面向高分辨率衛(wèi)星遙感的電力桿塔自動(dòng)檢測(cè)

方明 孫曉敏 黃然 錢國(guó)超 耿浩 文剛 徐超 徐崇斌 劉亮

面向高分辨率衛(wèi)星遙感的電力桿塔自動(dòng)檢測(cè)

方明1孫曉敏*2黃然1錢國(guó)超1耿浩1文剛1徐超3徐崇斌2劉亮2

（1電力遙感技術(shù)聯(lián)合實(shí)驗(yàn)室（云南電網(wǎng)有限責(zé)任公司電力科學(xué)研究院），昆明 650217）（2北京空間機(jī)電研究所，北京 100094）（3北京空間飛行器總體設(shè)計(jì)部，北京 100094）

隨著高分辨率遙感衛(wèi)星的快速發(fā)展，基于衛(wèi)星遙感的輸電線路智能巡檢逐步成為一個(gè)重要的研究趨勢(shì)。當(dāng)前真實(shí)遙感圖像采集電力桿塔樣本有限，嚴(yán)格制約電力桿塔自動(dòng)檢測(cè)能力。針對(duì)樣本不足的問題，文章提出一種面向高分辨率衛(wèi)星遙感地面目標(biāo)成像特征的樣本數(shù)據(jù)增廣方法，基于激光掃描獲取的電力桿塔三維模型模擬桿塔經(jīng)過衛(wèi)星投影模型后的成像，形成不同高度和掃描角度的電力桿塔衛(wèi)星圖像模擬樣本；結(jié)合最新的YOLOv4目標(biāo)檢測(cè)框架，實(shí)現(xiàn)了利用高分辨率遙感衛(wèi)星對(duì)輸電桿塔的自動(dòng)檢測(cè)。云南地區(qū)的輸電桿塔自動(dòng)檢測(cè)試驗(yàn)結(jié)果表明，采用該自動(dòng)檢測(cè)方法能將檢測(cè)精度從83.2%提升到加入模擬樣本后的89.7%，可為基于衛(wèi)星遙感的輸電線路智能巡檢提供重要的技術(shù)支撐。

深度學(xué)習(xí) 目標(biāo)檢測(cè) 輸電桿塔 衛(wèi)星遙感影像應(yīng)用

0 引言

電力線的巡檢是電網(wǎng)的基本任務(wù)，利用巡檢來發(fā)現(xiàn)電力線的安全隱患是保障電力安全輸送的重要措施。早期的電力線巡檢基本采用人眼來觀測(cè)，效率低且花費(fèi)巨大。雖然利用無人機(jī)能夠通過設(shè)定靈活航線進(jìn)行低空飛行、搭載不同的采集設(shè)備，能夠從不同角度對(duì)電力線進(jìn)行貼近拍攝，成為目前主流的電力巡檢手段。由于采集的數(shù)據(jù)量較大，人工目視解譯效率低，因此如何自動(dòng)的從影像和點(diǎn)云數(shù)據(jù)中發(fā)現(xiàn)和定位電力線中的安全隱患（如絕緣子自爆[1-5]、樹障、電力塔上的鳥巢等[6]）就成為目前研究的熱點(diǎn)。電力線自動(dòng)檢測(cè)早期以電力線的識(shí)別與分割為主[7,8]，識(shí)別與分割的結(jié)果可應(yīng)用于電力線的三維建模與可視化管理，隨著研究的深入，對(duì)安全隱患的自動(dòng)檢測(cè)與識(shí)別也開始增多。其中絕緣子串的檢測(cè)與自爆識(shí)別方面有了大量的研究和應(yīng)用，傳統(tǒng)的方法一般借助顏色或者形狀的識(shí)別來進(jìn)行檢測(cè)，隨著深度學(xué)習(xí)技術(shù)的不斷成熟，基于深度學(xué)習(xí)來進(jìn)行絕緣子自爆檢測(cè)成為目前研究的主流[9]。

相比目前電力巡檢中廣泛采用的無人機(jī)數(shù)據(jù)，衛(wèi)星拍攝地面目標(biāo)容易受到天氣影響，重訪的周期也比較長(zhǎng)，而且目前衛(wèi)星圖像的地面分辨率還難以達(dá)到無人機(jī)的水平，從衛(wèi)星圖像上很難發(fā)現(xiàn)體積和面積較小的電力目標(biāo)，比如絕緣子、電力線等。但是也有非常明顯優(yōu)點(diǎn)，比如：采用衛(wèi)星圖像能對(duì)電力線數(shù)據(jù)進(jìn)行大規(guī)模的監(jiān)測(cè)，特別是在一些交通條件較差的地區(qū)，地面交通工具和無人機(jī)都難以到達(dá)，而衛(wèi)星則不受影響；同時(shí)隨著高分辨率衛(wèi)星數(shù)據(jù)的廣泛使用，從亞米級(jí)的衛(wèi)星圖像上可以識(shí)別出目標(biāo)較大的電力設(shè)施，比如桿塔、電力站等；基于深度學(xué)習(xí)技術(shù)，采用高分辨率衛(wèi)星數(shù)據(jù)也可以對(duì)電力線周圍的地表進(jìn)行變化檢測(cè)，發(fā)現(xiàn)可能存在的安全隱患。

