مجموعة البيانات الخاصة بصور شبكة الطاقة الكهربائية

اقرأ في هذا المقال


تقترح العديد من مقاييس التسجيل والخوارزميات الأساسية مهمتين لرسم خرائط الشبكة الكهربائية، وأهمها التعرف على البرج وربط خط الطاقة (أي تقدير تمثيل الرسم البياني للشبكة)، كما ينبغي أن يؤدي توفر بيانات التدريب ومقاييس النتائج وخطوط الأساس إلى تسهيل التقدم السريع في هذه المشكلة المهمة.

تحليل مجموعة البيانات الخاصة بصور شبكة الطاقة الكهربائية

تتكون مجموعة بيانات صور (PG) من (264) كيلومتر مربع من الصور العلوية التي تم جمعها عبر ثلاث مناطق جغرافية متميزة، أهمها أريزونا، الولايات المتحدة الأمريكية (AZ) ونيوزيلندا (AZ)، كذلك يتم عرض بعض الإحصاءات الأساسية لمجموعة البيانات في الجدول الأول، حيث يتم اشتقاق إحصاءات البنية التحتية الكهربائية (PG) من التعليقات التوضيحية البشرية.

huang.t1-3124519-large-300x54

كما تم اختيار هذه المناطق الجغرافية المتنوعة حتى نتمكن (والمستخدمين المستقبليين) من إثبات صحة أي نهج لرسم خرائط (PG) عبر الإعدادات الجغرافية المختلفة، وعلى الرغم من أن مجموعة البيانات الخاصة بنا تشتمل على صور بدقة (0.15) و (0.3) م؛ فقد أعدنا أخذ عينات من كل الصور إلى (0.3) م، كما تم القيام بذلك جزئياً للحفاظ على اتساق نتائج الاختبار.

والسبب الثاني هو تعزيز الأهمية العملية للنتائج، في حين أنه من المحتمل أن يؤدي استخدام الصور عالية الجودة إلى زيادة دقة رسم الخرائط (PG)؛ إلا أن الصور بدقة (0.15) م متاحة فقط من خلال التصوير الجوي، في حين أن الصور التي يبلغ قطرها (0.3) متر متاحة من الأقمار الصناعية، كما توفر الصور المستندة إلى القمر الصناعي تغطية جغرافية وتردد تصوير أكبر بكثير مقارنةً بالتصوير الجوي، بينما تكون أيضاً أقل تكلفة.

التمثيل الحقيقي للصور الأرضية الخاصة بالشبكة الكهربائية

هناك فئتان رئيسيتان من الكائنات التي تم القيام بتعليقها في الصور، وهي أبراج وخطوط الطاقة، ولغرض رسم خرائط (PG)؛ فإننا نحتاج إلى تحديد موقع كل برج (PG) بدقة في الصور، وذلك بالإضافة إلى توفير معلومات حول شكله وحجمه لدعم تدريب نماذج اكتشاف الكائنات، لذلك تم توضيح كل برج بمربع محيط (أي مستطيل)، والذي تم تحديد معلماته بواسطة متجه t = (r ، c ، h ، w) ، حيث (r ، c) يشفر موقع البكسل في الزاوية اليسرى العليا من المربع (صف وأعمدة البكسل المقابل) و (h ، w) يشفر الارتفاع والعرض.

وعلى فرض أن (T) تشير إلى مجموعة جميع متجهات (t) في الحقيقة الأرضية لمجموعة البيانات، والتي تحدد موقع كل برج، وبالنظر إلى (T)؛ فإنه يمكن تمثيل خطوط (PG) بإيجاز شديد من خلال ملاحظة أن خطوط (PG)، بحيث تشكل دائماً مقاطع خط مستقيم بين النقطتين الوسطى للصناديق المحيطة ببرج (PG)، لذلك يمكن استنتاج المدى المرئي الدقيق لخط (PG) معين بدقة من خلال معرفة البرجين المتصلين بهذا الخط.

لذلك من الممكن تمثيل خطوط الطاقة (PG) في الصور بإيجاز بواسطة مصفوفة مجاورة تسمى (A)، لذلك يشير (Aij = 1) إلى وجود اتصال (خط طاقة) بين الأبراج (i ، j) في (T) و (Aij = 0)، وبخلاف ذلك تُستخدم مصفوفات التجاور بشكل شائع لتمثيل الرسوم البيانية بإيجاز، وبالتالي يتم تصور (PG) بشكل طبيعي كرسم بياني، ومع ذلك؛ فإن العقد في الرسم البياني (PG) ترتبط كل منها بموقع جغرافي مكاني، مما يميزها عن الرسوم البيانية العامة في الرياضيات.

التفاصيل التي تنتهي الى التسمية الحقيقة لعناصر الشبكة الكهربائية

تم الحصول على جميع تسميات الحقيقة الأساسية من خلال التعليقات التوضيحية البشرية اليدوية للصور الملونة العلوية، بحيث تم تقسيم الصور إلى صور فرعية غير متداخلة، والتي تسمى “مربعات”، كما أنها تكون بحجم (5 كيلو × 5 كيلو) تقريباً تم فحص كل مربع يدوياً ووضع تعليقات توضيحية عليه باستخدام أداة برمجية مصممة خصيصاً للتعليق التوضيحي السريع للصور العلوية.

