[发明专利]一种基于高分辨率遥感影像输电杆塔识别与定位方法

说明书

本发明公开了一种基于高分辨率遥感影像输电杆塔识别与定位方法，基于高分辨率遥感影像可实现大范围输电杆塔的检测。基于此将改进的YOLOv3目标快速检测算法应用于高分辨率遥感影像的输电杆塔检测加定位，针对输电杆塔在遥感影像中呈现不同的形状，通过K‑means重新设置先验框的大小，并在边框回归中引入CIoU损失函数，将DIoU与NMS结合，改善YOLOv3对密集小目标的漏检问题。针对特征提取的层数加深目标的细节和位置信息减少的问题，通过增加SPP模块丰富最终特征图的表达能力。并且通过本文方法解决了YOLOv3对超大图像目标检测算法失效的问题，实现输电杆塔的自动识别加定位，为电网的安全运行提供保障。

技术领域

本发明属于图像处理技术领域，尤其是涉及一种基于高分辨率遥感影像输电杆塔识别与定位方法。

背景技术

坚强智能电网及能源互联网的快速发展，我国形成了以特高压输电通道为骨干的电网体系。然而，特高压电网输送距离长、覆盖范围大，环境条件复杂，易受到强风、冰冻、雷击、洪水、外破等各种自然和人为灾害的影响，常常造成杆塔倒塔、塔头大幅形变、杆塔倾斜、塔材丢失、主材弯曲等严重的杆塔结构故障。高压输电杆塔是电气设施中最重要的基础设施之一，其运行状态决定着整个电网的运行稳定和安全，而且输电杆塔的检测也极其重要。

目前输电杆塔的检测主要有人工实地调查、无人机巡检(参考：王万国，刘俍，王滨海等人.一种用于无人机巡检输电线路杆塔的识别方法：中国，201510219238.8)、直升机巡检、航空数字摄影巡检、在线装置(参考：张建勇，周海，朱宝忠，吴军，王晶.一种杆塔位置的定位方法和装置：中国，201410855677.3)等方法，存在监测范围小、在恶劣环境和大范围灾害条件下工作受限等缺点，为了保证这些骨干电网的安全和稳定运行，亟需一种监测范围广、周期短、效率高且成本低的监测新手段，另一方面，遥感卫星快速发展，遥感影像分辨率越来越高，利用遥感影像进行大面积的输电杆塔目标检测加快了电网行业的智能化。但是目前基于遥感影像的电塔检测方法一般采用人工解译或者是机器检测，人工解译需花费大量的人力物力，并且受人的主观影响，机器检测的方法泛化能力差，无法适应输电杆塔的多样性。随着人工智能的快速发展，国家电网的智能化是电网行业的共同发展目标。高压输电杆塔的自动检测在国家电网的智能化中极其重要。

近些年来，深度学习的快速发展得到广泛关注，它能够从海量影像数据中学习目标特征，为自动提取目标特征提供了一个有效的框架(参考：陆峰，刘华海，黄长缨，杨艳，谢禹，刘财喜.基于深度学习的目标检测技术综述.Computer SystemsApplications,2021,30(3):1-13[doi:10.15888/j.cnki.csa.007839])。如YOLOv3，YOLOv3使用Darknet-53网络，并且采用多个尺度融合的方式做检测，对小目标的检测精度有很大改善(参考：JosephRedmon,Ali Farhadi University of Washington.YOLOv3:An IncrementalImprovement)。其中YOLOv3是目前为止速度和精度最为均衡的目标检测网络，并且在目标检测任务中性能表现尤为突出。由于输电杆塔在遥感影像中呈现出不同的形状而且检测任务中只有输电杆塔一类，原始的先验框不适用，另一方面由于输电杆塔的复杂结构，特征提取的层数加深目标的细节和位置信息逐渐减少(参考：Kaiming He,Xiangyu Zhang,Shaoqing Ren,and Jian Sun.Spatial Pyramid Pooling in Deep ConvolutionalNetworks for Visual Recognition)。

综上，针对输电杆塔的定位方法存在成本高、耗时耗力的问题，高分辨率遥感影像中输电杆塔的形状、复杂结构问题，特征提取的层数加深目标的细节和位置信息逐渐减少的问题，本发明以目前最受工业欢迎的YOLOv3算法的基础上进行改进，以实现工期短、效率高、大范围面积的输电杆塔检测与定位，为电网的智能化提供支持。

发明内容