一种基于多源遥感影像的电力通道多类别隐患识别的方法与流程

本发明涉及电力通道隐患识别，尤其涉及一种基于多源遥感影像的电力通道多类别隐患识别的方法。

背景技术：

1、随着电网规模的持续扩大，输电线路通道安全已成为保障电网稳定运行的核心环节。输电线路往往跨越山地、农田、城市等复杂地形，其周边环境存在易漂浮物、彩钢瓦、树木竹林等多种潜在隐患，尤其在强风等恶劣天气下，极易引发线路短路、跳闸等重大安全事故。目前，依赖人工、车辆或无人机的主流巡检方式均存在明显局限：人工巡检效率低下且成本高昂；车辆巡检受制于地形与道路条件；无人机巡检则面临续航时间短、作业范围有限等挑战，难以满足对广域输电通道进行大范围、高频次、持续性监测的迫切需求。

2、在此背景下，具备覆盖范围广、不受地形限制等优势的卫星遥感技术，已成为电力通道区域级监测的重要研究方向。然而，现有遥感监测技术多依赖于单一的光学遥感影像，其成像质量易受光照变化、云层遮挡、雾霾等气象条件干扰，导致隐患识别的准确性与稳定性难以保障。同时，光学影像、合成孔径雷达影像以及数字高程模型等多源遥感数据在信息上具有天然的互补性，但现有技术缺乏有效的跨模态特征对齐与协同表征机制，无法克服因成像机理、空间分辨率及物理含义差异所带来的特征分布不一致问题，致使多源数据融合效果不稳定，未能充分发挥其综合优势。

3、进一步地，现有的隐患识别方法在目标检测环节存在明显不足。一方面，这些方法通常未结合输电线路的实际空间位置建立有效的监测缓冲区，而是直接在整幅遥感影像范围内进行全域检测，这不仅产生了大量与线路安全无关的背景目标干扰，显著增加了计算负担，更严重降低了隐患识别的效率与准确性。另一方面，主流的通用目标检测模型直接应用于该场景时，难以有效应对电力通道隐患目标尺度差异大、背景复杂易混淆等特有挑战，且其边界框回归损失对目标几何形状的约束不足，影响了复杂遥感场景下的定位精度。更重要的是，现有方法普遍将隐患识别与风险评估割裂处理，仅基于简单的距离阈值进行风险判定，未能综合考虑隐患目标的类别属性、空间关系及其发展趋势等多维信息，无法有效区分如易漂浮物等突发性隐患与植被生长等渐进性隐患的不同威胁程度，因而难以实现贴合电网运维实际需求的精细化风险评估。

技术实现思路

1、为解决以上问题，本发明通过构建跨模态特征对齐与协同表征机制、电力通道空间约束模型以及空间-语义联合特征机制，并基于yolov11n引入小目标细节保持模块、通道空间注意力机制与约束边界框回归损失函数，有效融合了多源遥感数据，将输电线路空间先验信息深度嵌入模型学习过程，显著提升了复杂场景下隐患识别的稳定性与鲁棒性，大幅减少了背景干扰并提高了检测效率，全面增强了多类别隐患目标的识别精度与定位能力。

2、根据本发明的实施例，提供了一种基于多源遥感影像的电力通道多类别隐患识别的方法。该方法包括：

3、步骤s01：获取目标区域的多源遥感影像数据以及电力线路矢量数据，并进行预处理；

4、步骤s02：使用跨模态特征对齐模块对预处理后的多源遥感影像数据进行数据统一；

5、步骤s03：基于预处理后的线路矢量数据构建空间权重图，并将其嵌入统一语义特征进行耦合，形成空间-语义联合特征；

6、步骤s04：将目标区域的空间-语义联合特征输入多类别隐患识别的改进yolov11n模型，输出电力通道区域内多类别隐患目标检测结果；

7、步骤s05：基于检测结果构建综合风险值确定风险等级，输出目标区域电力通道隐患分布图和隐患清单。

8、进一步地，步骤s01中所述的多源遥感影像数据包括：光学遥感影像、合成孔径雷达影像和数字高程模型数据，所述的电力线路矢量数据至少包括输电线路中心线和杆塔点位。

9、进一步地，步骤s01中所述的预处理具体为：对光学遥感影像依次进行辐射定标、大气校正、正射校正和影像裁剪处理；对合成孔径雷达影像依次进行辐射定标、噪声滤波、几何校正和后向散射归一化处理；对数字高程模型数据进行异常值剔除、重采样；以电力线路矢量数据所在坐标系为统一空间参考，对光学遥感影像、合成孔径雷达影像和数字高程模型数据进行空间配准、分辨率统一和区域裁剪。

10、进一步地，所述的步骤s02具体包括以下步骤：：分别提取光学遥感影像特征、合成孔径雷达影像特征及数字高程模型数据特征；

11、并建立跨模态映射函数：；

12、进行加权融合形成统一语义特征：，其中，为特征提取函数；为不同模态特征；为模态映射函数；为统一语义空间特征；为模态权重系数，满足，通过注意力机制自适应学习。

13、进一步地，所述的步骤s03的具体步骤为：

14、针对目标区域中任一点建立通道区域，将电力线路周边预设范围内区域定义为电力通道约束区域；

15、构建空间权重函数，其中，表示目标区域中任一点与输电线路矢量之间的最短空间距离，为预设电力通道阈值距离；为距离衰减系数；

16、将空间权重函数根据geotiff影像的地理参考关系栅格化为与裁剪样本对应的线路空间权重图并对其按照检测样本尺寸或中间特征图尺度进行重采样；

17、将空间权重函数嵌入统一语义特征中，使统一语义特征与空间权重函数进行耦合，建立空间-语义联合特征：，其中为空间权重增强系数。

18、进一步地，所述的多类别隐患识别的改进yolov11n模型以yolov11n网络为基础模型进行改进：在backbone网络中引入lcd-conv模块，用于在特征下采样过程中保留小尺度隐患目标的边缘与纹理细节；

