面向高分辨率卫星遥感的电力杆塔自动检测

方明 孙晓敏 黄然 钱国超 耿浩 文刚 徐超 徐崇斌 刘亮

面向高分辨率卫星遥感的电力杆塔自动检测

方明1孙晓敏*2黄然1钱国超1耿浩1文刚1徐超3徐崇斌2刘亮2

（1电力遥感技术联合实验室（云南电网有限责任公司电力科学研究院），昆明 650217）（2北京空间机电研究所，北京 100094）（3北京空间飞行器总体设计部，北京 100094）

随着高分辨率遥感卫星的快速发展，基于卫星遥感的输电线路智能巡检逐步成为一个重要的研究趋势。当前真实遥感图像采集电力杆塔样本有限，严格制约电力杆塔自动检测能力。针对样本不足的问题，文章提出一种面向高分辨率卫星遥感地面目标成像特征的样本数据增广方法，基于激光扫描获取的电力杆塔三维模型模拟杆塔经过卫星投影模型后的成像，形成不同高度和扫描角度的电力杆塔卫星图像模拟样本；结合最新的YOLOv4目标检测框架，实现了利用高分辨率遥感卫星对输电杆塔的自动检测。云南地区的输电杆塔自动检测试验结果表明，采用该自动检测方法能将检测精度从83.2%提升到加入模拟样本后的89.7%，可为基于卫星遥感的输电线路智能巡检提供重要的技术支撑。

深度学习 目标检测 输电杆塔 卫星遥感影像应用

0 引言

电力线的巡检是电网的基本任务，利用巡检来发现电力线的安全隐患是保障电力安全输送的重要措施。早期的电力线巡检基本采用人眼来观测，效率低且花费巨大。虽然利用无人机能够通过设定灵活航线进行低空飞行、搭载不同的采集设备，能够从不同角度对电力线进行贴近拍摄，成为目前主流的电力巡检手段。由于采集的数据量较大，人工目视解译效率低，因此如何自动的从影像和点云数据中发现和定位电力线中的安全隐患（如绝缘子自爆[1-5]、树障、电力塔上的鸟巢等[6]）就成为目前研究的热点。电力线自动检测早期以电力线的识别与分割为主[7,8]，识别与分割的结果可应用于电力线的三维建模与可视化管理，随着研究的深入，对安全隐患的自动检测与识别也开始增多。其中绝缘子串的检测与自爆识别方面有了大量的研究和应用，传统的方法一般借助颜色或者形状的识别来进行检测，随着深度学习技术的不断成熟，基于深度学习来进行绝缘子自爆检测成为目前研究的主流[9]。

相比目前电力巡检中广泛采用的无人机数据，卫星拍摄地面目标容易受到天气影响，重访的周期也比较长，而且目前卫星图像的地面分辨率还难以达到无人机的水平，从卫星图像上很难发现体积和面积较小的电力目标，比如绝缘子、电力线等。但是也有非常明显优点，比如：采用卫星图像能对电力线数据进行大规模的监测，特别是在一些交通条件较差的地区，地面交通工具和无人机都难以到达，而卫星则不受影响；同时随着高分辨率卫星数据的广泛使用，从亚米级的卫星图像上可以识别出目标较大的电力设施，比如杆塔、电力站等；基于深度学习技术，采用高分辨率卫星数据也可以对电力线周围的地表进行变化检测，发现可能存在的安全隐患。

由于当前真实遥感图像采集电力杆塔样本有限，严格制约电力杆塔自动检测能力，亟需扩展训练样本的品质和数量。本文的研究以深度学习为基础，对高分辨率卫星遥感图像中的电力杆塔进行自动检测。针对样本不足的问题，本文提出一种面向高分辨率遥感卫星地面目标成像特征的样本数据增广方法，基于激光扫描获取的电力杆塔三维模型模拟杆塔经过卫星投影模型后在图像上的成像，形成不同高度和扫描角度的电力杆塔卫星图像模拟样本，从而利用深度学习目标检测方法进行杆塔的检测。

