一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法与流程

1.本发明属于输电线路工程设计、计算机视觉技术领域，具体涉及一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法。


背景技术：

2.社会和城市的发展离不开电力资源的供应补给，为了更好的满足地区的社会经济可持续发展，具体地区需要进行详细周全的电力规划工作，保证地区发展后期的电力供应需求，提高地区输电线路电能供应效率。为此需要开展配输电线路服务节点空间计算，从地理空间领域分析规划区域的电力供应能力，满足符合区域经济发展的供电需求。
3.在输电线路服务节点计算过程中，常通过计算的装机容量及负荷数值表来对比分析供电区域的具体实际情况，忽略了规划区域的空间地理信息，使得节点分析计算存在一定的不合理性，影响规划区域的供电能力需求分配。


技术实现要素：

4.有介于此，本发明提供了一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，包括以下步骤：步骤s1：通过无人机搭载三维激光雷达获取待选线区域的数据参数，组合成相应的输电线路路径数据集，对所述输电线路路径数据集进行预处理，并标注不同区域的标签，获取相应的预处理数据集；步骤s2：采用图像分割任务型深度神经网络模型，对所述预处理数据集进行路网节点计算处理，获取适宜节点目标；步骤s3：采用蚁群算法，获取节点之间的最短路径，实现智能输电线路路径规划。步骤s4：算法结果可视化，并提供对外使用接口，能够更细粒度地规划输电线路选线最优路径。
5.本发明具体采用以下技术方案：
6.一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，其特征在于，包括以下步骤：
7.步骤s1：通过无人机搭载三维激光雷达获取待选线区域的数据参数，组合成相应的输电线路路径数据集，对所述输电线路路径数据集进行预处理，并标注不同区域的标签，获取相应的预处理数据集；
8.步骤s2：采用图像分割任务型深度神经网络模型，对步骤s1获得的预处理数据集进行路网节点计算处理，获取适宜节点目标；
9.步骤s3：采用蚁群算法，获取节点之间的最短路径，实现智能输电线路路径规划；
10.步骤s4：算法结果可视化，并提供对外使用接口。
11.进一步地，步骤s1具体包括以下步骤：
12.步骤s11：通过无人机搭载三维激光雷达获取待选线区域的数据参数，包括多媒体照片数据、距离图像数据的实时数据，航空数码影像数据，以组建成输电线路路径空间数据集；
13.步骤s12：对数据集进行处理，将输电线路路径空间图片划分为障碍区域以及地形地貌区域；
14.步骤s13：针对输电线路路径空间数据集中每张图像image制作训练标签label
image
，标签分为两类，以数字1与数字0来表示；对于图像中适宜进行选线的区域即地形地貌区域image
pixel
(appropriate)，标记为数字1，对于不适宜选线的区域即障碍区域image
pixel
(inappropriate)标记为数字0；公式如下：
[0015][0016][0017]
步骤s14：整理标签，获取训练模型所需要的数据集标签。
[0018]
进一步地，步骤s2具体包括以下步骤：
[0019]
步骤s21：将预处理数据集中的图像image输入至图像分割神经网络模型之中，模型提取图像特征，输出图像image中各个像素image
pixel
的分类结果，输出1则该像素为适宜选线区域，输出0则该像素为不适宜选线区域；
[0020]
步骤s22：采用交叉熵损失函数crossentropy_loss，对模型输出结果与图像标签计算模型损失值loss，损失函数公式如下：
[0021][0022]
式中number为图像像素总数，index为像素下标，代表第index个像素，prob()代表事件概率，代表标签中图像image中第index个像素pixel的所属类别，代表模型所输出的图像image中第index个像素pixel的所属类别；则代表该像素属于标签类别的概率；
[0023]
步骤s23：由交叉熵损失函数计算出损失值后，以随机梯度下降优化法将损失值用于训练神经网络模型，直至网络模型收敛，达到最准精确度；
[0024]
步骤s24：将需要规划输电线路选线的地区图像输入至训练完成的图像分割神经网络模型之中，得到该地区适宜选线的区域节点。
[0025]
进一步地，在步骤s5中：步骤s3具体包括以下步骤：
[0026]
步骤s31：采用蚁群算法选择两点之间所需要经过的区域节点；蚁群算法中最优路径由最终信息素浓度potency(final_time)决定，final_time代表终止时间；使用蚁群算法首先需要初始化信息素浓度potency(0)：
[0027]
potency(0)＝ant
num
/distance_rand
[0028]
式中ant
num
表示蚂蚁数量，distance_rand表示任意两个区域节点之间的路径长度；
[0029]
步骤s32：为每只蚂蚁选择下一访问节点nex_point，选择节点的概率公式如下：
[0030]
prob(nex
point
)＝potency
ij
(time)/potency
sum
(time)
[0031]
式中potency
ij
(time)表示i与j节点之间的路径在time时刻的信息素浓度，potency
sum
