高分辨率遙感影像在電網工程建設中的應用研究

洪巧章，賴余斌，彭飛

(南方電網能源發展研究院有限責任公司，廣東 廣州 510663)

1 研究背景及應用現狀

電網在現代能源供應的體系中發揮著極其重要的樞紐作用，是一個國家經濟的重要命脈。如何全面保障和提升電網工程建設過程中的安全質量是電網工程管理工作的重中之重。保證電網工程建設的安全、可靠開展，不僅僅關乎電網工程建設的順利進行，更關系到國家能源安全和國計民生。

隨著我國經濟的飛速發展，國民經濟對電力工程等基礎設施建設的依賴和需求也日益增加，穩定、安全的電網基建對國民經濟的貢獻極大。但是由于電網工程建設的施工現場情況復雜，區域跨度大，管控的難度也大，因而給施工項目帶來了極大的安全隱患。在傳統的工程施工現場，電網工程的質量監控主要受工程管理人員經驗的影響，缺乏及時監測與監督的能力，對于工程施工現場的不規范現象和不確定因素無法實時地發現并及時地做出反應，難以完全滿足現代工程施工現場的管理需求，因此在工程施工現場實行全面的自動化監控顯得極其重要，國內外的眾多專家學者也一直在探尋新的工程質量監控模式。

全球范圍內，高分辨率遙感衛星經過了幾十年的飛速發展，已經逐步實現了商業化、市場化和產業化。進入21世紀以后，全球近30個國家和地區的政府機構和私人企業每年都投入了巨額的資金，用以研究和發展地球觀測衛星，因而高分商業遙感衛星進入了全新的發展階段。其特點是實用性更強、效率更高、周期更短等，高分商業遙感衛星的快速發展為社會的發展和生產帶來了新的動力。衛星遙感技術的飛速發展為電網工程建設過程中動態監控的實現提供了可能。

因此，本文利用高分衛星遙感技術進行電網工程建設過程的監控。首先，快速獲取工程建設區域內的高分衛星遙感影像，然后，基于深度學習模型，對遙感影像進行判讀、解譯，最后，對前后期影像進行變化檢測，實現電網工程建設過程中的動態監控。目的在于規范電網工程建設過程中各方主體及相關機構的質量行為，通過利用高分衛星遙感影像，對電網工程施工過程進行實時的動態監控，及時發現施工過程中的質量、安全隱患，并對電網工程建設產生的環境及安全影響進行評估。其意義在于確保電網工程建設的安全，保證人民生命財產安全，保護當地的生態環境，維護社會大眾的利益，充分發揮電網工程項目的經濟效益與社會效益。

2 算法原理

2.1 深度學習模型

卷積神經網絡( Convolutional Neural Network，簡稱CNN) 是近年來模式識別領域一種圖片高效的分類方法，它將人工神經網絡技術與深度學習的方法相結合，最大的特點是稀疏連接和權值共享，它使用了一種基于梯度改進的反向傳播算法來訓練網絡中的權重，在實際應用中極大地避免了輸入數據復雜的前期處理過程，可以直接輸入原始圖像或其他數據。CNN具備擬合任意復雜函數的特點，擁有非常強的擬合能力及表征能力，能夠獨立完成比較復雜的非線性映射。在面對復雜的地物分類上，基于卷積神經網絡的深度學習方法具有比較突出的分類能力。利用深度的卷積網絡，將整個遙感衛星影像作為輸入數據，引入全局優化以及類別的空間關系信息作為約束條件，然后訓練這個深度學習模型就可以進行遙感衛星影像的分類。

大多數經典的卷積神經網絡模型是為了分類任務而設計的，這類網絡通常的設計思路一般都是在整個網絡的最后一個卷積層之后再增加一個全連接層，將最后一組的特征圖直接映射到固定長度的特征向量上，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，用來實現對原始輸入數據的分類。CNN實現的是基于圖像級的分類任務，它可以判斷輸入的圖像屬于哪種類別。可是，當要實現對輸入的圖像進行基于像素級的分類任務時，一般的CNN將難以實現這種需求。此時，可以通過調整或改變網絡的輸入、輸出來完成基于像素級的圖像分類任務。