1 研究进展

1.1 深度学习目标检测技术

结合区域提名（Region Proposal）和卷积神经网络（CNN）的R-CNN（Region-based Convolutional Neural Networks）[10]是第一个将深度学习应用到目标检测的算法，该算法分为三个步骤，首先提取候选的目标框，然后利用CNN来提取特征，最后用支持向量机（SVM）来进行分类。由于每个候选框的特征都利用CNN来单独计算，因此R-CNN的计算量较大，而且三个步骤彼此独立，不能进行端到端的优化。Faster R-CNN[11]是对Fast R-CNN的进一步提升，将候选框的提取用区域候选网络（Region Proposal Network，RPN）来实现，然后将候选框作为输入来训练Fast R-CNN，这样就把候选框的提取和类型识别都用神经网络来实现，提高了运算速度。RPN本身其实就是一个独立的深度网络结构，可以用来判断一个候选框是否是感兴趣的目标并进行打分，同时还可以根据标定的基准数据（Ground Truth）对候选框进行坐标回归。SSD算法[12]以及类似的检测方案不再单独预测目标框，而是使用一个网络来直接预测类别和目标框的回归值，相比Faster R-CNN，SSD算法的网络结构更简单。此外SSD在不同尺度的特征图上都进行了目标检测，能够充分利用不同特征图像下不同感受视野的特征信息。SSD的速度比Faster R-CNN快，但是对小目标的检测不如Faster R-CNN。YOLO对象检测法[13]的网络设计比SSD更简单，而且只用最后一个特征层来进行目标识别和坐标回归，速度更快但是检测的精度比SSD要差些。YOLO9000算法[14]对YOLOv1进行了改进（改进后的版本为YOLOv2），去掉了YOLO中的全连接层而改为卷积层，增加了批标准化（Batch Normalization）来解决过拟合的问题，并采用不同分辨率的网络来训练参数，同时还把聚类获得最优的Anchors技术也引入到检测中，因此提高了检测的精度。此外YOLO9000（即YOLOV2）还创新的提出了一种将分类数据库和标记数据库组合进行训练的方式，实现了多达9 000类目标的检测与识别。YOLOv2包含23个卷积层，5个池化层（缩小2倍）。YOLO的第3个版本YOLOv3[15]在2018年发布，其在YOLOv2的基础上加入了多分辨率的机制，将不同分辨率的特征层用于目标检测，有效提高了小目标检测的正确率，同时还保证了检测的效率。YOLOv4[16]的主要贡献在于将目前验证后对神经网络具有通用改进的方法（如WRC，SCP，CmBN，SAT以及mish-activation等）应用到目标检测中；此外还在训练过程中使用了一些新的技巧，包括Mosaic数据增强、DropBlock正则化、CIOU损失函数。

常用的目标检测方案包括Faster R-CNN、SSD、R-FCN三种算法[17]，借助已有的图像识别架构从图像中获取抽象的影像特征，进一步进行目标位置提取。深度学习中常用的网络架构包括：VGG[18]，Resnet[19]，Inception V2，Inception V3，Inception Resnet (v2)，MobileNet[20]等。通过将目标检测的三种方案与特征提取网络进行组合，开展训练和测试，结果表明Inception Resnet (v2)的检测精度最高，当降低候选框的数量时Faster R-CNN+Resnet的组合也能够获得较高的运行效率和识别精度。

1.2 基于遥感的电力巡检

目前遥感技术在电网管理中的应用主要集中于无人机巡检技术。通过无人机搭载不同的硬件载荷，如可见光相机，多光谱、高光谱相机，激光Lidar等设备，对电力线进行快速拍摄或者扫描。通过对数据的智能处理（如深度学习）和分析辅助进行电力线的巡检，发现可能存在的隐患。

