(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210588430.4 (22)申请日 2022.05.26 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 郑泽忠　金伟士　彭庆军　牟范　 李江　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 陈一鑫 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/80(2022.01) (54)发明名称 一种基于多源遥感卫星影像的输电线路绝 缘子检测方法 (57)摘要 该发明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。 权利要求书2页 说明书5页 附图3页 CN 114998758 A 2022.09.02 CN 114998758 A 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；权　利　要　求　书 1/2 页 2 CN 114998758 A 2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； 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。 2.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法， 其特 征在于， 所述 步骤6的杆塔目标识别网络如下； 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； 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； 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； 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； 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。 3.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法， 其特 征在于， 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。 4.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法， 其特 征在于， 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。 5.如权利要求1所述的一种基于多源遥感卫星影像的输电线路绝缘子检测方法， 其特 征在于， 所述步骤8中， 加入地理信息进 行识别匹配， 每个绝缘子对应一个地理坐标， 分割出 绝缘子后， 输出绝 缘子的同时并输出绝 缘子的地理坐标。权　利　要　求　书 2/2 页 3 CN 114998758 A 3