(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211054930.6 (22)申请日 2022.08.31 (71)申请人 内蒙古大学 地址 010021 内蒙古自治区呼和浩特市大 学西路23 5号计算机学院 （软件学院） (72)发明人 白翔宇　任雅茹　王昭然　张常兴　 王浩然　 (74)专利代理 机构 北京鑫瑞森知识产权代理有 限公司 1 1961 专利代理师 史云聪 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) (54)发明名称 基于遥感影像的输电线路交叉跨越点自动 识别系统及方法 (57)摘要 本发明提供了一种基于遥感影像的输电线 路交叉跨越点自动识别系统及方法， 该方法包 括： 理论输电线路模块获取 理论输电线路的坐标 信息， 并根据其构建输电线路场景模型， 理论道 路模块获取包含输电线路的遥感影像， 并对其进 行预处理， 根据预处理后的遥感影像制作道路数 据集， 通过道路数据集对深度学习模型进行训 练， 训练完成后， 将遥感影像导入深度学习模型 中， 得到理论道路信息， 将理论道路信息导入输 电线路场景模型中， 得到最终场景模型， 基于该 场景模型使用统一地理坐标系， 计算出理论交叉 点。 本发明提供的基于遥感影像的输电线路交叉 跨越点自动识别系统及方法， 基于遥感影像与 深 度学习算法能够实现输电电路的交叉跨越点自 动识别。 权利要求书2页 说明书7页 附图2页 CN 115393722 A 2022.11.25 CN 115393722 A 1.一种基于遥感影像的输电线路交叉跨越点自动识别系统， 其特征在于， 包括： 理论输 电线路模块、 理论道路模块及理论交叉点模块， 所述理论输电线路模块及理论道路模块连 接所述理论交叉点模块； 所述理论输电线路模块用于获取理论输电线路的坐标信息及构建场景模型； 所述理论道路模块用于获取遥感影像、 对遥感影像进行预处理、 制作道路数据集、 通过 深度学习模型提取道路以及获取理论道路信息； 所述理论交叉点模块用于搭建完成最终场景模型以及计算理论交叉点。 2.一种基于遥感影像的输电线路交叉跨越点自动识别方法， 应用于权利要求1所述的 基于遥感影像的输电线路交叉跨越点自动识别系统， 其特 征在于， 包括如下步骤： 步骤1： 理论输电线路模块获取理论输电线路的坐标信 息， 并根据坐标信息构建输电线 路场景模型； 步骤2： 理论道路模块获取包含输电线路的遥感影像， 并对其进行预处理， 得到预处理 后的遥感影像， 根据预处理后的遥感影像制作道路数据集， 通过道路数据集对深度学习模 型进行训练， 训练完成后， 将遥感影 像导入深度学习模型中， 得到理论道路信息； 步骤3： 将理论道路信息导入输电线路场景模型中， 得到最终场景模型， 基于该场景模 型使用统一 地理坐标系， 计算出理论交叉点。 3.根据权利要求2所述的基于遥感影像的输电线路交叉跨越点自动识别方法， 其特征 在于， 步骤1中， 理论输电线路模块获取理论输电线路的坐标信息， 并根据坐标信息构建输 电线路场景模型， 具体为： 理论输电线路模块获取各个输电线路的地理坐标信 息， 根据地理坐标信 息按照比例尺 对设计地理区域进行缩放， 建立对应的输电线路场景模型。 4.根据权利要求3所述的基于遥感影像的输电线路交叉跨越点自动识别方法， 其特征 在于， 步骤2中， 理论道路模块 获取包含输电线路的遥感影像， 并对其进 行预处理， 得到预 处 理后的遥感影 像， 具体为： 理论道路模块获取包含输电线路的遥感影像， 并对遥感影像进行预处理， 其中， 预处理 包括影像融合、 影像匀色、 影像镶嵌、 影像纠正、 大气纠正及影像裁剪， 预处理完毕后， 得到 预处理后的遥感影 像。 5.根据权利要求4所述的基于遥感影像的输电线路交叉跨越点自动识别方法， 其特征 在于， 步骤2中， 根据预处 理后的遥感影 像制作道路数据集， 具体为： 通过人工标注或者通过已有地图获取相应的道路信息对部分预处理后的遥感影像进 行道路数据集制作， 得到道路数据集。 6.根据权利要求5所述的基于遥感影像的输电线路交叉跨越点自动识别方法， 其特征 在于， 步骤2中， 通过道路数据集对深度学习模 型进行训练， 训练完成后， 将遥感影像导入深 度学习模型中， 得到理论道路信息， 具体包括如下步骤： S1： 对道路数据集进行 预处理； 将道路数据集导入深度 学习模型中， 模型对道路数据集进行数据扩充， 其中， 数据扩充 包括图像裁剪、 图像旋转、 垂直和水平翻转、 图像移位、 图像缩放、 添加噪声、 改变光照和直 方图均衡， 扩充完毕后， 将数据集按照7： 2： 1的比例划分为训练集、 验证集及测试集； S2： 对深度学习模型进行设计， 并通过划分后的数据集对其进行训练；权　利　要　求　书 1/2 页 2 CN 115393722 A 2深度学习模型包括网络结构及损失函数， 其中， 网络结构采用D ‑Linknet模型， 且D ‑ Linknet模型采用迁移学习， 将在ImageNet数据集上预先训练的ResNet34作为编码器， D ‑ Linknet模型在中心部分使用膨胀卷积及跳跃连接， D ‑Linknet模型的解码器与LinkNet模 型相同， 设计完毕后， 对深度学习模型进行训练配置， 包括优化深度学习模型算法、 设置学 习率及设置运算环境， 配置完毕后， 根据划分的数据集进行训练调试， 包括计算分类准确 率， 观测模型训练效果， 检查模型训练过程， 识别潜在问题， 加入校验或测试， 更好评价模型 效果， 加入正则化项， 避免模型过拟合， 可视化分析， 完成模 型训练， 并保存训练完 毕的深度 学习模型； S3： 将剩余部分的遥感影 像导入训练完毕的深度学习模型中， 得到理论道路信息； 将剩余部分的遥感影像导入训练完毕的深度学习模型中， 得到道路分割二值图， 通过 道路分割二 值图得到理论道理信息 。权　利　要　求　书 2/2 页 3 CN 115393722 A 3