本发明具体涉及一种用于输变电工程的地物识别方法。
背景技术：
随着国家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。
输变电工程选址是电网建设工作中的一个重要环节，在电网建设中起承上启下的作用。输变电工程的选址虽然涉及到电网的负荷分布、现有电网状况、线路走廊、站址地形地质及城市建设发展规划相一致等诸多因素，但是，输变电工程的选址问题，其最核心的问题往往都归结于输变电工程所在区域的地形条件。随着无人机技术的兴起和相应的无人机测绘技术的发展，采用无人机对地形进行测绘已经是未来的主要发展方向之一。而在无人机对地形的测绘过程中，地物识别技术又显得尤为重要。
但是，传统的输变电工程选址方法，在地物识别方面，依旧是以二维数据为基础，以人工的方式进行地区地物的识别。因此，明显的，目前的输变电工程选址过程中的地物识别，不仅具有极大的局限性，而且费时费力，效率极低。
技术实现要素：
本发明的目的在于提供一种采用无人机对输变电工程区域中的地物进行自动识别，且识别结果精确可靠的用于输变电工程的地物识别方法。
本发明提供的这种用于输变电工程的地物识别方法，包括如下步骤：
s1.采用无人机并搭载激光雷达采集输变电工程区域的三维地形数据；
s2.对步骤s1获取的三维地形数据进行滤波处理；
s3.根据步骤s2获取的数据，对区域进行实景三维建模；
s4.对步骤s3得到的实景三维模型进行地物识别，从而完成输变电工程区域的地物识别。
步骤s1所述的采用无人机并搭载激光雷达采集输变电工程区域的三维地形数据，具体为采用如下步骤采集数据：
a.根据作业区域画设航线，并架设基站；
b.使用无人机进行现场勘察，确定安全高度；
c.将规划数据写入无人机飞行控制软件，并做检验；
d.手动控制无人机进行八字航线飞行，校正惯性导航设备；
e.若确认无人机以及设备运行正常，则将无人机切换为自动驾驶模式，使无人机进入自主飞行状态；
f.监控无人机是否按照预设航线飞行，并实时对空速、高度、电量进行核查；
g.航线飞行完成后，待无人机返回原点，使用手动驾驶将无人机带回；
h.读取无人机获取的激光点云数据。
步骤s2所述的滤波处理，具体为采用渐进式加密三角网滤波算法对数据进行滤波处理。
所述的滤波处理，具体为采用如下步骤进行滤波处理：
a.采用中值滤波算法，将噪声数据剔除；
b.将步骤a得到的数据划分为粗略网格，并选取网格中的最低点作为初始tin点；
c.采用迭代算法，采用规则对步骤b选取的初始tin点进行加密：
d.完成数据的滤波处理。
所述的采用迭代算法对初始tin点进行加密，具体为采用如下步骤进行加密：
ⅰ对原始点云数据进行滤波处理，从而将偶然噪声点从原始数据中剔除；
ⅱ构建初始的tin:将步骤ⅰ处理后的点云数据划分成粗略网格，并选取网格中的最低点作为初始tin的点；
ⅲ进行一次区域增长：将tin中的点元素a邻域u(a,δ)＝{x|a-δ<x<a+δ}内满足阈值t的点直接添加到地形当中,对tin进行一次加密；
ⅳ重复步骤ⅲ，从而将点云中满足特定阈值条件的点添加到已构成的tin中，从而对tin进行不断的加密；
ⅴ当不再有新的点添加到tin中的时，认定基本地形已经形成；
ⅵ重复步骤ⅲ～ⅴ进行再次加密；
ⅶ将地形中的点构建三角网，完成初始tin点进行加密。
步骤s3所述的对区域进行实景三维建模，具体为采用如下步骤进行建模：
(1)获取激光雷达自动建立的未贴纹理的灰度三维模型和贴图后的实景三维模型信息；
(2)对步骤(1)中获取的未贴纹理的灰度三维模型和贴图后的实景三维模型信息进行数据补充，从而将三维模型进行精细化处理，得到最终的实景三维模型。
步骤s4所述的对实景三维模型进行地物识别，具体为采用深度学习神经网络算法进行地物识别。
所述的采用深度学习神经网络算法进行地物识别，具体为采用如下步骤进行地物识别：
1)获取n组实景三维模型数据，并对获取的n组实景三维模型中的地物进行人工标注；
2)将步骤1)中标注后的实景三维模型分为两组：第一组实景三维模型用于神经网络的模型训练从而得到初始的神经网络模型，第二组实景三维模型用于对初始的神经网络模型进行验证和修正；
3)采用步骤2)中的第一组实景三维模型，使用随机梯度下降方法对神经网络模型进行训练，得到初始神经网络模型；
4)采用步骤2)中的第二组实景三维模型，对步骤3)中得到的初始神经网络模型进行测试和修正，从而得到训练好的神经网络模型；
