

基于深度學(xué)習(xí)解譯的變化檢測(cè)方法首先利用深度學(xué)習(xí)的方法對(duì)同一地區(qū)前后期遙感影像進(jìn)行全自動(dòng)解譯，在此基礎(chǔ)上在對(duì)這兩景影像進(jìn)行變化檢測(cè)。

2.2.1 基于深度學(xué)習(xí)的遙感影像全自動(dòng)解譯

這里用的深度學(xué)習(xí)方法是多尺度流形排序優(yōu)化方法，此方法進(jìn)行遙感影像解譯的解決方案是：首先，利用高分辨率和對(duì)應(yīng)的標(biāo)記數(shù)據(jù)生成規(guī)定格式的樣本訓(xùn)練集；然后，針對(duì)遙感影像的特點(diǎn)，設(shè)計(jì)多尺度流形排序語義分割網(wǎng)絡(luò)模型；其次，利用第一步構(gòu)建好的樣本，對(duì)模型進(jìn)行訓(xùn)練[4]。接著對(duì)訓(xùn)練模型進(jìn)行測(cè)試，若測(cè)試不通過，則返回第二步修改網(wǎng)絡(luò)模型，若通過測(cè)試則模型訓(xùn)練完畢，可以進(jìn)行地物自動(dòng)分割，具體流程如圖1所示。

2.2.2 多時(shí)相遙感影像的變化檢測(cè)

基于衛(wèi)星遙感影像的變化檢測(cè)是通過利用不同時(shí)期的同一地區(qū)的多源衛(wèi)星遙感影像以及相關(guān)的地理空間數(shù)據(jù)，再結(jié)合遙感成像機(jī)理和相應(yīng)的地物特性，判斷該地區(qū)地物是否變化，這些變化主要包括地物的增減和地物性質(zhì)或狀態(tài)的改變[5]。

根據(jù)不同的應(yīng)用場(chǎng)合，變化檢測(cè)解決方案可以分為無矢量變化檢測(cè)和有矢量變化檢測(cè)，并對(duì)變化檢測(cè)進(jìn)行加速處理。

對(duì)任意兩組影像首先進(jìn)行降采樣處理，得到降采樣后的兩期正射影像，采用面向?qū)ο蟮淖兓瘷z測(cè)方法是指將前后兩期影像使用mean-shift分割算法將前后兩期影像分別進(jìn)行分割[6]。通過計(jì)算前后兩期影像的分割對(duì)象的光譜差異，紋理差異，結(jié)合分割對(duì)象的語義信息、上下文特征提取出兩期影像的變化置信度圖，通過EM算法或最大類間方差等前背景分割算法二值化變化置信度圖最后輸出變化圖斑，具體技術(shù)路線如圖2所示。

圖1 遙感影像自動(dòng)分割

圖2 無矢量變化檢測(cè)技術(shù)路線

3 實(shí)驗(yàn)與結(jié)果評(píng)價(jià)

3.1 研究區(qū)概況及數(shù)據(jù)來源

本文影像成果采用的數(shù)據(jù)源包括：2017年高景一號(hào)影像3景，2019年第一期高景一號(hào)影像2景，2019年第二期高景一號(hào)影像2景。將三期影像分別進(jìn)行區(qū)域網(wǎng)平差，全色多光譜影像單景配準(zhǔn)，平差處理后的影像正射糾正，影像融合，勻色，三期影像配準(zhǔn)后進(jìn)行鑲嵌。

3.2 基于深度學(xué)習(xí)解譯的變化檢測(cè)軟件操作流程

本文針對(duì)同一地區(qū)前后兩期的遙感衛(wèi)星影像，基于遙感影像以及相關(guān)的地理信息數(shù)據(jù)，應(yīng)用深度學(xué)習(xí)方法來進(jìn)行自動(dòng)的變化檢測(cè)[7]。通過先進(jìn)的基于深度學(xué)習(xí)變化檢測(cè)技術(shù)能夠快速、自動(dòng)發(fā)現(xiàn)影像上疑似變化的區(qū)域，從而大大減少人工檢測(cè)變化的工作量從而提高作業(yè)效率。本項(xiàng)目擬選用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)變化檢測(cè)模塊來進(jìn)行變化檢測(cè)(圖3)。

