一种基于多源空间数据的电网施工风险隐患识别方法与流程

本发明涉及电力系统智能运维及工业空间数据智能分析，尤其涉及一种基于多源空间数据的电网施工风险隐患识别方法。

背景技术：

1、随着输变电工程在复杂地形区域的快速推进，电网施工中因地形扰动、植被破坏与地质灾害诱发的安全隐患频发，对施工选址与风险预警提出更高要求。现有的电网选址辅助系统多依赖单一的遥感图像分析或人工专家经验判断进行隐患识别，但在实际应用中普遍存在以下问题：

2、多源空间数据之间的坐标系不统一、分辨率差异大，导致空间配准误差较高，难以实现高精度图层叠加与一致性分析；遥感图像、地质图层与环境因子等数据的语义信息融合不足，传统特征提取方法难以同时刻画地形异常、植被扰动和地质高风险区域的多维特征，隐患区域漏检或误判问题严重；风险等级划分方法大多采用固定阈值或人工规则，难以适应空间异质性强、地理环境复杂的电网施工场景；风险分析结果往往与塔位点空间分布割裂，缺乏与实际施工布点的直接对应关系，难以为工程规划提供精确指导。

3、因此，如何提供一种基于多源空间数据的电网施工风险隐患识别方法是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出一种基于多源空间数据的电网施工风险隐患识别方法，本发明充分融合了遥感影像数据、数字高程模型数据、塔位点空间矢量数据、地质灾害风险因子数据与归一化植被指数数据，构建了面向空间特征建模的改进型segformer网络与风险等级预测模型，详细描述了电网施工区域隐患区域识别、风险等级判别、塔位风险评估与空间可视化的过程，具备空间感知精度高、隐患识别鲁棒性强、风险评估结果直观的优点。

2、根据本发明实施例的一种基于多源空间数据的电网施工风险隐患识别方法，包括如下步骤：

3、步骤一：采集电网施工区域的多源空间数据，并对空间数据进行坐标统一与空间配准；

4、步骤二：将多源空间数据进行标准化处理，生成融合图层张量；

5、步骤三：将融合图层张量输入至改进型segformer网络，执行多模态空间特征建模和语义增强融合，所述改进型segformer网络引入模态分组、高程先验与交替注意力机制，生成融合特征张量，并通过多尺度建模与阈值判断生成隐患区域掩码图；

6、步骤四：构建风险等级预测模型，并基于融合特征张量与隐患区域掩码图，对电网施工区域中各空间位置的风险等级状态进行判别，生成风险等级标签图；

7、步骤五：将风险等级标签图、隐患区域掩码图与塔位点空间矢量图层执行空间叠加分析，提取每个塔位点对应的风险等级分布与隐患区域片段，生成塔位风险评估表；

8、步骤六：将塔位风险评估表、风险等级标签图和隐患区域掩码图进行可视化分析，并在用户交互终端进行展示；

9、步骤七：采集用户交互反馈数据，对改进型segformer网络与风险等级预测模型进行增量更新。

10、可选的，所述步骤一具体包括：

11、所述多源空间数据包括遥感影像数据、数字高程模型数据、塔位点空间矢量数据、地质灾害风险因子数据与归一化植被指数数据；

12、将多源空间数据采用基于epsg编码的投影转换方法进行坐标系统一，通过仿射变换方法进行空间基准统一，采用矢量多边形掩膜执行图层空间裁剪操作，生成遥感影像图层、数字高程模型图层、塔位点空间矢量图层、地质灾害图层和植被指数图层。

13、可选的，所述步骤二具体包括：

14、将遥感影像图层通过通道线性归一化方法对红、绿、蓝波段像元值执行归一化，并将归一化后的遥感影像数据进行空间重采样，统一分辨率，生成遥感影像栅格图层；

15、根据数字高程模型图层计算坡度因子图层，具体为：采用三阶有限差分算法在每个像元位置处计算坡度值；将坡度因子图层通过通道线性归一化方法执行归一化处理，生成坡度栅格图层；

16、将塔位点空间矢量图层执行矢量-栅格转换操作，具体为：采用最近邻映射方式将每个塔位点映射至对应栅格像元，生成塔位栅格图层；

17、将地质灾害图层与植被指数图层进行空间重采样，统一分辨率，并进行尺度对齐与图幅边界一致性处理，生成地质灾害栅格图层与植被指数栅格图层；

18、将遥感影像栅格图层、坡度栅格图层、塔位栅格图层、地质灾害栅格图层与植被指数栅格图层按照通道维度进行拼接，形成融合图层张量，所述融合图层张量维度包括图像高度、图像高宽与通道数。

