(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 202211116082.7 (22)申请日 2022.09.14 (71)申请人 国网江苏省电力有限公司无锡供电 分公司 地址 214000 江苏省无锡市梁 溪区梁溪路 12号 申请人 航天宏图信息技 术股份有限公司 (72)发明人 苏晓　张明晖　丁争　张卓成　 陈峻宇　李浪　许华栋　申若飞　 白万崧　王德新　杨光兴　李毅　 朱立夫　周兵　刘鸿燕　康晓　 段丁丁　王成港　程锐　牛帆帆　 (74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 专利代理师 肖继军(51)Int.Cl. G06V 20/10(2022.01) G06V 20/13(2022.01) G06V 20/70(2022.01) G06V 10/26(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) (54)发明名称 基于遥感影像特征目标检测的工地提取方 法和系统 (57)摘要 基于遥感影像特征目标检测的工地提取方 法和系统， 所述方法包括： 采集遥感影像数据， 筛 选和裁剪 出含有工地影像的原始 影像样本集； 对 原始影像样本集进行标注， 得到塔吊目标检测数 据集和裸土语义分割数据集， 并进行数据集预处 理； 搭建目标检测网络模型； 使用预处理过的塔 吊目标检测数据集训练目标检测网络模型； 搭建 语义分割网络模 型； 使用预处理过的裸土语义分 割数据集训练语义分割网络模型； 使用训练好的 目标检测网络模型和语义分割网络模型对待处 理的遥感影像进行预测； 根据预测结果中裸土面 积和塔吊数量判断此区域是否为工地。 采用基于 深度学习的多目标联合判读方案， 实现自动化检 测， 提高输电线路危险源排查效率， 提高用电安 全性能。 权利要求书2页 说明书9页 附图3页 CN 115546630 A 2022.12.30 CN 115546630 A 1.基于遥感影像特征目标检测的工地 提取方法， 其特 征在于， 所述方法包括： 步骤1， 采集遥感影 像数据， 筛 选和裁剪出含有工地影 像的原始影像样本集； 步骤2， 对原始影像样本集进行标注， 得到塔吊目标检测数据集和裸土语义分割数据 集， 并对塔吊 目标检测数据集和裸土语义分割数据集预处 理； 步骤3， 搭建目标检测网络模型； 步骤4， 使用预处 理过的塔吊 目标检测数据集训练目标检测网络模型； 步骤5， 搭建语义分割网络模型； 步骤6， 使用预处 理过的裸土语义分割数据集训练语义分割网络模型； 步骤7， 使用训练好的目标检测网络模型和语义分割 网络模型对待处理的遥感影像进 行预测； 步骤8， 根据预测结果中裸土面积和塔吊数量判断此区域是否为工地。 2.根据权利要求1所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 步骤1中使用标注软件或者遥感影像专用处理软件对样本进行一一标注， 将塔吊用矩 形边界框包围， 标注文件和原图构成塔吊 目标检测数据集； 将裸土作为前景生成掩膜， 其中， 标注的裸土块像素值赋1， 背景像素值赋0； 掩膜与原 图组成一对样本， 构建裸土语义分割数据集。 3.根据权利要求1所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 步骤3中目标检测网络模型包括： 数据输入层， 骨干 网络， 检测网络Neck结构， 检测头和 用于反向传播的目标函数。 4.根据权利要求3所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 数据输入层用于加载训练集的图像数据， 根据深度 学习框架规范格式对图像数据归一 化处理并转换为张量后输入网络 。 5.根据权利要求 4所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 骨干网络为多层卷积神经网络， 由浅至深提取不同层次特征， 在不同图像细粒度上聚 合并形成图像特 征； 检测网络Neck结构包括一系列混合和组合图像特征的网络层， 采用一种空间金字塔池 化结构。 6.根据权利要求5所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 检测头位于整个网络末端， 由一个普通卷积神经网络构成， 根据提取到的图像特征进 行预测， 生成边界框并预测类别， 检测头 输出信息包括： 置信概 率， 类别概 率与回归检测框； 目标函数用于训练网络模型时在反向传播过程中计算预测信息与真实标注信息的偏 差， 包括： 边界框回归损失项， 置信度损失项， 分类损失项。 7.根据权利要求6所述的基于 遥感影像特征目标检测的工地 提取方法， 其特 征在于， 边界框回归损失项 使用CIoU损失， 公式如下 所示： 权　利　要　求　书 1/2 页 2 CN 115546630 A 2式中， LCIoU表示计算得到的CI oU损失， IoU表示预测框和真实框的交并比， ρ2(b,bgt)表示真实框与预测框中心点的欧氏距离， Α表示用于平衡比例的参数， c表示能够同时覆盖预测框和gt框的最小矩形的对角线距离， θ表示长宽比一致性参数， ω表示预测框 宽度， h表示预测框高度， ωgt表示真实框 宽度， hgt表示真实框高度。 8.一种利用权利要求1 ‑8任一项权利要求所述方法的基于遥感影像特征目标检测的工 地提取系统， 包括： 采集模块， 预 处理模块， 目标检测网络模 型搭建模块， 训练目标检测网络 模型模块， 语义分割网络模型搭建模块， 语义分割网络模型训练模块， 预测和判断模块， 其 特征在于： 采集模块用于， 采集遥感影 像数据， 筛 选和裁剪出含有工地影 像的原始影像样本集； 预处理模块用于对原始影像样本集进行标注， 得到塔吊目标检测数据集和裸土语义分 割数据集， 并对塔吊 目标检测数据集和裸土语义分割数据集预处 理； 目标检测网络模型 搭建模块用于搭建目标检测网络模型； 训练目标检测网络模型模块用于使用预处理过的塔吊目标检测数据集训练目标检测 网络模型； 语义分割网络模型 搭建模块用于搭建语义分割网络模型； 语义分割网络模型训练模块用于使用预处理过的裸土语义分割数据集训练语义分割 网络模型； 预测和判断模块用于使用训练好的目标检测网络模型和语义分割网络模型对待处理 的遥感影 像进行预测； 根据预测结果中裸土面积和塔吊数量判断此区域是否为工地。 9.一种终端， 包括处 理器及存 储介质； 其特 征在于： 所述存储介质用于存 储指令； 所述处理器用于根据 所述指令进行操作以执行根据权利要求1 ‑8任一项所述基于遥感 影像特征目标检测的工地 提取方法的步骤。 10.计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器执行 时实现权利要求1 ‑8任一项所述基于 遥感影像特征目标检测的工地 提取方法的步骤。权　利　要　求　书 2/2 页 3 CN 115546630 A 3