洪 倩，陳楓楠，梁 冬，李 晉，陳曉楓，戚國輝

（1．國網(wǎng)經(jīng)濟(jì)技術(shù)研究院有限公司，北京102209；2．紫光軟件系統(tǒng)有限公司，北京100084）

快速準(zhǔn)確監(jiān)控施工擾動區(qū)域?qū)Ψ乐谓ㄔO(shè)項(xiàng)目水土流失具有重要意義。高分2號衛(wèi)星屬于民用衛(wèi)星，其空間分辨率較高而影像資料獲取費(fèi)用較低，可用于施工擾動區(qū)域的快速識別。建設(shè)項(xiàng)目施工擾動區(qū)域遙感監(jiān)測的傳統(tǒng)解譯方法主要是目視解譯，計(jì)算機(jī)自動分類技術(shù)方法目前還不是特別成熟。近年來，將人工智能算法應(yīng)用到圖像識別中是一個(gè)研究熱點(diǎn)，而圖像識別中最廣泛的學(xué)習(xí)模式是卷積神經(jīng)網(wǎng)絡(luò)算法，該算法在目標(biāo)監(jiān)測、圖像分類、語音識別及行為識別等領(lǐng)域引發(fā)了一場研究與應(yīng)用熱潮。特高壓輸變電工程與一般建設(shè)項(xiàng)目不同，具有線路長、地形地貌復(fù)雜、施工標(biāo)段多、擾動范圍分散、造成的水土流失嚴(yán)重、監(jiān)督管理困難等特點(diǎn)［1］。筆者對基于卷積神經(jīng)網(wǎng)絡(luò)算法的圖像識別方法進(jìn)行研究，并利用高分2號衛(wèi)星遙感影像對榆橫—濰坊特高壓輸變電工程塔基施工擾動區(qū)域進(jìn)行自動識別，以期探索開發(fā)建設(shè)項(xiàng)目施工擾動區(qū)域和人為水土流失快速監(jiān)測方法。

1 研究區(qū)概況與數(shù)據(jù)選擇

1．1 研究區(qū)概況

榆橫—濰坊1 000 kV特高壓交流輸變電工程（簡稱榆橫—濰坊工程）起于陜西省榆橫交流變電站、止于山東省濰坊變電站，途經(jīng)陜西、山西、河北、山東四省，是國家大氣污染防治行動計(jì)劃“四交四直”特高壓工程中第5條輸電通道，是國家“三縱三橫”特高壓東西主干網(wǎng)架、華北特高壓交直流主網(wǎng)架的重要組成部分，線路全長 2×1 048．5 km，其中陜西省境內(nèi)約 2×151．5 km、山西省境內(nèi)約 2×318．0 km、河北省境內(nèi)約2×215．0 km、山東省境內(nèi)約 2×364．0 km。 該項(xiàng)目涉及平原農(nóng)作物區(qū)、山地林區(qū)、丘陵草地區(qū)、平原草地區(qū)等不同地類，急需開展擾動區(qū)域監(jiān)測。

1．2 數(shù)據(jù)選擇

高分2號衛(wèi)星是國家高分辨率對地觀測系統(tǒng)重大專項(xiàng)首批啟動研制的衛(wèi)星，于2014年8月19日發(fā)射成功［2］，是目前我國研制的空間分辨率最高、觀測幅寬最大、設(shè)計(jì)壽命最長的民用遙感衛(wèi)星。該衛(wèi)星遙感數(shù)據(jù)突破亞米級高分辨率大幅寬成像、長焦距大F數(shù)輕小型相機(jī)設(shè)計(jì)、高穩(wěn)定度快速姿態(tài)側(cè)擺、圖像高精度定位、低軌道遙感衛(wèi)星長壽命高可靠設(shè)計(jì)等關(guān)鍵技術(shù)，大幅提升了我國遙感衛(wèi)星觀測效能，打破高分辨率對地觀測數(shù)據(jù)依賴進(jìn)口的被動局面，推動了植被、土地利用、水土保持等方面的遙感監(jiān)控。

高分2號衛(wèi)星遙感數(shù)據(jù)具有4個(gè)多光譜波段、1個(gè)全色波段，多光譜分辨率達(dá)到3．24 m、全色波段分辨率達(dá)到0．81 m。從該數(shù)據(jù)光譜波段來看，適合對特高壓塔基施工擾動區(qū)域植被、土壤和施工材料的監(jiān)測；從空間分辨角度看，能夠滿足水土保持行業(yè)對施工擾動面積監(jiān)控的精度要求。此外獲取數(shù)據(jù)成本較低、適合廣泛使用，因此選擇高分2號衛(wèi)星遙感數(shù)據(jù)進(jìn)行特高壓塔基擾動區(qū)域監(jiān)控研究。

