一种基于多源遥感卫星影像的输电线路绝缘子检测方法技术

该发明专利技术公开了一种基于多源遥感卫星影像的输电线路绝缘子检测方法，属遥感卫星影像目标检测领域。本发明专利技术对遥感影像输电线路绝缘子特征进行精细化学习，使得模型能够很好的对弱特征的绝缘子进行检测，绝缘子检测结果的可解释性更强。为了提高绝缘子检测和定位的准确率；进一步的，采用了先对多源遥感卫星影像进行4倍超分，再识别输电线路的杆塔，最终检测绝缘子的方法，缩小绝缘子检测的范围，很大程度上减少了绝缘子的错误检测情况。为了提高绝缘子检测的精度；进一步的，在绝缘子检测模型中使用了在线困难样本挖掘和类别权重均衡计算方式，训练效果更收敛，从而更加精确的学习绝缘子的强弱特征，具有更高精度的绝缘子检测能力。整体流程通过集成模块自动化实现，可进一步应用于输电线路运维等用途。步应用于输电线路运维等用途。步应用于输电线路运维等用途。

【技术实现步骤摘要】
一种基于多源遥感卫星影像的输电线路绝缘子检测方法


[0001]本专利技术图像识别领域，特别是基于卫星影像的图像识别。

技术介绍

[0002]目前绝缘子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绝缘子的检视和故障检测，没有使用高分辨率的遥感卫星影像数据。现有输电线路绝缘子检测技术中通常采用人工巡检或无人机巡检，人工巡检不仅耗时耗力，而且针对目前的超高压、大容量输电线路，人工巡检也存在大量安全风险，已经不适用于目前的绝缘子串巡检的实际形势。而基于无人机的方法在工作效率以及人员安全性方面相较于人工巡检都得到了极大的提升。但是，由于无人机成本高昂，一次拍摄的区域有限，所以从长期的成本考虑，如果能利用拍摄区域更广的高分辨率遥感卫星影像进行大面积的绝缘子串识别，可以大大降低人力和经济成本。同时也可以为其它电路设施的自动化识别研究提供参考依据，为实现空天地一体的自动化的输电线路电力巡检打下基础。