(time)表示所有路径在time时刻的信息素浓度；
[0032]
步骤s33：为了避免蚁群算法陷入局部最优解，需要调整不同时刻单只蚂蚁所遗留的信息素浓度：
[0033][0034]
式中表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度，信息素浓度调整参数α属于超参数，设置为0.5；随时间变化单只蚂蚁留下信息素的浓度逐渐减少；
[0035]
步骤s34：原算法中蚂蚁每走过一轮之后，所有路径上的信息素都会蒸发；为了避免蚁群算法陷入局部最优解，需要设置信息素存留时间potency_exist_time：
[0036][0037]
由于信息素存留时间随迭代次数逐渐减少，为了有效避免蚁群算法陷入局部最优解；所有蚂蚁根据自己构建的路径长度在它们本轮经过的边上释放信息素，公式如下：
[0038][0039]
式中time代表时间，lamda表示信息素的蒸发率，属于超参数，设置为0.5，kth表示第k只蚂蚁，表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度；
[0040]
步骤s35：多次迭代步骤s32与步骤s33，直至算法模型收敛，获取信息素浓度最高的路径，即为该地区节点之间适宜选线的最佳路径。
[0041]
进一步地，在步骤s6中：步骤s4具体包括以下步骤：
[0042]
步骤s41：基于python实现可视化图形化展示输电线路最佳路径；
[0043]
步骤s42：提供处理数据的外部接口，便于使用。
[0044]
相比于相关技术，本发明及其优选方案具有以下有益效果：
[0045]
1、本发明将前沿图像分割技术应用于输电线路路径规划之中，根据地理空间环境特征，利用图像分割神经网络模型选择适宜选线的区域节点，大量节省人力，提高规划效率；
[0046]
2、本发明将蚁群算法应用于路径规划之中，根据各节点之间的距离计算得出最佳选线路径，并且构造信息素相关公式，避免蚁群算法陷入局部最优解，使得计算结果更为精准。大量节省人力，提高规划效率。
[0047]
3、本发明对规划结果进行图形化显示，并且提供对外接口，方便使用。
附图说明
[0048]
下面结合附图和具体实施方式对本发明进一步详细的说明：
[0049]
构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0050]
图1为本发明实施例整体方案流程图。
[0051]
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
[0052]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。基于本技术提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0053]
显而易见地，下面描述中的附图仅仅是本技术的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本技术应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本技术公开的内容相关的本领域的普通技术人员而言，在本技术揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本技术公开的内容不充分。
[0054]
在本技术中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本技术所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
[0055]
除非另作定义，本技术所涉及的技术术语或者科学术语应当为本技术所属技术领域内具有一般技能的人士所理解的通常意义。本技术所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本技术所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本技术所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本技术所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本技术所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
[0056]
请参照图1，本发明提供一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，包括以下步骤：
[0057]
步骤s1：通过无人机搭载三维激光雷达获取待选线区域的数据参数，组合成相应的输电线路路径数据集，对所述输电线路路径数据集进行预处理，并标注不同区域的标签，获取相应的预处理数据集；
[0058]
步骤s2：采用图像分割任务型深度神经网络模型，对所述预处理数据集进行路网节点计算处理，获取适宜节点目标；
[0059]
步骤s3：采用蚁群算法，获取节点之间的最短路径，实现智能输电线路路径规划。
[0060]
步骤s4：算法结果可视化，并提供对外使用接口。
[0061]
在本实施例中，步骤s1具体包括以下步骤：
[0062]
步骤s11：通过无人机搭载三维激光雷达获取待选线区域的数据参数，包括多媒体数据(照片数据，jpg格式)、距离图像数据(实时数据)，航空数码影像数据(航拍照片，jpg格式)，将其组建成输电线路路径空间数据集。