由于當(dāng)前真實(shí)遙感圖像采集電力桿塔樣本有限，嚴(yán)格制約電力桿塔自動(dòng)檢測(cè)能力，亟需擴(kuò)展訓(xùn)練樣本的品質(zhì)和數(shù)量。本文的研究以深度學(xué)習(xí)為基礎(chǔ)，對(duì)高分辨率衛(wèi)星遙感圖像中的電力桿塔進(jìn)行自動(dòng)檢測(cè)。針對(duì)樣本不足的問題，本文提出一種面向高分辨率遙感衛(wèi)星地面目標(biāo)成像特征的樣本數(shù)據(jù)增廣方法，基于激光掃描獲取的電力桿塔三維模型模擬桿塔經(jīng)過衛(wèi)星投影模型后在圖像上的成像，形成不同高度和掃描角度的電力桿塔衛(wèi)星圖像模擬樣本，從而利用深度學(xué)習(xí)目標(biāo)檢測(cè)方法進(jìn)行桿塔的檢測(cè)。

1 研究進(jìn)展

1.1 深度學(xué)習(xí)目標(biāo)檢測(cè)技術(shù)

結(jié)合區(qū)域提名（Region Proposal）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）的R-CNN（Region-based Convolutional Neural Networks）[10]是第一個(gè)將深度學(xué)習(xí)應(yīng)用到目標(biāo)檢測(cè)的算法，該算法分為三個(gè)步驟，首先提取候選的目標(biāo)框，然后利用CNN來提取特征，最后用支持向量機(jī)（SVM）來進(jìn)行分類。由于每個(gè)候選框的特征都利用CNN來單獨(dú)計(jì)算，因此R-CNN的計(jì)算量較大，而且三個(gè)步驟彼此獨(dú)立，不能進(jìn)行端到端的優(yōu)化。Faster R-CNN[11]是對(duì)Fast R-CNN的進(jìn)一步提升，將候選框的提取用區(qū)域候選網(wǎng)絡(luò)（Region Proposal Network，RPN）來實(shí)現(xiàn)，然后將候選框作為輸入來訓(xùn)練Fast R-CNN，這樣就把候選框的提取和類型識(shí)別都用神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，提高了運(yùn)算速度。RPN本身其實(shí)就是一個(gè)獨(dú)立的深度網(wǎng)絡(luò)結(jié)構(gòu)，可以用來判斷一個(gè)候選框是否是感興趣的目標(biāo)并進(jìn)行打分，同時(shí)還可以根據(jù)標(biāo)定的基準(zhǔn)數(shù)據(jù)（Ground Truth）對(duì)候選框進(jìn)行坐標(biāo)回歸。SSD算法[12]以及類似的檢測(cè)方案不再單獨(dú)預(yù)測(cè)目標(biāo)框，而是使用一個(gè)網(wǎng)絡(luò)來直接預(yù)測(cè)類別和目標(biāo)框的回歸值，相比Faster R-CNN，SSD算法的網(wǎng)絡(luò)結(jié)構(gòu)更簡(jiǎn)單。此外SSD在不同尺度的特征圖上都進(jìn)行了目標(biāo)檢測(cè)，能夠充分利用不同特征圖像下不同感受視野的特征信息。SSD的速度比Faster R-CNN快，但是對(duì)小目標(biāo)的檢測(cè)不如Faster R-CNN。YOLO對(duì)象檢測(cè)法[13]的網(wǎng)絡(luò)設(shè)計(jì)比SSD更簡(jiǎn)單，而且只用最后一個(gè)特征層來進(jìn)行目標(biāo)識(shí)別和坐標(biāo)回歸，速度更快但是檢測(cè)的精度比SSD要差些。YOLO9000算法[14]對(duì)YOLOv1進(jìn)行了改進(jìn)（改進(jìn)后的版本為YOLOv2），去掉了YOLO中的全連接層而改為卷積層，增加了批標(biāo)準(zhǔn)化（Batch Normalization）來解決過擬合的問題，并采用不同分辨率的網(wǎng)絡(luò)來訓(xùn)練參數(shù)，同時(shí)還把聚類獲得最優(yōu)的Anchors技術(shù)也引入到檢測(cè)中，因此提高了檢測(cè)的精度。此外YOLO9000（即YOLOV2）還創(chuàng)新的提出了一種將分類數(shù)據(jù)庫(kù)和標(biāo)記數(shù)據(jù)庫(kù)組合進(jìn)行訓(xùn)練的方式，實(shí)現(xiàn)了多達(dá)9 000類目標(biāo)的檢測(cè)與識(shí)別。YOLOv2包含23個(gè)卷積層，5個(gè)池化層（縮小2倍）。YOLO的第3個(gè)版本YOLOv3[15]在2018年發(fā)布，其在YOLOv2的基礎(chǔ)上加入了多分辨率的機(jī)制，將不同分辨率的特征層用于目標(biāo)檢測(cè)，有效提高了小目標(biāo)檢測(cè)的正確率，同時(shí)還保證了檢測(cè)的效率。YOLOv4[16]的主要貢獻(xiàn)在于將目前驗(yàn)證后對(duì)神經(jīng)網(wǎng)絡(luò)具有通用改進(jìn)的方法（如WRC，SCP，CmBN，SAT以及mish-activation等）應(yīng)用到目標(biāo)檢測(cè)中；此外還在訓(xùn)練過程中使用了一些新的技巧，包括Mosaic數(shù)據(jù)增強(qiáng)、DropBlock正則化、CIOU損失函數(shù)。

