一种基于深度学习的遥感图像风力发电机组检测方法与流程

本发明涉及机器学习的数字图像处理，尤其涉及一种基于深度学习的遥感图像风力发电机组检测方法。

背景技术：

1、近年来，随着经济的快速发展和能源的逐步转型，绿色清洁环保能源已被广泛应用。风能作为一种无污染、可再生的绿色发展能源有着巨大的发展潜力，风能具有能耗低、环保、储量大的优点，风能的利用方式通常是通过风电机组将风能转化成电能，以此通过风力来发电，随着清洁能源技术的快速发展，风力发电的规模越来越大，风力发电机组的数量越来越多，为高效管理这些设施，应通过有效的风力发电机组检测方法来精确确定每一个风力发电机组的地理位置。传统的对风力发电机组的检测包括如下方法：

2、1、基于外业测绘和遥感解译的风力发电机组检测方法：该方法主要存在如下问题：1)过于依赖解译人员的专业知识、工作经验和高精度解译数据，普适性较底，难以满足实际生产需求；2)自动化程度低，限制性较强；3)基于遥感解译的检测方法无法实现风力发电机组的自动提取，无法发挥遥感数据和计算机设备的作用，将造成人力和物力等资源的浪费；

3、2、基于无人机巡检的风力发电机组检测方法，该方法存在续航短，飞行高度低，检测效率低和容易受到气流影响的缺点。

4、3、基于深度学习的目标方法：该方法可利用端对端的提取方式，智能化、自动化的实现风力发电机组的检测，减少外业调绘、现场调查和遥感解译等耗时长、效率低的工作，不仅提升检测效率，还可有效地节约成本支出；但目前已有基于深度学习的目标检测模型在风力发电机组的检测中使用较少，并且目前缺少专门适用于遥感影像风力发电机组检测的网络模型，直接使用现有目标网络存在精度较差的问题，难以充分发挥深度学习模型自动化和智能化的优势。

5、综上所述，如何设计一种可利用深度学习模型检测遥感影像中风力发电机组的位置信息，建立遥感影像风力发电机组检测模型，实现风力发电机组的自动精确检测的方法，是当下亟需解决的问题。

技术实现思路

1、本发明为解决上述问题，提供了一种基于深度学习的遥感图像风力发电机组检测方法，可提高模型的检测精度，提高风力发电机组的检测精度，降低模型的复杂度。

2、为达到上述目的，本发明提出如下技术方案：一种基于深度学习的遥感图像风力发电机组检测方法，包括如下步骤：

3、s1：对遥感数据进行预处理并构建数据集；

4、s2：基于yolov5目标检测网络，构建包括深度可分离卷积、残差单元和空间金字塔结构的主干特征提取网络并以此建立基于深度学习的风力发电机组检测模型；

5、s3：建立模型训练集与参数设定；

6、s4：对模型进行验证及精度评定。

7、优选的，步骤s2中，将遥感影像数据和底层形状特征相融合，作为模型的输入信息。

8、优选的，在原有yolov5目标检测网络的基础上，增加大尺度检测区域，并对模型进行轻量化。

9、优选的，大尺度检测区域为(152×152×255)。

10、优选的，步骤s2中的将深度可分离卷积引入主干特征提取网络，具体为，将原模型中的卷积层均替换成深度可分离卷积，原模型中替换的卷积层包括focus模块、csp模块和spp模块中的卷积层。

11、优选的，步骤s2中风力发电机组检测模型的建立步骤为：

12、s21：输入的信息经过focus模块，实现切片处理；

13、s22：经过3次cbl模块和csp模块提取多层浅层语义信息；

14、s23：对每层的浅层语义信息分别进行特征抽象和跳跃连接，并得到深层语义信息；

15、s24：对深层语义信息经spp模块处理，提取多尺度信息；

16、s25：对深层语义信息进行上采样，并与浅层语义信息相结合，最终实现目标检测。

17、优选的，spp模块的池化尺度为1、5、9、13。

18、优选的，对步骤s2中遥感影像数据和底层形状特征相融合后的输入信息中，按照7：3的比例随机划分训练图像和测试图像。

19、优选的，步骤s3中在模型训练过程中，初始学习率为0.0001，优化器为adam，batch-size为8。

20、优选的，步骤s1中选择googleearth中17级影像作为遥感数据源。

21、本发明有益效果是：

22、1、本发明将遥感影像数据和底层形状特征相融合作为模型的输入信息，采用级联式建模思想，将深度学习模型提取的深层语义信息与影像的底层形状特征相结合，可提高风力发电机组的检测精度。

23、2、在yolov5检测模型中增加了一个大尺度模块，可基于风力发电机组的形状特点实现多尺度检测，进而进一步提高模型的检测精度。

24、3、将模型中的卷积层替换成深度可分离卷积，可避免模型由于参数量大、结构复杂而导致的梯度消失、过拟合等问题，进而实现模型的轻量化设计，提高模型鲁棒性的同时，降低模型复杂度。

技术特征：

1.一种基于深度学习的遥感图像风力发电机组检测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，步骤s2中，将遥感影像数据和底层形状特征相融合，作为模型的输入信息。

3.根据权利要求2所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，在原有yolov5目标检测网络的基础上，增加大尺度检测区域，并对模型进行轻量化。

4.根据权利要求3所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，所述大尺度检测区域为(152×152×255)。

5.根据权利要求4所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，步骤s2中的将深度可分离卷积引入主干特征提取网络，具体为，将原模型中的卷积层均替换成深度可分离卷积，原模型中替换的卷积层包括focus模块、csp模块和spp模块中的卷积层。

6.根据权利要求2-5中任一项所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，步骤s2中风力发电机组检测模型的建立步骤为：

7.根据权利要求6所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，spp模块的池化尺度为1、5、9、13。

8.根据权利要求7所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，对步骤s2中遥感影像数据和底层形状特征相融合后的输入信息中，按照7：3的比例随机划分训练图像和测试图像。

9.根据权利要求8所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，步骤s3中在模型训练过程中，初始学习率为0.0001，优化器为adam，batch-size为8。

10.根据权利要求9所述的基于深度学习的遥感图像风力发电机组检测方法，其特征在于，步骤s1中选择googleearth中17级影像作为遥感数据源。

技术总结
本发明涉及机器学习的数字图像处理领域，具体提供了一种基于深度学习的遥感图像风力发电机组检测方法，包括如下步骤：S1：对遥感数据进行预处理并构建数据集；S2：基于YOLOv5目标检测网络，构建包括深度可分离卷积、残差单元和空间金字塔结构的主干特征提取网络并以此建立基于深度学习的风力发电机组检测模型；S3：建立模型训练集与参数设定；S4：对模型进行验证及精度评定；本方案中将遥感影像数据和底层形状特征相融合作为模型的输入信息，同时在主干特征提取网络中使用深度可分离卷积、残差单元和空间金字塔结构，可降低模型的复杂度，增强网络的特征提取能力，提高网络目标的检测精度。

技术研发人员：许兆鹏,刘瓦,崔立业,陈楠,王磊,田宇,曹国庆,吕相南,叶棚超,张旭晴,王蕴琦
受保护的技术使用者：长春吉电能源科技有限公司
技术研发日：
技术公布日：2024/1/15