2 特高壓塔基擾動區(qū)域分類方法與結(jié)果評價(jià)

2．1 研究方法

2．1．1 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)最早出現(xiàn)于Yann Le Cun設(shè)計(jì)的LeNet-5中（LeNet-5包含了2個(gè)卷積層、2個(gè)池化層和3個(gè)全連接層），用于手寫字符識別，取得了較好的效果［3］。 此后陸續(xù)出現(xiàn)了 AlexNet、VggNet、GoogLeNet和 ResNet［4-7］，其中：AlexNet有 8 層網(wǎng)絡(luò)，包含 5 個(gè)卷積層和3個(gè)全連接層，使用兩塊GPU并行加速訓(xùn)練，用Relu作為激活函數(shù)，通過數(shù)據(jù)增強(qiáng)、DropOut以及設(shè)置局部響應(yīng)歸一化層（Local Response Normalization，簡稱LRN）防止過擬合問題；VggNet包含不同級別的網(wǎng)絡(luò)，常用的是 VggNet-16和 VggNet-19，VggNet使用3×3和1×1的卷積核，使用小卷積核改善了網(wǎng)絡(luò)的分類效果；GoogLeNet首次出現(xiàn)在ILSVRC14比賽中，在當(dāng)時(shí)獲得了第一名，GoogLeNet團(tuán)隊(duì)提出Inception網(wǎng)絡(luò)結(jié)構(gòu)，將全連接變?yōu)橄∈柽B接，使得不同的卷積核可以提取不同尺度的特征信息；ResNet（全稱Residual Neural Network）由He K等提出，該模型有不同的網(wǎng)絡(luò)層數(shù)、使用殘差模塊（見圖1），常用的有50層、101層和152層，主要代表網(wǎng)絡(luò)類型有 ResNet50和ResNet101。在ResNet中通過使用殘差模塊，能夠?qū)⑿畔妮斎肜@道傳到輸出，簡化學(xué)習(xí)的復(fù)雜度。本研究使用ResNet50進(jìn)行網(wǎng)絡(luò)訓(xùn)練，見圖2。

圖1 殘差模塊示意

圖2 ResNet50的結(jié)構(gòu)

本研究將 224×224×3（長度×寬度×通道數(shù)，長、寬均為像素?cái)?shù)）的圖像作為輸入，進(jìn)入第一個(gè)卷積層conv1（conv1中包括 64個(gè) 7×7的卷積核），步長為2（像素?cái)?shù)），接下來進(jìn)入BatchNorm層。ResNet使用BatchNorm加速訓(xùn)練，以獲得穩(wěn)定的訓(xùn)練結(jié)果，能夠?qū)γ恳粋€(gè)batch的均值和方差做歸一化處理；激活函數(shù)使用Relu，采用最大池化，使用softmax進(jìn)行輸出。

2．1．2 參數(shù)訓(xùn)練

本研究采用的硬件設(shè)備為 Ubuntu16．04系統(tǒng)（Intel Xeon E52603處理器，8G內(nèi)存，NVIDIA Quadro K620 顯卡），軟件為 Tensorflow1．12．0。 對樣本圖像進(jìn)行假彩色合成，使用labelImg工具制作訓(xùn)練樣本，用3 000張作為訓(xùn)練集、測試集和驗(yàn)證集，樣本比例為3∶1∶1。設(shè)置分類數(shù)為4，batch size為16，最小學(xué)習(xí)率為0．000 1，平均學(xué)習(xí)率為 0．002，權(quán)重衰減速率為0．000 2，每個(gè)殘差組內(nèi)殘差單元數(shù)量為5，泄露修正線性單元（Leaky ReLU）參數(shù)為0．1，優(yōu)化策略為Adaptive Moment Estimation方法，對模型進(jìn)行50 000次訓(xùn)練，最終精度為90．4%。

2．2 分類結(jié)果

2．2．1 平原農(nóng)作物區(qū)分類結(jié)果

使用的高分二號衛(wèi)星遙感影像全色和多光譜融合后空間分辨率為1 m，可清晰識別平原農(nóng)作物區(qū)特高壓施工擾動區(qū)域并準(zhǔn)確計(jì)算擾動面積。對平原農(nóng)作物區(qū)9S120號塔基施工擾動區(qū)域解譯分類結(jié)果見圖3，對平原農(nóng)作物區(qū)8個(gè)典型樣點(diǎn)（塔基）擾動面積解譯計(jì)算結(jié)果見表1?？梢钥闯觯矸e神經(jīng)網(wǎng)絡(luò)分類計(jì)算結(jié)果可信度較高，與目視解譯結(jié)果幾乎相等，相對誤差最大為 7．28%、最小為 1．20%，平均誤差為 4．43%。

