一种基于形变检测的输电线路地质灾害分析方法及系统与流程

1.本发明属于遥感应用技术领域，具体涉及一种基于形变检测的输电线路地质灾害分析方法及系统。


背景技术：

2.地震导致大量的杆塔倒塌，造成巨大的生命和财产损失。震后杆塔基损毁数量、程度是灾区救援和重建开始前所必需的信息。
3.目前，通常采用人工上报数据和野外调查数据来确定杆塔倒损数量。然而，这种仅依赖于人力调查的方法，效率较低，且存在无法在第一时间获取真实数据的问题。
4.高空间分辨率遥感技术具有真实、客观、受地面通讯条件影响小等特点，可在第一时间获取大量有效的数据，为及时确定杆塔倒损数量提供有效的支撑。基于图像识别的方式确定杆塔倒塌存在较大难度，尤其是在山区，输电线路杆塔分布比较分散，类型多样，破坏程度不一，无法准确识别杆塔基础地质，无法准确评估破坏程度。因此如何克服现有技术的不足是目前遥感应用技术领域亟需解决的问题。


技术实现要素：

5.本发明的目的是为了解决现有技术的不足，提供一种基于形变检测的灾害分析方法及系统，建立形变场与杆塔基础地质破坏程度的关系，采用差分干涉获得建立形变场图，进而获得杆塔基础地质破坏程度，实现受灾范围的快速圈定或震害程度的准确评估。
6.为实现上述目的，本发明采用的技术方案如下：一种基于形变检测的输电线路地质灾害分析方法，包括：基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库；构建若干人工神经网络模型，分别采用不同偏移值范围及偏移方向的样本训练并封装；获取待分析地震前后的遥感图像，差分干涉建立形变场，基于偏移值及偏移方向进行分割，选择对应偏移值范围及偏移方向的人工神经网络模型识别杆塔基础地质破坏程度，形成杆塔基础地质破坏情况分布。
7.进一步，优选的是，还包括基于获得的破坏情况评估地震烈度，输出地震烈度分布。
8.进一步，优选的是，杆塔基础地质破坏程度分布包括每种受损类型的占比，以地震前后的sar遥感图像和对应的高分光学遥感图像的变化检测结果判定，并通过现场目视调查进行定性标注确认；受损类型包括毁坏倒塌、毁坏未倒塌、严重破坏、轻微破坏以及基本完好，分别对应前后图像的区域变化率≥80%，60%≤区域变化率＜80%，40%≤区域变化率＜60%，20%≤区
域变化率＜40%，区域变化率＜20%；所述的区域变化率为两个时相的序列图像在同一区域的倾斜位移的均方根误差。
9.进一步，优选的是，差分干涉建立形变场包括：获取覆盖地震影响区域的形变点位图进行定量标注，计算出杆塔区域的倾斜位移信息，从而定量地反映出地质灾害的影响程度。
10.进一步，优选的是，人工神经网络模型包括卷积层、池化层、激活层以及全连接层；所述卷积层进行特征提取包括依据干涉纹图提取图像特征、依据形变等值线提取形变值分布，依据跨断层剖面线提取是否位于断层带；所述池化层对提取的特征进行降维；所述激活层采用relu函数；所述全连接层输出杆塔基础地质破坏分布结果。
11.进一步，优选的是，基于偏移值及偏移方向进行分割包括：分割为该区域具有某个范围的偏移值及偏移方向。
12.本发明同时提供一种基于形变检测的输电线路地质灾害分析系统，包括输入模块、分割模块、选择模块、若干破坏程度识别模块以及输出模块；所述输入模块用于获取形变场；所述分割模块用于基于偏移值及偏移方向对形变场进行分割；所述选择模块用于基于偏移值及偏移方向选择对应的破坏程度识别模块识别杆塔基础地质破坏程度；所述输出模块用于定量化输出杆塔基础地质破坏程度，结合对应的地理信息，形成杆塔基础地质破坏分布结果。
13.进一步，优选的是，所述破坏程度识别模块由人工神经网络模型构建并训练获得；基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉获得建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库，由样本库选择训练样本训练人工神经网络模型满足误差等级并封装。
14.进一步，优选的是，所述人工神经网络模型包括卷积层、池化层、激活层以及全连接层；所述卷积层进行特征提取包括依据干涉纹图提取图像特征、依据形变等值线提取形变值分布，依据跨断层剖面线提取是否位于断层带；所述池化层对提取的特征进行降维；所述激活层采用relu函数进行非线性计算；所述全连接层输出杆塔基础地质破坏分布结果；杆塔基础地质破坏程度分布包括每种受损类型的占比，受损类型包括毁坏倒塌、毁坏未倒塌、严重破坏、轻微破坏以及基本完好；形变场包括：覆盖地震影响区域的形变点位图，基于其偏移量进行定量标注。
