導(dǎo)語：遙感影像在電網(wǎng)工程建設(shè)的應(yīng)用研究一文來源于網(wǎng)友上傳，不代表本站觀點，若需要原創(chuàng)文章可咨詢客服老師，歡迎參考。

摘要：基于衛(wèi)星遙感技術(shù)的電網(wǎng)工程建設(shè)過程的質(zhì)量監(jiān)控，能夠規(guī)范工程建設(shè)各方主體及有關(guān)機構(gòu)的質(zhì)量行為，并對電網(wǎng)工程產(chǎn)生的環(huán)境和安全影響進行評估。以某變電站為研究對象，通過對某變電站建設(shè)前后三期的遙感影像進行變化檢測，來對該工程施工進程進行監(jiān)測。通過實驗研究得出，利用多時相的高分遙感數(shù)據(jù)，不僅可以及時地監(jiān)測項目的總體施工狀況和進度、實現(xiàn)大范圍通道或場地清理的監(jiān)控，而且可以及時有效地監(jiān)測建設(shè)范圍的生態(tài)環(huán)境變化動態(tài)和對施工工作量進行復(fù)核、評估。

關(guān)鍵詞：高分辨率影像；變化檢測；深度學(xué)習(xí)；動態(tài)監(jiān)測

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，是一個國家經(jīng)濟的重要命脈。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)的順利進行，更關(guān)系到國家能源安全和國計民生。隨著我國經(jīng)濟的飛速發(fā)展，國民經(jīng)濟對電力工程等基礎(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)基建對國民經(jīng)濟的貢獻極大。但是由于電網(wǎng)工程建設(shè)的施工現(xiàn)場情況復(fù)雜，區(qū)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(tǒng)的工程施工現(xiàn)場，電網(wǎng)工程的質(zhì)量監(jiān)控主要受工程管理人員經(jīng)驗的影響，缺乏及時監(jiān)測與監(jiān)督的能力，對于工程施工現(xiàn)場的不規(guī)范現(xiàn)象和不確定因素?zé)o法實時地發(fā)現(xiàn)并及時地做出反應(yīng)，難以完全滿足現(xiàn)代工程施工現(xiàn)場的管理需求，因此在工程施工現(xiàn)場實行全面的自動化監(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)逐步實現(xiàn)了商業(yè)化、市場化和產(chǎn)業(yè)化。進入21世紀(jì)以后，全球近30個國家和地區(qū)的政府機構(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)展地球觀測衛(wèi)星，因而高分商業(yè)遙感衛(wèi)星進入了全新的發(fā)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(yè)遙感衛(wèi)星的快速發(fā)展為社會的發(fā)展和生產(chǎn)帶來了新的動力。衛(wèi)星遙感技術(shù)的飛速發(fā)展為電網(wǎng)工程建設(shè)過程中動態(tài)監(jiān)控的實現(xiàn)提供了可能。因此，本文利用高分衛(wèi)星遙感技術(shù)進行電網(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(xiàn)電網(wǎng)工程建設(shè)過程中的動態(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)機構(gòu)的質(zhì)量行為，通過利用高分衛(wèi)星遙感影像，對電網(wǎng)工程施工過程進行實時的動態(tài)監(jiān)控，及時發(fā)現(xiàn)施工過程中的質(zhì)量、安全隱患，并對電網(wǎng)工程建設(shè)產(chǎn)生的環(huán)境及安全影響進行評估。其意義在于確保電網(wǎng)工程建設(shè)的安全，保證人民生命財產(chǎn)安全，保護當(dāng)?shù)氐纳鷳B(tài)環(huán)境，維護社會大眾的利益，充分發(fā)揮電網(wǎng)工程項目的經(jīng)濟效益與社會效益。

2算法原理

2．1深度學(xué)習(xí)模型。卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，簡稱CNN）是近年來模式識別領(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，最大的特點是稀疏連接和權(quán)值共享，它使用了一種基于梯度改進的反向傳播算法來訓(xùn)練網(wǎng)絡(luò)中的權(quán)重，在實際應(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，擁有非常強的擬合能力及表征能力，能夠獨立完成比較復(fù)雜的非線性映射。在面對復(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)練這個深度學(xué)習(xí)模型就可以進行遙感衛(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)計的，這類網(wǎng)絡(luò)通常的設(shè)計思路一般都是在整個網(wǎng)絡(luò)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(xiàn)對原始輸入數(shù)據(jù)的分類。CNN實現(xiàn)的是基于圖像級的分類任務(wù)，它可以判斷輸入的圖像屬于哪種類別?？墒?，當(dāng)要實現(xiàn)對輸入的圖像進行基于像素級的分類任務(wù)時，一般的CNN將難以實現(xiàn)這種需求。此時，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)得到圖像的表達式。為了更好地表達目標(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)造具有多個隱含層的機器學(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)中自動學(xué)習(xí)出最能表達目標(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“擴展－非擴展”的卷積層，來增強深度網(wǎng)絡(luò)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(biāo)的檢測性能。許多傳統(tǒng)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(wěn)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(biāo)層的基礎(chǔ)上，增加一個目標(biāo)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(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)群層以及場景層之間形成一個有監(jiān)督的網(wǎng)絡(luò)。這個網(wǎng)絡(luò)指導(dǎo)了整個模型的學(xué)習(xí)，通過不斷調(diào)整深度網(wǎng)絡(luò)的參數(shù)，最終實現(xiàn)了目標(biāo)檢測性能的提高［3］。2．2基于深度學(xué)習(xí)解譯的變化檢測方法。基于深度學(xué)習(xí)解譯的變化檢測方法首先利用深度學(xué)習(xí)的方法對同一地區(qū)前后期遙感影像進行全自動解譯，在此基礎(chǔ)上在對這兩景影像進行變化檢測。2．2．1基于深度學(xué)習(xí)的遙感影像全自動解譯。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，此方法進行遙感影像解譯的解決方案是：首先，利用高分辨率和對應(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，針對遙感影像的特點，設(shè)計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，對模型進行訓(xùn)練［4］。接著對訓(xùn)練模型進行測試，若測試不通過，則返回第二步修改網(wǎng)絡(luò)模型，若通過測試則模型訓(xùn)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(wèi)星遙感影像的變化檢測是通過利用不同時期的同一地區(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?qū)ο蟮淖兓瘷z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(jié)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(shù)路線如圖2所示。

