(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 202211330867.4 (22)申请日 2022.10.28 (71)申请人 国网思极位置服 务有限公司 地址 100000 北京市昌平区未来科 学城国 家电网园区C座5层510室 申请人 国网信息通信产业 集团有限公司 (72)发明人 李强　朱厦　臧志斌　赵光　赵峰　 赵光俊　李静　夏传福　谈辉　 刘琦　王霁野　龙强　张晓曼　 杨博　张艺林　丁士帅　赵林林　 王誉博　 (74)专利代理 机构 深圳市博锐专利事务所 44275 专利代理师 林栋(51)Int.Cl. G06V 20/10(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) G06V 10/28(2022.01) G06V 10/26(2022.01) G06V 10/20(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 线路交叉跨越区识别方法及计算机可读存 储介质 (57)摘要 本发明公开了一种线路交叉跨越区识别方 法及计算机可读存储介质， 方法包括： 获取待识 别遥感影像， 并通过预设的最优多尺度特征语义 分割模型对待识别遥感影像进行道路识别， 得到 最终概率特征图； 根据预设的二值化阈值， 对最 终概率特征图进行二值化处理， 得到道路提取结 果， 并对道路提取结果进行矢量化处理， 得到道 路矢量化提取结果； 获取输电线路信息， 并根据 所述输电线路信息中同一输电线路的输电线路 点位编号、 点位经度、 点位纬度和安全距离， 确定 同一输电线路的输电线路缓冲区； 根据道路矢量 化提取结果和输电线路缓冲区， 确定线路交叉跨 越区。 本发明可实现高精度的道路提取， 进而实 现线路交叉跨越区的准确提取。 权利要求书4页 说明书13页 附图4页 CN 115393726 A 2022.11.25 CN 115393726 A 1.一种线路交叉跨越区识别方法， 其特 征在于， 包括： 获取待识别遥感影像， 并通过预设的最优多尺度 特征语义分割 模型对待识别 遥感影像 进行道路识别， 得到待识别遥感影 像对应的最终概 率特征图； 根据预设的二值化阈值， 对所述最终概率特征图进行二值化处理， 得到道路提取结果， 并对所述道路提取 结果进行矢量 化处理， 得到道路矢量 化提取结果； 获取输电线路信息， 并根据所述输电线路信息中同一输电线路的输电线路点位编号、 点位经度、 点 位纬度和安全距离， 确定所述同一输电线路的输电线路缓冲区； 根据所述道路矢量 化提取结果和所述输电线路缓冲区， 确定线路交叉跨越区。 2.根据权利要求1所述的线路交叉跨越区识别方法， 其特征在于， 所述获取待识别遥感 影像， 并通过预设的最优多尺度特征语义分割模型对待识别遥感影像进行道路识别， 得到 待识别遥感影 像对应的最终概 率特征图之前， 进一 步包括： 获取遥感影像， 并对所述遥感影像进行预处理， 得到高分辨率遥感图像， 所述预处理包 括辐射定标、 大气校正、 正 射校正以及真彩色变换处 理； 根据所述高分辨率遥感图像， 获取样本数据集合， 所述样本数据集合中的样本数据包 括样本影像及其对应的标签， 所述标签为二值图像， 所述标签中对应道路的像素点的像素 值为1， 对应背景的像素点的像素值 为0； 构建多尺度特征语义分割模型， 并根据所述样本数据集合， 对所述多尺度特征语义分 割模型进行训练， 得到最优多尺度特 征语义分割模型。 3.根据权利要求2所述的线路交叉跨越区识别方法， 其特征在于， 所述根据所述高分辨 率遥感图像， 获取样本数据集 合， 包括： 根据预设的样方框， 在所述高分辨率遥感图像中选取样本区域， 并对所述样本区域中 的道路进行 标绘， 得到道路矢量样本； 对所述道路矢量样本进行栅格化， 生成对应的样本标签， 所述样本标签中对应道路的 像素点的像素值 为1， 对应背景的像素点的像素值 为0； 对所述样本区域及其对应的样本标签进行随机裁剪以及样本增强处理， 生成样本数据 集合。 4.