15.优选，本发明激活层采用relu函数，利用relu函数对高分光学遥感图像提供的几何、纹理、以及sar遥感图像提供的极化、倾斜位移这些特征向量进行非线性计算。
16.本发明对于偏移值及偏移方向进行分割的具体不做限制，可以根据实际可运行的计算量进行相应的分割，例如可承载的运算量较大，则可以进行较细的分割。又例如，偏移方向按照360
°
平均分为8个范围，代表8个方向；偏移量按照无偏移到最大偏移量平均分为8个范围。
17.本发明与现有技术相比，其有益效果为：（1）本发明利用遥感图像覆盖性广、不受地面情况影响、能够第一时间获得的特性，实现了在地震发生后，第一时间圈定受灾范围，评估震害程度。
18.（2）insar技术作为一种新型大地测量技术，具有大区域覆盖的优势，能对灾区进行成像并获得其形变信息。本发明建立形变场与杆塔基础地质破坏程度的关系，利用形变场，基于不同断层走向、断层两侧形变方向、形变值，结合相应的高分光学遥感图像，综合形成标准统一的区域变化率，用于评估对应的杆塔基础地质破坏程度，使得评估更加准确。
19.（3）本发明针对不同的形变方向及形变值建立多组人工神经网络模型，根据形变方向及形变值选择对应人工神经网络模型，保证了识别的准确性。
附图说明
20.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
21.图1为基于形变检测的输电线路地质灾害分析方法流程图；图2为人工神经网络模型示意图；图3为基于形变检测的输电线路地质灾害分析系统组成示意图；图4为研究区域地表形变场图图5为地表形变场图按照不同偏移值进行图像分割示意图；不同粗细的外接边界对应不同的偏移值；图6为基于现场核实，进行样本标注，将杆塔区域的sar遥感图像和高分光学遥感图像输入进行训练的示意图；图7为开展杆塔变化监测与识别，获得杆塔基础地质破坏程度结果图。
具体实施方式
22.下面结合实施例对本发明作进一步的详细描述。
23.本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
24.如图1所示，一种基于形变检测的输电线路地质灾害分析方法，包括：基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库；构建若干人工神经网络模型，分别采用不同偏移值范围及偏移方向的样本训练并封装；获取待分析地震前后的遥感图像，差分干涉建立形变场，基于偏移值及偏移方向进行分割，选择对应偏移值范围及偏移方向的人工神经网络模型识别杆塔基础地质破坏程度，形成杆塔基础地质破坏情况分布。
25.优选，还包括基于获得的破坏情况评估地震烈度，输出地震烈度分布。
26.优选，杆塔基础地质破坏程度分布包括每种受损类型的占比，以地震前后的sar遥感图像和对应的高分光学遥感图像的变化检测结果判定，并通过现场目视调查进行定性标注确认；受损类型包括毁坏倒塌、毁坏未倒塌、严重破坏、轻微破坏以及基本完好，分别对应前后图像的区域变化率≥80%，60%≤区域变化率＜80%，40%≤区域变化率＜60%，20%≤区域变化率＜40%，区域变化率＜20%；所述的区域变化率为两个时相的序列图像在同一区域的倾斜位移的均方根误差。
27.优选，差分干涉建立形变场包括：获取覆盖地震影响区域的形变点位图进行定量标注，计算出杆塔区域的倾斜位移信息。
28.优选，人工神经网络模型包括卷积层、池化层、激活层以及全连接层；所述卷积层进行特征提取包括依据干涉纹图提取图像特征、依据形变等值线提取形变值分布，依据跨断层剖面线提取是否位于断层带；所述池化层对提取的特征进行降维；所述激活层采用relu函数；所述全连接层输出杆塔基础地质破坏分布结果。
29.优选，基于偏移值及偏移方向进行分割包括：分割为该区域具有某个范围的偏移值及偏移方向。
30.如图3所示，一种基于形变检测的输电线路地质灾害分析系统，包括输入模块、分割模块、选择模块、若干破坏程度识别模块以及输出模块；所述输入模块用于获取形变场；所述分割模块用于基于偏移值及偏移方向对形变场进行分割；所述选择模块用于基于偏移值及偏移方向选择对应的破坏程度识别模块识别杆塔基础地质破坏程度；所述输出模块用于定量化输出杆塔基础地质破坏程度，结合对应的地理信息，形成杆塔基础地质破坏分布结果。
31.优选，所述破坏程度识别模块由人工神经网络模型构建并训练获得；基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉获得建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库，由样本库选择训练样本训练人工神经网络模型满足误差等级并封装。