基于多尺度流形排序優化方法的基本流程為：以圖像像素為基礎，在此基礎之上建立圖像的深度學習網絡，然后通過每一層網絡的學習得到圖像的表達式。為了更好地表達目標，基于多尺度流形排序優化方法中深層網絡的每一層都被賦予了特別的意義。深度學習方法的本質上就是通過構造具有多個隱含層的機器學習模型，然后從大量的訓練數據中學習和挖掘更多有用的特征，用來提高分類結果的準確性。因此，深度學習方法也是一種特征學習方法，可以從輸入的圖像數據中自動學習出最能表達目標的特征。在得到可以表征圖像的特征后，再利用目標標記、目標上下文和場景上下文的信息來調整深度網絡的權重，并通過上下文的信息形成“擴展-非擴展”的卷積層，來增強深度網絡的識別能力，最大程度上消除分類的不確定性或模糊性，進一步減少處理時間，最終提高目標的檢測性能。許多傳統的分類方法都是基于局部特征的，但是實際上高層語義的描述更加穩定。因此，基于上下文的語義描述可以彌補底層特征與高層語義之間的空白。在目標層的基礎上，增加一個目標群層和一個場景層，再通過多尺度、多方向濾波特征的空間分布提取場景的上下文特征，并采用流形排序優化的方法提高圖像的分類精度，這樣就可以在目標層、目標群層以及場景層之間形成一個有監督的網絡。這個網絡指導了整個模型的學習，通過不斷調整深度網絡的參數，最終實現了目標檢測性能的提高[3]。

2.2 基于深度學習解譯的變化檢測方法

基于深度學習解譯的變化檢測方法首先利用深度學習的方法對同一地區前后期遙感影像進行全自動解譯，在此基礎上在對這兩景影像進行變化檢測。

2.2.1 基于深度學習的遙感影像全自動解譯

這里用的深度學習方法是多尺度流形排序優化方法，此方法進行遙感影像解譯的解決方案是：首先，利用高分辨率和對應的標記數據生成規定格式的樣本訓練集；然后，針對遙感影像的特點，設計多尺度流形排序語義分割網絡模型；其次，利用第一步構建好的樣本，對模型進行訓練[4]。接著對訓練模型進行測試，若測試不通過，則返回第二步修改網絡模型，若通過測試則模型訓練完畢，可以進行地物自動分割，具體流程如圖1所示。

2.2.2 多時相遙感影像的變化檢測

基于衛星遙感影像的變化檢測是通過利用不同時期的同一地區的多源衛星遙感影像以及相關的地理空間數據，再結合遙感成像機理和相應的地物特性，判斷該地區地物是否變化，這些變化主要包括地物的增減和地物性質或狀態的改變[5]。

根據不同的應用場合，變化檢測解決方案可以分為無矢量變化檢測和有矢量變化檢測，并對變化檢測進行加速處理。

對任意兩組影像首先進行降采樣處理，得到降采樣后的兩期正射影像，采用面向對象的變化檢測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行分割[6]。通過計算前后兩期影像的分割對象的光譜差異，紋理差異，結合分割對象的語義信息、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，具體技術路線如圖2所示。

圖1 遙感影像自動分割

圖2 無矢量變化檢測技術路線

3 實驗與結果評價

3.1 研究區概況及數據來源

本文影像成果采用的數據源包括：2017年高景一號影像3景，2019年第一期高景一號影像2景，2019年第二期高景一號影像2景。將三期影像分別進行區域網平差，全色多光譜影像單景配準，平差處理后的影像正射糾正，影像融合，勻色，三期影像配準后進行鑲嵌。

3.2 基于深度學習解譯的變化檢測軟件操作流程

本文針對同一地區前后兩期的遙感衛星影像，基于遙感影像以及相關的地理信息數據，應用深度學習方法來進行自動的變化檢測[7]。通過先進的基于深度學習變化檢測技術能夠快速、自動發現影像上疑似變化的區域，從而大大減少人工檢測變化的工作量從而提高作業效率。本項目擬選用EasyFeature軟件的DeepFinder：深度學習變化檢測模塊來進行變化檢測(圖3)。

