多光譜領域技術在架空輸電線路中的應用系統設計實例

陳雋，蘇奕輝，許國偉，廖靜麗，林來鑫

（廣東電網有限責任公司汕頭供電局，廣東汕頭，515000）

0 引言

輸電線路的正常運作，是保證穩定供電的前提。在輸電線路走廊內，樹木于輸電線路間的距離如果過近，則會產生安全隱患甚至直接影響輸電線路的穩定性[1]。處于輸電線路走廊內的樹木會由于生長會周期性地靠近導線，如果小于運維要求的安全距離，就會導致電線對樹木放電引發線路故障停運和山火，因而對走廊內樹木進行定期測距、修剪是運維工作的重點之一。對走廊內樹木安排周期性修剪砍伐將導致每年的輸電線路運維涉及大量的樹木修剪砍伐工程量計算[2]。按傳統修剪砍伐辦法，費時費力效率低下。提高測距精度，提升判斷效率，可大大降低人工測距的工作量，節約能力成本。本文基于多光譜領域技術，設計了一套領域識別應用系統，以解決人工丈量樹障砍伐區域效率低下的問題，實現了樹障砍伐區域的自動獲取和自動測距，為樹木砍伐工作提供準確信息，可大大提高運維效率。

1 領域識別方案設計

1.1 領域識別流程

(1)分別獲取樹障砍伐前后完整的待識別線路通道的RGB圖像和多光譜圖像。

(2)根據樹障砍伐前完整的待識別線路通道的RGB圖像和樹障砍伐前完整的待識別線路通道的多光譜圖像得到砍伐前的樹障區域圖像。

(3)根據樹障砍伐后完整的待識別線路通道的RGB圖像和樹障砍伐后完整的待識別線路通道的多光譜圖像得到砍伐后的樹障區域圖像。

(4)將砍伐前的樹障區域圖像和砍伐后的樹障區域圖像輸入至訓練好的區域識別模型中得到樹障砍伐區域圖像。

1.2 領域識別用裝置

該裝置主要由圖像獲取模塊組成，用于分別獲取樹障砍伐前后完整的待識別線路通道的RGB圖像和多光譜圖像，包括砍伐前樹障區域圖像獲取模塊、砍伐后樹障區域圖像獲取模塊、樹障砍伐區域圖像獲取模塊。

砍伐前樹障區域圖像獲取模塊，用于根據樹障砍伐前完整的待識別線路通道的RGB圖像和樹障砍伐前完整的待識別線路通道的多光譜圖像得到砍伐前的樹障區域圖像。

砍伐后樹障區域圖像獲取模塊，用于根據樹障砍伐后完整的待識別線路通道的RGB圖像和樹障砍伐后完整的待識別線路通道的多光譜圖像得到砍伐后 的樹障區域圖像。

樹障砍伐區域圖像獲取模塊，用于將砍伐前的樹障區域圖像和砍伐后的樹障區域圖像輸入至訓練好的區域識別模型中得到樹障砍伐區域圖像[3]。

1.3 領域識別用電子設備

本方案需要使用一種圖像處理用電子設備，該電子設備核心部件是一個或多個處理器、存儲裝置，其結構如圖1所示。存儲裝置用于存儲一個或多個程序。一個或多個處理器執行一個或多個程序，處理器可實現本方案任意實施例所提供的區域識別方法。

圖1 電子設備的結構示意圖

1.4 存儲介質

本方案需要使用一種計算機可讀存儲介質，其上存儲有計算機程序。其中，該程序被處理器執行時實現具體的區域識別方法。另外，進行砍伐前、砍伐后的RGB圖像和多光譜圖像處理時，臨時結果也需要利用該介質進行保存，直到計算程序當前的計算任務結束，程序將最終計算結果從該存儲介質中讀出，用于展示或存儲到數據庫中備用。

2 方案實施

2.1 獲取RGB圖像和多光譜圖像

分別獲取樹障砍伐前后完整的待識別線路通道的RGB圖像和多光譜圖像。

通過無人機搭載相機拍攝待識別線路通道樹障砍伐修剪前和修剪后的RGB圖像和多光譜圖像。多光譜指的是由于太陽光是一種不同波長的連續光譜，其波長分布由短到長。不同顏色的可見光就是因波長差異而呈現出色彩變化。由于不同物體屬性的區別，在接受到太陽光照射時，物體表面吸收與反射太陽光的比例也不盡相同。多光譜圖像更有利于對感興趣區域進行分割。

獲取樹障砍伐前后完整的待識別線路通道的RGB圖像和多光譜圖像包括：分別獲取樹障砍伐前后待識別線路通道的RGB圖像和多光譜圖像；分別對RGB圖像和多光譜圖像進行剪裁和拼接得到完整的待識別線路通道的RGB圖像和完整的待識別線路通道的多光譜圖像。通過無人機搭載的相機拍攝的待識別線路通道樹障砍伐修剪前和修剪后的RGB圖像和多光譜圖像并不是一張能夠反映完整的待識別線路通道的圖像，而是對待識別線路通道進行了多張圖像的拍攝，需要對拍攝的圖像進行剪裁和拼接，從而獲得樹障砍伐修剪前和修剪后完整的待識別線路通道的圖像，以便后續對樹障砍伐區域進行識別。

2.2 RGB圖像和多光譜圖像處理

分別對RGB圖像和多光譜圖像進行剪裁和拼接得到完整的待識別線路通道的RGB圖像和完整的待識別線路通道的多光譜圖像，包括：根據拍攝得到的RGB圖像生成RGB圖像的正射影像；根據拍攝得到的多光譜圖像生成多光譜圖像的正射影像；將RGB圖像的正射影像進行剪裁和拼接得到完整的待識別線路通道的RGB圖像；將多光譜圖像的正射影像進行剪裁和拼接得到完整的待識別線路通道的多光譜圖像。