32.优选，所述人工神经网络模型包括卷积层、池化层、激活层以及全连接层；所述卷积层进行特征提取包括依据干涉纹图提取图像特征、依据形变等值线提取形变值分布，依据跨断层剖面线提取是否位于断层带；所述池化层对提取的特征进行降维；所述激活层采用relu函数进行非线性计算；所述全连接层输出杆塔基础地质破坏分布结果；杆塔基础地质破坏程度分布包括每种受损类型的占比，受损类型包括毁坏倒塌、毁坏未倒塌、严重破坏、轻微破坏以及基本完好；形变场包括：覆盖地震影响区域的形变点位图，基于其偏移量进行定量标注。
33.具体地，本发明提供一种基于形变检测的输电线路地质灾害分析方法，结合图1，包括如下步骤：（1）基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉获得区域的地形相位差，建立形变场图，根据偏移值范围及偏移方向进行分割，结合对应的高分光学遥感图像，形成样本数据库，并标注杆塔基础地质破坏的程度。
34.利用sar干涉测量技术进行地表形变监测及震害指数评估，通过对干涉处理中图像配准、噪声滤波和相位解缠处理，获取形变场，通过各形变点位偏移量信息的定量分析，提取形变场的空间动态变化特征。
35.差分干涉测量利用同一地区观测的两幅sar复数影像进行干涉处理，通过相位信息获取地表高程信息及形变信息的技术。根据成像时间，insar可以分为单次轨道（single-pass）和重复轨道（repeat-pass）两种模式。单次轨道干涉是指在同一机载或星载平台上装载两副天线，其中一副天线发射信号，两副天线都接受地面回波信号，并利用获取的数据进行干涉处理。重复轨道干涉是指同一传感器或相似传感器按照平行轨道两次对地成像，利用得到的数据进行干涉处理。两次成像时sar系统之间的空间距离称为空间基线距，时间间隔称为时间基线。在忽略噪声的情况下，假定两次成像时大气情况基本一致，通过去除平地相位和地形相位，就能获取地面目标点的形变信息。本发明采用地震前后的时序insar图像，处理得到的形变监测点具有三维位置坐标、形变方向和速率信息。形变指的是雷达视线向方向(line of sight，los)的形变，正值代表朝向雷达运动，负值为背离雷达运动，为便于表达分别表述为抬升、沉降。绿色表示稳定，标尺左侧为沉降和右侧为抬升，颜色越深，表示形变越大。如图4所示。
36.定量评估杆塔基础地质破坏程度分布包括每种受损类型的占比。以地质前后的遥感图像的变化检测结果判定，以区域变化率作为指标，即两景图像在同一区域的倾斜位移等的均方根误差。倾斜方向为远离卫星雷达方向或靠近卫星雷达方向。通过统计区域内各杆塔点位在两个方向的倾斜位移均方根误差（单位cm，），除以该地的阈值（如10cm），获得区域变化率的比值。（x,y）为位移后的坐标，（x’,y’）为位移前的坐标，受损类型包括毁坏倒塌、毁坏未倒塌、严重破坏、轻微破坏以及基本完好，分别对应前后图像的区域变化率≥80%，60%≤区域变化率＜80%，40%≤区域变化率＜60%，20%≤区域变化率＜40%，区域变化率＜20%。
37.人工神经网络需要大量的训练样本。本发明将地质形变场图根据偏移值范围及偏移方向进行分割，（偏移方向为远离卫星雷达方向或靠近卫星雷达方向，偏移值通常采用1mm等级），结合对应的高分光学遥感图像，形成样本库。地质形变场图对应的图像采用人工目视判读并结合发布的信息，确定了杆塔单体破坏程度，并结合发布信息进行校正，如图5和图6。
38.进一步地，为了保证样本的丰富性，保证覆盖的全面性，可以建立多次、不同区域地质的形变场图，进行标注，形成样本库。
39.（2）构建若干人工神经网络模型，分别采用不同偏移值范围及偏移方向的样本训练并封装。
40.为了获得更准确的评估结果，对偏移值划分为多个范围，对不同偏移值范围及偏移方向分别采用不同的样本训练，用于在使用中针对不同偏移值范围及偏移方向识别。
41.人工神经网络模型，结合图2，包括卷积层、池化层、激活层以及全连接层；所述卷积层的输入为分割为单一偏移量和方向的地质形变场图。进行特征提取包括高分光学遥感图像的几何、纹理，以及sar遥感图像的极化和倾斜位移特征、依据形变等值线提取形变值
分布，依据跨断层剖面线提取是否位于断层带，提取后获得特征1至特征m；所述池化层对提取的特征进行降维，如图2所示，通过权重w1n将特征1至特征m降维至节点a21至a2n，通过权重w2n将节点a21至a2n降维至节点a31至a3n，通过权重w3n降维至输出节点；所述激活层采用relu函数对所述所需特征向量进行非线性计算；所述全连接层输出杆塔基础地质破坏分布结果。训练的过程中不断更新w1n、w2n以及w3n，完成分类。