[0063]
步骤s12：对数据集进行处理，将输电线路路径空间图片划分为障碍区域以及地形地貌区域。障碍区域包括但不限于居民区、人群密集区、施工地带等等。地形地貌区域包括但不限于平原、丘陵、山川、湖泊等等。
[0064]
步骤s13：针对输电线路路径空间数据集中每张图像image制作训练标签label
image
，标签分为两类，以数字1与数字0来表示。对于图像中适宜进行选线的区域即地形地貌区域image
pixel
(appropriate)，标记为数字1，对于不适宜选线的区域即障碍区域image
pixel
(inappropriate)标记为数字0。公式如下：
[0065][0066][0067]
步骤s14：整理标签，获取训练模型所需要的数据集标签。
[0068]
在本实施例中，步骤s2具体包括以下步骤：
[0069]
步骤s21：将预处理数据集中的图像image输入至图像分割神经网络模型之中，模型提取图像特征，输出图像image中各个像素image
pixel
的分类结果，输出1则该像素为适宜选线区域，输出0则该像素为不适宜选线区域。
[0070]
步骤s22：采用交叉熵损失函数crossentropy_loss，对模型输出结果与图像标签计算模型损失值loss，损失函数公式如下：
[0071][0072]
式中number为图像像素总数，index为像素下标，代表第index个像素，prob()代表事件概率，代表标签中图像image中第index个像素pixel的所属类别，代表模型所输出的图像image中第index个像素pixel的所属类别。则代表该像素属于标签类别的概率。
[0073]
步骤s23：由交叉熵损失函数计算出损失值后，以随机梯度下降优化法将损失值用于训练神经网络模型，直至网络模型收敛，达到最准精确度。
[0074]
步骤s24：将需要规划输电线路选线的地区图像输入至训练完成的图像分割神经网络模型之中，得到该地区适宜选线的区域节点。
[0075]
在本实施例中，步骤s3具体包括以下步骤：
[0076]
步骤s31：采用蚁群算法选择两点之间所需要经过的区域节点。蚁群算法中最优路径由最终信息素浓度potency(final_time)决定，final_time代表终止时间。使用蚁群算法
首先需要初始化信息素浓度potency(0)：
[0077]
potency(0)＝ant
num
/distance_rand
[0078]
式中ant
num
表示蚂蚁数量，distance_rand表示任意两个区域节点之间的路径长度。
[0079]
步骤s32：为每只蚂蚁选择下一访问节点nex_point，选择节点的概率公式如下：
[0080]
prob(nex
point
)＝potency
ij
(time)/potency
sum
(time)
[0081]
式中potency
ij
(time)表示i与j节点之间的路径在time时刻的信息素浓度，potency
sum
(time)表示所有路径在time时刻的信息素浓度。
[0082]
步骤s33：为了避免蚁群算法陷入局部最优解，需要调整不同时刻单只蚂蚁所遗留的信息素浓度：
[0083][0084]
式中表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度，信息素浓度调整参数α属于超参数，设置为0.5。由公式可知随时间变化单只蚂蚁留下信息素的浓度逐渐减少。
[0085]
步骤s34：原算法中蚂蚁每走过一轮之后，所有路径上的信息素都会蒸发。为了避免蚁群算法陷入局部最优解，需要设置信息素存留时间potency_exist_time：
[0086][0087]
由上式可知，信息素存留时间随迭代次数逐渐减少，有效避免蚁群算法陷入局部最优解。所有蚂蚁根据自己构建的路径长度在它们本轮经过的边上释放信息素，公式如下：
[0088][0089]
式中time代表时间，lamda表示信息素的蒸发率，属于超参数，设置为0.5，kth表示第k只蚂蚁，表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度。
[0090]
步骤s35：多次迭代步骤s32与步骤s33，直至算法模型收敛，获取信息素浓度最高的路径，即为该地区节点之间适宜选线的最佳路径。
[0091]
在本实施例中，步骤s4具体包括以下步骤：
[0092]
步骤s41：基于python实现可视化图形化展示输电线路最佳路径。
[0093]
步骤s42：提供处理数据的外部接口，便于使用。
[0094]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0095]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0096]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0097]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0098]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0099]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。