كما تتيح الأداة للمستخدمين التنقل بسرعة عبر الصور العلوية وإنشاء نوعين أساسيين من التعليقات التوضيحية، وهي مستطيلات للأبراج (التسمية “T”) و مقاطع الخط للخطوط (“L”)، ثم تُستخدم هذه التعليقات التوضيحية لإنشاء مصفوفات الحقيقة الأساسية (T ،A)، كما تم إنشاء مصفوفة (T ،A)، بحيث تكون منفصلة لكل بلاطة صورة، كما يمكن معالجة كل بلاطة وتسجيل نقاطها بشكل مستقل.

كما تم رسم التعليقات التوضيحية المستطيلة بحيث تطوق النطاق المادي الكامل لكل برج، باستثناء الظلال، كما أنه يتم تقديم أمثلة على التعليقات التوضيحية للبرج في الشكل التالي (1) كمربعات زرقاء، وفي مجموعة فرعية صغيرة من الحالات؛ كان المهندسون غير متأكدين مما إذا كان البرج عبارة عن برج كهرباء أو نوع آخر من الأبراج (على سبيل المثال، مصابيح الشوارع).

huang4-3124519-large-300x205

كذلك تم توجيه العاملين في تلك الحالات لتعيين فئة “برج آخر” (OT)، بحيث لا تزال التعليقات التوضيحية “OT” مدرجة في مصفوفات الحقيقة الأساسية كعقد رسم بياني، ومع ذلك يتم تضمين مؤشر “OT” في البيانات الوصفية الأرضية بحيث يمكن للمستخدمين تحديد كيفية استخدام هذه الأبراج. في هذا العمل، كما تستخدم أبراج “OT” للتدريب نظراً لأن العديد من هذه الكائنات تبدو مشابهة لأبراج (PG) وقد تستفيد النماذج من صور التدريب الإضافية.

خصائص وتحليل مجموعة البيانات الكهربائية من خلال الصور

في هذا القسم، يتم تقديم تحليلات نوعية وكمية لمجموعة البيانات من أجل:

  • توضيح تنوع مجموعة البيانات.
  • توفير معلومات مفيدة لتطوير الخوارزمية وتحليل النتائج التجريبية.

كما يتم عرض الإحصائيات الأساسية المتعلقة بمجموعة البيانات في الجدول الأول، ومن هذه الإحصائيات الأساسية؛ فإنه يمكننا أن نرى أن هناك اختلافات جوهرية بين المناطق الثلاث، على سبيل المثال تمتلك نيوزيلندا أعلى كثافة (لكل وحدة مساحة) للبنية التحتية (PG) من خلال ما يسمى بالهامش الكبير، بينما تتمتع كنساس بكثافة أكبر من كثافة أريزونا. تمتلك نيوزيلندا أيضاً أكبر عدد من وصلات الخطوط لكل برج.

كم يقدم الشكل التالي (2) العديد من الميزات الإحصائية المفيدة الأخرى المرتبطة بمجموعة البيانات، وهي مرتبة حسب الموقع، كما يتم التلخيص بإيجاز بعض الملاحظات الرئيسية، بحيث يشير الصف الأول إلى أن نيوزيلندا بها أبراج أصغر بكثير من المواقع الأمريكية في المتوسط، كما تُظهر جميع قطع الأرض الثلاثة في الصف العلوي أيضاً أن الأبراج الموجودة في ثلاث مناطق مرتبطة عادةً ببرجين، وذلك مع وجود عدد صغير من الأبراج به ثلاثة وصلات أو أكثر، خاصة في ولاية أريزونا.

huang5-3124519-large-1-300x147

كما يشير الصف الثاني إلى أن هناك توزيعاً واسعاً ولكنه مماثل نسبيًا لأطوال الخطوط عبر المواقع الثلاثة، بحيث يعد هذا توزيعاً مفيداً للحد من الأبراج المحتملة المتصلة ببرج معين، على سبيل المثال، لا نحتاج إلى التفكير في الأبراج التي تبعد أكثر من (100) متر، وعلاوة على ذلك نلاحظ أن لدى نيوزيلندا خطوط طاقة أكبر بكثير مقارنة بالمناطق الثلاث الأخرى.

أخيراً في الصف (3)؛ فإنه يم القيام بإنشاء مقياس خام لتعقيد (PG) (لكل وحدة مساحة)، كما يتم حساب عدد زوايا الخطوط الفريدة داخل كل بلاطة باستخدام (18) حاوية زاوية ممكنة منفصلة، بحيث يتم إنشاء رسم بياني لعدد زوايا الخطوط الفريدة لكل بلاطة، كما تشير النتائج إلى أن (PG) في نيوزيلندا أكثر تعقيداً بشكل كبير في المتوسط.

المصدر: M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn and A. Zisserman, "The Pascal visual object classes (VOC) challenge", Int. J. Comput. Vis., vol. 88, no. 2, pp. 303-338, 2010.N. Bodla, B. Singh, R. Chellappa and L. S. Davis, "Soft-NMS - Improving object detection with one line of code", Proc. IEEE Int. Conf. Comput. Vis., pp. 5561-5569, 2017.J. Yang, J. Lu, S. Lee, D. Batra and D. Parikh, "Graph R-CNN for scene graph generation", Proc. Eur. Conf. Comput. Vis., pp. 670-685, 2018.S. Dodge and L. Karam, "A study and comparison of human and deep learning recognition performance under visual distortions", Proc. 26th Int. Conf. Comput. Commun. Netw., pp. 1-7, 2017.


شارك المقالة: