[0001] 本发明涉及电力线检测技术领域，具体涉及一种基于深度学习的电力线检测方法。

[0002] 随着我国电力行业的快速发展，输配电线路规模变得越来越庞大，电力巡检成为保障输配电线路安全稳定运行的重要一环。传统的人工巡检方式效率低、难度大、风险高、实时性差，而且很多变电站地处偏远，地理条件恶劣，给输配电的智能运维带来了严峻考验。近年来无人机续航里程、承载能力的提升，无人机巡检有效地避免了地理环境对人工巡检的约束，降低了劳动强度和风险系数，缩短了巡检图像采集周期，提高了巡检质量和效率。由于无人机巡检具有高安全性、低成本的优势，目前无人机巡检已经成为各大电网的重要巡检方式，“无人机巡检为主，人工巡检为辅”将发展成为我国高压输电线路巡检的主要运维模式。

[0003] 在低空无人机飞行中，电力线被认为是最具威胁性的危险源之一，也是最难避开的障碍物之一。无人机巡检大都由作业人员手动控制完成，由于电力线一般尺寸极小，作业人员仅通过回传图像很难察觉潜在的危险，察觉到了也很难对可能发生的事故做出及时而有效的反应。在实际的巡检过程中无人机的机翼很容易和电力线发生碰撞或者缠绕，给无人机的飞行安全和电力设施的稳定运行都带来了极大的风险。近年来，已经提出了许多基于视觉的电力线检测算法，以促进自动驾驶无人机和自动避障。这些算法通常是通过边缘检测、霍夫变换或Radon变换、以及基于电力线约束的直线拟合来实现航拍图像中的电力线检测。然而上述基于视觉的电力线检测算法只能在一些简单场景下应用，在复杂场景下不仅检测速度慢且不准确，而且需要大量的后处理工作来区分电力线和伪线，极容易出现误检、漏检。

[0038] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0039] 结合图1，一种基于深度学习的电力线检测方法，包括以下步骤：

[0040] 一种基于深度学习的电力线检测方法，包括以下步骤：

[0041] S1、采集输电线路巡检航拍图像；采集的图像分辨率调整为512×512。

[0042] S2、通过数据增强方式扩充训练样本数量；采用裁剪、翻转、缩放、镜像、添加噪声方式扩充样本数量；添加的噪声为高斯噪声和/或椒盐噪声。

[0043] S3、遍历所有图像样本，使用Labelme图像标注软件对图像中电力线进行标注，生成电力线分割数据集；电力线语义分割数据集共计3000张图像，其中，包含电力线的图像1500张作为正样本，不包含电力线的图像1500张作为负样本。

[0044] S4、将电力线分割数据集划分为训练集和测试集；随机选取2100张样本图像作为训练集，剩余900张样本图像做为测试集。

[0045] S5、建立基于U‑net的电力线语义分割网络模型，所述U‑net网络模型包括主干特征提取网络和加强特征提取网络。

[0046] 结合图2，所述主干特征提取网络由第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层组成并依次连接，所述第一卷积层、第二卷积层为3×3卷积，卷积核为64；所述第三卷积层、第四卷积层为3×3卷积，卷积核为128；所述第五卷积层、第六卷积层、第七卷积层为3×3卷积，卷积核为256；所述第八卷积层、第九卷积层、第十卷积层为3×3卷积，卷积核为512；所述第十一卷积层、第十二卷积层、第十三卷积层为3×3卷积，卷积核为512；所述第一池化层、第二池化层、第三池化层、第四池化层为2×2最大池化。

[0047] 所述加强特征提取网络包括第十四卷积层、第十五卷积层、第十六卷积层、第十七卷积层、第十八卷积层、第十九卷积层、第二十卷积层、第二十一卷积层、第二十二卷积层、第二十三卷积层、第二十四卷积层、第二十五卷积层；上采样后的第十三卷积层、第十卷积层与第十四卷积层相连，第十四卷积层为3×3卷积，卷积核为1024；所述第十四卷积层、第十五卷积层、第十六卷积层依次连接，第十五卷积层、第十六卷积层为3×3卷积，卷积核为512；上采样后的第十卷积层、上采样后的第十六卷积层、第七卷积层与第十七卷积层相连，第十七卷积层为3×3卷积，卷积核为1280；所述第十七卷积层、第十八卷积层、第十九卷积层依次连接，第十八卷积层、第十九卷积层为3×3卷积，卷积核为256；上采样后的第七卷积层、上采样后的第十九卷积层、第四卷积层与第二十卷积层相连，第二十卷积层为3×3卷积，卷积核为640；所述第二十卷积层、第二十一卷积层、第二十二卷积层依次连接，第二十一卷积层、第二十二卷积层为3×3卷积，卷积核为128；上采样后的第四卷积层、上采样后的第二十二卷积层、第二卷积层与第二十三卷积层相连，第二十三卷积层为3×3卷积，卷积核为320；所述第二十三卷积层、第二十四卷积层、第二十五卷积层依次连接，所述第二十四卷积层、第二十五卷积层为3×3卷积，卷积核为64；所述第二十五卷积层通过分类输出图像。