常用的目標(biāo)檢測(cè)方案包括Faster R-CNN、SSD、R-FCN三種算法[17]，借助已有的圖像識(shí)別架構(gòu)從圖像中獲取抽象的影像特征，進(jìn)一步進(jìn)行目標(biāo)位置提取。深度學(xué)習(xí)中常用的網(wǎng)絡(luò)架構(gòu)包括：VGG[18]，Resnet[19]，Inception V2，Inception V3，Inception Resnet (v2)，MobileNet[20]等。通過將目標(biāo)檢測(cè)的三種方案與特征提取網(wǎng)絡(luò)進(jìn)行組合，開展訓(xùn)練和測(cè)試，結(jié)果表明Inception Resnet (v2)的檢測(cè)精度最高，當(dāng)降低候選框的數(shù)量時(shí)Faster R-CNN+Resnet的組合也能夠獲得較高的運(yùn)行效率和識(shí)別精度。

1.2 基于遙感的電力巡檢

目前遙感技術(shù)在電網(wǎng)管理中的應(yīng)用主要集中于無人機(jī)巡檢技術(shù)。通過無人機(jī)搭載不同的硬件載荷，如可見光相機(jī)，多光譜、高光譜相機(jī)，激光Lidar等設(shè)備，對(duì)電力線進(jìn)行快速拍攝或者掃描。通過對(duì)數(shù)據(jù)的智能處理（如深度學(xué)習(xí)）和分析輔助進(jìn)行電力線的巡檢，發(fā)現(xiàn)可能存在的隱患。

基于航空遙感可以巡檢的電力線安全隱患主要包括鳥巢、絕緣子自爆、樹障等。鳥巢采用深度學(xué)習(xí)可以較好的解決，樹障采用激光雷達(dá)來進(jìn)行檢測(cè)。絕緣子自爆區(qū)域出現(xiàn)位置不固定，種類也較多，因此絕緣子自爆的檢測(cè)比較復(fù)雜。傳統(tǒng)絕緣子自爆區(qū)域檢測(cè)一般采用邊緣提取或者分割的方法來將絕緣子串與圖像背景進(jìn)行分離，然后基于形狀特征或形態(tài)學(xué)處理來定位自爆絕緣子的位置。文獻(xiàn)[21]在5個(gè)卷積池化模塊和2個(gè)全連接模塊組成的經(jīng)典架構(gòu)的基礎(chǔ)上，對(duì)網(wǎng)絡(luò)進(jìn)行改進(jìn)，實(shí)現(xiàn)在復(fù)雜航拍背景中進(jìn)行絕緣子檢測(cè)；同時(shí)，在訓(xùn)練的網(wǎng)絡(luò)模型中抽取絕緣子的特征融入自組織特征映射網(wǎng)絡(luò)中實(shí)現(xiàn)顯著性檢測(cè)，結(jié)合超像素分割和輪廓檢測(cè)等圖像處理方法對(duì)絕緣子進(jìn)行數(shù)學(xué)建模，提出一種針對(duì)絕緣子自爆故障的識(shí)別算法。文獻(xiàn)[22]介紹了Faster R-CNN算法流程在無人機(jī)電力線巡檢圖像部件檢測(cè)中的應(yīng)用情況，并對(duì)DPM、SPPnet和Faster R-CNN3種識(shí)別方法進(jìn)行了對(duì)比分析，通過實(shí)際采集的電力小部件巡檢數(shù)據(jù)構(gòu)建的數(shù)據(jù)集對(duì)三種方法進(jìn)行測(cè)試驗(yàn)證，結(jié)果表明基于深度學(xué)習(xí)的識(shí)別方法實(shí)現(xiàn)電力小部件的識(shí)別是可行的，而且利用Faster R-CNN進(jìn)行多種類別的電力小部件識(shí)別定位可以達(dá)到每張近80 ms的識(shí)別速度和92.7%的準(zhǔn)確率。文獻(xiàn)[23]基于Faster R-CNN進(jìn)行了絕緣子識(shí)別的探索與應(yīng)用，通過對(duì)來源于不同場(chǎng)景的幾百幅絕緣子圖像進(jìn)行試驗(yàn)，驗(yàn)證了Faster R-CNN模型進(jìn)行絕緣子檢測(cè)的可行性和魯棒性。文獻(xiàn)[24]提出一種基于深度學(xué)習(xí)U-net網(wǎng)絡(luò)的航拍絕緣子檢測(cè)方法，自動(dòng)分層特征提取，通過疊加的方法將淺層特征與高維特征相融合，其中淺層的高分辨率特征圖用來進(jìn)行像素定位，深層高維特征圖進(jìn)行像素分類，避免了目標(biāo)位置等細(xì)節(jié)信息的丟失，提高了定位精度，能夠有效檢測(cè)出復(fù)雜背景下的絕緣子，準(zhǔn)確率達(dá)到88.9%。