基于航空遥感可以巡检的电力线安全隐患主要包括鸟巢、绝缘子自爆、树障等。鸟巢采用深度学习可以较好的解决，树障采用激光雷达来进行检测。绝缘子自爆区域出现位置不固定，种类也较多，因此绝缘子自爆的检测比较复杂。传统绝缘子自爆区域检测一般采用边缘提取或者分割的方法来将绝缘子串与图像背景进行分离，然后基于形状特征或形态学处理来定位自爆绝缘子的位置。文献[21]在5个卷积池化模块和2个全连接模块组成的经典架构的基础上，对网络进行改进，实现在复杂航拍背景中进行绝缘子检测；同时，在训练的网络模型中抽取绝缘子的特征融入自组织特征映射网络中实现显著性检测，结合超像素分割和轮廓检测等图像处理方法对绝缘子进行数学建模，提出一种针对绝缘子自爆故障的识别算法。文献[22]介绍了Faster R-CNN算法流程在无人机电力线巡检图像部件检测中的应用情况，并对DPM、SPPnet和Faster R-CNN3种识别方法进行了对比分析，通过实际采集的电力小部件巡检数据构建的数据集对三种方法进行测试验证，结果表明基于深度学习的识别方法实现电力小部件的识别是可行的，而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。文献[23]基于Faster R-CNN进行了绝缘子识别的探索与应用，通过对来源于不同场景的几百幅绝缘子图像进行试验，验证了Faster R-CNN模型进行绝缘子检测的可行性和鲁棒性。文献[24]提出一种基于深度学习U-net网络的航拍绝缘子检测方法，自动分层特征提取，通过叠加的方法将浅层特征与高维特征相融合，其中浅层的高分辨率特征图用来进行像素定位，深层高维特征图进行像素分类，避免了目标位置等细节信息的丢失，提高了定位精度，能够有效检测出复杂背景下的绝缘子，准确率达到88.9%。

相比成熟的无人机巡检技术，卫星遥感在电力巡检中的研究比较少。目前基于卫星遥感的电力巡检主要集中在火点监测[25-27]，而电力杆塔等目标识别几乎没有涉及。随着卫星遥感图像空间分辨率的不断提升，以及重访周期的不断缩短，目前已经可以从亚米级的卫星图像上识别出电力杆塔等较大目标的电力设施。特别是采用最新的深度学习技术，可以自动准确地识别电力目标。但是，受制于样本品质和数量，无法将深度学习技术应用于高分辨率卫星遥感的电力杆塔检测。

2 基于高分辨率卫星的自动检测

2.1 电力杆塔样本数据增广方法

由于深度学习的网络参数较多，需要大量的样本来进行训练才能达到较好的训练效果。而采集海量的样本需要耗费大量的人力物力，甚至对于一些特殊情况，无法采集大量的样本。在这种情况下，采用样本数据增广技术对有限的样本进行处理得到新的样本，就能在一定程度上增加样本的数量。样本增广可以直接利用样本图像来实现，通过对样本图像进行几何和颜色变化来得到新样本，能够增加样本的多样性。几何增强包括随机旋转、裁剪、平移、缩放、镜像等，颜色变化包括对比度增强、亮度增强、HSV空间增强、随机擦除等。

基于样本自身进行数据增广只能改变图像中目标的整体变化，不同目标之间的相对位置关系无法改变。为了能够尽可能的模拟卫星拍摄杆塔时的图像，提出基于卫星成像模型的电力杆塔成像数据模拟方法。目前主流的卫星成像模型是线阵扫描，为了获取立体像对一般采用多个线阵组合进行扫描的方式（比如“资源三号”卫星有前正后三个线阵，“高分七号”卫星有前后两个线阵）。前后两个线阵以倾斜角度对地表进行扫描，因此得到的图像中杆塔是倾斜的。正视图像一般垂直地面进行拍摄，因此成像效果类似正射图像，图像中的杆塔主要显示顶部信息。卫星的严密成像几何模型如下：

根据式（2），可以利用电力杆塔的三维数据来进行成像模拟，得到线阵扫描下的图像，如图1所示。最后，还需要将模拟后的杆塔图像与地面正射影像进行融合，从而得到卫星拍摄时的成像效果，以获得足够多的样本数据集。

