面向高分辨率衛星遙感的電力桿塔自動檢測

方明 孫曉敏 黃然 錢國超 耿浩 文剛 徐超 徐崇斌 劉亮

面向高分辨率衛星遙感的電力桿塔自動檢測

方明1孫曉敏*2黃然1錢國超1耿浩1文剛1徐超3徐崇斌2劉亮2

（1電力遙感技術聯合實驗室（云南電網有限責任公司電力科學研究院），昆明 650217）（2北京空間機電研究所，北京 100094）（3北京空間飛行器總體設計部，北京 100094）

隨著高分辨率遙感衛星的快速發展，基于衛星遙感的輸電線路智能巡檢逐步成為一個重要的研究趨勢。當前真實遙感圖像采集電力桿塔樣本有限，嚴格制約電力桿塔自動檢測能力。針對樣本不足的問題，文章提出一種面向高分辨率衛星遙感地面目標成像特征的樣本數據增廣方法，基于激光掃描獲取的電力桿塔三維模型模擬桿塔經過衛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星圖像模擬樣本；結合最新的YOLOv4目標檢測框架，實現了利用高分辨率遙感衛星對輸電桿塔的自動檢測。云南地區的輸電桿塔自動檢測試驗結果表明，采用該自動檢測方法能將檢測精度從83.2%提升到加入模擬樣本后的89.7%，可為基于衛星遙感的輸電線路智能巡檢提供重要的技術支撐。

深度學習 目標檢測 輸電桿塔 衛星遙感影像應用

0 引言

電力線的巡檢是電網的基本任務，利用巡檢來發現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，效率低且花費巨大。雖然利用無人機能夠通過設定靈活航線進行低空飛行、搭載不同的采集設備，能夠從不同角度對電力線進行貼近拍攝，成為目前主流的電力巡檢手段。由于采集的數據量較大，人工目視解譯效率低，因此如何自動的從影像和點云數據中發現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。電力線自動檢測早期以電力線的識別與分割為主[7,8]，識別與分割的結果可應用于電力線的三維建模與可視化管理，隨著研究的深入，對安全隱患的自動檢測與識別也開始增多。其中絕緣子串的檢測與自爆識別方面有了大量的研究和應用，傳統的方法一般借助顏色或者形狀的識別來進行檢測，隨著深度學習技術的不斷成熟，基于深度學習來進行絕緣子自爆檢測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數據，衛星拍攝地面目標容易受到天氣影響，重訪的周期也比較長，而且目前衛星圖像的地面分辨率還難以達到無人機的水平，從衛星圖像上很難發現體積和面積較小的電力目標，比如絕緣子、電力線等。但是也有非常明顯優點，比如：采用衛星圖像能對電力線數據進行大規模的監測，特別是在一些交通條件較差的地區，地面交通工具和無人機都難以到達，而衛星則不受影響；同時隨著高分辨率衛星數據的廣泛使用，從亞米級的衛星圖像上可以識別出目標較大的電力設施，比如桿塔、電力站等；基于深度學習技術，采用高分辨率衛星數據也可以對電力線周圍的地表進行變化檢測，發現可能存在的安全隱患。

由于當前真實遙感圖像采集電力桿塔樣本有限，嚴格制約電力桿塔自動檢測能力，亟需擴展訓練樣本的品質和數量。本文的研究以深度學習為基礎，對高分辨率衛星遙感圖像中的電力桿塔進行自動檢測。針對樣本不足的問題，本文提出一種面向高分辨率遙感衛星地面目標成像特征的樣本數據增廣方法，基于激光掃描獲取的電力桿塔三維模型模擬桿塔經過衛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星圖像模擬樣本，從而利用深度學習目標檢測方法進行桿塔的檢測。