根据权利要求2所述的线路交叉跨越区识别方法， 其特征在于， 所述多尺度 特征语义 分割模型包括编码层、 中间层和解码层； 所述编码层包括卷积层和n个池化残差模块， 所述 池化残差模块包括池化层和残差网络， 所述残差网络包括三个残差块； 所述解码层 包括n个 特征融合模块、 n个卷积反卷积模块和一个加权 叠加模块； 其中， n 为预设的数值； 所述卷积层， 用于分别根据三种预设大小的卷积核， 对输入的样本影像进行卷积处理， 得到与所述三种预设大小的卷积核一一对应的三组特征图， 并将所述三组特征图输出至池 化层； 所述池化层， 用于根据 预设的下采样倍数， 分别对输入的三组特征图进行下采样， 并将 下采样后的三组特 征图输出至同一池化残差模块中的残差网络中的第一个残差块； 所述残差块， 用于分别根据输入的三组特征图对应的预设大小的卷积核， 对输入的三 组特征图进 行两次卷积处理， 得到与三组特征图一一对应的第一卷积结果； 根据大小为 1× 1的卷积核， 分别对输入的三组特征图进 行卷积处理， 得到与三组特征图一一对应的三组第 二卷积结果； 将对应同一组特征图的第一卷积结果和第二卷积结果进行叠加， 得到残差处权　利　要　求　书 1/4 页 2 CN 115393726 A 2理后的所述同一组特征图； 若所述残差块为残差网络中的第一个或第二个残差块， 则将残 差处理后的三组特征图输出至同一残差网络中的下一残差块； 若所述残差块为前n ‑1个池 化残差模块中的残差网络中的第三个残差块， 则将残差处理后的三组特征图输出至下一池 化残差模块中的池化层以及编码层； 若所述残差块为第n个池化残差模块中的残差网络中 的第三个残差块， 则将残差处 理后的三组特 征图输出至中间层和编码层； 所述中间层， 用于根据预设的第一膨胀系数， 分别对输入的三组特征图进行空洞卷积 处理， 得到三组第一膨胀特征图； 根据预设的第二膨胀系数， 分别对 所述三组第一膨胀特征 图进行空洞卷积处理， 得到三组第二膨胀特征图； 根据预设的第三膨胀系数， 分别对所述三 组第二膨胀特征图进行空洞卷积处理， 得到三组第三膨胀特征图； 根据预设的第四膨胀系 数， 分别对所述三组第三膨胀特征图进 行空洞卷积处理， 得到三组第四膨胀特征图； 将同一 组特征图对应的第一膨胀特征图、 第二膨胀特征图、 第三膨胀特征图和第四膨胀特征图进 行叠加， 得到所述同一组特 征图对应的融合特 征图； 所述解码层中的第i个特征融合模块， 用于根据预设的上采样倍数， 对三组第n+2 ‑i阶 叠加特征图进行上采样， 并将上采样后的三组第n +2‑i阶叠加特征图与第n +1‑i个池化残差 模块中的残差网络输出的三组特征图一一对应地进行叠加， 得到三组第n+1 ‑i阶叠加特征 图， 其中， 将所述 三组融合特 征图作为 三组第n+1阶叠加特 征图； 所述解码层中的第i个卷积反卷积模块， 用于分别 对三组第n+1 ‑i阶叠加特征图依次进 行一次第一卷积运算、 n ‑i次反卷积运算 以及一次第二卷积运算， 得到三组初始概率特征 图， 并对所述三组初始 概率特征图进 行加权叠加， 得到第n +1‑i阶概率特征图； 其中， i∈[1， n]且i为整 数， 所述第一卷积运算中对应三组第n +1‑i阶叠加特征图的卷积核分别为所述三 种预设大小的卷积核， 所述反卷积运算的步长为2， 所述反卷积运算的卷积核与所述第一卷 积运算的卷积核相同， 所述第二卷积运 算的卷积核的大小为1 ×1； 所述加权叠加模块， 用于对n个卷积反卷积模块输出的n个概率特征图进行加权叠加， 得到最终概 率特征图。 5.根据权利要求4所述的线路交叉跨越区识别方法， 其特征在于， 所述根据所述样本数 据集合， 对所述多尺度特征语义分割模 型进行训练， 得到最优多尺度特征语义分割模型， 包 括： 遍历所述样本数据集合， 根据预设的批次大小， 依次从所述样本数据集合中获取一批 次的样本数据； 将所述一批次的样本数据中的各样本数据的样本影像输入最新的多尺度特征语义分 割模型， 得到各样本数据对应的n个概 率特征图以及最终概 率特征图； 根据同一样本数据对应的n个概率特征图以及所述同一样本数据中的标签， 通过预设 的损失函数， 计算所述同一样本数据对应的损失值； 根据一样本数据对应的最终概率特征图以及所述一样本数据中的标签， 计算所述一样 本数据对应的交并比； 当遍历完所述样本数据集合后， 计算所述样本数据集合中的各样本数据对应的损失值 的平均值， 作为本次训练的损失率， 并计算所述样本数据集合中的各样本数据对应的交并 比的平均值， 作为本次训练的交并比； 若本次训练的交并比大于上一次训练的交并比， 则根据本次训练的损 失率， 通过反向权　利　要　求　书 2/4 页 3 CN 115393726 A 3