在gis地图上识别大棚的方法
技术领域
1.本发明属于电力设施建设技术领域，具体涉及为在gis地图上识别大棚的方法。
背景技术：
2.在输电线路日常巡视工作中，巡视对象主要是输电设备本体、输电通道以及其他金具等。近年来，输电线路运维技术快速发展，大力应用各类物联网及信息通信新技术，全面推动专业管理向数字化、智能化转变，尤其是无人机自主巡检技术的应用，通过无人机搭载可见光、红外、激光点云等成像设备，开展本体缺陷巡视、通道隐患巡视、红外测温巡视，在空间、时间等维度，克服了人工巡视带来的不便，减轻了巡视人员的劳动强度，大大提高了巡视质量和工作效率。
技术实现要素：
3.本发明要解决的技术问题是：克服现有技术的不足，提供一种在gis地图上识别大棚的方法，本发明克服了国家电网在交通，自然条件比较恶劣的地区进行输电线路巡检的不便问题
4.本发明解决现有技术存在的问题所采用的技术方案是：
5.在gis地图上识别大棚的方法，包括以下步骤：
6.a、无人机进行高空飞行，通过机载相机对底面进行抓取拍摄；
7.b、将无人机拍摄的照片处理成gis地图；
8.c、建立模型；
9.d、对gis地图进行建模训练，对地图中大棚的位置进行标记。
10.优选的，对无人机拍摄的照片进行图像裁剪处理，对裁剪后的照片通过建模来进行分析处理，标记大棚位置。
11.优选的，对照片的裁剪方法为：相机拍摄的图片宽高均为a，以左上角或左下角为原点，以b
×
b为基础进行裁剪第一张图片，b≤a；
12.然后以第一张图片的中点为原点，以b
×
b为基础进行裁剪第二张图片；
13.然后以第二张图片的中点为原点，以b
×
b为基础进行裁剪第三张图片；
14.然后由此类推，依次裁剪第四张、第五张、第n张，直到原始图片全部裁剪。
15.优选的，对照片的裁剪方法为：相机拍摄的图片宽高均为a，以右上角或右下角为原点，以b
×
b为基础进行裁剪第一张图片，b≤a；
16.然后以第一张图片的中点为原点，以b
×
b为基础进行裁剪第二张图片；
17.然后以第二张图片的中点为原点，以b
×
b为基础进行裁剪第三张图片；
18.然后由此类推，依次裁剪第四张、第五张、第n张，直到原始图片全部裁剪。
19.优选的，所述的a≥960mm，b≤640mm。
20.优选的，模型训练时，采用基于人工智能深度学习的目标检测算法来完成对输电线路上大棚的检测与识别。
21.通过模型的泛化能力，来评判模型的好坏。
22.优选的，模型在数据集的损失值越大，说明模型训练效果很差，称为欠拟合；模型在训练集上损失很小，但是在测试集上损失很大，称为过拟合。
23.优选的，采用基于yolov5的目标检测算法，来实现对gis地图中大棚的检测。
24.优选的，在gis地图上识别大棚的方法采用的主干网络为pkbnet。
25.优选的，主干网络pkbnet的处理方法为：首先整理上万无人机高空拍摄的大棚图片，从零开始训练主干网络，经过大量的调参试验，主干网络分类精度达到了92％以上，然后基于yolov5模型添加注意力机制。
26.与现有技术相比，本发明所具有的有益效果：
27.克服了国家电网在交通，自然条件比较恶劣的地区进行输电线路巡检的不便问题。避免国家电网采用人力去进行巡检大棚是否对输电杆塔产生影响。国家电网工作人员通过无人机远程操纵即可实现，减少人力资源的使用，也保障了工作人员的人身健康。
具体实施方式
28.如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
29.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
30.以下对本发明在gis地图上识别大棚的方法作进一步详细说明，但不作为对本发明的限定。
31.由于在山区或者欠发达地区人力进行线路巡检非常不方便，所以我们采用无人机进行高空飞行，采用超清相机对地面进行抓取拍摄。本算法意在解决地面上农民构造的大棚是否会对输电线路产生危险。
32.我们使用基于人工智能深度学习的目标检测算法来完成对输电线路上大棚的检测与识别。深度学习是一种监督学习算法，需要人类手动对数据进行标注。模型通过拟合数据集的数据输出一个离散或者连续的结果，这个结果与我们手动标记的标签进行比较，通过高等数学与概率论上的最大似然估计我们构造出一个损失函数，通过梯度下降来最小化损失函数。模型在数据集的损失值越大，说明模型训练效果很差，称为欠拟合；模型在训练集上损失很小，但是在测试集上损失很大，称为过拟合。我们需要训练出在训练集表现很好，在测试集上表现也很好的模型，模型的泛化能力，是评价模型好坏的一个重要标准。
33.我们采用基于yolov5的目标检测算法，来实现对gis地图中大棚的检测。yolov5 是一种非常优秀的one-stage算法，识别速度相对于传统的two-stages算法提升非常大，并
且提供四种规格的模型，识别精度也非常不错。但是yolov5对于小目标以及密集型目标的检测效果非常一般，所以我们采用yolov5算法为基础算法，然后对其进行改造来帮助我们实现对大棚的检测。