相比成熟的無人機(jī)巡檢技術(shù)，衛(wèi)星遙感在電力巡檢中的研究比較少。目前基于衛(wèi)星遙感的電力巡檢主要集中在火點(diǎn)監(jiān)測(cè)[25-27]，而電力桿塔等目標(biāo)識(shí)別幾乎沒有涉及。隨著衛(wèi)星遙感圖像空間分辨率的不斷提升，以及重訪周期的不斷縮短，目前已經(jīng)可以從亞米級(jí)的衛(wèi)星圖像上識(shí)別出電力桿塔等較大目標(biāo)的電力設(shè)施。特別是采用最新的深度學(xué)習(xí)技術(shù)，可以自動(dòng)準(zhǔn)確地識(shí)別電力目標(biāo)。但是，受制于樣本品質(zhì)和數(shù)量，無法將深度學(xué)習(xí)技術(shù)應(yīng)用于高分辨率衛(wèi)星遙感的電力桿塔檢測(cè)。

2 基于高分辨率衛(wèi)星的自動(dòng)檢測(cè)

2.1 電力桿塔樣本數(shù)據(jù)增廣方法

由于深度學(xué)習(xí)的網(wǎng)絡(luò)參數(shù)較多，需要大量的樣本來進(jìn)行訓(xùn)練才能達(dá)到較好的訓(xùn)練效果。而采集海量的樣本需要耗費(fèi)大量的人力物力，甚至對(duì)于一些特殊情況，無法采集大量的樣本。在這種情況下，采用樣本數(shù)據(jù)增廣技術(shù)對(duì)有限的樣本進(jìn)行處理得到新的樣本，就能在一定程度上增加樣本的數(shù)量。樣本增廣可以直接利用樣本圖像來實(shí)現(xiàn)，通過對(duì)樣本圖像進(jìn)行幾何和顏色變化來得到新樣本，能夠增加樣本的多樣性。幾何增強(qiáng)包括隨機(jī)旋轉(zhuǎn)、裁剪、平移、縮放、鏡像等，顏色變化包括對(duì)比度增強(qiáng)、亮度增強(qiáng)、HSV空間增強(qiáng)、隨機(jī)擦除等。

基于樣本自身進(jìn)行數(shù)據(jù)增廣只能改變圖像中目標(biāo)的整體變化，不同目標(biāo)之間的相對(duì)位置關(guān)系無法改變。為了能夠盡可能的模擬衛(wèi)星拍攝桿塔時(shí)的圖像，提出基于衛(wèi)星成像模型的電力桿塔成像數(shù)據(jù)模擬方法。目前主流的衛(wèi)星成像模型是線陣掃描，為了獲取立體像對(duì)一般采用多個(gè)線陣組合進(jìn)行掃描的方式（比如“資源三號(hào)”衛(wèi)星有前正后三個(gè)線陣，“高分七號(hào)”衛(wèi)星有前后兩個(gè)線陣）。前后兩個(gè)線陣以傾斜角度對(duì)地表進(jìn)行掃描，因此得到的圖像中桿塔是傾斜的。正視圖像一般垂直地面進(jìn)行拍攝，因此成像效果類似正射圖像，圖像中的桿塔主要顯示頂部信息。衛(wèi)星的嚴(yán)密成像幾何模型如下：

根據(jù)式（2），可以利用電力桿塔的三維數(shù)據(jù)來進(jìn)行成像模擬，得到線陣掃描下的圖像，如圖1所示。最后，還需要將模擬后的桿塔圖像與地面正射影像進(jìn)行融合，從而得到衛(wèi)星拍攝時(shí)的成像效果，以獲得足夠多的樣本數(shù)據(jù)集。

圖1 模擬不同角度的電力桿塔影像

Fig.1 Simulate images of power towers from different angles

2.2 網(wǎng)絡(luò)設(shè)計(jì)

