一种卫星图像中输电线路杆塔检测方法技术

该发明专利技术公开了一种卫星图像中输电线路杆塔检测方法，属于目标检测领域。本发明专利技术对多源遥感卫星影像输电线路杆塔小目标特征进行优化提取，使得提取的特征能够更好地反映输电线路杆塔特性，最终对杆塔目标检测输出附带坐标信息，有更强的应用前景。为了提高输电线路杆塔检测网络对杆塔小目标的学习能力，进一步的搭建特征金字塔提取模块，达到可以学习多尺度大小杆塔特征的目的；为了更好的利用各层特征层学习不同尺度大小的杆塔特征，进一步的，预先估计杆塔目标的大小，进行不同特征层目标锚框大小设计，从而更加精确的预测不同尺度大小的杆塔目标；同时对杆塔目标进行裁剪输入，合并输出，附带地理坐标信息更利于电网应用场景的可视化输出，具有可读性。具有可读性。具有可读性。

【技术实现步骤摘要】
一种卫星图像中输电线路杆塔检测方法


[0001]本专利技术属卫星图像识别领域，特别是输电线路杆塔的识别。

技术介绍

[0002]为了减轻输电线路杆塔故障带来的输电线路安全隐患，通过基于卫星技术的电网“天空地协同”巡视关键技术研究的开展，电网部门积累了大量的遥感卫星影像数据、无人机巡检数据和输电线路杆塔台账数据，但是在目前杆塔的巡视和检查过程中，受制于分辨率的问题，基本上都是采用无人机巡检数据进行杆塔的识别和检测，很少使用高分辨率的遥感卫星影像数据。在输电线路的杆塔识别和检测研究进展中，现有的方法是基于无人机巡检数据，再结合深度学习的方法进行杆塔的检测，由于杆塔的目标较大，部分研究都可以取得较好的检测精度。但是在遥感卫星影像中，受制于目标大小和分辨率的问题，没有研究可以在高分辨率的遥感卫星影像上高精度的检测出输电线路杆塔。