图1 模拟不同角度的电力杆塔影像

Fig.1 Simulate images of power towers from different angles

2.2 网络设计

本文采用YOLOv4[16]的模型架构来进行电力杆塔的检测。YOLOv4是YOLO系列的最新版本，该系列采用一步式的方式，即不生成候选目标框，直接根据网络得到的特征图像来进行目标的定位与分类。YOLOv1提出的网络奠定了整个系列的基础，将图像划分为×网格（代表网格在图像纵横方向的数量），如果目标的中心落在网格单元，那么这一网格单元就负责检测该目标。每个网格单元会预测个边界框和边界框的置信度，边界框的数量和形状可以人工设定，也可以根据统计来获得。YOLOv2应用一种检测与分类联合训练方法Darknet-19来提高检测的性能，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出了YOLO9000模型，该模型可以检测超过9 000多类物体。YOLOv3最大的变化是使用了残差模型和采用FPN架构。YOLOv3的特征提取器是一个残差模型，包含53个卷积层（Darknet-53）。从网络结构上看，相比Darknet-19网络YOLOv3使用了残差单元，所以可以构建的更深；另外一个创新点是采用FPN架构（Feature Pyramid Networks for Object Detection）来实现多尺度检测。YOLOv4是对YOLOv3的多项改进，Bochkovskiy等人[16]总结了几乎所有的检测技巧，然后经过筛选和排列组合，证明哪些方法有效。具体的改进包括在输入端进行Mosaic数据增强，cmBN、SAT自对抗训练，在主干网络将CSPDarknet53、Mish激活函数、Dropblock等各种新的方式结合起来。在主干网络和最后的输出层之间往往会插入SPP模块、FPN+PAN结构，在输出层采用损失函数CIOU_Loss，将预测框筛选的NMS改为DIOU_NMS。

3 实验与分析

本实验采集的真实卫星遥感样本来自GoogleEarth上的电力杆塔图像和国产的“高景”卫星拍摄的图像（如图2所示），模拟的图像为利用电力杆塔和线阵扫描模型模拟的电力杆塔图像。首先，利用直接从卫星图像上截取的电力杆塔样本来进行实验，对比不同检测模型的精度；然后，加入模拟得到的新样本来进行实验，分析模拟数据对目标检测模型精度的影响。

3.1 不同检测方法的精度对比

为了对比几种主流检测方法对高分辨率卫星图像中电力杆塔的检测效果，本文采用Faster R-CNN、SSD、YOLOv3、YOLOv4来对电力杆塔的目标检测样本进行训练。Faster R-CNN是两步法的代表方法，SSD和YOLOv3是一步法的代表。实验中采用直接从卫星图像中截取的电力杆塔样本来进行训练，用来进行训练的图像为518张，测试的图像为84张。图像样本采用随机旋转、平移、裁剪、缩放和颜色增强等操作来进行数据的扩展，各方法测试结果如表1所示。

图2 利用高分辨率卫星图像采集电力杆塔样本

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

表1 不同检测算法的精度对比

Tab.1 Comparison of the accuracy of different detection algorithms

表1中的精确率和召回率的调和平均数1的计算公式为

式中r为精确率，表示的是预测为正类的样本中真正的正类样本的比例；e为召回率，表示的是正类预测为正类的样本占原来样本中所有正类样本的比例。从表1的结果中可以看出，YOLOv4相比其他检测算法，具有最高的检测精度，可以达到83.2%，而召回率也相对最高，可以达到86%，在电力杆塔自动检测中推荐使用。

3.2 模拟数据加入前后精度对比

从卫星中截取的电力杆塔的图像样本有限，为了能够尽可能多的模拟不同高度、不同扫描角度的电力杆塔在卫星图像上的成像，本文以激光扫描获取的电力杆塔的三维模型来模拟杆塔经过卫星投影模型后在图像上的成像。训练时将模拟数据加入训练集，然后直接计算精度指标来作为评价的依据。根据上一节的模型对比实验，YOLOv4的精度最高，采用该模型来对添加模拟数据前后的训练精度进行分析，结果如表2所示。