5)采用步骤4)中得到的训练好的神经网络模型进行实际应用，对待分析的输变电工程区域的实景三维模型进行地物识别，从而完成待分析的输变电工程区域的地物识别。
所述的采用深度学习神经网络算法进行地物识别，还包括如下步骤：
6)将实际应用中的地物识别结果制作成为新的训练样本，对已经训练好的神经网络模型进行再次训练，从而提高神经网络模型的准确率。
本发明提供的这种用于输变电工程的地物识别方法，通过无人机以及搭载的激光雷达对待分析区域进行数据采集，并对采集的数据进行滤波，并采用深度学习神经网络算法对待分析区域的地物进行识别，因此本发明方法能够采用无人机对输变电工程区域中的地物进行自动识别，且识别结果精确可靠，识别效果好，而且效率极高。
附图说明
图1为本发明方法的方法流程图。
具体实施方式
本发明提供的这种用于输变电工程的地物识别方法，包括如下步骤：
s1.采用无人机并搭载激光雷达采集输变电工程区域的三维地形数据；具体为采用如下步骤采集数据：
a.根据作业区域画设航线，并架设基站；
b.使用无人机进行现场勘察，确定安全高度；
c.将规划数据写入无人机飞行控制软件，并做检验；
d.手动控制无人机进行八字航线飞行，校正惯性导航设备；
e.若确认无人机以及设备运行正常，则将无人机切换为自动驾驶模式，使无人机进入自主飞行状态；
f.监控无人机是否按照预设航线飞行，并实时对空速、高度、电量进行核查；
g.航线飞行完成后，待无人机返回原点，使用手动驾驶将无人机带回；
h.读取无人机获取的激光点云数据；
s2.对步骤s1获取的三围地形数据进行滤波处理，具体为采用渐进式加密三角网滤波算法对数据进行滤波处理；
在具体实施时，采用如下步骤进行滤波处理：
a.采用中值滤波算法，将噪声数据剔除；
b.将步骤a得到的数据划分为粗略网格，并选取网格中的最低点作为初始tin点；
c.采用迭代算法，采用规则对步骤b选取的初始tin点进行加密：
ⅰ对原始点云数据进行滤波处理，从而将偶然噪声点从原始数据中剔除；
ⅱ构建初始的tin:将步骤ⅰ处理后的点云数据划分成粗略网格，并选取网格中的最低点作为初始tin的点；
ⅲ进行一次区域增长：将tin中的点元素a邻域u(a,δ)＝{x|a-δ<x<a+δ}内满足阈值t的点直接添加到地形当中,对tin进行一次加密；
ⅳ重复步骤ⅲ，从而将点云中满足特定阈值条件的点添加到已构成的tin中，从而对tin进行不断的加密；
ⅴ当不再有新的点添加到tin中的时，认定基本地形已经形成；
ⅵ重复步骤ⅲ～ⅴ进行再次加密；
ⅶ将地形中的点构建三角网，完成初始tin点进行加密；
d.完成数据的滤波处理；
s3.根据步骤s2获取的数据，对区域进行实景三维建模；具体为采用如下步骤进行建模：
(1)获取激光雷达自动建立的未贴纹理的灰度三维模型和贴图后的实景三维模型等模型信息；
(2)对步骤(1)中获取的未贴纹理的灰度三维模型和贴图后的实景三维模型信息进行数据补充，从而将三维模型进行精细化处理，得到最终的实景三维模型；虽然经过实景三维建模处理的数据虽然能满足基本的建模需求，但在模型的精度以及细节上仍不能满足需求；为解决该问题，可以对已建好的三维建模数据进行更深层次的精修处理，精修采用专业软件，整体思路为将需要精修的部分单体化独立出来，再通过算法计算、人工干预、补拍照片等方法对不够精细的数据模型进行更进一步的完善；
s4.对步骤s3得到的实景三维模型，采用深度学习神经网络算法进行地物识别，从而完成输变电工程区域的地物识别；具体为采用如下步骤进行地物识别：
1)获取n组(10万组以上的数据较为理想)实景三维模型数据，并对获取的n组实景三维模型中的地物进行人工标注；
2)将步骤1)中标注后的实景三维模型分为两组：第一组实景三维模型(模型数量约占总数的90％)用于神经网络的模型训练从而得到初始的神经网络模型，第二组实景三维模型(模型数量约占总数的10％)用于对初始的神经网络模型进行验证和修正；
3)采用步骤2)中的第一组实景三维模型，使用随机梯度下降方法对神经网络模型进行训练，得到初始神经网络模型；训练采用随机梯度下降方法对模型参数进行更新，迭代20万步；
4)采用步骤2)中的第二组实景三维模型，对步骤3)中得到的初始神经网络模型进行测试和修正，从而得到训练好的神经网络模型；
5)采用步骤4)中得到的训练好的神经网络模型进行实际应用，对待分析的输变电工程区域的实景三维模型进行地物识别，从而完成待分析的输变电工程区域的地物识别；
6)将实际应用中的地物识别结果制作成为新的训练样本，对已经训练好的神经网络模型进行再次训练，从而提高神经网络模型的准确率。