19、可选的，所述步骤三具体包括：

20、将融合图层张量按照通道划分为若干模态通道组，所述模态通道组包括遥感图像模态通道组、高程结构模态通道组、风险标注模态通道组、植被扰动模态通道组和塔位模态通道组；

21、将每个模态通道组通过独立的transformer编码路径进行语义建模，生成模态语义特征图，其中，每条transformer编码路径包括卷积下采样层、patch构造模块与mixtransformer编码模块，具体为：

22、引入数字高程模型数据，并通过通道线性归一化方法进行归一化处理，生成高程栅格图层；

23、将高程栅格图层和模态通道组通过卷积核为5×5、步长为2、填充方式为对称零填充的二维卷积进行尺寸压缩，并通过批归一化与gelu激活函数进行非线性映射处理，生成高程栅格压缩张量和模态压缩张量；

24、将高程栅格压缩张量和模态压缩张量分别按照相同窗口尺寸划分为若干patch区块，并将每个patch区块展平为一维向量，通过mlp进行线性映射，投影至预设维度，生成高程嵌入向量与patch特征向量；

25、引入可学习权重系数，将高程嵌入向量与可学习权重系数进行逐元素相乘，并与patch特征向量进行向量加法，生成混合patch特征向量；

26、将当前模态通道组对应的所有混合patch特征向量组成混合patch特征向量序列，并输入至mix transformer编码模块，生成模态语义特征图；

27、将所有transformer编码路径生成的模态语义特征图分别进行批归一化，并进行通道拼接融合，生成融合特征张量；

28、将融合特征张量并行输入至三个卷积分支，分别执行1×1卷积、3×3卷积与5×5卷积操作，生成三个尺度的局部感知特征图；

29、将三个尺度的局部感知特征图进行逐元素加法融合，生成增强卷积特征图；

30、对增强卷积特征图采用1×1卷积执行通道压缩映射，并通过两层mlp执行非线性映射，生成语义融合特征图；

31、将语义融合特征图通过上采样恢复至与原始图像空间尺寸一致，并通过sigmoid激活函数生成隐患区域概率图；

32、设定隐患阈值，对隐患区域概率图中每个像素点进行隐患判断，若每个像素点对应的概率值小于隐患阈值，则设置像素值为0，否则，设置像素值为1，并将隐患判断后的隐患区域概率图作为隐患区域掩码图。

33、可选的，所述mix transformer编码模块包括四层transformer编码层，对混合patch特征向量序列执行交替注意力运算，具体包括：

34、第1层transformer编码器与第3层transformer编码器对输入特征向量序列进行局部窗口内多头自注意力运算，第2层transformer编码器与第4层transformer编码器对输入特征向量序列执行池化增强注意力运算；

35、所述池化增强注意力运算具体为：

36、将所述输入特征向量序列通过二维平均池化与二维最大池化分别获得平均池化特征向量序列与最大池化特征向量序列；

37、将平均池化特征向量序列与最大池化特征向量序列沿通道维度进行拼接，并通过一层一维卷积进行通道变换，生成池化融合向量序列；

38、将池化感知融合向量序列与所述输入的特征向量序列进行逐元素加法融合，形成增强特征向量序列；

39、将增强特征向量序列进行自注意力运算，生成当前层transformer编码器的输出特征向量序列；

40、第1层transformer编码器的输入为混合patch特征向量序列，第n+1层transformer编码器的输入为第n层transformer编码器的输出特征向量序列，其中，n取1、2与3；

41、将第4层transformer编码器的输出特征向量序列作为模态编码特征向量序列，并将模态编码特征向量序列重塑为二维空间结构，生成模态语义特征图。

42、可选的，所述步骤四具体包括：

43、将融合特征张量通过双线性插值上采样到与原始图像空间尺寸一致，生成空间对齐特征张量；

44、将掩码引导图沿通道维度复制，形成与空间对齐特征张量通道维度相同的引导掩码张量；

45、将空间对齐特征张量与引导掩码张量进行通道级逐元素相乘，生成引导融合特征张量；

46、将引导融合特征张量通过一层3×3卷积与relu激活函数进行特征变换，生成中间风险特征张量；将中间风险特征张量通过一层1×1卷积进行通道压缩映射，并通过softmax分类器转化为每个像素位置的风险等级预测向量；