技术实现思路

[0003]本专利技术目的在于提供一种基于多源遥感卫星影像的输电线路绝缘子检测方法，用于解决目前绝缘子检测方法范围小、风险高的问题，依靠构建的高精度输电线路绝缘子检测模型可以很快的得到输电线路绝缘子串检测结果。本专利技术解决了传统绝缘子串巡检的高风险、范围小和成本高的问题，解决了遥感卫星影像输电线路绝缘子检测分辨率不够的问题。
[0004]为实现上述目的，本专利技术的技术方案是：一种基于多源遥感卫星影像的输电线路绝缘子检测方法，该方法包括：
[0005]步骤1：获取包含输电线路的两类以上高分辨率卫星遥感影像；
[0006]步骤2：对高分辨率遥感卫星影像进行预处理；
[0007]步骤2.1：进行多光谱影像和全色波段影像的正射校正和采用Gram
‑
Schmidt正交化方法对所有遥感卫星影像进行融合；
[0008]步骤2.2：对融合后的影像进行像素的归一化；
[0009]步骤3：采用扩展性深层超分辨率网络对遥感影像进行超分，
[0010]步骤4：对步骤3得到的超分辨率遥感卫星影像进行假彩色处理和灰度拉伸处理；
[0011]步骤5：对步骤4处理后的超分辨率遥感卫星影像进行输电线路杆塔目标数据增广处理；
[0012]步骤6：搭建杆塔目标识别网络，然后训练好杆塔目标识别网络；
[0013]步骤7：搭建绝缘子语义分割识别网络，将增广后的杆塔数据人工标注绝缘子后作为输入，对绝缘子语义分割识别网络进行训练；
[0014]步骤7.1：将步骤6识别到的3通道杆塔图像连续进行4次卷积，每次卷积后得到一个特征图，共4个特征图，组成模块1；
[0015]步骤7.2：将模块1中最后一次卷积得到的特征图连续进行4次卷积，每次卷积后得到一个特征图，共4个特征图，组成模块2.1，将模块1中最后一次卷积得到的特征图进行1次跨步卷积后，再连续进行3次卷积得到的4个特征图，组成模块2.2；
[0016]步骤7.3：将模块2.1中最后一次卷积得到的特征图进行1次卷积，将模块2.2最后一次卷积得到的特征图进行1次卷积上采样，两者相加得到一个特征图，再连续进行3次卷积又得到3个特征图，共4个特征图组成模块3.1；
[0017]将模块2.1中最后一次卷积得到的特征图进行1次跨步卷积，将模块2.2中最后一次卷积得到的特征图进行1次卷积，两者相加得到1个特征图，再连续进行3次卷积又得到3个特征图，共4个特征图组成模块3.2；
[0018]将模块2.1中最后一次卷积得到的特征图连续进行2次跨步卷积，将模块2.2中最后一次卷积得到的特征图进行1次跨步卷积，两者相加，再连续进行3次卷积得到共4个特征图，组成模块3.3；
[0019]步骤7.4：将模块3.1最后一次卷积得到的特征图进行1次卷积，将模块3.2最后一次卷积得到的特征图进行1次卷积上采样，两者相加，再连续进行3次卷积得到共4个特征图，组成模块4.1；
[0020]将模块3.1最后一次卷积得到的特征图进行1次跨步卷积，将模块3.2最后一次卷积得到的特征图进行1次卷积，将模块3.3最后一次卷积得到的特征图进行1次卷积上采样，三者相加，再连续进行3次卷积得到共4个特征图，组成模块4.2；
[0021]将模块3.1最后一次卷积得到的特征图连续进行2次跨步卷积，将模块3.2最后一次卷积得到的特征图进行1次跨步卷积，将模块3.3最后一次卷积得到的特征图进行1次卷积，三者相加，再连续进行3次卷积得到共4个特征图，组成模块4.3；
[0022]将模块3.2最后一次卷积得到的特征图连续进行2次跨步卷积，将模块3.3最后一次卷积得到的特征图进行1次跨步卷积，两者相加，再连续进行3次卷积得到共4个特征图，组成模块4.4；
[0023]步骤7.5：将模块4.1最后一次卷积得到的特征图分别进行1次卷积，将模块4.2、4.3、4.4最后一次卷积得到的特征图分别进行1次卷积上采样，四者相加，再连续进行3次卷积得到共4个特征图，组成整合模块，整合模块的最后一个特征图为整个绝缘子语义分割识别网络的输出；
[0024]步骤8：最后将带识别的遥感影像采用步骤2的方法进行预处理，然后采用步骤3的网络进行超分，然后依次进行步骤4和步骤5的处理，然后采用杆塔目标识别网络进行杆塔识别，最后采用绝缘子语义分割识别网络分割出杆塔上的绝缘子。
[0025]进一步的，所述步骤6的杆塔目标识别网络如下；
