一种使用无人机标记影像的输电线路地质灾害监测方法与流程

本发明涉及本发明属于无人机遥感数据处理领域，尤其涉及一种使用无人机标记影像的输电线路地质灾害监测方法。

背景技术：

输电线路作为电力建设中的重要组成部分，近年来国家加大对输电线路的新建和翻修。由于受到自然条件的影响和人为施工不当的限制，输电线路常会受到地质灾害的威胁。地质灾害的发生将对输电线路造成损坏，严重影响人们的日常生活，造成重大经济财产损失，给国家和政府造成极大的压力。可见，准确进行输电线路地质灾害监测可以辅助相关电力部门及时进行输电线路的维修和灾害防范，并及时采取救灾措施，保证输电线路正常运行和输电线路建设的质量，促进电力行业健康可持续发展。输电线路地质灾害能够高效监测的前提是对已发生的各地区、各类型以及各种情况下的地质灾害进行详细的分析研究，并能够快速的发现输电线路地质灾害，因此需要数据量丰富、样本类型全面且多样化的输电线路周边地质灾害相关可见光图像样本以及快速的数据采集方式。

而目前的输电线路周边地质灾害可见光图像存在拍摄角度不合理、数量稀少、分辨率不足的缺陷，同时目前地质灾害可见光图像样本仅是原始图像，不包含任何标注信息，例如该影像采集的时间、区域、路线、地质地貌等信息，无法作为地质灾害检测算法的训练数据源及测试数据源，更无法在监测后对输电线路地质灾害的处理工作提供指导。对于视觉算法来说，传统的检测算法首先需要手工设计特征，例如颜色、纹理、位置、形态等。因为手工设计特征需要大量的经验，需要对其应用领域和数据非常了解，还需要对设计出来的特征进行大量的调试工作，在此基础上还需要有一个合适的分类器。同时设计特征，并选择一个分类器，合并两者并达到最优的效果，几乎是不可能完成的任务。

技术实现要素：

本发明提供一种使用无人机标记影像的输电线路地质灾害监测方法，以解决现有技术中监测效果差的技术问题。

本发明提供一种使用无人机标记影像的输电线路地质灾害监测方法，所述方法包括：

利用无人机采集参考输电线路影像并标记；

对所述参考输电线路影像进行k-medoids聚类分析，获取训练集；

利用无人机采集目标输电线路影像并标记；

根据所述训练集进行分类检测；

根据所述分类检测的检测结果获取地质灾害的发生地点。

优选的，所述利用无人机采集参考输电线路影像并标记包括：

从电力系统中导入待飞输电线路的所有杆塔坐标；

获取所使用的无人机系统所需参数，所述参数包括无人机飞行速度、相机像元尺寸和成像分辨率；

根据输电线路坐标和无人机系统参数规划飞行航迹和拍照方式；

根据所述飞行航迹进行无人机飞行，每次拍照的同时获取无人机定位定姿系统POS信息、姿态以及载荷姿态；

对获取的所有图像进行标记。

优选的，对所述参考输电线路影像进行k-medoids聚类分析，获取训练集之前，所述方法还包括：

对所述参考输电线路影像进行灰度拉伸；

对灰度拉伸后的所述参考输电线路影像构建H-S颜色直方图和梯度方向直方图；

根据所述H-S颜色直方图和梯度方向直方图分别获取对应的概率分布。

优选的，所述参考输电线路影像进行k-medoids聚类分析，获取训练集包括：

选取初始类簇中心点；

确定初始类簇中心点的个数；

对所述各个参考输电线路影像进行JSD计算，获取训练集。

本发明的实施例提供的技术方案可以包括以下有益效果：

本发明提供一种使用无人机标记影像的输电线路地质灾害监测方法，包括：利用无人机采集参考输电线路影像并标记；对参考输电线路影像进行k-medoids聚类分析，获取训练集；利用无人机采集目标输电线路影像并标记；根据训练集进行分类检测；根据分类检测的检测结果获取地质灾害的发生地点。无人机输电线路巡检可有效快速的覆盖输电线路周边区域，且达到较高地物分辨率并可同时完成影像标记，提供给地质灾害检测更优秀的数据源，从而可以提高地质灾害检测的准确性。同时，无人机影像采集过程中可实时完成图像的标签工作，以辅助灾害检测后的分析工作。通过以上步骤本发明能够完成快速的输电线路地质灾害监测工作。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

图1是本发明实施例中提供的一种使用无人机标记影像的输电线路地质灾害监测方法的方法流程图；

图2是本发明实施例中提供的步骤S100的方法流程图；

图3是本发明实施例中提供的步骤S200的方法流程图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置的例子。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其它实施例的不同之处。

传统的基于对地观测数据的地质灾害监测工作主要依赖于影像目视解译和实地调查，这种传统模式耗时严重、费用昂贵，且很多地区难以进行实地调查，影响灾害后的快速响应。而无人机影像较卫星影像具有高清晰、大比例尺等优点，也特别适合获取带状地区航拍影像，且无人机为航拍摄影提供了操作方便，易于转场的遥感平台。而输电线路通道恰恰成带状地区，非常适合无人机的应用。本发明使用无人机遥感影像的同时结合电力行业特点，对影像数据进行标记以利于灾后的快速响应。同时本发明采用图像颜色、边缘直方图形式的概率分布来进行数据分析和地质灾害检测。首先根据输电线路位置信息等规划无人机飞行方式，并在飞行过程中同步完成影像采集和数据标记，然后对无人机遥感影像逐一进行直方图构建，使用JSD(Jensen-Shannon Divergence)计算概率分布距离，使用改进的k-medoids方法完成训练库构建，最后对每次新的遥感数据进行分类以完成灾害检测并完成灾害的分析工作。