(a)前期影像 (b)后期影像

3.3 基于深度學(xué)習(xí)解譯的變化檢測(cè)結(jié)果分析

利用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)變化檢測(cè)模塊對(duì)某變電站附近的前后兩期影像進(jìn)行無矢量變化檢測(cè)。

從圖4可以看到，紅框部分就是地物發(fā)生變化并被軟件成功檢測(cè)出來的部分。由圖可知，某變電站所在的位置地物發(fā)生了很大的變化，變化的區(qū)域也較為準(zhǔn)確地檢測(cè)出來了，且某變電站附近其他有地物變化的地方也被成功的檢測(cè)出來了。

(a)前期影像 (b)后期影像

3.3.1 總體施工狀況和進(jìn)度監(jiān)控

總體施工狀況和進(jìn)度監(jiān)控主要是對(duì)線路以及換流站(變電站)的施工進(jìn)度和施工范圍進(jìn)行一個(gè)總體的監(jiān)控。通過獲取施工過程中范圍內(nèi)的多期衛(wèi)星遙感影像，通過基本的影像處理得到可以直接輸入網(wǎng)絡(luò)的影像，然后進(jìn)行分類并對(duì)分類結(jié)果進(jìn)行變化檢測(cè)，提取施工范圍內(nèi)地物目標(biāo)發(fā)生的變化，從而進(jìn)一步判斷施工進(jìn)度和范圍度是否滿足要求和規(guī)范。

通過對(duì)某變電站前后兩期的影像進(jìn)行變化檢測(cè)，可以清楚地看到變電站這塊范圍發(fā)生了較為明顯的變化，整體來講由山地變成了施工現(xiàn)場(chǎng)，大部分的建筑物都檢測(cè)出來了，施工堆倔地的變化也順利檢測(cè)出來了，通過提取站址范圍內(nèi)(圖5)地物目標(biāo)發(fā)生的變化，從而可以實(shí)現(xiàn)施工范圍和進(jìn)度的監(jiān)控。另外，可以利用多期遙感衛(wèi)星數(shù)據(jù)生成連續(xù)變化的動(dòng)態(tài)圖，這樣就能更加直觀地展示站址建設(shè)過程中的進(jìn)展情況，也能更有效地對(duì)施工范圍和進(jìn)度進(jìn)行監(jiān)控。

從圖5可以看到，某變電站所在的位置，地物發(fā)生了巨大的變化，地物由之前的植被、山地變成了建筑用地或人工堆倔地，圖5(c)中的白塊就是變化檢測(cè)的結(jié)果，可以看到變化的區(qū)域較為準(zhǔn)確地檢測(cè)出來了。通過多期的影像數(shù)據(jù)，我們就能及時(shí)地監(jiān)測(cè)項(xiàng)目的總體施工狀況和進(jìn)度。

圖5 某變電站前后兩期影像變化檢測(cè)結(jié)果

3.3.2 通道或場(chǎng)地清理大范圍質(zhì)量監(jiān)控

主要監(jiān)控通道或者站址范圍內(nèi)林木砍伐的范圍和房屋拆遷范圍是否滿足規(guī)定和要求。利用深度學(xué)習(xí)的分類方法，提取通道或者站址范圍內(nèi)的房屋和植被信息，再結(jié)合勘測(cè)設(shè)計(jì)數(shù)據(jù)(輸電線路房屋分布圖、林木分布圖或者站址地形圖等)進(jìn)行疊加對(duì)比，從而做出判斷。

通過多時(shí)相的遙感衛(wèi)星影像變化監(jiān)測(cè)，就能實(shí)現(xiàn)大范圍通道或場(chǎng)地房屋拆遷、植被清理情況的監(jiān)控。再輔以勘測(cè)設(shè)計(jì)數(shù)據(jù)，就能有效的判斷房屋拆遷以及林木砍伐的范圍是否滿足設(shè)計(jì)的要求，以及判斷通道或者站址范圍內(nèi)是否存在新增房屋(圖6)。