19、在backbone网络中引入lca模块，以替换原有的自注意力模块；

20、在neck网络中引入lca模块，用于将所述空间权重图转换为空间注意力图，并增强通道区域内的目标特征响应。

21、进一步地，所述的lcd-conv模块的具体内容为：

22、通过普通卷积分支提取主体语义特征：，其中，表示卷积核大小为3×3、步长为2的卷积操作，表示常规下采样后的特征图；

23、设置局部细节保持分支，对输入特征图进行浅层纹理提取：，其中，用于保持像素级通道响应，用于提取局部邻域纹理和边缘特征，表示局部细节特征；

24、对局部细节特征进行尺度调整，使其与主体语义特征的空间尺寸保持一致：，其中，表示下采样操作；

25、将主体语义特征与局部细节特征进行融合，得到lcd-conv输出特征：，其中，表示通道拼接操作，表示经过小目标细节保持卷积模块处理后的输出特征。

26、进一步地，所述的lca模块具体的内容为：

27、接收线路空间权重图和backbone模块输出的中间特征图；

28、将收线空间权重图调整至中间特征图的空间尺度，得到尺度一致的线路空间权重图：

29、，

30、其中，表示尺度变换操作，表示与当前特征图尺寸一致的线路空间权重图；

31、通过卷积映射和sigmoid激活函数生成输电线路通道空间注意力图：

32、，

33、其中，表示输电线路通道空间注意力图，表示sigmoid激活函数。通过该操作，线路空间权重图被转换为适合网络特征融合的注意力响应；

34、将输电线路通道空间注意力图与中间特征图进行融合，得到线路通道增强特征：

35、，

36、其中，表示经lca模块增强后的特征图，为空间注意力增强系数。

37、进一步地，步骤s04中所述的多类别隐患识别的改进yolov11n模型使用lciou线路约束边界框回归损失函数替代基础yolov11n模型中的原始边界框回归损失函数，lciou线路约束边界框回归损失函数表示为：

38、，

39、其中，为预测框与真实框之间的交并比；为中心点偏移损失；为线路空间一致性损失；和分别为对应损失项的权重系数；为预测框，为真实框，为预测框中心点坐标，为真实框中心点坐标，为预测框宽度和高度，为真实框宽度和高度，和分别为预测框中心点和真实框中心点在空间权重函数中的取值；

40、所述的多类别隐患识别的改进yolov11n模型的总损失为：，

41、其中，表示多类别隐患分类损失，表示目标置信度损失，表示线路约束边界框回归损失，、和分别表示对应损失项的权重系数。

42、进一步地，步骤s05中所述的检测结果为，其中，表示检测到的隐患目标数量，表示第个隐患目标的类别；表示第个隐患目标在当前检测样本坐标系下的中心点像素位置；表示第个隐患目标的检测置信度；表示第个隐患目标的边界框，边界框表示为：，其中，表示边界框中心点坐标，和分别表示边界框宽度和高度，均为像素单位；

43、所述的综合风险值的计算公式为：

44、，

45、其中，表示目标类别对应的风险函数；表示目标中心点在cgcs2000投影坐标系下对应的线路空间权重，表示置信度，表示目标尺度风险函数，，为预设尺度归一化参数，为边界框面积；、、和为权重系数，且满足。

46、本发明通过构建跨模态特征对齐与协同表征机制、电力通道空间约束模型以及空间-语义联合特征机制，并基于yolov11n引入小目标细节保持模块、通道空间注意力机制与约束边界框回归损失函数，有效融合了多源遥感数据，将输电线路空间先验信息深度嵌入模型学习过程，显著提升了复杂场景下隐患识别的稳定性与鲁棒性，大幅减少了背景干扰并提高了检测效率，全面增强了多类别隐患目标的识别精度与定位能力。

47、应当理解， 技术实现要素： 部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征，亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。

48、本发明的有益效果：

49、1、通过构建跨模态特征对齐与协同表征机制，有效解决了光学、sar及dem数据之间的语义鸿沟问题，实现了多源遥感数据的统一语义表达，从而充分发挥不同数据源的互补优势，显著提高了复杂场景下隐患识别的稳定性与鲁棒性；

50、2、通过构建电力通道空间约束模型，将输电线路空间先验信息引入检测区域筛选与特征响应过程，使模型在特征学习阶段对通道区域形成显式关注，从而显著提升了检测效率并有效减少了无关背景目标的干扰；

51、3、通过构建空间-语义联合特征机制，使输电线路空间权重参与特征学习与融合过程，并基于yolov11n引入小目标细节保持模块、输电线路通道空间注意力机制及线路约束边界框回归损失函数，实现了语义特征与空间先验信息的协同优化，从而全面提高了对多类别隐患目标的识别精度与定位能力；

52、4、基于检测结果计算隐患综合风险值，实现了从目标检测到风险等级评估的统一建模，提高了检测结果的可解释性与工程应用价值，满足了电力通道精细化管理的需求。