正射影像是具有正射投影性質的遙感影像。原始遙感影像因成像時受傳感器內部狀態變化、外部狀態及地表狀況的影響，均有程度不同的畸變和失真。對遙感影像的幾何處理，不僅提取空間信息，如繪制等高線，也可按正確的幾何關系對影像灰度進行重新采樣，形成新的正射影像。將拍攝得到的RGB圖像和多光譜圖像生成對應的正射影像，對正射影像進行剪裁和拼接得到完整的待識別線路通道的RGB圖像和多光譜圖像。正射影像可以提高圖像的精度，更有利于砍伐區域的識別。

2.3 獲取砍伐前樹障區域

根據樹障砍伐前完整的待識別線路通道的RGB圖像和樹障砍伐前完整的待識別線路通道的多光譜圖像得到砍伐前的樹障區域圖像。

根據樹障砍伐前完整的待識別線路通道的多光譜圖像進行樹障區域提取[4]，得到砍伐前的樹障區域的多光譜圖像，再結合樹障砍伐前完整的待識別線路通道的RGB圖像，得到砍伐前的樹障區域圖像。

根據樹障砍伐前完整的待識別線路通道的RGB圖像和樹障砍伐前完整的待識別線路通道的多光譜圖像得到砍伐前的樹障區域圖像包括：根據樹障砍伐前的待識別線路通道的多光譜圖像得到砍伐前的樹障區域多光譜圖像；根據砍伐前的樹障區域多光譜圖像和樹障砍伐前的待識別線路通道的RGB圖像得到砍伐前的樹障區域的RGB圖像。對樹障砍伐前的待識別線路通道的多光譜圖像進行感興趣區域提取，得到砍伐前的樹障區域多光譜圖像。根據砍伐前的樹障區域多光譜圖像對樹障砍伐前的待識別線路通道的RGB圖像進行圖像分割，得到砍伐前的樹障區域的RGB圖像。先對多光譜圖像進行感興趣區域提取，得到砍伐前的樹障區域多光譜圖像，再對RGB圖像進行分割，使得到的砍伐前的樹障區域的RGB圖像更加精確。

2.4 獲取砍伐后的樹障區域

根據樹障砍伐后完整的待識別線路通道的RGB圖像和樹障砍伐后完整的待識別線路通道的多光譜圖像得到砍伐后的樹障區域圖像。

根據樹障砍伐后完整的待識別線路通道的多光譜圖像進行樹障區域提取，得到砍伐后的樹障區域的多光譜圖像，再結合樹障砍伐后完整的待識別線路通道的RGB圖像，得到砍伐后的樹障區域圖像。

根據樹障砍伐后完整的待識別線路通道的RGB圖像和樹障砍伐后完整的待識別線路通道的多光譜圖像得到砍伐后的樹障區域圖像包括：根據樹障砍伐后的待識別線路通道的多光譜圖像得到砍伐后的樹障區域多光譜圖像；根據砍伐后的樹障區域多光譜圖像和砍伐后的待識別線路通道的RGB圖像得到砍伐后的樹障區域的RGB圖像。對樹障砍伐后的待識別線路通道的多光譜圖像進行感興趣區域提取，將無用的干擾區域過濾掉，得到砍伐后的樹障區域多光譜圖像。根據砍伐后的樹障區域多光譜圖像對砍伐后的待識別線路通道的RGB圖像進行圖像分割，在砍伐后的待識別線路通道的RGB圖像中提取與砍伐后的樹障區域多光譜圖像相同的區域，得到砍伐后的樹障區域多光譜圖像。

2.5 輸入區域識別模型獲得樹障砍伐區域圖像

將砍伐前的樹障區域圖像和砍伐后的樹障區域圖像輸入至訓練好的區域識別模型中得到樹障砍伐區域圖像。

將分割得到的砍伐前的樹障區域圖像和砍伐后的樹障區域圖像輸入至訓練好的區域識別模型中，進行線路通道樹障砍伐前和砍伐后的識別，得到樹障砍伐區域圖像。

區域識別模型為DeepLabv3+模型。DeepLabv3+模型訓練時使用的圖片格式與待識別線路通道的圖片格式一致?？梢酝ㄟ^遷移學習對DeepLabv3+模型進行訓練，還可以基于深度學習進行訓練。示例性的，基于地物分類遙感影像對DeepLabv3+模型進行訓練，拿到特征提取層的訓練參數，遷移到砍伐倒伏數據集訓練中，得到區域識別模型。將砍伐前的樹障區域圖像和砍伐后的樹障區域圖像輸入至訓練好的DeepLabv3+模型中進行樹障砍伐區域識別[5]，得到精準的樹障砍伐區域。

3 總結

本文所提出的樹障區域識別方案，通過分別獲取樹障砍伐前后完整的待識別線路通道的RGB圖像和多光譜圖像，根據樹障砍伐前的RGB圖像和多光譜圖像得到砍伐前的樹障區域圖像，根據樹障砍伐后的RGB圖像和多光譜圖像得到砍伐后的樹障區域圖像，并去除RGB圖像和多光譜圖像中的多余的區域，避免其它區域對識別樹障砍伐區域的影響，最后將砍伐前和砍伐后樹障區域圖像輸入至訓練好的區域識別模型中得到樹障砍伐區域圖像?？山鉀Q人工丈量樹障砍伐區域效率低下的問題，實現高精度的樹障砍伐區域的自動提取，提高樹木砍伐區域獲取效率。