(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 202211085961.8 (22)申请日 2022.09.06 (71)申请人 湖南经研电力设计有限公司 地址 410007 湖南省长 沙市雨花区韶山北 路380号 (72)发明人 肖辉　徐志强　陈霖华　周鲲　 陆俊　沈晓隶　彭少俊　罗磊鑫　 刘立洪　罗正经　王立娜　胡启明　 唐咪娜　李勇智　齐增清　曾刚　 苏军明　简洁　 (74)专利代理 机构 长沙永星专利商标事务所 (普通合伙) 43001 专利代理师 周咏　米中业 (51)Int.Cl. G06V 10/764(2022.01)G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 20/10(2022.01) G06N 3/08(2006.01) (54)发明名称 基于深度学习网络的输变电工程遥感图像 分类方法及系统 (57)摘要 本发明公开了一种基于深度学习网络的输 变电工程遥感图像 分类方法， 包括获取输变电工 程区域的遥感图像数据集并构建训练样本； 构建 包含全局模型和子模型的输变电工程遥感图像 分类初步模 型； 采用训练样本对输变电工程遥感 图像分类初步模型进行训练得到子模型的最佳 参数； 采用动态偏差加权融合准则计算得到全局 模型最佳参数并得到输变电工程遥感图像分类 模型； 采用输变电工程遥感图像分类模 型进行实 际的输变电工程的遥感图像分类。 本发明还公开 了一种实现所述基于深度学习网络的输变电工 程遥感图像分类方法的系统。 与传统的集中式遥 感图像分类方法相比， 本发明具有训练过程简化 快捷、 扩展性好且精度较高的有点。 权利要求书2页 说明书5页 附图2页 CN 115471698 A 2022.12.13 CN 115471698 A 1.一种基于深度学习网络的输变电工程遥感图像分类方法， 包括如下步骤： S1.获取输变电工程区域的遥感图像数据集， 并构建训练样本； S2.基于深度学习网络， 构建包含全局模型和子模型的输变电工程遥感图像分类初步 模型； S3.采用步骤S1得到的训练样本， 对步骤S2构建的输变电工程遥感图像分类初步模型 进行训练， 得到 输变电工程遥感图像分类初步模型中子模型的最佳参数； S4.根据步骤S3得到的子模型的最佳参数， 采用动态偏差加权融合准则， 计算得到输变 电工程遥感图像分类初步模型中全局模型的最佳参数， 从而得到输变电工程遥感图像分类 模型； S5.采用步骤S4得到的输变电工程遥感图像分类模型， 进行实际的输变电工程的遥感 图像分类。 2.根据权利要求1所述的基于深度学习网络的输变电工程遥感图像分类方法， 其特征 在于步骤S1所述的获取输变电工程区域的遥感图像数据集， 并构建训练样本， 具体包括如 下步骤： 获取M类设定的输变电工程区域， 并划分作业区域， 规划航线； M为 不小于2的正整数； 采用无人机进行现场 勘测， 获取M类输变电工程区域的遥感图像信息； 将采集到的的遥感图像信息， 按照 类别分别进行标记， 每类标记N张图像， 从而得到M*N 的训练数据集 合； N为设定的正整数； 将训练数据集合中， 每一类的图像再进行K等分， 构成K个训练样本子集并标记为Z1, Z2,...,ZK； 此时， 任意类别下的第k个训练样本子集Zk包含的训练样本数为 K为 设定的正整数。 3.根据权利要求2所述的基于深度学习网络的输变电工程遥感图像分类方法， 其特征 在于步骤S2所述的基于深度学习网络， 构建包含全局模型和子模型的输变电工程遥感图像 分类初步模型， 具体包括如下步骤： 采用相同的深度学习网络， 搭建输变电工程遥感图像分类初步模型； 输变电工程遥感图像分类初步模型为包括1个深度学习 网络全局模型和K个深度学习 网络子模型的分布式深度学习模型； 深度学习网络全局模型包括J个待训练的模型参数P1,P2,...,PJ。 4.根据权利要求3所述的基于深度学习网络的输变电工程遥感图像分类方法， 其特征 在于步骤S 3所述的采用步骤S1得到的训练样 本， 对步骤S2构建的输变电工程遥感图像分类 初步模型进行训练， 得到输变电工程遥感图像分类初步模型中子模型 的最佳参数， 具体包 括如下步骤： 对于第k个深度学习网络子模型， 以第k个训练样本子集Zk作为该子模型的训练数据， 采 用分批随机梯度下降法进行模型训练并获取J个最佳训练参数Pk,1,Pk,2,...,Pk,J。 5.根据权利要求4所述的基于深度学习网络的输变电工程遥感图像分类方法， 其特征 在于步骤S4所述的根据步骤S3得到的子模型的最佳参数， 采用动态偏差加权融合准则， 计 算得到输变电工程遥感图像分类初步模型中全局模型的最佳参数， 从而得到输变电工程遥权　利　要　求　书 1/2 页 2 CN 115471698 A 2感图像分类模型， 具体包括如下步骤： 深度学习网络全局模型向每个深度 学习网络子模型下发标准测试遥感图像R及对应的 模型偏差值DR； 将标准测试遥感图像R输入到第k个深度学习网络子模型， 并获取对应的模型偏差值 Dk,R； 计算得到第k个深度学习网络 子模型的动态灵敏度偏差Qk为 根据第k个深度学习网络子模型的动态灵敏度 偏差Qk， 计算得到深度学习网络全局模型 的融合权 重wk为 其中K为训练样本 子集的个数； 根据动态偏差加权融合准则， 计算深度学习网络全局模型的最佳参数Pj为 其中j的取值为1,2,...,J， J为深度学习网络全局模型的待训练的模型参 数的个数； 最后， 根据深度学习 网络全局模型的最佳参数和深度学习 网络子模型的最佳参数， 得 到最终的输变电工程遥感图像分类模型。 6.一种实现权利要求1～5之一所述的基于深度学习网络的输变电工程遥感图像分类 方法的系统， 其特征在于包括训练样本获取模块、 分类模型构建模块、 子模型参数训练模 块、 全局模型参数训练模块和图像分类模块； 子模 型参数训练模块、 全局模型参数训练模块 和图像分类模块依次串联； 训练样本获取模块的输出端同时连接子模型参数训练模块和全 局模型参数训练模块； 分类模型构建模块的输出端同时连接子模型参数训练模块和全局模 型参数训练模块； 训练样本获取模块用于获取输变电工程区域的遥感 图像数据集， 构建训 练样本， 并将数据上传子模型参数训练模块和全局模型参数训练模块； 分类模型构建模块 用于基于深度学习网络， 构建包含全局模型和子模型的输变电工程遥感图像分类初步模 型， 并将模型上传子模型参数训练模块和全局模型参数训练模块； 子模型参数训练模块用 于采用训练样本， 对构建的输变电工程遥感 图像分类初步模型进行训练， 得到输变电工程 遥感图像分类初步模型中子模型 的最佳参数， 并将数据上传全局模型参数训练模块； 全局 模型参数训练模块用于根据子模型 的最佳参数， 采用动态偏差加权融合准则， 计算得到输 变电工程遥感图像分类初步模型中全局模型的最佳参数， 得到输变电工程遥感图像分类模 型， 并将数据上传图像分类模块； 图像分类模块用于采用得到的输变电工程遥感 图像分类 模型， 进行实际的输变电工程的遥感图像分类。权　利　要　求　书 2/2 页 3 CN 115471698 A 3