1 研究進展

1.1 深度學習目標檢測技術

結合區域提名（Region Proposal）和卷積神經網絡（CNN）的R-CNN（Region-based Convolutional Neural Networks）[10]是第一個將深度學習應用到目標檢測的算法，該算法分為三個步驟，首先提取候選的目標框，然后利用CNN來提取特征，最后用支持向量機（SVM）來進行分類。由于每個候選框的特征都利用CNN來單獨計算，因此R-CNN的計算量較大，而且三個步驟彼此獨立，不能進行端到端的優化。Faster R-CNN[11]是對Fast R-CNN的進一步提升，將候選框的提取用區域候選網絡（Region Proposal Network，RPN）來實現，然后將候選框作為輸入來訓練Fast R-CNN，這樣就把候選框的提取和類型識別都用神經網絡來實現，提高了運算速度。RPN本身其實就是一個獨立的深度網絡結構，可以用來判斷一個候選框是否是感興趣的目標并進行打分，同時還可以根據標定的基準數據（Ground Truth）對候選框進行坐標回歸。SSD算法[12]以及類似的檢測方案不再單獨預測目標框，而是使用一個網絡來直接預測類別和目標框的回歸值，相比Faster R-CNN，SSD算法的網絡結構更簡單。此外SSD在不同尺度的特征圖上都進行了目標檢測，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，但是對小目標的檢測不如Faster R-CNN。YOLO對象檢測法[13]的網絡設計比SSD更簡單，而且只用最后一個特征層來進行目標識別和坐標回歸，速度更快但是檢測的精度比SSD要差些。YOLO9000算法[14]對YOLOv1進行了改進（改進后的版本為YOLOv2），去掉了YOLO中的全連接層而改為卷積層，增加了批標準化（Batch Normalization）來解決過擬合的問題，并采用不同分辨率的網絡來訓練參數，同時還把聚類獲得最優的Anchors技術也引入到檢測中，因此提高了檢測的精度。此外YOLO9000（即YOLOV2）還創新的提出了一種將分類數據庫和標記數據庫組合進行訓練的方式，實現了多達9 000類目標的檢測與識別。YOLOv2包含23個卷積層，5個池化層（縮小2倍）。YOLO的第3個版本YOLOv3[15]在2018年發布，其在YOLOv2的基礎上加入了多分辨率的機制，將不同分辨率的特征層用于目標檢測，有效提高了小目標檢測的正確率，同時還保證了檢測的效率。YOLOv4[16]的主要貢獻在于將目前驗證后對神經網絡具有通用改進的方法（如WRC，SCP，CmBN，SAT以及mish-activation等）應用到目標檢測中；此外還在訓練過程中使用了一些新的技巧，包括Mosaic數據增強、DropBlock正則化、CIOU損失函數。

常用的目標檢測方案包括Faster R-CNN、SSD、R-FCN三種算法[17]，借助已有的圖像識別架構從圖像中獲取抽象的影像特征，進一步進行目標位置提取。深度學習中常用的網絡架構包括：VGG[18]，Resnet[19]，Inception V2，Inception V3，Inception Resnet (v2)，MobileNet[20]等。通過將目標檢測的三種方案與特征提取網絡進行組合，開展訓練和測試，結果表明Inception Resnet (v2)的檢測精度最高，當降低候選框的數量時Faster R-CNN+Resnet的組合也能夠獲得較高的運行效率和識別精度。

1.2 基于遙感的電力巡檢

目前遙感技術在電網管理中的應用主要集中于無人機巡檢技術。通過無人機搭載不同的硬件載荷，如可見光相機，多光譜、高光譜相機，激光Lidar等設備，對電力線進行快速拍攝或者掃描。通過對數據的智能處理（如深度學習）和分析輔助進行電力線的巡檢，發現可能存在的隱患。

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。鳥巢采用深度學習可以較好的解決，樹障采用激光雷達來進行檢測。絕緣子自爆區域出現位置不固定，種類也較多，因此絕緣子自爆的檢測比較復雜。傳統絕緣子自爆區域檢測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行分離，然后基于形狀特征或形態學處理來定位自爆絕緣子的位置。文獻[21]在5個卷積池化模塊和2個全連接模塊組成的經典架構的基礎上，對網絡進行改進，實現在復雜航拍背景中進行絕緣子檢測；同時，在訓練的網絡模型中抽取絕緣子的特征融入自組織特征映射網絡中實現顯著性檢測，結合超像素分割和輪廓檢測等圖像處理方法對絕緣子進行數學建模，提出一種針對絕緣子自爆故障的識別算法。文獻[22]介紹了Faster R-CNN算法流程在無人機電力線巡檢圖像部件檢測中的應用情況，并對DPM、SPPnet和Faster R-CNN3種識別方法進行了對比分析，通過實際采集的電力小部件巡檢數據構建的數據集對三種方法進行測試驗證，結果表明基于深度學習的識別方法實現電力小部件的識別是可行的，而且利用Faster R-CNN進行多種類別的電力小部件識別定位可以達到每張近80 ms的識別速度和92.7%的準確率。文獻[23]基于Faster R-CNN進行了絕緣子識別的探索與應用，通過對來源于不同場景的幾百幅絕緣子圖像進行試驗，驗證了Faster R-CNN模型進行絕緣子檢測的可行性和魯棒性。文獻[24]提出一種基于深度學習U-net網絡的航拍絕緣子檢測方法，自動分層特征提取，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行像素定位，深層高維特征圖進行像素分類，避免了目標位置等細節信息的丟失，提高了定位精度，能夠有效檢測出復雜背景下的絕緣子，準確率達到88.9%。