技术实现思路

[0003]本专利技术目的在于提供一种卫星图像中输电线路杆塔检测方法，用于解决目前基于遥感卫星影像输电线路杆塔识别和检测的问题，首先依靠超分辨率算法提高原始高分辨率遥感卫星影像分辨率，其次搭建杆塔检测网络实现输电线路杆塔的检测。本专利技术解决了基于遥感卫星影像输电线路杆塔特征难以提取的问题，解决了基于遥感卫星影像输电线路杆塔高精度识别和检测的问题，专利技术已应用于云南电网基于遥感卫星影像输电线路目标检测中。
[0004]为实现上述目的，本专利技术的技术方案是：一种卫星图像中输电线路杆塔检测方法，该方法包括：
[0005]步骤1：获取包含输电线路的卫星图像；
[0006]步骤2：对步骤1获取的卫星图像进行正射校正；
[0007]步骤3：采用Gram
‑
Schmidt正交化方法对卫星的多光谱影像和全色波段影像进行融合，获得红波段、绿波段、蓝波段和近红外波段4通道融合影像；
[0008]步骤4：对融合后的影像进行0
‑
255像素范围的归一化；
[0009]步骤5：使用扩展性深层超分辨率网络对融合影像进行4倍超分放大；
[0010]步骤6：对融合影像进行1024
×
1024像素大小的裁剪，并对裁剪后的影像中的杆塔进行标注，标签记为杆塔，获得训练数据集；
[0011]步骤7：对训练数据进行随机裁剪、随机噪声添加、水平翻转，得到数据增广后数据；
[0012]步骤8：搭建杆塔检测网络；
[0013]步骤8.1：融合影像输入后首先经过深度残差网络，得到特征{C2,C3,C4,C5}，{C2,C3,C4,C5}中每个元素对应不同尺度的特征图；
[0014]步骤8.2：将{C2,C3,C4,C5}中C2,C3,C4,C5通过1
×
1卷积核进行降维，C3,C4,C5进行2
倍上采样，然后将降维后的C2和2倍上采样后的C3进行特征融合，得到特征P2；将降维后的C3和2倍上采样后的C4进行特征融合，得到特征P3；将降维后的C4和2倍上采样后的C5进行特征融合，得到特征P4；C5通过1
×
1卷积核进行降维后直接得到特征P5；最终得到特征{P2,P3,P4,P5}；
[0015]步骤8.3：将特征{P2,P3,P4,P5}输入区域建议网络，得到不同大小杆塔的目标锚框，然后进行池化，再分为两支，一支依次经过全连接层和分类层，得出目标锚框内的目标是否是杆塔；另一支依次经过全连接层和边界回归层，对目标锚框进行位置调整；
[0016]步骤9：将步骤6中获得的数据集作为输入，训练一个步骤8得到的杆塔检测网络；
[0017]步骤10：进行输电线路杆塔检测应用时，具体为将步骤4归一化后的影像进行1024
×
1024像素的裁剪，逐一检测，并绘制检测框；最终将裁剪的检测图合并为原图大小。
[0018]进一步的，所述步骤8.2中区域建议网络中杆塔检测网络对应的目标锚框尺寸为{30,60,80,120}；
[0019]进一步的，所述步骤9中，训练迭代次数为100000，初始学习速率为0.001，在迭代次数为50000和70000进行衰减，衰减因子为0.1，0.001，批尺寸Batch size为4。
[0020]本专利技术采用一种基于深度学习的多源遥感卫星影像输电线路杆塔检测方法，具有检测精度高，定位准，速度快的优点；本专利技术通过搭建杆塔检测网络对遥感影像中输电线路杆塔小目标的特征进行提取，使得提取的特征能够更好的反映杆塔的形状和大小，杆塔检测的精度更高，小目标漏检率更低。为了提高对小目标输电线路杆塔的检测精度，进一步的，针对数据集中的杆塔标注大小，进行目标锚框大小的计算，随后针对每一个特征层设计相应的目标锚框大小，避免小目标的杆塔特征难以学习到。为了能够将本专利技术落入应用便于可视化，引入裁剪输入，合并输出的方式，并且输出对应的输电线路杆塔地理坐标信息，从而具有完整的输电线路杆塔检测应用功能。本专利技术提出了一种基于深度学习的多源遥感卫星影像输电线路杆塔检测方法。该方法从小目标特征学习方向入手，将多源遥感卫星影像输电线路杆塔特征进行多层次学习，并根据提取到的杆塔特征进行模型参数学习，研究制定了一套多源遥感卫星影像输电线路杆塔检测流程，构建了一个高精度多源遥感卫星影像输电线路杆塔检测模型。可用于电网输电线路勘察、输电线路运维等用途。
附图说明
[0021]图1是本专利技术基于深度学习的多源遥感卫星影像输电线路杆塔检测方法的流程图；
[0022]图2是本专利技术杆塔检测网络的网络结构图；
[0023]图3是本专利技术WorldView
‑
3输电线路杆塔检测部分结果图。
具体实施方式
[0024]下面结合具体实施方式对本专利技术进行详细说明。
[0025]本专利技术的技术方案如图1所示，以云南省昆明市某输电线路为例进行说明，包括以下步骤：
[0026]步骤1：数据预处理
[0027]将获取到的同一区域的SuperView
‑
1和WorldView
‑
3的多光谱影像和全色波段影
像用Envi软件打开，选择正射校正工具，使用90m
×
90m的高程(DEM)数据进行正射校正，随后将正射后的多光谱和全色波段影像使用Gram
‑
Schmidt算法进行遥感影像融合，结合多光谱的光谱优势和全色波段的分辨率优势。最终得到红、绿、蓝、近红外4通道影像，并进行0
‑
255的像素归一化，其中SuperView
‑
1分辨率为0.5m，WorldView
‑
3分辨率为0.3m。
[0028]步骤2：遥感卫星影像超分辨率
[0029]为了避免计算机内存不足，对Gram
‑
Schmidt算法融合后的SuperView
‑
1和WorldView
‑
3影像进行预裁剪，随后将裁剪影像作为输入影像，输入到超分辨本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星图像中输电线路杆塔检测方法，该方法包括：步骤1：获取包含输电线路的卫星图像；步骤2：对步骤1获取的卫星图像进行正射校正；步骤3：采用Gram
‑
Schmidt正交化方法对卫星的多光谱影像和全色波段影像进行融合，获得红波段、绿波段、蓝波段和近红外波段4通道融合影像；步骤4：对融合后的影像进行0
‑
255像素范围的归一化；步骤5：使用扩展性深层超分辨率网络对融合影像进行4倍超分放大；步骤6：对融合影像进行1024
×
1024像素大小的裁剪，并对裁剪后的影像中的杆塔进行标注，标签记为杆塔，获得训练数据集；步骤7：对训练数据进行随机裁剪、随机噪声添加、水平翻转，得到数据增广后数据；步骤8：搭建杆塔检测网络；步骤8.1：融合影像输入后首先经过深度残差网络，得到特征{C2,C3,C4,C5}，{C2,C3,C4,C5}中每个元素对应不同尺度的特征图；步骤8.2：将{C2,C3,C4,C5}中C2,C3,C4,C5通过1
×
1卷积核进行降维，C3,C4,C5进行2倍上采样，然后将降维后的C2和2倍上采样后的C3进行特征融合，得到特征P2；将降维后的C3和2倍上采样后的C4进行特征融合，得到...

【专利技术属性】
技术研发人员：郑泽忠，金伟士，彭庆军，牟范，李江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：