[论文解读] Slash or burn: Power line and vegetation classification for wildfire prevention

Austin Park, Farzaneh Rajabi+1 more|arXiv (Cornell University)|May 9, 2021

Remote Sensing and LiDAR Applications参考文献 14被引用 6

一句话总结

本文提出一种基于计算机视觉的框架，利用谷歌街景图像、HOG与霍夫变换特征增强，以及使用卷积神经网络（如VGG11和ResNet18）进行迁移学习，以分类电力线路与植被，用于野火风险缓解。该模型通过集成方法在检测高风险植被过度生长方面达到88.88%的准确率，实现植被管理的优先排序与地理标记的电力设施制图。

ABSTRACT

Electric utilities are struggling to manage increasing wildfire risk in a hotter and drier climate. Utility transmission and distribution lines regularly ignite destructive fires when they make contact with surrounding vegetation. Trimming vegetation to maintain the separation from utility assets is as critical to safety as it is difficult. Each utility has tens of thousands of linear miles to manage, poor knowledge of where those assets are located, and no way to prioritize trimming. Feature-enhanced convolutional neural networks (CNNs) have proven effective in this problem space. Histograms of oriented gradients (HOG) and Hough transforms are used to increase the salience of the linear structures like power lines and poles. Data is frequently taken from drone or satellite footage, but Google Street View offers an even more scalable and lower cost solution. This paper uses $1,320$ images scraped from Street View, transfer learning on popular CNNs, and feature engineering to place images in one of three classes: (1) no utility systems, (2) utility systems with no overgrown vegetation, or (3) utility systems with overgrown vegetation. The CNN output thus yields a prioritized vegetation management system and creates a geotagged map of utility assets as a byproduct. Test set accuracy with reached $80.15\%$ using VGG11 with a trained first layer and classifier, and a model ensemble correctly classified $88.88\%$ of images with risky vegetation overgrowth.

研究动机与目标

• 解决干旱易发地区（如加州北部）因电力线路与植被接触而日益增长的野火风险。
• 开发一种可扩展、低成本的解决方案，利用公开的街景图像识别高风险电力设施。
• 通过将图像分类为三类（无电力设施、有电力设施但无过度生长、有电力设施且存在过度生长植被），建立优先级植被管理机制。
• 作为分类过程的副产品，生成地理标记的电力设施地图。
• 通过人工智能驱动的自动化配电网络巡检，提升安全性和合规性。

提出的方法

• 采集了1,320张覆盖PG&E服务区域的谷歌街景图像，用于训练与测试。
• 应用方向梯度直方图（HOG）与霍夫变换，以增强电力线路和电线杆等线性结构的可见性。
• 采用预训练的VGG11、ResNet18及其他CNN架构进行迁移学习，将图像分类为三类。
• 通过水平翻转和10个模型的投票集成方法进行数据增强，以提高鲁棒性并减少过拟合。
• 使用焦点损失函数进行模型训练，以优先降低假阴性，鉴于遗漏植被过度生长的风险极高。
• 生成显著性图以解释模型决策过程，验证网络是否聚焦于电力线路和植被边缘等关键特征。

实验结果

研究问题

• RQ1 在街景图像上训练的深度学习模型能否准确检测高风险配置下的电力线路与植被？
• RQ2 HOG与霍夫特征工程技术在提升CNN对电力线路与植被分类性能方面的效果如何？
• RQ3 经过微调的CNN集成模型能否在识别电力设施附近的植被过度生长方面实现高准确率？
• RQ4 模型预测在多大程度上可用于生成地理标记的电力设施地图并实现维护优先级排序？
• RQ5 类别不平衡与损失函数设计在安全关键型野火预防应用中的模型性能影响如何？

主要发现

• 当使用自定义第一层和分类器进行微调时，VGG11模型在测试集上达到最高的80.15%准确率。
• 10个模型的集成方法在正确分类存在植被过度生长的图像方面达到88.88%的准确率，正确识别出18张此类图像中的16张。
• 模型产生了13个假阳性（18张标记为“无电力设施”的图像中有13张被误分类为“植被过度生长”），但这是有意为之，因为采用了焦点损失函数以优先避免假阴性。
• 显著性图证实，模型学会了检测电力线路和植被边缘，且在重叠线路与树线过渡区域表现出强烈激活。
• 假阳性图像的水平翻转版本始终被错误分类为“植被”，表明模型对视觉模式敏感，可能存在数据标注错误。
• 研究发现存在人工标注错误，例如将一张无电力线路的图像错误标记为“无电力设施”，而模型正确分类了该图像，凸显了提升数据质量的必要性。