本文采用YOLOv4[16]的模型架構(gòu)來進(jìn)行電力桿塔的檢測(cè)。YOLOv4是YOLO系列的最新版本，該系列采用一步式的方式，即不生成候選目標(biāo)框，直接根據(jù)網(wǎng)絡(luò)得到的特征圖像來進(jìn)行目標(biāo)的定位與分類。YOLOv1提出的網(wǎng)絡(luò)奠定了整個(gè)系列的基礎(chǔ)，將圖像劃分為×網(wǎng)格（代表網(wǎng)格在圖像縱橫方向的數(shù)量），如果目標(biāo)的中心落在網(wǎng)格單元，那么這一網(wǎng)格單元就負(fù)責(zé)檢測(cè)該目標(biāo)。每個(gè)網(wǎng)格單元會(huì)預(yù)測(cè)個(gè)邊界框和邊界框的置信度，邊界框的數(shù)量和形狀可以人工設(shè)定，也可以根據(jù)統(tǒng)計(jì)來獲得。YOLOv2應(yīng)用一種檢測(cè)與分類聯(lián)合訓(xùn)練方法Darknet-19來提高檢測(cè)的性能，使用這種聯(lián)合訓(xùn)練方法在COCO檢測(cè)數(shù)據(jù)集和ImageNet分類數(shù)據(jù)集上訓(xùn)練出了YOLO9000模型，該模型可以檢測(cè)超過9 000多類物體。YOLOv3最大的變化是使用了殘差模型和采用FPN架構(gòu)。YOLOv3的特征提取器是一個(gè)殘差模型，包含53個(gè)卷積層（Darknet-53）。從網(wǎng)絡(luò)結(jié)構(gòu)上看，相比Darknet-19網(wǎng)絡(luò)YOLOv3使用了殘差單元，所以可以構(gòu)建的更深；另外一個(gè)創(chuàng)新點(diǎn)是采用FPN架構(gòu)（Feature Pyramid Networks for Object Detection）來實(shí)現(xiàn)多尺度檢測(cè)。YOLOv4是對(duì)YOLOv3的多項(xiàng)改進(jìn)，Bochkovskiy等人[16]總結(jié)了幾乎所有的檢測(cè)技巧，然后經(jīng)過篩選和排列組合，證明哪些方法有效。具體的改進(jìn)包括在輸入端進(jìn)行Mosaic數(shù)據(jù)增強(qiáng)，cmBN、SAT自對(duì)抗訓(xùn)練，在主干網(wǎng)絡(luò)將CSPDarknet53、Mish激活函數(shù)、Dropblock等各種新的方式結(jié)合起來。在主干網(wǎng)絡(luò)和最后的輸出層之間往往會(huì)插入SPP模塊、FPN+PAN結(jié)構(gòu)，在輸出層采用損失函數(shù)CIOU_Loss，將預(yù)測(cè)框篩選的NMS改為DIOU_NMS。

3 實(shí)驗(yàn)與分析

本實(shí)驗(yàn)采集的真實(shí)衛(wèi)星遙感樣本來自GoogleEarth上的電力桿塔圖像和國(guó)產(chǎn)的“高景”衛(wèi)星拍攝的圖像（如圖2所示），模擬的圖像為利用電力桿塔和線陣掃描模型模擬的電力桿塔圖像。首先，利用直接從衛(wèi)星圖像上截取的電力桿塔樣本來進(jìn)行實(shí)驗(yàn)，對(duì)比不同檢測(cè)模型的精度；然后，加入模擬得到的新樣本來進(jìn)行實(shí)驗(yàn)，分析模擬數(shù)據(jù)對(duì)目標(biāo)檢測(cè)模型精度的影響。

3.1 不同檢測(cè)方法的精度對(duì)比

為了對(duì)比幾種主流檢測(cè)方法對(duì)高分辨率衛(wèi)星圖像中電力桿塔的檢測(cè)效果，本文采用Faster R-CNN、SSD、YOLOv3、YOLOv4來對(duì)電力桿塔的目標(biāo)檢測(cè)樣本進(jìn)行訓(xùn)練。Faster R-CNN是兩步法的代表方法，SSD和YOLOv3是一步法的代表。實(shí)驗(yàn)中采用直接從衛(wèi)星圖像中截取的電力桿塔樣本來進(jìn)行訓(xùn)練，用來進(jìn)行訓(xùn)練的圖像為518張，測(cè)試的圖像為84張。圖像樣本采用隨機(jī)旋轉(zhuǎn)、平移、裁剪、縮放和顏色增強(qiáng)等操作來進(jìn)行數(shù)據(jù)的擴(kuò)展，各方法測(cè)試結(jié)果如表1所示。

圖2 利用高分辨率衛(wèi)星圖像采集電力桿塔樣本

Fig.2 Acquisition of power tower samples using high-resolution satellite images

表1 不同檢測(cè)算法的精度對(duì)比

Tab.1 Comparison of the accuracy of different detection algorithms

表1中的精確率和召回率的調(diào)和平均數(shù)1的計(jì)算公式為

式中r為精確率，表示的是預(yù)測(cè)為正類的樣本中真正的正類樣本的比例；e為召回率，表示的是正類預(yù)測(cè)為正類的樣本占原來樣本中所有正類樣本的比例。從表1的結(jié)果中可以看出，YOLOv4相比其他檢測(cè)算法，具有最高的檢測(cè)精度，可以達(dá)到83.2%，而召回率也相對(duì)最高，可以達(dá)到86%，在電力桿塔自動(dòng)檢測(cè)中推薦使用。