34.首先，由于无人机是在高空飞行，并且无人机装载的相机分辨率非常大(意味着对计算机设备的配置要求非常高)，所以我们不能直接把无人机拍摄的图片用于模型训练。我们这里设计了一种图像裁剪处理算法，假设一张图片的宽高均为960，我们从左上角设为原点，以240*240为基础进行裁剪第一张图片，然后，以第一张图的中点，即120 再为原点，进行下一轮的裁剪，依次递归下去，直到原始图片全部裁减。我们这样做的好处是，我们把无人机拍摄的一张像素很大的图片，裁剪成很多张小图片，实际在制作的时候，裁减的小图片尺寸为640*640。这样第一减小了对计算设备性能的需求，第二又增加了数据集的数量。
35.其次，为能够保障模型的识别精度，本办法主干网络采用自研网络结构，命名为 pkbnet。首先整理上万无人机高空拍摄的大棚图片，从零开始训练主干网络，经过大量的调参试验，主干网络分类精度达到了92％以上，然后基于yolov5模型添加注意力机制。本办法在自研主干网络pkbnet的基础上添加了senet结构(senet是 squeeze-and-excitation networks的简称，其提出的se模块思想简单，易于实现，且很容易可以加载到现有的网络模型框架中。)，senet主要是学习了channel之间的相关性，筛选出了针对通道的注意力，计算量增加但效果比较好。具体表现为squeeze：对c*h*w进行global average pooling得到1*1*c的特征图，这个特征图可以理解为具有全局感受野。excitation：使用全连接神经网络，对squeeze之后的结果做一个非线性变换。特征重标定：使用excitation得到的结果作为权重乘到特征矩阵上。至此，我们用自研pkbnet替换掉yolov5的主干网络cspdarknet，模型的构造已经完成，该模型在yolov5模型上实现了个性化改造，其性能及表现更加优秀。
36.最后模型的输出结果便为模型把一张无人机高空拍摄的图片把大棚用矩形框标注出来。
37.通过卷积操作得到特征图后，输出三个结果，cls为预测框预测的物体具体是哪个类别，本算法则为大棚；reg为模型预测的预测框的中心点坐标和左上角坐标，通过上述坐标来进行矩形框的绘制；obj为预测框是否包含物体的概率，即判断矩形框标注的物体是否为大棚。
38.上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
技术领域
1.本发明属于电力设施建设技术领域，具体涉及为在gis地图上识别大棚的方法。
背景技术：
2.在输电线路日常巡视工作中，巡视对象主要是输电设备本体、输电通道以及其他金具等。近年来，输电线路运维技术快速发展，大力应用各类物联网及信息通信新技术，全面推动专业管理向数字化、智能化转变，尤其是无人机自主巡检技术的应用，通过无人机搭载可见光、红外、激光点云等成像设备，开展本体缺陷巡视、通道隐患巡视、红外测温巡视，在空间、时间等维度，克服了人工巡视带来的不便，减轻了巡视人员的劳动强度，大大提高了巡视质量和工作效率。
技术实现要素：
3.本发明要解决的技术问题是：克服现有技术的不足，提供一种在gis地图上识别大棚的方法，本发明克服了国家电网在交通，自然条件比较恶劣的地区进行输电线路巡检的不便问题
4.本发明解决现有技术存在的问题所采用的技术方案是：
5.在gis地图上识别大棚的方法，包括以下步骤：
6.a、无人机进行高空飞行，通过机载相机对底面进行抓取拍摄；
7.b、将无人机拍摄的照片处理成gis地图；
8.c、建立模型；
9.d、对gis地图进行建模训练，对地图中大棚的位置进行标记。
10.优选的，对无人机拍摄的照片进行图像裁剪处理，对裁剪后的照片通过建模来进行分析处理，标记大棚位置。
11.优选的，对照片的裁剪方法为：相机拍摄的图片宽高均为a，以左上角或左下角为原点，以b
×
b为基础进行裁剪第一张图片，b≤a；
12.然后以第一张图片的中点为原点，以b
×
b为基础进行裁剪第二张图片；
13.然后以第二张图片的中点为原点，以b
×
b为基础进行裁剪第三张图片；
14.然后由此类推，依次裁剪第四张、第五张、第n张，直到原始图片全部裁剪。
15.优选的，对照片的裁剪方法为：相机拍摄的图片宽高均为a，以右上角或右下角为原点，以b
×
b为基础进行裁剪第一张图片，b≤a；
16.然后以第一张图片的中点为原点，以b
×
b为基础进行裁剪第二张图片；
17.然后以第二张图片的中点为原点，以b
×
b为基础进行裁剪第三张图片；
18.然后由此类推，依次裁剪第四张、第五张、第n张，直到原始图片全部裁剪。
19.优选的，所述的a≥960mm，b≤640mm。
20.优选的，模型训练时，采用基于人工智能深度学习的目标检测算法来完成对输电线路上大棚的检测与识别。
21.通过模型的泛化能力，来评判模型的好坏。
22.优选的，模型在数据集的损失值越大，说明模型训练效果很差，称为欠拟合；模型在训练集上损失很小，但是在测试集上损失很大，称为过拟合。
