[发明专利]一种基于深度迁移学习的光学遥感图像杆塔位置检测方法

说明书

一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，属于图像处理技术领域，包括如下步骤：步骤一：采集DOTA数据和Pleiades卫星的输电线路杆塔图像数据，并按照标准VOC数据格式对采集的数据进行处理；步骤二：设计用于杆塔检测的深度神经网络结构，提出针对不同杆塔状态、背景类型、光照等场景下的高准确率杆塔位置检测神经网络；步骤三：引入深度迁移学习方法，降低算法对遥感图像杆塔目标检测数据要求，并完成模型训练；步骤四：利用包含四种杆塔状态的遥感图像对算法进行测试验证。该方法适用于在多种杆塔状态、背景类型、光照等复杂应用场景下，可见光遥感图像中对输电杆塔进行高准确率检测，为输电线路安全监测提供支持。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于深度迁移学习的光学遥感图像杆塔位置检测方法。

高压输电杆塔是电力输送系统中最重要的基础设施之一，其运行状态决定着整个电网的运行稳定和安全，对其进行检测是高压输电杆塔运行状态监测的基础，也是高压输电线路监测的重要部分。另一方面，随着光学遥感技术的迅猛发展，卫星获取的图像分辨率越来越高，细节信息越来越丰富，利用光学遥感图像进行广域的电网输电线路运行状态监测已成为遥感应用研究的发展方向。一般可以由目视判读解译法和机器检测法从遥感图像中获取目标信息，其中目视判读解译法，是由专业解译人员对图像中的目标进行人工提取、识别、确认与详细描述，该方法虽然准确，但需要消耗大量人力物力，而且易受人的主观状态、经验等的影响；另一种是机器检测，即通过计算机来提取图像中的目标特征，再利用统计模式识别、神经网络、Boosting算法、支撑向量机(Support Vector Machines,SVM)、人工免疫系统(Artificial Immune System)等方法，以监督/非监督的方式，对图像中的目标进行检测。

目前国内外利用光学图像对杆塔的检测识别多基于低空可见光成像(如低空无人机成像、车载相机成像等)。低空成像条件下，目标背景多为天空，背景较为干净，而且目前方法大多要求特定成像视角以方便人工提取特征，难以直接应用于遥感图像杆塔检测。

实际中天基或空基平台的成像场景中的背景类型多样、成像角度多变、天气变化等情况复杂，特别是当杆塔受到自然或人为破坏情况下，杆塔状态会发生改变，此时通过人工设计不变性特征过程将变得极其困难，而基于深度学习的方法可以实现在特征提取阶段无需人工干预，且当出现新的模式时只需要添加对应的样本重新训练模型即可，模型的可扩展性更强。然而，为了确保深度学习训练得到的检测分类模型具备较高精度，需要满足以下假设：1)测试样本和训练样本要满足独立同分布条件，即I.I.D.(independentandidentically distributed)假设；2)训练样本数量足够多。在实际机器学习应用场景中，这两个假设是难以满足的。

迁移学习是指利用数据、任务或模型之间的相似性，将在旧领域(或称为源域)学习过的知识应用于新领域(或称为目标域)的一种学习过程，迁移学习过程对样本的要求无需满足以上提到的两条假设。迁移学习方法通过在源域和目标域之间共用知识，降低模型的过拟合风险，使得检测识别模型在样本不足的情况下仍然可用。

发明内容

本发明针对遥感图像高压输电杆塔检测识别中，传统方法人工设计特征过程复杂，难以实现遥感图像中杆塔位置高精度检测的问题，并为降低深度学习算法对杆塔目标数据要求，引入深度迁移学习方法，提出了一种基于深度迁移学习的光学遥感图像杆塔位置检测方法。该方法适用于在多种杆塔状态、背景类型、光照等复杂应用场景下，可见光遥感图像中对输电杆塔的位置进行高准确率检测，为输电线路安全监测提供支持。

为实现上述目的，本发明采取的技术方案如下：

一种基于深度迁移学习的光学遥感图像杆塔位置检测方法，所述方法步骤如下：

步骤一：采集光学遥感图像杆塔原始数据以及源域原始数据，并进行标注和标准化，得到杆塔数据和源域数据；