3.2 模擬數(shù)據(jù)加入前后精度對(duì)比

從衛(wèi)星中截取的電力桿塔的圖像樣本有限，為了能夠盡可能多的模擬不同高度、不同掃描角度的電力桿塔在衛(wèi)星圖像上的成像，本文以激光掃描獲取的電力桿塔的三維模型來模擬桿塔經(jīng)過衛(wèi)星投影模型后在圖像上的成像。訓(xùn)練時(shí)將模擬數(shù)據(jù)加入訓(xùn)練集，然后直接計(jì)算精度指標(biāo)來作為評(píng)價(jià)的依據(jù)。根據(jù)上一節(jié)的模型對(duì)比實(shí)驗(yàn)，YOLOv4的精度最高，采用該模型來對(duì)添加模擬數(shù)據(jù)前后的訓(xùn)練精度進(jìn)行分析，結(jié)果如表2所示。

從表2可以看出，采用模擬數(shù)據(jù)后準(zhǔn)確率和召回率都有所上升，說明本文提出的模擬算法生成的電力桿塔圖像能夠提高模型的檢測(cè)能力。具體檢測(cè)效果如圖3所示，標(biāo)注數(shù)字為檢測(cè)置信度。由圖3中可以看出訓(xùn)練后的模型能夠準(zhǔn)確的將不同方向、不同大小以及不同背景下的遙感圖像中的桿塔目標(biāo)檢測(cè)出來，且置信度較高，說明了本文檢測(cè)方法的有效性。

表2 模擬數(shù)據(jù)對(duì)YOLOv4模型訓(xùn)練精度影響

Tab.2 Impact of simulated data on YOLOv4 model training accuracy

4 結(jié)束語(yǔ)

本文提出了一種基于深度學(xué)習(xí)模型的高分辨率桿塔目標(biāo)的檢測(cè)方法，并針對(duì)樣本數(shù)量不足的問題，提出了基于高分辨率衛(wèi)星掃描模型的桿塔樣本模擬算法，利用點(diǎn)云掃描獲得的真實(shí)尺寸的桿塔模型來生成不同高度、不同側(cè)擺角度的模擬數(shù)據(jù)；并將模擬數(shù)據(jù)加入訓(xùn)練樣本中進(jìn)行訓(xùn)練，云南地區(qū)的輸電桿塔實(shí)驗(yàn)結(jié)果表明模擬數(shù)據(jù)能夠提高目標(biāo)檢測(cè)的精度。結(jié)合具有較高的正確率和召回率YOLO系列算法，本文提出的模擬算法生成的電力桿塔圖像能夠有效提高模型的檢測(cè)能力，自動(dòng)檢測(cè)精度從83.2%提升到89.7%，召回率從86%提升到89%，拓展了基于衛(wèi)星遙感的輸電線路智能巡檢手段。

[1] 陳文賀, 李彩林, 袁斌, 等. 有效的絕緣子自爆缺陷定位方法[J]. 計(jì)算機(jī)工程與設(shè)計(jì), 2019, 40(8): 2346-2352.

CHEN Wenhe, LI Cailin, YUAN Bin, et al. Effective Method to Locate Self-explosion Defects of Insulators[J]. Computer Engineering and Design, 2019, 40(8): 2346-2352. (in Chinese)

[2] 侯春萍, 章衡光, 張巍, 等. 輸電線路絕緣子自爆缺陷識(shí)別方法[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2019, 31(6): 1-6.

HOU Chunping, ZHANG Hengguang, ZHANG Wei, et al. Recognition Method for Faults of Insulators on Transmission Lines[J]. Proceedings of the CSU-EPSA, 2019, 31(6): 1-6. (in Chinese)

[3] 虢韜, 楊恒, 時(shí)磊, 等. 基于Faster RCNN的絕緣子自爆缺陷識(shí)別[J]. 電瓷避雷器, 2019(3): 183-189.

GUO Tao, YANG Heng, SHI Lei, et al. Self-explosion Defect Identification of Insulator Based on Faster Rcnn[J].Insulators and Surge Arresters, 2019(3): 183-189. (in Chinese)

[4] 賴秋頻, 楊軍, 譚本東, 等. 基于YOLOv2網(wǎng)絡(luò)的絕緣子自動(dòng)識(shí)別與缺陷診斷模型[J]. 中國(guó)電力, 2019, 52(7): 31-39.

LAI Qiupin, YANG Jun, TAN Bendong, et al. An Automatic Recognition and Defect Diagnosis Model of Transmission Line Insulator Based on YOLOv2 Network[J]. Electric Power,2019, 52(7): 31-39. (in Chinese)

[5] 龐春江, 張鵬程. 基于深度學(xué)習(xí)模型與稀疏表示的絕緣子狀態(tài)分類[J]. 軟件導(dǎo)刊, 2018, 17(5): 40-42.

