高分辨率遥感影像在电网工程建设中的应用研究

洪巧章，赖余斌，彭飞

(南方电网能源发展研究院有限责任公司，广东 广州 510663)

1 研究背景及应用现状

电网在现代能源供应的体系中发挥着极其重要的枢纽作用，是一个国家经济的重要命脉。如何全面保障和提升电网工程建设过程中的安全质量是电网工程管理工作的重中之重。保证电网工程建设的安全、可靠开展，不仅仅关乎电网工程建设的顺利进行，更关系到国家能源安全和国计民生。

随着我国经济的飞速发展，国民经济对电力工程等基础设施建设的依赖和需求也日益增加，稳定、安全的电网基建对国民经济的贡献极大。但是由于电网工程建设的施工现场情况复杂，区域跨度大，管控的难度也大，因而给施工项目带来了极大的安全隐患。在传统的工程施工现场，电网工程的质量监控主要受工程管理人员经验的影响，缺乏及时监测与监督的能力，对于工程施工现场的不规范现象和不确定因素无法实时地发现并及时地做出反应，难以完全满足现代工程施工现场的管理需求，因此在工程施工现场实行全面的自动化监控显得极其重要，国内外的众多专家学者也一直在探寻新的工程质量监控模式。

全球范围内，高分辨率遥感卫星经过了几十年的飞速发展，已经逐步实现了商业化、市场化和产业化。进入21世纪以后，全球近30个国家和地区的政府机构和私人企业每年都投入了巨额的资金，用以研究和发展地球观测卫星，因而高分商业遥感卫星进入了全新的发展阶段。其特点是实用性更强、效率更高、周期更短等，高分商业遥感卫星的快速发展为社会的发展和生产带来了新的动力。卫星遥感技术的飞速发展为电网工程建设过程中动态监控的实现提供了可能。

因此，本文利用高分卫星遥感技术进行电网工程建设过程的监控。首先，快速获取工程建设区域内的高分卫星遥感影像，然后，基于深度学习模型，对遥感影像进行判读、解译，最后，对前后期影像进行变化检测，实现电网工程建设过程中的动态监控。目的在于规范电网工程建设过程中各方主体及相关机构的质量行为，通过利用高分卫星遥感影像，对电网工程施工过程进行实时的动态监控，及时发现施工过程中的质量、安全隐患，并对电网工程建设产生的环境及安全影响进行评估。其意义在于确保电网工程建设的安全，保证人民生命财产安全，保护当地的生态环境，维护社会大众的利益，充分发挥电网工程项目的经济效益与社会效益。

2 算法原理

2.1 深度学习模型

卷积神经网络( Convolutional Neural Network，简称CNN) 是近年来模式识别领域一种图片高效的分类方法，它将人工神经网络技术与深度学习的方法相结合，最大的特点是稀疏连接和权值共享，它使用了一种基于梯度改进的反向传播算法来训练网络中的权重，在实际应用中极大地避免了输入数据复杂的前期处理过程，可以直接输入原始图像或其他数据。CNN具备拟合任意复杂函数的特点，拥有非常强的拟合能力及表征能力，能够独立完成比较复杂的非线性映射。在面对复杂的地物分类上，基于卷积神经网络的深度学习方法具有比较突出的分类能力。利用深度的卷积网络，将整个遥感卫星影像作为输入数据，引入全局优化以及类别的空间关系信息作为约束条件，然后训练这个深度学习模型就可以进行遥感卫星影像的分类。

大多数经典的卷积神经网络模型是为了分类任务而设计的，这类网络通常的设计思路一般都是在整个网络的最后一个卷积层之后再增加一个全连接层，将最后一组的特征图直接映射到固定长度的特征向量上，然后通过一层甚至几层全连接层把特征向量再映射到分类向量上，用来实现对原始输入数据的分类。CNN实现的是基于图像级的分类任务，它可以判断输入的图像属于哪种类别。可是，当要实现对输入的图像进行基于像素级的分类任务时，一般的CNN将难以实现这种需求。此时，可以通过调整或改变网络的输入、输出来完成基于像素级的图像分类任务。