[0026]步骤6.1：输入为3通道影像，首先进行1次卷积和池化操作，其中，卷积的卷积核大小为7
×
7；
[0027]步骤6.2：将步骤6.1得到的特征进一步输入到特征提取模块中，所述特征提取模块首先由批归一化层、线性整流层、第一卷积层、批归一化层、线性整流层和第二卷积层串联，随后批归一化层和第二卷积层结果相加，再经过卷积层和池化层，组成1个特征提取模块，共串联6个特征提取模块。其中第一卷积层卷积核大小为1
×
1，第二卷积层卷积核大小为3
×
3；
[0028]步骤6.3：将步骤6.2得到的特征图输入到区域建议网络中，获得杆塔目标锚框；
[0029]步骤6.4：将步骤6.3中得到的杆塔目标锚框输入到感兴趣区域池化层，降低特征维度；
[0030]步骤6.5：将步骤6.4中的结果输入到两个分支，其中一个分支为全连接层和分类层，进行杆塔目标的识别，另一个分支为全连接层和分类层，进行杆塔目标框的调整。
[0031]进一步的，所述步骤4中，假彩色处理包括为红波段，近红外波段，蓝波段三通道，灰度拉伸为1％的线性拉伸。
[0032]进一步的，所述步骤7中，使用对抗生成网络对数据进行增广，每一个杆塔进行50个增广图像的生成。卷积的卷积核大小为3
×
3，跨步卷积的卷积核大小为3
×
3，卷积上采样的卷积核大小为1
×
1。
[0033]进一步的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多源遥感卫星影像的输电线路绝缘子检测方法，该方法包括：步骤1：获取包含输电线路的两类以上高分辨率卫星遥感影像；步骤2：对高分辨率遥感卫星影像进行预处理；步骤2.1：进行多光谱影像和全色波段影像的正射校正和采用Gram
‑
Schmidt正交化方法对所有遥感卫星影像进行融合；步骤2.2：对融合后的影像进行像素的归一化；步骤3：采用扩展性深层超分辨率网络对遥感影像进行超分，步骤4：对步骤3得到的超分辨率遥感卫星影像进行假彩色处理和灰度拉伸处理；步骤5：对步骤4处理后的超分辨率遥感卫星影像进行输电线路杆塔目标数据增广处理；步骤6：搭建杆塔目标识别网络，然后训练好杆塔目标识别网络；步骤7：搭建绝缘子语义分割识别网络，将增广后的杆塔数据人工标注绝缘子后作为输入，对绝缘子语义分割识别网络进行训练；步骤7.1：将步骤6识别到的3通道杆塔图像连续进行4次卷积，每次卷积后得到一个特征图，共4个特征图，组成模块1；步骤7.2：将模块1中最后一次卷积得到的特征图连续进行4次卷积，每次卷积后得到一个特征图，共4个特征图，组成模块2.1，将模块1中最后一次卷积得到的特征图进行1次跨步卷积后，再连续进行3次卷积得到的4个特征图，组成模块2.2；步骤7.3：将模块2.1中最后一次卷积得到的特征图进行1次卷积，将模块2.2最后一次卷积得到的特征图进行1次卷积上采样，两者相加得到一个特征图，再连续进行3次卷积又得到3个特征图，共4个特征图组成模块3.1；将模块2.1中最后一次卷积得到的特征图进行1次跨步卷积，将模块2.2中最后一次卷积得到的特征图进行1次卷积，两者相加得到1个特征图，再连续进行3次卷积又得到3个特征图，共4个特征图组成模块3.2；将模块2.1中最后一次卷积得到的特征图连续进行2次跨步卷积，将模块2.2中最后一次卷积得到的特征图进行1次跨步卷积，两者相加，再连续进行3次卷积得到共4个特征图，组成模块3.3；步骤7.4：将模块3.1最后一次卷积得到的特征图进行1次卷积，将模块3.2最后一次卷积得到的特征图进行1次卷积上采样，两者相加，再连续进行3次卷积得到共4个特征图，组成模块4.1；将模块3.1最后一次卷积得到的特征图进行1次跨步卷积，将模块3.2最后一次卷积得到的特征图进行1次卷积，将模块3.3最后一次卷积得到的特征图进行1次卷积上采样，三者相加，再连续进行3次卷积得到共4个特征图，组成模块4.2；将模块3.1最后一次卷积得到的特征图连续进行2次跨步卷积，将模块3.2最后一次卷积得到的特征图进行1次跨步卷积，将模块3.3最后一次卷积得到的特征图进行1次卷积，三者相加，再连续进行3次卷积得到共4个特征图，组成模块4.3；将模块3.2最后一次卷积...

【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：