请参考图1，所示为本发明实施例中提供的一种使用无人机标记影像的输电线路地质灾害监测方法的方法流程图，所述方法包括：

步骤S100：利用无人机采集参考输电线路影像并标记。

请参考图2，所示为本发明实施例中提供的步骤S100的方法流程图，包括：

步骤S101：从电力系统中导入待飞输电线路的所有杆塔坐标；

步骤S102：获取所使用的无人机系统所需参数，所述参数包括无人机飞行速度、相机像元尺寸和成像分辨率；

步骤S103：根据输电线路坐标和无人机系统参数规划飞行航迹和拍照方式；

步骤S104：根据所述飞行航迹进行无人机飞行，每次拍照的同时获取无人机定位定姿系统POS信息、姿态以及载荷姿态；

步骤S105：对获取的所有图像进行标记。

步骤S200：对所述参考输电线路影像进行k-medoids聚类分析，获取训练集。

K-medoids是K-means一种改进，不一样的地方在于中心点的选取，在K-means中，我们将中心点取为当前cluster(类)中所有数据点的平均值，在K-medoids算法中，我们将从当前cluster中选取这样一个点，它到其他所有(当前cluster中的)点的距离之和最小，作为中心点。克服了K-means算法产生类的大小相差不大的缺点，对于脏数据很敏感。

在步骤S200之前，所述方法还包括：

对所述参考输电线路影像进行灰度拉伸。

由于光线原因会造成图像局部过亮或过暗，需要对图像进行拉伸使之覆盖较大的取值区间。使亮的区域更亮，暗的区域更暗，提高图像的对比度，从而使图像边缘明显。灰度拉伸是将灰度图像进行分段性变化，即若原图像f(x,y)的灰度变化区间为[a,b]，变换后图像g(x,y)的灰度范围扩展到区间[c,d]，可采用下列线性变换来实现：

对灰度拉伸后的所述参考输电线路影像构建H-S颜色直方图和梯度方向直方图。

相对于RGB空间，HSV空间能够非常直观的表达色彩的明暗，色调，以及鲜艳程度，方便进行颜色之间的对比，也方便感情的传达。转换公式如下：

v＝max

对hue(色调)通道使用32个bin,对saturatoin(饱和度)通道使用30个bin以构建H-S直方图；按照上述方式计算所有图像的H-S直方图，并归一化以便对比。

梯度方向直方图构建

HOG(Histogram of Oriented Gradient)梯度方向直方图描述子高维图像特征向量生成步骤：1.图像归一化；2.利用一阶微分计算图像梯度；3.基于梯度幅值的方向权重投影；4.HOG特征向量归一化；5.得出HOG最终的特征向量。归一化图像的主要目的是提高检测器对光照的鲁棒性，因为实际的识别目标可能出现的各种不同的场合，检测器必须对光照不太敏感才会有好的效果。梯度方向直方图bin数目为36。

根据所述H-S颜色直方图和梯度方向直方图分别获取对应的概率分布。

与H-S颜色直方图和梯度方向直方图对应的概率分布为落入根据bin数目划分的每个区域的像素个数的叠加结果。

请参考图3，所示为本发明实施例中提供的步骤S200的方法流程图，包括：

步骤S201：选取初始类簇中心点。

最简单的确定初始类簇中心点的方法是随机选择K个点作为初始的类簇中心点，但是该方法在有些情况下的效果较差。本发明中选择批次距离尽可能远的K个点。首先随机选择一个点作为第一个初始类簇中心点，然后选择距离该点最远的那个点作为第二个初始类簇中心点，然后再选择距离前两个点的最近距离最大的点作为第三个初始类簇的中心点，以此类推，直至选出K个初始类簇中心点。

步骤S202：确定初始类簇中心点的个数。

给定一个合适的类簇指标，比如平均半径或直径，只要我们假设的类簇的数目等于或者高于真实的类簇的数目时，该指标上升会很缓慢，而一旦试图得到少于真实数目的类簇时，该指标会急剧上升。此处选择类簇指标是K个类簇的平均质心距离的加权平均值。

步骤S203：对所述各个参考输电线路影像进行JSD计算，获取训练集。

JSD(Jensen-Shannon Divergence)是KL距离的改进，计算方式如下：

其中，

KLD(P|Q)＝∑[P(i)×ln(P(i))/Q(i)]

D(P|R)指的是KLD，P和Q分别指根据所述H-S颜色直方图和梯度方向直方图获取的概率分布和任一参考输电线路影像的概率分布。

步骤S300：利用无人机采集目标输电线路影像并标记。

步骤S400：根据所述训练集进行分类检测。

对于一个新的无人机遥感影像按照上面介绍的直方图构建方式转换为一个H-S-G(色调-饱和度-梯度)的概率分布，将该分布与所以聚类结果的中心点进行JSD计算，根据得到的k个距离计算分类的概率，与距离的倒数成正比，当最大概率大于设定阈值时，完成分类，否则增加新类。

步骤S500：根据所述分类检测的检测结果获取地质灾害的发生地点。

完成地质灾害检测的图像，通过基于区域生长的图像分割结合人工辅助标记地质灾害区域，然后根据几何距计算区域质心，最后利用该图像对应的无人机及载荷姿态等参数，计算空三解算，得到该地质灾害的发生地点。根据地质灾害地点、影像结合输电线路信息、地形数据等辅助输电线路灾害处理工作。

以上所述的本发明实施方式，并不构成对本发明保护范围的限定。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明的保护范围之内。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。