3實驗與結(jié)果評價

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(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)后進行鑲嵌。3．2基于深度學(xué)習(xí)解譯的變化檢測軟件操作流程本文針對同一地區(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)方法來進行自動的變化檢測［7］。通過先進的基于深度學(xué)習(xí)變化檢測技術(shù)能夠快速、自動發(fā)現(xiàn)影像上疑似變化的區(qū)域，從而大大減少人工檢測變化的工作量從而提高作業(yè)效率。本項目擬選用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)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(xué)習(xí)解譯的變化檢測結(jié)果分析。利用EasyFeature軟件的DeepFinder：深度學(xué)習(xí)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(fā)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(fā)生了很大的變化，變化的區(qū)域也較為準(zhǔn)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）后期影像圖4某變電站附近前后兩期影像變化檢測結(jié)果3．3．1總體施工狀況和進度監(jiān)控?？傮w施工狀況和進度監(jiān)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(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，然后進行分類并對分類結(jié)果進行變化檢測，提取施工范圍內(nèi)地物目標(biāo)發(fā)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(guī)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(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，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(nèi)（圖5）地物目標(biāo)發(fā)生的變化，從而可以實現(xiàn)施工范圍和進度的監(jiān)控。另外，可以利用多期遙感衛(wèi)星數(shù)據(jù)生成連續(xù)變化的動態(tài)圖，這樣就能更加直觀地展示站址建設(shè)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(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的結(jié)果，可以看到變化的區(qū)域較為準(zhǔn)確地檢測出來了。通過多期的影像數(shù)據(jù)，我們就能及時地監(jiān)測項目的總體施工狀況和進度。3．3．2通道或場地清理大范圍質(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)合勘測設(shè)計數(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）進行疊加對比，從而做出判斷。通過多時相的遙感衛(wèi)星影像變化監(jiān)測，就能實現(xiàn)大范圍通道或場地房屋拆遷、植被清理情況的監(jiān)控。再輔以勘測設(shè)計數(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）圖6房屋變化檢測結(jié)果從圖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(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)，就能及時地監(jiān)測變電站附近或者線路上房屋的變化情況，從而實現(xiàn)大范圍通道或場地清理的監(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，然后進行分類并對多期的分類結(jié)果進行連續(xù)的變化檢測，提取通道或場地75m范圍內(nèi)地物目標(biāo)發(fā)生的變化，再進一步篩選結(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，132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)果來實時準(zhǔn)確地監(jiān)測電網(wǎng)施工過程中環(huán)境影響及恢復(fù)情況（圖7）。（a）（b）圖7植被變化檢測結(jié)果如圖7所示，圖7（a）中線框選中的部分就是變化檢測的結(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，這對環(huán)境影響是顯而易見的，利用多時相的遙感衛(wèi)星數(shù)據(jù)對施工范圍內(nèi)影像的植被指數(shù)進行分析，可以及時有效地監(jiān)測施工范圍內(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)過程中對環(huán)境的影響和安全隱患，有效地對電網(wǎng)工程建設(shè)過程中每一個重要環(huán)節(jié)進行嚴(yán)格的動態(tài)監(jiān)控。通過試驗研究得到，利用多時相的高分遙感數(shù)據(jù)，不僅可以及時地監(jiān)測項目的總體施工狀況和進度、實現(xiàn)大范圍通道或場地清理的監(jiān)控，而且可以及時有效地監(jiān)測建設(shè)范圍的生態(tài)環(huán)境變化動態(tài)和對施工工作量進行復(fù)核、評估。據(jù)此，可以總結(jié)出一套有效的動態(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，使成果達到能被實際推廣應(yīng)用的水平。

參考文獻：

［1］李德仁．利用遙感影像進行變化監(jiān)測［J］．武漢大學(xué)學(xué)報（信息科學(xué)版）．2003，28（3）：7～12．

［2］何蕓，胡翔云．基于圖模型和流形排序的遙感影像人工地物提?。跩］．地理與地理信息科學(xué)，2017（2）．

［3］高常鑫桑農(nóng)．基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測［J］．測繪通報．2014（S1）：108～111．

［4］曹善遜，周楊梅．一種基于樣本塊的圖像超分辨率方法研究［J］．河北省科學(xué)院學(xué)報，2010（2）．

［5］肖恰，于涵．遙感影像監(jiān)測城市變化的關(guān)鍵技術(shù)概述［J］．科學(xué)導(dǎo)報，2015（14）．

［6］董璐，惠文華．一種面向?qū)ο筮b感變化檢測的影像分割策略［J］．遙感信息，2016（2）．

［7］張松陽．基于Spark的遙感影像多時相變化檢測系統(tǒng)［D］．杭州：浙江大學(xué)，2017．

作者:洪巧章 賴余斌 彭飛 單位:南方電網(wǎng)能源發(fā)展研究院有限責(zé)任公司