(a)前期影像 (b)后期影像

3.3 基于深度學習解譯的變化檢測結果分析

利用EasyFeature軟件的DeepFinder：深度學習變化檢測模塊對某變電站附近的前后兩期影像進行無矢量變化檢測。

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

(a)前期影像 (b)后期影像

3.3.1 總體施工狀況和進度監控

總體施工狀況和進度監控主要是對線路以及換流站(變電站)的施工進度和施工范圍進行一個總體的監控。通過獲取施工過程中范圍內的多期衛星遙感影像，通過基本的影像處理得到可以直接輸入網絡的影像，然后進行分類并對分類結果進行變化檢測，提取施工范圍內地物目標發生的變化，從而進一步判斷施工進度和范圍度是否滿足要求和規范。

通過對某變電站前后兩期的影像進行變化檢測，可以清楚地看到變電站這塊范圍發生了較為明顯的變化，整體來講由山地變成了施工現場，大部分的建筑物都檢測出來了，施工堆倔地的變化也順利檢測出來了，通過提取站址范圍內(圖5)地物目標發生的變化，從而可以實現施工范圍和進度的監控。另外，可以利用多期遙感衛星數據生成連續變化的動態圖，這樣就能更加直觀地展示站址建設過程中的進展情況，也能更有效地對施工范圍和進度進行監控。

從圖5可以看到，某變電站所在的位置，地物發生了巨大的變化，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的結果，可以看到變化的區域較為準確地檢測出來了。通過多期的影像數據，我們就能及時地監測項目的總體施工狀況和進度。

圖5 某變電站前后兩期影像變化檢測結果

3.3.2 通道或場地清理大范圍質量監控

主要監控通道或者站址范圍內林木砍伐的范圍和房屋拆遷范圍是否滿足規定和要求。利用深度學習的分類方法，提取通道或者站址范圍內的房屋和植被信息，再結合勘測設計數據(輸電線路房屋分布圖、林木分布圖或者站址地形圖等)進行疊加對比，從而做出判斷。

通過多時相的遙感衛星影像變化監測，就能實現大范圍通道或場地房屋拆遷、植被清理情況的監控。再輔以勘測設計數據，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計的要求，以及判斷通道或者站址范圍內是否存在新增房屋(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的結果，可以看到之前的裸地上有新建房屋。通過多期的遙感衛星數據，就能及時地監測變電站附近或者線路上房屋的變化情況，從而實現大范圍通道或場地清理的監控。

3.3.3 大范圍環境影響監控

主要監控電網工程施工過程中的棄土堆放、垃圾堆放，以及對生態環境的影響和恢復情況。通過獲取施工過程中范圍內的多期衛星遙感影像，通過基本的影像處理得到可以直接輸入網絡的影像，然后進行分類并對多期的分類結果進行連續的變化檢測，提取通道或場地75 m范圍內地物目標發生的變化，再進一步篩選結果，從而判斷施工過程中棄土堆放、垃圾堆放是否符合規定。在環境影響及恢復方面，歸一化植被指數(NDVI)等典型植被指數可以較好的反應研究區內的植被情況，衛星遙感數據可以通過提取植被指數及土地利用分類結果來實時準確地監測電網施工過程中環境影響及恢復情況(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的結果，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，這對環境影響是顯而易見的，利用多時相的遙感衛星數據對施工范圍內影像的植被指數進行分析，可以及時有效地監測施工范圍內的生態環境變化。

4 結語

本文通過分析電網工程施工過程中的常見質量監控問題，研究質量監控的關鍵技術手段，提出詳細的設計方案，全面提高質量監控的效率和范圍 ，有效地降低電網工程建設過程中對環境的影響和安全隱患，有效地對電網工程建設過程中每一個重要環節進行嚴格的動態監控。通過試驗研究得到，利用多時相的高分遙感數據，不僅可以及時地監測項目的總體施工狀況和進度、實現大范圍通道或場地清理的監控，而且可以及時有效地監測建設范圍的生態環境變化動態和對施工工作量進行復核、評估。

據此，可以總結出一套有效的動態監控方法流程，形成科學的質量監控管理辦法，構建基于高分衛星遙感技術的全過程的質量監控工作體系，有效地服務于質量監控工作，使成果達到能被實際推廣應用的水平。