基于多尺度流形排序优化方法的基本流程为：以图像像素为基础，在此基础之上建立图像的深度学习网络，然后通过每一层网络的学习得到图像的表达式。为了更好地表达目标，基于多尺度流形排序优化方法中深层网络的每一层都被赋予了特别的意义。深度学习方法的本质上就是通过构造具有多个隐含层的机器学习模型，然后从大量的训练数据中学习和挖掘更多有用的特征，用来提高分类结果的准确性。因此，深度学习方法也是一种特征学习方法，可以从输入的图像数据中自动学习出最能表达目标的特征。在得到可以表征图像的特征后，再利用目标标记、目标上下文和场景上下文的信息来调整深度网络的权重，并通过上下文的信息形成“扩展-非扩展”的卷积层，来增强深度网络的识别能力，最大程度上消除分类的不确定性或模糊性，进一步减少处理时间，最终提高目标的检测性能。许多传统的分类方法都是基于局部特征的，但是实际上高层语义的描述更加稳定。因此，基于上下文的语义描述可以弥补底层特征与高层语义之间的空白。在目标层的基础上，增加一个目标群层和一个场景层，再通过多尺度、多方向滤波特征的空间分布提取场景的上下文特征，并采用流形排序优化的方法提高图像的分类精度，这样就可以在目标层、目标群层以及场景层之间形成一个有监督的网络。这个网络指导了整个模型的学习，通过不断调整深度网络的参数，最终实现了目标检测性能的提高[3]。

2.2 基于深度学习解译的变化检测方法

基于深度学习解译的变化检测方法首先利用深度学习的方法对同一地区前后期遥感影像进行全自动解译，在此基础上在对这两景影像进行变化检测。

2.2.1 基于深度学习的遥感影像全自动解译

这里用的深度学习方法是多尺度流形排序优化方法，此方法进行遥感影像解译的解决方案是：首先，利用高分辨率和对应的标记数据生成规定格式的样本训练集；然后，针对遥感影像的特点，设计多尺度流形排序语义分割网络模型；其次，利用第一步构建好的样本，对模型进行训练[4]。接着对训练模型进行测试，若测试不通过，则返回第二步修改网络模型，若通过测试则模型训练完毕，可以进行地物自动分割，具体流程如图1所示。

2.2.2 多时相遥感影像的变化检测

基于卫星遥感影像的变化检测是通过利用不同时期的同一地区的多源卫星遥感影像以及相关的地理空间数据，再结合遥感成像机理和相应的地物特性，判断该地区地物是否变化，这些变化主要包括地物的增减和地物性质或状态的改变[5]。

根据不同的应用场合，变化检测解决方案可以分为无矢量变化检测和有矢量变化检测，并对变化检测进行加速处理。

对任意两组影像首先进行降采样处理，得到降采样后的两期正射影像，采用面向对象的变化检测方法是指将前后两期影像使用mean-shift分割算法将前后两期影像分别进行分割[6]。通过计算前后两期影像的分割对象的光谱差异，纹理差异，结合分割对象的语义信息、上下文特征提取出两期影像的变化置信度图，通过EM算法或最大类间方差等前背景分割算法二值化变化置信度图最后输出变化图斑，具体技术路线如图2所示。

图1 遥感影像自动分割

图2 无矢量变化检测技术路线

3 实验与结果评价

3.1 研究区概况及数据来源

本文影像成果采用的数据源包括：2017年高景一号影像3景，2019年第一期高景一号影像2景，2019年第二期高景一号影像2景。将三期影像分别进行区域网平差，全色多光谱影像单景配准，平差处理后的影像正射纠正，影像融合，匀色，三期影像配准后进行镶嵌。

3.2 基于深度学习解译的变化检测软件操作流程

本文针对同一地区前后两期的遥感卫星影像，基于遥感影像以及相关的地理信息数据，应用深度学习方法来进行自动的变化检测[7]。通过先进的基于深度学习变化检测技术能够快速、自动发现影像上疑似变化的区域，从而大大减少人工检测变化的工作量从而提高作业效率。本项目拟选用EasyFeature软件的DeepFinder：深度学习变化检测模块来进行变化检测(图3)。

(a)前期影像 (b)后期影像

3.3 基于深度学习解译的变化检测结果分析

利用EasyFeature软件的DeepFinder：深度学习变化检测模块对某变电站附近的前后两期影像进行无矢量变化检测。

从图4可以看到，红框部分就是地物发生变化并被软件成功检测出来的部分。由图可知，某变电站所在的位置地物发生了很大的变化，变化的区域也较为准确地检测出来了，且某变电站附近其他有地物变化的地方也被成功的检测出来了。