相比成熟的無人機巡檢技術，衛星遙感在電力巡檢中的研究比較少。目前基于衛星遙感的電力巡檢主要集中在火點監測[25-27]，而電力桿塔等目標識別幾乎沒有涉及。隨著衛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，目前已經可以從亞米級的衛星圖像上識別出電力桿塔等較大目標的電力設施。特別是采用最新的深度學習技術，可以自動準確地識別電力目標。但是，受制于樣本品質和數量，無法將深度學習技術應用于高分辨率衛星遙感的電力桿塔檢測。

2 基于高分辨率衛星的自動檢測

2.1 電力桿塔樣本數據增廣方法

由于深度學習的網絡參數較多，需要大量的樣本來進行訓練才能達到較好的訓練效果。而采集海量的樣本需要耗費大量的人力物力，甚至對于一些特殊情況，無法采集大量的樣本。在這種情況下，采用樣本數據增廣技術對有限的樣本進行處理得到新的樣本，就能在一定程度上增加樣本的數量。樣本增廣可以直接利用樣本圖像來實現，通過對樣本圖像進行幾何和顏色變化來得到新樣本，能夠增加樣本的多樣性。幾何增強包括隨機旋轉、裁剪、平移、縮放、鏡像等，顏色變化包括對比度增強、亮度增強、HSV空間增強、隨機擦除等。

基于樣本自身進行數據增廣只能改變圖像中目標的整體變化，不同目標之間的相對位置關系無法改變。為了能夠盡可能的模擬衛星拍攝桿塔時的圖像，提出基于衛星成像模型的電力桿塔成像數據模擬方法。目前主流的衛星成像模型是線陣掃描，為了獲取立體像對一般采用多個線陣組合進行掃描的方式（比如“資源三號”衛星有前正后三個線陣，“高分七號”衛星有前后兩個線陣）。前后兩個線陣以傾斜角度對地表進行掃描，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。衛星的嚴密成像幾何模型如下：

根據式（2），可以利用電力桿塔的三維數據來進行成像模擬，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行融合，從而得到衛星拍攝時的成像效果，以獲得足夠多的樣本數據集。

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 網絡設計

本文采用YOLOv4[16]的模型架構來進行電力桿塔的檢測。YOLOv4是YOLO系列的最新版本，該系列采用一步式的方式，即不生成候選目標框，直接根據網絡得到的特征圖像來進行目標的定位與分類。YOLOv1提出的網絡奠定了整個系列的基礎，將圖像劃分為×網格（代表網格在圖像縱橫方向的數量），如果目標的中心落在網格單元，那么這一網格單元就負責檢測該目標。每個網格單元會預測個邊界框和邊界框的置信度，邊界框的數量和形狀可以人工設定，也可以根據統計來獲得。YOLOv2應用一種檢測與分類聯合訓練方法Darknet-19來提高檢測的性能，使用這種聯合訓練方法在COCO檢測數據集和ImageNet分類數據集上訓練出了YOLO9000模型，該模型可以檢測超過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。YOLOv3的特征提取器是一個殘差模型，包含53個卷積層（Darknet-53）。從網絡結構上看，相比Darknet-19網絡YOLOv3使用了殘差單元，所以可以構建的更深；另外一個創新點是采用FPN架構（Feature Pyramid Networks for Object Detection）來實現多尺度檢測。YOLOv4是對YOLOv3的多項改進，Bochkovskiy等人[16]總結了幾乎所有的檢測技巧，然后經過篩選和排列組合，證明哪些方法有效。具體的改進包括在輸入端進行Mosaic數據增強，cmBN、SAT自對抗訓練，在主干網絡將CSPDarknet53、Mish激活函數、Dropblock等各種新的方式結合起來。在主干網絡和最后的輸出層之間往往會插入SPP模塊、FPN+PAN結構，在輸出層采用損失函數CIOU_Loss，將預測框篩選的NMS改為DIOU_NMS。