PANG Chunjiang, ZHANG Pengcheng.Insulator Status Classification Based on Deep Learning Model and Sparse Representation[J]. Software Guide, 2018, 17(5): 40-42. (in Chinese)

[6] 史晉濤, 李喆, 顧超越, 等. 基于樣本擴(kuò)充的Faster R-CNN電網(wǎng)異物監(jiān)測(cè)技術(shù)[J]. 電網(wǎng)技術(shù), 2020, 44(1): 44-51.

SHI Jintao, LI Zhe, GU Chaoyue, et al. Research on Foreign Matter Monitoring of Power Grid With Faster R-CNN Based on Sample Expansion[J]. Power System Technology, 2020, 44(1): 44-51. (in Chinese)

[7] 趙浩程, 雷俊峰, 王先培, 等. 背景復(fù)雜下航拍圖像的電力線識(shí)別算法[J]. 測(cè)繪通報(bào), 2019(7): 28-32.

ZHAO Haocheng, LEI Junfeng, WANG Xianpei, et al. Power Line Identification Algorithm for Aerial Image in Complex Background[J]. Bulletin of Surveying and Mapping, 2019(7): 28-32. (in Chinese)

[8] 周汝琴, 許志海, 彭熾剛, 等. 一種高壓輸電走廊機(jī)載激光點(diǎn)云分類方法[J]. 測(cè)繪科學(xué), 2019, 44(3): 21-27, 33.

ZHOU Ruqin, XU Zhihai, PENG Chigang, et al.A JointBoost-based Classification Method of High Voltage Transmission Corridor from Airborne LiDAR Point Cloud[J]. Science of Surveying and Mapping, 2019, 44(3): 21-27, 33. (in Chinese)

[9] 楊曉旭, 溫招洋. 深度學(xué)習(xí)在輸電線路絕緣子故障檢測(cè)中的研究與應(yīng)用[J]. 中國(guó)新通信, 2018, 20(10): 208-210.

YANG Xiaoxu,WEN Zhaoyang. Research and Application of Deep Learning in Transmission Line Insulator Fault Detection[J]. China New Telecommunications, 2018, 20(10): 208-210. (in Chinese)

[10] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition, June 23-28, 2014, Columbus, OH, USA. IEEE, 2014.

[11] REN Shaoping, HE Kaiming, GIRSHICK R B, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2017, 39(6): 1137-1149.

[12] LIU W, ANGUELOV D, ERHAN D, et al. SSD: Single Shot MultiBox Detector[EB/OL]. [2021-05-30]. https://link.springer. com/chapter/10.1007%2F978-3-319-46448-0_2.

[13] REDMON J, DIVVALA S, GIRSHICK R, et al. You Only Look Once: Unified, Real-time Object Detection. [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 2016.

[14] REDMON J, FARHADI A. YOLO9000: Better, Faster, Stronger[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),Honolulu, HI, USA, 2017.

[15] REDMON J, FARHADI A. Yolov3: An Incremental Improvement[EB/OL]. [2021-05-30]. http://alumni.soe.ucsc.edu/～ czczycz/src/YOLOv3.pdf.

[16] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. Yolov4: Optimal Speed and Accuracy of Object Detection[J]. ArXiv Preprint, 2020.

[17] HUANG J, RATHOD V, SUN C, et al. Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR),July 21-26, 2017, Honolulu, HI, USA.

[18] SIMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[C]//3rd International Conference on Learning Representations ICLR 2015, San Diego, CA, USA, 2015.

[19] SIMONYAN K, ZISSERMAN A, Very Deep Convolutional Networks for Large-scale Image Recognition[EB/OL]. [2021-05-30]. https://arxiv.org/pdf/1409.1556.pdf.

[20] HOWARD A, ZHU M, CHEN B, et al. Mobilenets: Efficient Convolutional Neural Networks for Mobile Vision Applications[J]. ArXiv Preprint, 2017.

[21] 陳慶, 閆斌, 葉潤(rùn), 等. 航拍絕緣子卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)及自爆識(shí)別研究[J]. 電子測(cè)量與儀器學(xué)報(bào), 2017, 31(6): 942-953.

CHEN Qing, YAN Bin, YE Run, et al.Insulator Detection and Recognition of Explosion Fault Based on Convolutional Neural Networks[J]. Journal of Electronic Measurement and Instrumentation, 2017, 31(6): 942-953. (in Chinese)

[22] 王萬國(guó), 田兵, 劉越, 等. 基于RCNN的無人機(jī)巡檢圖像電力小部件識(shí)別研究[J]. 地球信息科學(xué)學(xué)報(bào), 2017, 19(2): 256-263.

WANG Wanguo, TIAN Bing, LIU Yue, et al.Study on the Electrical Devices Detection in UAV Images Based on Region Based Convolutional Neural Networks[J]. Journal of Geo-Information Science, 2017, 19(2): 256-263. (in Chinese)

[23] 黃文琦, 張福錚, 李鵬, 等. 基于Faster R-CNN的絕緣子識(shí)別探索和應(yīng)用[J]. 南方電網(wǎng)技術(shù), 2018, 12(9): 22-27.

