基于RDU-Net深度学习模型的电力基础设施提取方法研究

随着电力基础设施的逐步完善，如何减少电力损耗及提高发电量变成当前最迫切的需求，这就需要有效的对设施进行管理，对设施的位置、大小、面积进行识别统计是建立管理系统的前提。传统的识别统计方法如人工实地调查、遥感影像解译等都需要花费大量的人力物力和财力。本文根据地物特性，使用了RDU-Net网络模型，该模型在U-Net网络模型上进行了算法优化和完善，通过添加空洞卷积以提升模型感受野，同时引入Tversky损失函数自动平衡正负样本，最终得到了更适用于高分遥感图像分割的模型。本文实验结果表明：本文使用的RDU-Net模型能够很好的克服草木遮挡的干扰，精度较U-Net模型得到了很好得提升。可为识别典型电力基础设施相关方面研究提供思路，并能有效提高国家对基础能源设施的管理效率以及起到指导规划建设的作用。

随着电力产业的发展与普及，作为基础能源，已经为各行各业产生了巨大的经济效益和社会效益， 为了减少传统发电方式的电力损耗以及增加发电量，需要及时建立电力基础设施管理系统对其进行全方位管理，为国家电网基础能源建设提供有效帮助[1]。如何快速高效的自动检测并提取各种基础设施以获得其信息显得至关重要。

随着卫星遥感技术的快速发展，使用遥感技术获取地物信息已经变成一种主要的手段，由于其具有范围大、精度高、速度快等一系列地面采集所不能具备的优点。目前已经被大量应用于工业、农业等众多行业中。但是由于某些电力基础设施目标较小，大部分卫星影像的时间分辨率和空间分辨率不满足对其提取的要求，且在获取影像的过程中容易受到大气干扰导致影像质量下降等问题。本文采用高分遥感影像数据，克服了分辨率低的缺点，是对小型地物空间信息的采集重要的手段。

遥感图像分割的核心是如何高效高质量的对图像进行表示[2]，Song 等人(2004)提出了一种基于少量人工标注特征的特征编码方法， 利用支持向量机(SVM)提取道路信息， 可以更好地提取道路主干信息[3]。

然而，这些传统方法生成的图像特征很少，这从本质上阻碍了遥感图像特征的提取。目前，深度学习方法展现出来的优越性及其高精度使其成为当下研究的热点， 特别是全卷积神经网络(FCN)模型， 它使用编码和解码实现对影像特征的检测与提取[4]。

但是FCN 算法在权衡定位和识别精度上存在问题， 识别精度会随着定位精度的提高而降低[5]。Ronneberger 等针对此问题对模型进行了改进，提出了U-net 网络模型[6]，该模型能够很好的处理识别精度与定位精度之间的平衡问题。但在U-net 卷积运算中，边界像素是通过镜像运算而不是填充来处理的。后续卷积运算仍然存在尺度单一、层间信息频繁丢失的问题，导致识别定位精度大幅下降。

本文使用的RDU-Net (残差空洞卷积U 型网络)模型在原有的U-Net 网络模型上，将长短连接、空洞卷积、Tversky 系数结合起来，减少了信息损失并增大了模型感受野，并将恒等映射转换为差值计算防止