[0048] 结合图3，网络模型输入为512×512×3图像，经过第一卷积层和第二卷积层特征提取后得到第一有效特征层512×512×64；第一有效特征层512×512×64经过第一池化层降维后变为256×256×64，再经过第三卷积层、第四卷积层特征提取后得到第二有效特征层256×256×128；第二有效特征层256×256×128经过第二池化层降维后变为128×128×128，再经过第五卷积层、第六卷积层、第七卷积层提取特征后得到第三有效特征层128×
128×256；第三有效特征层128×128×256经过第三池化层降维后变为64×64×256，再经过第八卷积层、第九卷积层、第十卷积层提取特征后得到第四有效特征层64×64×512；第四有效特征层64×64×512经过第四池化层降维后变为32×32×512，再经过第十一卷积层、第十二卷积层、第十三卷积层提取特征后得到第五有效特征层32×32×512；第五有效特征层32×32×512经过上采样后与第四有效特征层64×64×512进行堆叠融合得到特征层64×64×1024，特征层64×64×1024经过第十五卷积层、第十六卷积层特征提取后输出特征层64×64×512；特征层64×64×512、第四有效特征层64×64×512上采样后与第三有效特征层128×128×256进行堆叠融合得到特征层128×128×1280，特征层128×128×
1280经过第十八卷积层、第十九卷积层特征提取后输出特征层128×128×256；特征层128×128×256、第三有效特征层128×128×256上采样后与第二有效特征层256×256×128进行堆叠融合得到特征层256×256×640，特征层256×256×640经过第二十一卷积层、第二十二卷积层特征提取后输出特征层256×256×128；特征层256×256×128、第二有效特征层256×256×128上采样后与第一有效特征层512×512×64进行堆叠融合得到特征层512×512×320，特征层512×512×320经过第二十四卷积层、第二十五卷积层特征提取后输出特征层512×512×64；特征层512×512×64通过分类输出图像检测结果。

[0049] S6、将训练集图像输入步骤S5所述的语义分割网络模型，进行网络设置，重复迭代训练，得到训练好的电力线语义分割网络模型；

[0050] S7、将测试集图像输入到步骤S6训练好的电力线语义分割网络模型进行性能测试，输出电力线检测结果。

[0051] 图4给出了背景为道路的航拍图像，将图4输入到本发明的电力线语义分割网络模型中，图5给出了以道路为背景的本发明电力线检测结果；图6给出了背景为天空的航拍图像，将图6输入到本发明的电力线语义分割网络模型中，图7给出了以天空为背景的本发明电力线检测结果；图8给出了背景为森林的航拍图像，将图8输入到本发明的电力线语义分割网络模型中，图9给出了以森林为背景的本发明电力线检测结果；图10给出了背景为植被的航拍图像，将图10输入到本发明的电力线语义分割网络模型中，图11给出了以植被为背景的本发明电力线检测结果。从图5、7、9、11可以看出，本发明能够将航拍图像(图4、6、8、10)中的电力线准确分割出来。

[0052] 综上所述，本发明实施例，一种基于深度学习的电力线检测方法，U‑net网络模型可以从航拍图像中自动分割出电力线，具有较快的检测速度和较高的检测准确率，能够有效地避免电力线的误检和漏检情况，对实现无人机自动避障、保障无人机低空飞行安全具有重要意义；U‑net由主干特征提取网络和加强特征提取网络组成，主干特征提取网络的网络架构在拓扑上与VGG‑16网络中的13个卷积层相同，加强特征提取网络将不同尺度的特征进行融合，低分辨率特征图以上采样的方式映射到高分辨率特征图，进行像素分类；本发明利用深度学习网络对航拍图像中每个像素点进行自动分类，相比于传统的图像处理方法，可以获得较高的分割准确率，能够用训练好的模型快速检测出图像中的电力线。

[0053] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。