从表2可以看出，采用模拟数据后准确率和召回率都有所上升，说明本文提出的模拟算法生成的电力杆塔图像能够提高模型的检测能力。具体检测效果如图3所示，标注数字为检测置信度。由图3中可以看出训练后的模型能够准确的将不同方向、不同大小以及不同背景下的遥感图像中的杆塔目标检测出来，且置信度较高，说明了本文检测方法的有效性。

表2 模拟数据对YOLOv4模型训练精度影响

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

4 结束语

本文提出了一种基于深度学习模型的高分辨率杆塔目标的检测方法，并针对样本数量不足的问题，提出了基于高分辨率卫星扫描模型的杆塔样本模拟算法，利用点云扫描获得的真实尺寸的杆塔模型来生成不同高度、不同侧摆角度的模拟数据；并将模拟数据加入训练样本中进行训练，云南地区的输电杆塔实验结果表明模拟数据能够提高目标检测的精度。结合具有较高的正确率和召回率YOLO系列算法，本文提出的模拟算法生成的电力杆塔图像能够有效提高模型的检测能力，自动检测精度从83.2%提升到89.7%，召回率从86%提升到89%，拓展了基于卫星遥感的输电线路智能巡检手段。

[1] 陈文贺, 李彩林, 袁斌, 等. 有效的绝缘子自爆缺陷定位方法[J]. 计算机工程与设计, 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, 张巍, 等. 输电线路绝缘子自爆缺陷识别方法[J]. 电力系统及其自动化学报, 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] 虢韬, 杨恒, 时磊, 等. 基于Faster RCNN的绝缘子自爆缺陷识别[J]. 电瓷避雷器, 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] 赖秋频, 杨军, 谭本东, 等. 基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型[J]. 中国电力, 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] 庞春江, 张鹏程. 基于深度学习模型与稀疏表示的绝缘子状态分类[J]. 软件导刊, 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] 史晋涛, 李喆, 顾超越, 等. 基于样本扩充的Faster R-CNN电网异物监测技术[J]. 电网技术, 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] 赵浩程, 雷俊峰, 王先培, 等. 背景复杂下航拍图像的电力线识别算法[J]. 测绘通报, 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, 许志海, 彭炽刚, 等. 一种高压输电走廊机载激光点云分类方法[J]. 测绘科学, 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] 杨晓旭, 温招洋. 深度学习在输电线路绝缘子故障检测中的研究与应用[J]. 中国新通信, 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] 陈庆, 闫斌, 叶润, 等. 航拍绝缘子卷积神经网络检测及自爆识别研究[J]. 电子测量与仪器学报, 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] 王万国, 田兵, 刘越, 等. 基于RCNN的无人机巡检图像电力小部件识别研究[J]. 地球信息科学学报, 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] 黄文琦, 张福铮, 李鹏, 等. 基于Faster R-CNN的绝缘子识别探索和应用[J]. 南方电网技术, 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] 陈景文, 周鑫, 张蓉, 等. 基于U-net网络的航拍绝缘子检测[J]. 陕西科技大学学报, 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] 陈兴峰, 刘李, 李家国, 等. 卫星遥感火点监测应用和研究进展[J]. 遥感学报, 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] 周恩泽, 黄勇, 陈洁, 等. 广东地区山火识别方法及其在电网中的应用[J]. 气象科技, 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] 王志轩. “一带一路”电力企业的机遇与挑战[J]. 中国能源, 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年获昆明理工大学电力系统及自动化专业学士学位，高级工程师。主要研究方向为输变电设备智能运维与防灾减灾工作。E-mail：1192381484@qq.com。

孙晓敏，女，1987年生，2011年获东华大学服装与艺术设计学院工业设计工程专业硕士学位，工程师。主要研究方向为遥感科学与技术。E-mail：sunxm0825@163.com。

2021-03-10

云南电网公司研发项目（YNKJXM20180016）

方明, 孙晓敏, 黄然, 等. 面向高分辨率卫星遥感的电力杆塔自动检测[J]. 航天返回与遥感, 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)

（编辑：夏淑密）