[发明专利]输电线路通道清理的工程量测算方法

说明书

本发明公开了一种输电线路通道清理的工程量测算方法，包括获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；采用深度学习方法建立地物识别模型；对点云数据进行分类；采用地物识别模型统计地物类型；采用点云分类数据对地物进行分类提取；采用地物类型的统计数据和地物的分类提取数据对输电线路通道清理的工程量进行测算。本发明提供的这种输电线路通道清理的工程量测算方法，通过对高清影像数据和点云数据的处理，实现了远程对输电线路通道清理的工程量测算，而且本发明方法的可靠性高，实用性好，精确度较高。

技术领域

本发明具体涉及一种输电线路通道清理的工程量测算方法。

背景技术

随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，电力系统的稳定可靠运行，就成为了电力系统最重要的任务之一。

为了保障电力系统的可靠运行，电力系统的容量就必须增长，而电力系统的建设和扩容就成为了电力系统的重要任务。在输电线路设计时，输电线路通道清理的工程量测算就成为了输电线路设计阶段的重要任务之一。

目前，输电线路通道清理的工程量测算方法，一般有四种方法：第一种是基于全波形激光探测与测量(LiDAR，Light Detection And Ranging)数据：获取植被的结构化信息，在受影响范围内汇总点云属性并计算综合波形特征参数，实现通过单一数据源获取并提高目标大小的测量精度；第二种是基于全波形LiDAR数据：衍生出对单体树、房屋，征地的定位和提取，结合韦伯分布和三次样条函数模型，作为特征变量获取模型参数；第三种是基于多源同期高分辨率遥感数据：首先基于高分辨率数据和面向对象分割方法进行目标分类，然后基于高光谱数据提取的空间细节和光谱特征并结合反向传播神经网络对图像地物识别；第四种是基于高光谱数据：使用三维卷积神经网络对地物识别，三维卷积神经网络基于机载高光谱数据对复杂地物实现语义分割，构建用于训练及验证数据集，完成深度学习模型的训练，利用训练好的模型分别对高光谱影像中每个像元所属类别进行预测，得到整个区域的树种分布制图。

但是，上述的四种方法，在地物分类时，仅利用高光谱影像进行地物分类，主要手段还是传统的遗传算法、BP神经网络(Back Propagation Neural Network)等优化算法，无法充分利用高光谱数据的所有信息，而精细的地物边界划分往往依赖于不同尺度图像语义分割，以上算法在不同尺度特性上无法表现更加通用，因此分类精度相对较差。

发明内容

本发明的目的在于提供一种可靠性高、精确性好且实施方便的输电线路通道清理的工程量测算方法。

本发明提供的这种输电线路通道清理的工程量测算方法，包括如下步骤：

S1.获取待建输电线路所对应的输电线路通道的高清影像数据和点云数据；

S2.针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型；针对步骤S1获取的点云数据，采用分类方法对点云数据进行分类；

S3.采用步骤S2得到的地物识别模型对地物类型进行统计；采用步骤S2得到的点云分类数据，对地物进行分类提取；

S4.采用步骤S3得到的地物类型的统计数据，以及地物的分类提取数据，对输电线路通道清理的工程量进行测算。

步骤S2所述的针对步骤S1获取的高清影像数据，采用深度学习方法进行分析，从而建立地物识别模型，具体为采用如下步骤建立地物识别模型：

A.对获取的高清影像数据进行图像预处理；

B.对步骤A进行图像预处理后的数据进行数据增强，从而得到样本数据；

C.建立初步识别模型；

D.采用步骤B得到的样本数据对步骤C得到的初步识别模型进行训练，从而得到地物识别模型。