基于改进U-net语义分割遥感影像的线路走廊隐患检测方法

被引：15

作者：

王彤 ^{[1
]}

朱凌 ^{[2
]}

范亚洲 ^{[2
]}

黄勇 ^{[1
]}

周恩泽 ^{[1
]}

宋海龙 ^{[1
]}

郭圣 ^{[3
]}

罗敏 ^{[4
]}

机构：

[1] 广东电网有限责任公司电力科学研究院

[2] 广东电网有限责任公司

[3] 广东电网有限责任公司佛山供电局

[4] 天津航天中为数据系统科技有限公司

来源：

南方电网技术 | 2019年 / 13卷 / 08期

关键词：

线路走廊隐患; U-net; 语义分割; 遥感影像;

D O I：

10.13648/j.cnki.issn1674-0629.2019.08.010

中图分类号：

TP751 [图像处理方法]; TM75 [线路及杆塔];

学科分类号：

摘要：

输电线路的安全运行常受到违章建筑、树障、大型违章施工车辆等线路走廊隐患的威胁。针对当前线路走廊隐患检测手段工作条件受限、监测范围小、准确率不高的问题,提出了一种改进的U-net语义分割网络的遥感影像线路走廊隐患检测方法,基于少量卫星遥感影像数据训练模型,实现了线路走廊隐患快速准确检测,准确率为85%。实验结果显示,该方法对于违章建筑、树木和大型违章施工车辆均具有良好的检测效果,提升了输电线路走廊隐患智能化检测水平。

引用

页码：67 / 73

页数：7

共 14 条

[1] 浅议直升机作业在我国特高压电网中的应用
张柯
李海峰
王伟
[J]. 高电压技术, 2006, (06) : 45 - 46+55
[2] Rectified linear units improve restricted boltzmann machines. Nair V,Hinton G E. Proceedings of the 27th International Conference on Machine Learning (ICML-10) . 2010
[3] Delving Deep into Rectifiers:Surpassing Human-Level Performance on ImageNet Classification. He K,Zhang X,Ren S,et al. 2015 IEEE International Conference on Computer Vision(ICCV 2015) . 2015
[4] Fast and Accurate Deep Network Learning by Exponential Linear Units (ELUs). D.A.Clevert,T.Unterthiner,S.Hochreiter. International Conference on Learning Representations . 2016
[5] Deep learning with S-shaped rectified linear activation units. JIN X,XU C,FENG J,et al. Computer Science . 2015
[6] 基于图像差异的输电线路周边隐患检测系统[D]. 丁健配.济南大学 2017
[7] 基于U-Net的高分辨率遥感图像语义分割方法
苏健民
杨岚心
景维鹏
[J]. 计算机工程与应用, 2019, (07) : 207 - 213
[8] 架空输电线路机器人全自主巡检系统及示范应用
彭向阳
钱金菊
吴功平
麦晓明
魏莱
饶章权
[J]. 高电压技术 , 2017, (08) : 2582 - 2591
[9] 大型无人直升机电力线路全自动巡检技术及应用
彭向阳
钱金菊
麦晓明
王柯
王锐
易琳
[J]. 南方电网技术, 2016, 10 (02) : 24 - 31+76
[10] 输电线路在线监测装置研制及其通信组网应用
戴栋
张敏
赵东生
曹敏
[J]. 高电压技术, 2015, 41 (12) : 3902 - 3908

← 1 2 →