47、所述风险等级预测向量为三维向量，分别对应当前像素位置属于低风险等级预测概率值、中风险等级预测概率值与高风险等级预测概率值；

48、将每个像素位置的风险等级预测向量中最大预测概率值对应的类别索引作为风险标签，并构成风险等级标签图；所述风险标签为0：低风险、1：中风险和2：高风险。

49、可选的，所述步骤五具体包括：

50、根据塔位点空间矢量图层中每个塔位点的空间坐标，在风险等级标签图中以所述空间坐标为中心，构建设定边长的空间窗口；

51、提取空间窗口内所有像素对应的风险标签，并分别统计风险标签为0、1与2的像素数量，分别记为低风险像素数量、中风险像素数量与高风险像素数量；

52、分别计算低风险像素数量、中风险像素数量与高风险像素数量占所述空间窗口内所有像素数量的比例，获得低风险比例、中风险比例与高风险比例，并按顺序组成当前塔位点的风险等级分布概率向量；

53、获取隐患区域掩码图中与所述空间窗口相交的区域，作为当前塔位点的隐患区域片段，并统计所述隐患区域片段中掩码值为1的像素数量作为当前塔位点的隐患区域像素数；

54、将当前构建塔位点的空间坐标、风险等级分布概率向量和隐患区域像素数按顺序构成塔位点风险记录向量；

55、将所有塔位点的塔位点风险记录向量按行组织成塔位风险评估表。

56、可选的，所述步骤六具体包括：

57、将塔位风险评估表投影至地理空间坐标中，生成塔位风险等级分布图层；

58、将隐患区域掩码图叠加于遥感影像图层上，形成隐患区域空间遮罩图层；

59、将风险等级标签图进行伪彩色映射，生成风险等级分布图层，所述伪彩色映射中将0映射为绿色、1映射为黄色、2映射为红色；

60、将塔位风险可视化图层、隐患区域空间遮罩图层与风险等级分布图层基于空间坐标进行对齐并叠加图层，生成空间风险可视化图层集，并将空间风险可视化图层集输出至用户交互终端进行展示。

61、可选的，所述用户交互反馈数据包括风险等级标签修正信息、隐患区域边界调整信息和补充标注隐患区域；

62、将用户交互反馈数据与多源空间数据进行融合，构建交互反馈训练样本集；

63、基于交互反馈训练样本集，对改进型segformer网络与风险等级预测模型执行增量更新。

64、本发明的有益效果是：

65、本发明提出了一种基于多源空间数据的电网施工风险隐患识别方法，能够有效解决现有方法在隐患空间分布表达、风险等级精细化判别以及结果可视化等方面存在的局限性。首先，通过采集电网施工区域的遥感影像数据、数字高程模型数据、塔位点空间矢量数据、地质灾害风险因子数据与归一化植被指数数据，并完成坐标统一、空间配准和预处理操作，生成结构一致的融合图层张量，为特征建模与风险识别提供数据基础。

66、其次，利用改进型segformer网络对融合图层张量进行多模态空间特征建模与语义增强融合。将融合图层张量进行模态分组，通过独立的transformer编码路径提取跨模态的空间地形特征、植被扰动特征与地质灾害风险相关特征，输出模态语义特征图；所述transformer编码路径引入数字高程模型数据作为结构先验，引导编码器重点关注地形突变区域与高差异常区域，增强对地质灾害易发地带的感知能力；在mix transformer编码模块中引入交替注意力，使网络能够捕捉潜在的模态间协同关系与区域空间依赖，有效提升了改进型segformer网络对弱纹理隐患区域和模糊边界区域的判别能力。

67、此外，所述风险等级预测模型结合融合特征张量与隐患区域掩码图，引入掩码引导机制对风险显著区域进行关注，引导网络生成空间对齐的中间风险特征张量，并通过softmax分类器实现对电网施工区域中每个空间位置的风险等级状态进行判别，生成具有高分辨率与高区分度的风险等级标签图；进一步结合塔位点空间矢量图层，执行空间叠加分析，准确提取每个塔位点周边对应的风险等级分布与隐患区域范围，形成结构化的塔位风险评估表，为电网施工运维提供了量化的风险评估依据。通过对风险等级标签图、隐患区域掩码图与塔位风险评估表执行可视化映射，形成空间风险可视化图层集，实现对施工风险空间分布直观表达。

68、综上所述，本发明不仅实现了对电网施工区域空间风险隐患的精细化识别与等级划分，还通过空间叠加分析与可视化表达提供了面向工程实践的风险评估结果，具备数据融合精准、特征提取有效、风险判别精细、结果表达直观和模型可持续优化的优点。