42.每个人工神经网络模型通过训练获得，训练包括：从对应的子样本库选择训练样本和验证样本；采用训练样本，进行设定轮次的训练；采用验证样本进行验证，判断误差等级是否接受，如果接受则完成训练，否则再进行设定轮次的训练。设定轮次例如为50次。
43.对训练的人工神经网络进行封装，供现场识别使用。
44.（3）获取地震前后的遥感图像，差分干涉获得建立形变场，基于偏移值及偏移方向进行分割，结合高分光学遥感图像，选择对应的人工神经网络模型获得破杆塔基础地质破坏程度，形成杆塔基础地质破坏情况分布。
45.基于偏移值及偏移方向进行分割包括，分割为该区域具有单一的偏移值及偏移方向，如果超过了人工神经网络模型识别的大小则进一步分割为可识别大小，如果图像过小则进行放大为满足识别大小。以单一的偏移值及偏移方向输入对应的人工神经网络模型进行识别，标注破坏程度，保证了标注的准确性。完成各个部分的标注形成杆塔基础地质破坏情况分布。
46.采用多个人工神经网络进行识别，一方面准确率更高，另一方可以并行识别效率更高。
47.本发明另一方面提供一种基于形变检测的输电线路地质灾害分析系统，结合图3，包括输入模块、分割模块、选择模块、若干破坏程度识别模块以及输出模块；所述输入模块获取地质形变场；所述分割模块基于偏移值及偏移方向对地质形变场进行分割；所述选择模块基于偏移值及偏移方向选择对应的破坏程度识别模块识别杆塔基础地质破坏程度；所述破坏程度识别模块由人工神经网络模型构建并训练获得；基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉获得建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库，由样本库选择训练样本训练人工神经网络模型满足误差等级并封装。本发明将图像基于偏移值和偏移方向两个指标进行分割，并将具有不同破坏程度标注的sar遥感图像和高分光学遥感图像相对应作为训练样本输入到神经网络中，网络输出得到杆塔基础地质破坏分布图，如图7。
48.所述输出模块将杆塔基础地质破坏程度与地理位置对应，形成杆塔基础地质破坏情况分布。
49.1）地质形变场图即d-insar技术获取的地表形变场分布图，由地质前后的两景复数sar图像通过轨道参数校正、前置滤波这些预处理，再通过图像精配准、干涉图和相干图生成、后置滤波、相位解缠这些生成处理，再通过干涉相位到地理信息的计算，主要包括相位到高程的转换、地理编码、dem构建，最后可以得到地表形变信息。
50.2）塔杆基础地质破坏程度分布图由前期收集到的地质区域内的相关地质数据进行分析得到，也可由人工在前期获取的地表形变图根据地理坐标进行绘制得到，将地质形变场图和塔杆基础地质破坏程度分布图按地理位置关系输入到网络中进行特征提取。
51.3）断层地表位置与走向变化数据可以从当地的地质部门获取相关矢量或栅格数据，也可根据实际需要由当地的地质图集进行矢量化获取，矢量化图层时所使用的地理坐标系应与前期的地质形变场分布图相同以保证能够进行叠加分析处理。
52.4）偏移值需要根据前期获取到的地表形变图进行计算。d-insar直接结算得到的地表形变值为距离向观测到的形变，根据与卫星入射角的关系可以解算垂直形变和平面某一方向上的形变量即偏移值，此时得到的偏移方向与卫星飞行方向垂直；也可使用不同轨道数据，利用两个观测角度进行三维形变解算，可以得到南北、东西方向上的偏移量。由于监测精度可以达到毫米级，偏移值范围可以根据震级引起的偏移量进行间距划分，将偏移值范围和震级相关联以定量评估塔杆损坏程度。
53.5）模型结构包括卷积层、池化层、激活层、全连接层，具体在说明书中有描述。可将偏移量、偏移方向、塔杆基础地质破坏程度、断层走向在开始训练时分别赋予不同的初始权重值，可设置为0.4，0.1，0.4，0.1，具体值的设置依据震发范围的地质情况。
54.综上所述，本发明提供一种基于形变检测的输电线路地质灾害分析方法及系统，基于若干组地震前后的遥感图像对比获得杆塔基础地质破坏程度分布，采用差分干涉获得建立形变场图并标注杆塔基础地质破坏程度分布，根据偏移值范围及偏移方向进行分割形成样本库，训练若干人工神经网络模型；获取地震前后的遥感图像，差分干涉获得建立形变场，基于偏移值及偏移方向进行分割，选择对应的人工神经网络模型获得破杆塔基础地质破坏程度，形成杆塔基础地质破坏情况分布。本发明采用差分干涉获得建立形变场图获得杆塔基础地质破坏程度，实现受灾范围的快速圈定或震害程度的准确评估。
55.以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。