可变形网络与迁移学习相结合的电力塔遥感影像目标检测法

电力塔是电力基础设施的重要组成部分，对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低，效果差的问题，本文基于可变形网络和迁移学习对Faster R-CNN进行改进，提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分：①特征提取子网络，即利用可变形网络模型改进卷积层，来提高模型对于电力塔几何形变的特征提取能力；②目标检测子网络，即通过模型迁移，将由特征提取子网络训练获得的模型参数迁移至此子网络，由RPN网络和可变形区域池化结合非极大值抑制（NMS）精确获取电力塔位置，利用Fine-tuning技术快速训练此子网络，最终实现高精度的遥感影像电力塔检测。本文算法在测试集中对电力塔检测结果为AP0.5 0.886 1，AP0.6 0.839 6，ACC 0.894 8，与SSD、YOLOv3、Faster R-CNN等相比，各检测指标至少高0.2。由对比试验可以看出，该框架对电力塔遥感影像可以实现较高精度检测，表明该方法在电力塔检测上拥有较大应用潜力。