来源：期刊VIP网 时间：
作者：吴亮;许国伟;翟晗;李欣;
单位：广东电网有限责任公司汕头供电局;中国地质大学(武汉)地理与信息工程学院;武汉大学遥感信息工程学院;
摘要：结合深度学习提出一种适用于复杂场景的深度卷积U-Net网络,用于无人机高分辨率可见光影像电力设施提取。首先，充分考虑电力设施的几何特征，构建深度卷积U-Net网络。该网络通过深层编码、逐级解码，深度挖掘电力设施空间-光谱语义特征，增强模型的判别性和鲁棒性，进而实现对电力设施的准确预测。其次，在解码器部分，采用转置卷积替代传统的双线性插值进行上采样，以减少空间信息损失。最后，采用高效的二值交叉熵损失函数对网络模型展开训练。采用无人机实地采集汕头电力设施高分辨率可见光影像作为数据源，构建电力设施数据集开展实验，并将所提方法与多种先进的电力设施提取模型进行比较。实验结果表明：所提方法在复杂场景下能够更完整、精确地提取电力设施信息，极大程度地减少了错检漏检问题出现的概率，相较于其他方法具有明显优势。
关键词：电力设施提取;;无人机;;高分辨率可见光影像;;深度卷积U-Net网络;;转置卷积
基金资助：南方电网公司科技项目(编号：030500KK52220007(GDKJXM20220189));; 国家自然科学基金青年基金(编号：42001313);国家自然科学基金面上项目(编号：42271386;42171434)