表1 平原農(nóng)作物區(qū)典型樣點(diǎn)擾動面積解譯計(jì)算結(jié)果統(tǒng)計(jì)

2．2．2 山地林區(qū)分類結(jié)果

山地林區(qū)14R067號塔基施工擾動區(qū)域解譯分類結(jié)果見圖4，9個(gè)典型樣點(diǎn)（塔基）擾動面積解譯計(jì)算結(jié)果見表2?？梢钥闯?，在山地林區(qū)利用卷積神經(jīng)網(wǎng)絡(luò)分類方法從高分2號衛(wèi)星遙感影像提取擾動面積的準(zhǔn)確度較高，與目視解譯效果相當(dāng)，相對誤差最大為11．77%、最小為 4．84%。

圖4 山地林區(qū)14R067號塔基擾動區(qū)域解譯結(jié)果

2．2．3 丘陵草地區(qū)分類結(jié)果

丘陵草地區(qū)14S079號塔基施工擾動區(qū)域解譯分類結(jié)果見圖5，7個(gè)典型樣點(diǎn)（塔基）擾動面積解譯計(jì)算結(jié)果見表3?？梢钥闯觯酶叻?號衛(wèi)星遙感影像可清晰識別丘陵草地區(qū)特高壓施工擾動區(qū)域，并可較準(zhǔn)確地提取施工擾動面積，卷積神經(jīng)網(wǎng)絡(luò)分類計(jì)算相對誤差最大為7．68%、最小為5．37%，可信度較高。

表2 山地林區(qū)典型樣點(diǎn)擾動面積解譯計(jì)算結(jié)果統(tǒng)計(jì)

圖5 丘陵草地區(qū)14S079號塔基擾動區(qū)域解譯結(jié)果

表3 丘陵草地區(qū)典型樣點(diǎn)擾動面積解譯計(jì)算結(jié)果統(tǒng)計(jì)

2．2．4 平原草地區(qū)分類結(jié)果

平原草地區(qū)2S37號塔基施工擾動區(qū)域解譯分類結(jié)果見圖6，9個(gè)典型樣點(diǎn)（塔基）擾動面積解譯計(jì)算結(jié)果統(tǒng)計(jì)見表4?？梢钥闯?，卷積神經(jīng)網(wǎng)絡(luò)分類計(jì)算結(jié)果可信度較高，與目視解譯效果相當(dāng)，相對誤差最大為 7．21%、最小為 4．32%。

圖6 平原草地區(qū)2S37號塔基擾動區(qū)域解譯結(jié)果

表4 平原草地區(qū)典型樣點(diǎn)擾動面積解譯計(jì)算結(jié)果統(tǒng)計(jì)

3 結(jié) 語

利用卷積神經(jīng)網(wǎng)絡(luò)算法和高分2號衛(wèi)星遙感影像可以快速識別平原農(nóng)作物區(qū)、山地林區(qū)、丘陵草地區(qū)、平原草地區(qū)等不同地形地貌區(qū)施工擾動區(qū)域（范圍），并準(zhǔn)確提取施工擾動面積，對各類地貌區(qū)典型樣點(diǎn)（特高壓輸變電工程塔基）施工擾動面積的分類計(jì)算結(jié)果與目視解譯結(jié)果基本一致，與實(shí)測值相比，相對誤差最大值為11．77%、最小值為1．20%，準(zhǔn)確率較高，表明其可用于水土保持監(jiān)測和管理。

基于殘差網(wǎng)絡(luò)ResNet50識別施工擾動區(qū)取得了較好的效果，但仍有一些需要改進(jìn)的地方。由于Res-Net50模型網(wǎng)絡(luò)層數(shù)較多、需要大量的參數(shù)，因此訓(xùn)練過程中參數(shù)調(diào)整的時(shí)間長、訓(xùn)練難度較大、泛化能力不夠強(qiáng)。本研究使用ResNet50的預(yù)訓(xùn)練模型進(jìn)行網(wǎng)絡(luò)訓(xùn)練，并未對算法進(jìn)行細(xì)節(jié)方面的優(yōu)化，后續(xù)研究可考慮使用多種模型并結(jié)合空洞卷積、語義分割等方法進(jìn)行網(wǎng)絡(luò)訓(xùn)練，以提高識別精度。