技术特征：
1.一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，其特征在于，包括以下步骤：步骤s1：通过无人机搭载三维激光雷达获取待选线区域的数据参数，组合成相应的输电线路路径数据集，对所述输电线路路径数据集进行预处理，并标注不同区域的标签，获取相应的预处理数据集；步骤s2：采用图像分割任务型深度神经网络模型，对步骤s1获得的预处理数据集进行路网节点计算处理，获取适宜节点目标；步骤s3：采用蚁群算法，获取节点之间的最短路径，实现智能输电线路路径规划；步骤s4：算法结果可视化，并提供对外使用接口。2.根据权利要求1所述的基于电力大数据的分析处理方法，其特征在于，步骤s1具体包括以下步骤：步骤s11：通过无人机搭载三维激光雷达获取待选线区域的数据参数，包括多媒体照片数据、距离图像数据的实时数据，航空数码影像数据，以组建成输电线路路径空间数据集；步骤s12：对数据集进行处理，将输电线路路径空间图片划分为障碍区域以及地形地貌区域；步骤s13：针对输电线路路径空间数据集中每张图像image制作训练标签label
image
，标签分为两类，以数字1与数字0来表示；对于图像中适宜进行选线的区域即地形地貌区域image
pixel
(appropriate)，标记为数字1，对于不适宜选线的区域即障碍区域image
pixel
(inappropriate)标记为数字0；公式如下：(inappropriate)标记为数字0；公式如下：步骤s14：整理标签，获取训练模型所需要的数据集标签。3.根据权利要求2所述的基于电力大数据的分析处理方法，其特征在于，步骤s2具体包括以下步骤：步骤s21：将预处理数据集中的图像image输入至图像分割神经网络模型之中，模型提取图像特征，输出图像image中各个像素image
pixel
的分类结果，输出1则该像素为适宜选线区域，输出0则该像素为不适宜选线区域；步骤s22：采用交叉熵损失函数crossentropy_loss，对模型输出结果与图像标签计算模型损失值loss，损失函数公式如下：式中number为图像像素总数，index为像素下标，代表第index个像素，prob()代表事件概率，代表标签中图像image中第index个像素pixel的所属类别,
代表模型所输出的图像image中第index个像素pixel的所属类别；则代表该像素属于标签类别的概率；步骤s23：由交叉熵损失函数计算出损失值后，以随机梯度下降优化法将损失值用于训练神经网络模型，直至网络模型收敛，达到最准精确度；步骤s24：将需要规划输电线路选线的地区图像输入至训练完成的图像分割神经网络模型之中，得到该地区适宜选线的区域节点。4.根据权利要求3所述的基于电力大数据的分析处理方法，其特征在于，在步骤s5中：步骤s3具体包括以下步骤：步骤s31：采用蚁群算法选择两点之间所需要经过的区域节点；蚁群算法中最优路径由最终信息素浓度potency(final_time)决定，final_time代表终止时间；使用蚁群算法首先需要初始化信息素浓度potency(0)：potency(0)＝ant
num
/distance_rand式中ant
num
表示蚂蚁数量，distance_rand表示任意两个区域节点之间的路径长度；步骤s32：为每只蚂蚁选择下一访问节点nex_point，选择节点的概率公式如下：prob(nex
point
)＝potency
ij
(time)/potency
sum
(time)式中potency
ij
(time)表示i与j节点之间的路径在time时刻的信息素浓度，potency
sum
(time)表示所有路径在time时刻的信息素浓度；步骤s33：为了避免蚁群算法陷入局部最优解，需要调整不同时刻单只蚂蚁所遗留的信息素浓度：式中表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度，信息素浓度调整参数α属于超参数，设置为0.5；随时间变化单只蚂蚁留下信息素的浓度逐渐减少；步骤s34：原算法中蚂蚁每走过一轮之后，所有路径上的信息素都会蒸发；为了避免蚁群算法陷入局部最优解，需要设置信息素存留时间potency_exist_time：由于信息素存留时间随迭代次数逐渐减少，为了有效避免蚁群算法陷入局部最优解；所有蚂蚁根据自己构建的路径长度在它们本轮经过的边上释放信息素，公式如下：式中time代表时间，lamda表示信息素的蒸发率，属于超参数，设置为0.5，kth表示第k只蚂蚁，表示第k只蚂蚁在i与j节点之间的路径上留下的信息素，distance_sum表示第k只蚂蚁走完整条路径后所得到的总路径长度；步骤s35：多次迭代步骤s32与步骤s33，直至算法模型收敛，获取信息素浓度最高的路
径，即为该地区节点之间适宜选线的最佳路径。5.根据权利要求4所述的基于电力大数据的分析处理方法，其特征在于，在步骤s6中：步骤s4具体包括以下步骤：步骤s41：基于python实现可视化图形化展示输电线路最佳路径；步骤s42：提供处理数据的外部接口，便于使用。

技术总结
本发明提出一种融合像素级图像分割与蚁群算法的智能输电线路路径规划方法，包括以下步骤：步骤S1：通过无人机搭载三维激光雷达获取待选线区域的数据参数，组合成相应的输电线路路径数据集，对所述输电线路路径数据集进行预处理，并标注不同区域的标签，获取相应的预处理数据集；步骤S2：采用图像分割任务型深度神经网络模型，对所述预处理数据集进行路网节点计算处理，获取适宜节点目标；步骤S3：采用蚁群算法，获取节点之间的最短路径，实现智能输电线路路径规划。步骤S4：算法结果可视化，并提供对外使用接口。供对外使用接口。供对外使用接口。


技术研发人员：于新民 林健昊 聂克剑 傅本钊 陈行云 陈远浩 刘志伟 林瑞宗 陈祥 李小刚 程建平 王先日 魏震 施孝霖
受保护的技术使用者：国网福建省电力有限公司
技术研发日：2023.06.14
技术公布日：2023/9/13