尺度和密度约束下基于YOLOv3的风电塔架遥感检测方法

陈 静，陈静波，孟 瑜，邓毓弸，节永师，张 懿

(1.中国科学院空天信息创新研究院，北京 100101；2.中国科学院大学电子电气与通信工程学院，北京 101400)

0 引言

风能是清洁无公害的可再生能源，风电在我国整个电源结构中的比例日益增长，已成为我国第三大电源且正快速增长。截至2019年，我国风电累计装机容量高达21 005万kW，比2018年增长2 579万kW，如何快速获取风电场分布以支撑风电投资监测预警、占地检测和清洁能源消纳能力评价，是风电场监管中的重要业务问题。卫星遥感影像具有客观准确、周期性重访、覆盖范围广等优点，随着国产遥感卫星影像的空间分辨率不断提高，利用国产卫星影像开展大区域内风电场分布及其变化情况快速监测，解决了人工实地勘测风电场分布难度大、耗时久和统计上报易引入人为误差等问题，是一种高效可行的方法。

传统显著性检测方法如基于先验知识[1]，通过自定义滤波器抑制背景突出塔架及其阴影特征生成显著图，再采用K-means聚类来提取显著性物体，在Google Earth影像中取得了较好的效果。但受图像时相、光照、地表覆盖等因素影响目标特征差异大，显著图存在目标区域边界不清晰、目标姿态特征不完整等问题，导致大量目标漏检。

深度学习算法通过将海量样本的低维数字图像矩阵映射为高维向量，开展自主特征学习，解决了传统目标检测算法特征人工构建、效果受限于影像等问题，在遥感目标检测领域受到广泛关注。如基于特征金字塔(feature pyramid networks，FPN)算法[2]在NWPU VHR-10数据集的船舰检测；……