23.优选的，采用基于yolov5的目标检测算法，来实现对gis地图中大棚的检测。
24.优选的，在gis地图上识别大棚的方法采用的主干网络为pkbnet。
25.优选的，主干网络pkbnet的处理方法为：首先整理上万无人机高空拍摄的大棚图片，从零开始训练主干网络，经过大量的调参试验，主干网络分类精度达到了92％以上，然后基于yolov5模型添加注意力机制。
26.与现有技术相比，本发明所具有的有益效果：
27.克服了国家电网在交通，自然条件比较恶劣的地区进行输电线路巡检的不便问题。避免国家电网采用人力去进行巡检大棚是否对输电杆塔产生影响。国家电网工作人员通过无人机远程操纵即可实现，减少人力资源的使用，也保障了工作人员的人身健康。
具体实施方式
28.如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。
29.在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
30.以下对本发明在gis地图上识别大棚的方法作进一步详细说明，但不作为对本发明的限定。
31.由于在山区或者欠发达地区人力进行线路巡检非常不方便，所以我们采用无人机进行高空飞行，采用超清相机对地面进行抓取拍摄。本算法意在解决地面上农民构造的大棚是否会对输电线路产生危险。
32.我们使用基于人工智能深度学习的目标检测算法来完成对输电线路上大棚的检测与识别。深度学习是一种监督学习算法，需要人类手动对数据进行标注。模型通过拟合数据集的数据输出一个离散或者连续的结果，这个结果与我们手动标记的标签进行比较，通过高等数学与概率论上的最大似然估计我们构造出一个损失函数，通过梯度下降来最小化损失函数。模型在数据集的损失值越大，说明模型训练效果很差，称为欠拟合；模型在训练集上损失很小，但是在测试集上损失很大，称为过拟合。我们需要训练出在训练集表现很好，在测试集上表现也很好的模型，模型的泛化能力，是评价模型好坏的一个重要标准。
33.我们采用基于yolov5的目标检测算法，来实现对gis地图中大棚的检测。yolov5 是一种非常优秀的one-stage算法，识别速度相对于传统的two-stages算法提升非常大，并
且提供四种规格的模型，识别精度也非常不错。但是yolov5对于小目标以及密集型目标的检测效果非常一般，所以我们采用yolov5算法为基础算法，然后对其进行改造来帮助我们实现对大棚的检测。
34.首先，由于无人机是在高空飞行，并且无人机装载的相机分辨率非常大(意味着对计算机设备的配置要求非常高)，所以我们不能直接把无人机拍摄的图片用于模型训练。我们这里设计了一种图像裁剪处理算法，假设一张图片的宽高均为960，我们从左上角设为原点，以240*240为基础进行裁剪第一张图片，然后，以第一张图的中点，即120 再为原点，进行下一轮的裁剪，依次递归下去，直到原始图片全部裁减。我们这样做的好处是，我们把无人机拍摄的一张像素很大的图片，裁剪成很多张小图片，实际在制作的时候，裁减的小图片尺寸为640*640。这样第一减小了对计算设备性能的需求，第二又增加了数据集的数量。
35.其次，为能够保障模型的识别精度，本办法主干网络采用自研网络结构，命名为 pkbnet。首先整理上万无人机高空拍摄的大棚图片，从零开始训练主干网络，经过大量的调参试验，主干网络分类精度达到了92％以上，然后基于yolov5模型添加注意力机制。本办法在自研主干网络pkbnet的基础上添加了senet结构(senet是 squeeze-and-excitation networks的简称，其提出的se模块思想简单，易于实现，且很容易可以加载到现有的网络模型框架中。)，senet主要是学习了channel之间的相关性，筛选出了针对通道的注意力，计算量增加但效果比较好。具体表现为squeeze：对c*h*w进行global average pooling得到1*1*c的特征图，这个特征图可以理解为具有全局感受野。excitation：使用全连接神经网络，对squeeze之后的结果做一个非线性变换。特征重标定：使用excitation得到的结果作为权重乘到特征矩阵上。至此，我们用自研pkbnet替换掉yolov5的主干网络cspdarknet，模型的构造已经完成，该模型在yolov5模型上实现了个性化改造，其性能及表现更加优秀。
36.最后模型的输出结果便为模型把一张无人机高空拍摄的图片把大棚用矩形框标注出来。
37.通过卷积操作得到特征图后，输出三个结果，cls为预测框预测的物体具体是哪个类别，本算法则为大棚；reg为模型预测的预测框的中心点坐标和左上角坐标，通过上述坐标来进行矩形框的绘制；obj为预测框是否包含物体的概率，即判断矩形框标注的物体是否为大棚。
38.上面对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