HUANG Wenqi, ZHANG Fuzheng, LI Peng, et al. Exploration and Application on Faster R-CNN Based Insulator Recognition[J]. Southern Power System Technology, 2018, 12(9): 22-27. (in Chinese)

[24] 陳景文, 周鑫, 張蓉, 等. 基于U-net網(wǎng)絡(luò)的航拍絕緣子檢測(cè)[J]. 陜西科技大學(xué)學(xué)報(bào), 2018, 36(4): 153-157.

CHEN Jingwen, ZHOU Xin, ZHANG Rong, et al.Aerial Insulator Detection Based on U-net Network[J]. Journal of Shaanxi University of Science & Technology, 2018, 36(4): 153-157. (in Chinese)

[25] 陳興峰, 劉李, 李家國(guó), 等. 衛(wèi)星遙感火點(diǎn)監(jiān)測(cè)應(yīng)用和研究進(jìn)展[J]. 遙感學(xué)報(bào), 2020, 24(5): 531-542.

CHEN Xingfeng, LIU Li, LI Jiaguo, et al.Application and Research Progress of Fire Monitoring Using Satellite Remote Sensing[J]. Journal of Remote Sensing, 2020, 24(5): 531-542. (in Chinese)

[26] 周恩澤, 黃勇, 陳潔, 等. 廣東地區(qū)山火識(shí)別方法及其在電網(wǎng)中的應(yīng)用[J]. 氣象科技, 2020, 48(1): 132-140.

ZHOU Enze, HUANG Yong, CHEN Jie, et al.Wildfire Identification in Guangdong and Its Application in Power[J]. Grid Meteorological Science and Technology, 2020, 48(1): 132-140. (in Chinese)

[27] 王志軒. “一帶一路”電力企業(yè)的機(jī)遇與挑戰(zhàn)[J]. 中國(guó)能源, 2015, 37(10): 9-12.

WANG Zhixuan. Opportunities and Challenges of the One Belt and One Road Initiative to Electric Power Enterprises[J].Energy of China, 2015, 37(10): 9-12. (in Chinese)

Research on Automatic Detection Algorithm of Power Tower Using High Resolution Remote Sensing Satellite Image

FANG Ming1SUN Xiaomin*2HUANG Ran1QIAN Guochao1GENG Hao1WEN Gang1XU Chao3XU Chongbin2LIU Liang2

（1 Joint Laboratory of Power Remote Sensing Technology (Electric Power Research Institute, Yunnan Power Grid Company Ltd. ), Kunming 650217, China）（2 Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）（3 Beijing Institute of Spacecraft System Engineering, Beijing 100094, China）

In recent years, with the rapid development of domestic high-resolution remote sensing satellites, intelligent inspection of transmission lines based on satellite remote sensing has gradually become an important research trend. At present, the real remote sensing image acquisition power tower sample is limited, which strictly restricts the power tower automatic detection ability. In order to solve the problem of insufficient samples, this paper proposes a sample data augmentation method for high-resolution remote sensing satellite ground target imaging features. Based on the three-dimensional model of power tower obtained by laser scanning, it simulates the tower imaging on the image after the satellite projection model, and forms the power tower satellite image simulation samples with different heights and scanning angles. Combined with the latest yolov4 target detection framework, the automatic detection of high-resolution remote sensing satellite transmission tower is realized, and compared with several mainstream deep learning target detection methods. The experimental results of transmission towers in Yunnan show that the detection accuracy can be improved from 83.2% to 89.7% after adding simulation samples, which provides important technical support for intelligent inspection of transmission lines based on satellite remote sensing.

deep learning; object detection; power transmission tower; application of space remote sensing image

TM7

A

1009-8518(2021)05-0118-09

10.3969/j.issn.1009-8518.2021.05.013

方明，男，1979年生，2001年獲昆明理工大學(xué)電力系統(tǒng)及自動(dòng)化專業(yè)學(xué)士學(xué)位，高級(jí)工程師。主要研究方向?yàn)檩斪冸娫O(shè)備智能運(yùn)維與防災(zāi)減災(zāi)工作。E-mail：1192381484@qq.com。

孫曉敏，女，1987年生，2011年獲東華大學(xué)服裝與藝術(shù)設(shè)計(jì)學(xué)院工業(yè)設(shè)計(jì)工程專業(yè)碩士學(xué)位，工程師。主要研究方向?yàn)檫b感科學(xué)與技術(shù)。E-mail：sunxm0825@163.com。

2021-03-10

云南電網(wǎng)公司研發(fā)項(xiàng)目（YNKJXM20180016）

方明, 孫曉敏, 黃然, 等. 面向高分辨率衛(wèi)星遙感的電力桿塔自動(dòng)檢測(cè)[J]. 航天返回與遙感, 2021, 42(5): 118-126.

FANG Ming, SUN Xiaomin, HUANG Ran, et al. Research on Automatic Detection Algorithm of Power Tower Using High Resolution Remote Sensing Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2021, 42(5): 118-126. (in Chinese)

（編輯：夏淑密）