(a) (b)

從圖6可以看到，某變電站附近村莊有部分的新建房屋，圖6(a)中的線框選中的部分就是變化檢測(cè)的結(jié)果，可以看到之前的裸地上有新建房屋。通過多期的遙感衛(wèi)星數(shù)據(jù)，就能及時(shí)地監(jiān)測(cè)變電站附近或者線路上房屋的變化情況，從而實(shí)現(xiàn)大范圍通道或場(chǎng)地清理的監(jiān)控。

3.3.3 大范圍環(huán)境影響監(jiān)控

主要監(jiān)控電網(wǎng)工程施工過程中的棄土堆放、垃圾堆放，以及對(duì)生態(tài)環(huán)境的影響和恢復(fù)情況。通過獲取施工過程中范圍內(nèi)的多期衛(wèi)星遙感影像，通過基本的影像處理得到可以直接輸入網(wǎng)絡(luò)的影像，然后進(jìn)行分類并對(duì)多期的分類結(jié)果進(jìn)行連續(xù)的變化檢測(cè)，提取通道或場(chǎng)地75 m范圍內(nèi)地物目標(biāo)發(fā)生的變化，再進(jìn)一步篩選結(jié)果，從而判斷施工過程中棄土堆放、垃圾堆放是否符合規(guī)定。在環(huán)境影響及恢復(fù)方面，歸一化植被指數(shù)(NDVI)等典型植被指數(shù)可以較好的反應(yīng)研究區(qū)內(nèi)的植被情況，衛(wèi)星遙感數(shù)據(jù)可以通過提取植被指數(shù)及土地利用分類結(jié)果來實(shí)時(shí)準(zhǔn)確地監(jiān)測(cè)電網(wǎng)施工過程中環(huán)境影響及恢復(fù)情況(圖7)。

(a) (b)

如圖7所示，圖7(a)中線框選中的部分就是變化檢測(cè)的結(jié)果，某變電站附近大塊的植被和耕地變成了建筑用地或人工堆倔地，這對(duì)環(huán)境影響是顯而易見的，利用多時(shí)相的遙感衛(wèi)星數(shù)據(jù)對(duì)施工范圍內(nèi)影像的植被指數(shù)進(jìn)行分析，可以及時(shí)有效地監(jiān)測(cè)施工范圍內(nèi)的生態(tài)環(huán)境變化。

4 結(jié)語

本文通過分析電網(wǎng)工程施工過程中的常見質(zhì)量監(jiān)控問題，研究質(zhì)量監(jiān)控的關(guān)鍵技術(shù)手段，提出詳細(xì)的設(shè)計(jì)方案，全面提高質(zhì)量監(jiān)控的效率和范圍 ，有效地降低電網(wǎng)工程建設(shè)過程中對(duì)環(huán)境的影響和安全隱患，有效地對(duì)電網(wǎng)工程建設(shè)過程中每一個(gè)重要環(huán)節(jié)進(jìn)行嚴(yán)格的動(dòng)態(tài)監(jiān)控。通過試驗(yàn)研究得到，利用多時(shí)相的高分遙感數(shù)據(jù)，不僅可以及時(shí)地監(jiān)測(cè)項(xiàng)目的總體施工狀況和進(jìn)度、實(shí)現(xiàn)大范圍通道或場(chǎng)地清理的監(jiān)控，而且可以及時(shí)有效地監(jiān)測(cè)建設(shè)范圍的生態(tài)環(huán)境變化動(dòng)態(tài)和對(duì)施工工作量進(jìn)行復(fù)核、評(píng)估。

據(jù)此，可以總結(jié)出一套有效的動(dòng)態(tài)監(jiān)控方法流程，形成科學(xué)的質(zhì)量監(jiān)控管理辦法，構(gòu)建基于高分衛(wèi)星遙感技術(shù)的全過程的質(zhì)量監(jiān)控工作體系，有效地服務(wù)于質(zhì)量監(jiān)控工作，使成果達(dá)到能被實(shí)際推廣應(yīng)用的水平。