(a)前期影像 (b)后期影像

3.3.1 总体施工状况和进度监控

总体施工状况和进度监控主要是对线路以及换流站(变电站)的施工进度和施工范围进行一个总体的监控。通过获取施工过程中范围内的多期卫星遥感影像，通过基本的影像处理得到可以直接输入网络的影像，然后进行分类并对分类结果进行变化检测，提取施工范围内地物目标发生的变化，从而进一步判断施工进度和范围度是否满足要求和规范。

通过对某变电站前后两期的影像进行变化检测，可以清楚地看到变电站这块范围发生了较为明显的变化，整体来讲由山地变成了施工现场，大部分的建筑物都检测出来了，施工堆倔地的变化也顺利检测出来了，通过提取站址范围内(图5)地物目标发生的变化，从而可以实现施工范围和进度的监控。另外，可以利用多期遥感卫星数据生成连续变化的动态图，这样就能更加直观地展示站址建设过程中的进展情况，也能更有效地对施工范围和进度进行监控。

从图5可以看到，某变电站所在的位置，地物发生了巨大的变化，地物由之前的植被、山地变成了建筑用地或人工堆倔地，图5(c)中的白块就是变化检测的结果，可以看到变化的区域较为准确地检测出来了。通过多期的影像数据，我们就能及时地监测项目的总体施工状况和进度。

图5 某变电站前后两期影像变化检测结果

3.3.2 通道或场地清理大范围质量监控

主要监控通道或者站址范围内林木砍伐的范围和房屋拆迁范围是否满足规定和要求。利用深度学习的分类方法，提取通道或者站址范围内的房屋和植被信息，再结合勘测设计数据(输电线路房屋分布图、林木分布图或者站址地形图等)进行叠加对比，从而做出判断。

通过多时相的遥感卫星影像变化监测，就能实现大范围通道或场地房屋拆迁、植被清理情况的监控。再辅以勘测设计数据，就能有效的判断房屋拆迁以及林木砍伐的范围是否满足设计的要求，以及判断通道或者站址范围内是否存在新增房屋(图6)。

(a) (b)

从图6可以看到，某变电站附近村庄有部分的新建房屋，图6(a)中的线框选中的部分就是变化检测的结果，可以看到之前的裸地上有新建房屋。通过多期的遥感卫星数据，就能及时地监测变电站附近或者线路上房屋的变化情况，从而实现大范围通道或场地清理的监控。

3.3.3 大范围环境影响监控

主要监控电网工程施工过程中的弃土堆放、垃圾堆放，以及对生态环境的影响和恢复情况。通过获取施工过程中范围内的多期卫星遥感影像，通过基本的影像处理得到可以直接输入网络的影像，然后进行分类并对多期的分类结果进行连续的变化检测，提取通道或场地75 m范围内地物目标发生的变化，再进一步筛选结果，从而判断施工过程中弃土堆放、垃圾堆放是否符合规定。在环境影响及恢复方面，归一化植被指数(NDVI)等典型植被指数可以较好的反应研究区内的植被情况，卫星遥感数据可以通过提取植被指数及土地利用分类结果来实时准确地监测电网施工过程中环境影响及恢复情况(图7)。

(a) (b)

如图7所示，图7(a)中线框选中的部分就是变化检测的结果，某变电站附近大块的植被和耕地变成了建筑用地或人工堆倔地，这对环境影响是显而易见的，利用多时相的遥感卫星数据对施工范围内影像的植被指数进行分析，可以及时有效地监测施工范围内的生态环境变化。

4 结语

本文通过分析电网工程施工过程中的常见质量监控问题，研究质量监控的关键技术手段，提出详细的设计方案，全面提高质量监控的效率和范围 ，有效地降低电网工程建设过程中对环境的影响和安全隐患，有效地对电网工程建设过程中每一个重要环节进行严格的动态监控。通过试验研究得到，利用多时相的高分遥感数据，不仅可以及时地监测项目的总体施工状况和进度、实现大范围通道或场地清理的监控，而且可以及时有效地监测建设范围的生态环境变化动态和对施工工作量进行复核、评估。

据此，可以总结出一套有效的动态监控方法流程，形成科学的质量监控管理办法，构建基于高分卫星遥感技术的全过程的质量监控工作体系，有效地服务于质量监控工作，使成果达到能被实际推广应用的水平。