3 實驗與分析

本實驗采集的真實衛星遙感樣本來自GoogleEarth上的電力桿塔圖像和國產的“高景”衛星拍攝的圖像（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，利用直接從衛星圖像上截取的電力桿塔樣本來進行實驗，對比不同檢測模型的精度；然后，加入模擬得到的新樣本來進行實驗，分析模擬數據對目標檢測模型精度的影響。

3.1 不同檢測方法的精度對比

為了對比幾種主流檢測方法對高分辨率衛星圖像中電力桿塔的檢測效果，本文采用Faster R-CNN、SSD、YOLOv3、YOLOv4來對電力桿塔的目標檢測樣本進行訓練。Faster R-CNN是兩步法的代表方法，SSD和YOLOv3是一步法的代表。實驗中采用直接從衛星圖像中截取的電力桿塔樣本來進行訓練，用來進行訓練的圖像為518張，測試的圖像為84張。圖像樣本采用隨機旋轉、平移、裁剪、縮放和顏色增強等操作來進行數據的擴展，各方法測試結果如表1所示。

圖2 利用高分辨率衛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 不同檢測算法的精度對比

Tab.1 Comparison of the accuracy of different detection algorithms

表1中的精確率和召回率的調和平均數1的計算公式為

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

3.2 模擬數據加入前后精度對比

從衛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過衛星投影模型后在圖像上的成像。訓練時將模擬數據加入訓練集，然后直接計算精度指標來作為評價的依據。根據上一節的模型對比實驗，YOLOv4的精度最高，采用該模型來對添加模擬數據前后的訓練精度進行分析，結果如表2所示。

從表2可以看出，采用模擬數據后準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能力。具體檢測效果如圖3所示，標注數字為檢測置信度。由圖3中可以看出訓練后的模型能夠準確的將不同方向、不同大小以及不同背景下的遙感圖像中的桿塔目標檢測出來，且置信度較高，說明了本文檢測方法的有效性。

表2 模擬數據對YOLOv4模型訓練精度影響

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

4 結束語

本文提出了一種基于深度學習模型的高分辨率桿塔目標的檢測方法，并針對樣本數量不足的問題，提出了基于高分辨率衛星掃描模型的桿塔樣本模擬算法，利用點云掃描獲得的真實尺寸的桿塔模型來生成不同高度、不同側擺角度的模擬數據；并將模擬數據加入訓練樣本中進行訓練，云南地區的輸電桿塔實驗結果表明模擬數據能夠提高目標檢測的精度。結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能力，自動檢測精度從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]. 計算機工程與設計, 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別方法[J]. 電力系統及其自動化學報, 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, 時磊, 等. 基于Faster RCNN的絕緣子自爆缺陷識別[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網絡的絕緣子自動識別與缺陷診斷模型[J]. 中國電力, 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. 基于深度學習模型與稀疏表示的絕緣子狀態分類[J]. 軟件導刊, 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. 基于樣本擴充的Faster R-CNN電網異物監測技術[J]. 電網技術, 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. 背景復雜下航拍圖像的電力線識別算法[J]. 測繪通報, 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載激光點云分類方法[J]. 測繪科學, 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. 深度學習在輸電線路絕緣子故障檢測中的研究與應用[J]. 中國新通信, 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, 等. 航拍絕緣子卷積神經網絡檢測及自爆識別研究[J]. 電子測量與儀器學報, 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, 田兵, 劉越, 等. 基于RCNN的無人機巡檢圖像電力小部件識別研究[J]. 地球信息科學學報, 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的絕緣子識別探索和應用[J]. 南方電網技術, 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網絡的航拍絕緣子檢測[J]. 陜西科技大學學報, 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, 等. 衛星遙感火點監測應用和研究進展[J]. 遙感學報, 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. 廣東地區山火識別方法及其在電網中的應用[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”電力企業的機遇與挑戰[J]. 中國能源, 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年獲昆明理工大學電力系統及自動化專業學士學位，高級工程師。主要研究方向為輸變電設備智能運維與防災減災工作。E-mail：1192381484@qq.com。

孫曉敏，女，1987年生，2011年獲東華大學服裝與藝術設計學院工業設計工程專業碩士學位，工程師。主要研究方向為遙感科學與技術。E-mail：sunxm0825@163.com。

2021-03-10

云南電網公司研發項目（YNKJXM20180016）

方明, 孫曉敏, 黃然, 等. 面向高分辨率衛星遙感的電力桿塔自動檢測[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）