《Remote Sensing》：Power Line Structure Reconstruction and Detection Method Based on Global Regression of Keypoints
编辑推荐：
无人机光学遥感为输电走廊的测绘与巡检提供了一种灵活的手段。然而，从航拍图像中自动提取电力线仍具挑战性，因为导线几何细长、纹理弱、对比度低、可见性不连续，且易受成像噪声、遮挡和复杂背景干扰的影响。因此，基于分割的方法常产生碎片化掩膜，限制了后续结构重建的可靠性。
无人机光学遥感为输电走廊的测绘与巡检提供了一种灵活的手段。然而，从航拍图像中自动提取电力线仍具挑战性，因为导线几何细长、纹理弱、对比度低、可见性不连续，且易受成像噪声、遮挡和复杂背景干扰的影响。因此，基于分割的方法常产生碎片化掩膜，限制了后续结构重建的可靠性。本研究提出一种基于全局关键点回归的电力线检测与重建框架，用于无人机光学影像。该框架并非递归关联相邻关键点，而是将属于同一条电力线的所有关键点向一个共同的起点回归。这一共享参考旨在避免通过局部关联链进行递归传播。框架集成了三个互补组件：多尺度区域感知特征提取器（MSRAFE），用于跨尺度融合局部与全局语义；线条特征聚合模块（LFA），实现自适应多层次特征融合；以及线性结构感知特征策略（LSAFS），用于耦合局部几何线索与全局结构关系。该方法在两个公开航拍图像基准数据集和一个自建数据集上进行了评估。在PLDU数据集上实现了85.76%的交并比（IoU）和91.76%的F1分数，在TTPLA数据集上分别达到75.23%和83.95%。在自建的CPLD数据集上，该方法在所有比较方法中获得了最高的IoU（70.44%）和精确率（83.87%）。这些像素级结果证明了完整框架在机载光学遥感影像中检测细长线性物体的性能。
一、研究背景与问题
电力输电走廊是现代能源基础设施的重要组成部分，其可靠监测对保障电网安全与稳定运行至关重要。搭载光学传感器的无人机平台能够在偏远、复杂或危险环境中，以非接触、高分辨率的方式灵活获取走廊影像，因此基于无人机的智能巡检已成为高压及特高压输电线路早期异常检测与预防性维护的重要手段。
然而，无人机光学影像受到成像噪声、光照变化、视角改变、遮挡以及复杂的自然或城市背景影响。此外，电力线本身几何细长、纹理微弱，在图像中仅占少量低对比度像素，难以与背景结构区分，构成了一项极具挑战性的遥感图像解译任务。传统方法依赖边缘检测和手工特征，在低对比度条件下对噪声敏感，精度有限。近年来的深度学习方法通常将任务建模为语义或实例分割，但像素级分类无法显式保证拓扑连续性，在远距离、遮挡或弱对比场景下容易产生断裂或畸变的线状掩膜。基于关键点的建模虽然提供了稀疏采样点及其空间关系来描述线状几何，但传统的逐点关联方式缺乏全局参考，一旦局部匹配出错，错误会沿后续连接传播，降低重建精度与完整性。这些问题促使研究人员开发一种能够联合利用局部几何证据与全局线条约束的方法。
二、研究方法概述
为解决上述问题，研究人员提出了一种基于全局关键点回归的电力线检测与结构重建框架。该方法将所有属于同一根导线的关键点直接回归到一个共同的起始点，建立全局空间参考，从而避免递归式逐点关联带来的误差累积。框架包含三个核心技术组件：多尺度区域感知特征提取器（MSRAFE），用于在不同空间尺度上表征电力线并增强其显著语义；线条特征聚合模块（LFA），通过内容自适应门控机制而非固定加法融合来权衡深层语义与浅层细节；以及线性结构感知特征策略（LSAFS），通过预测关键点与其邻域点之间的几何偏移量，将局部几何意识与全局结构建模相结合。模型训练使用了三个数据集：公共数据集PLDU（573个样本，训练集393个）、TTPLA（1248个样本，训练集876个）以及自建的CPLD数据集（1000个样本，训练集700个，包含山地、农田、河流背景下的曲线导线）。
三、研究结果
1. PLDU和TTPLA对比实验
在PLDU和TTPLA测试集上，研究人员将所提方法与DANet、TransUNet、BiSeNetV2、PMFSNet、EGEUNet、RollingUNet、UltraLightVMUNet、HVMUNet和nnWNet等九种方法进行了像素级对比。结果表明，所提方法在PLDU上获得了最高的IoU（85.76%）和F1分数（91.76%），在TTPLA上四项像素指标均排名第一。定性可视化显示，该方法在植被遮挡和细导线场景下表现更优。
2. CPLD对比实验
针对包含曲线导线的CPLD数据集，研究人员额外评估了五种方法。所提方法获得了最高的IoU（70.44%）和精确率（83.87%），但其召回率低于BiSeNetV2（82.38% vs 92.08%），F1分数略低0.05个百分点，表明存在精确率-召回率的权衡。定性结果显示，在导线间距狭窄和交叉场景中，该方法能保持更好的分离效果。
3. 消融实验
在PLDU测试集上的功能模块消融实验中，基线模型的IoU和F1分别为83.48%和90.18%；单独加入MSRAFE后提升至84.55%和90.88%；在基线+MSRAFE基础上，LFA使IoU/F1分别增加0.35/0.22个百分点，LSAFS增加0.46/0.38个百分点；三者组合使用达到最高值85.76%和91.76%，证明各模块效果互补。骨干网络消融实验表明，ResNeXt50在所有四个评估指标上均优于ResNet50、RegNet和HRNet。
四、讨论与结论
讨论部分指出，IoU、召回率、精确率和F1分数虽能量化光栅化掩膜的重叠程度，但无法揭示实例合并、碎片化或错误连接等问题。共享起始点是一个分组参考而非物理端点，严重遮挡、近乎水平的几何形态、不连续的可见片段以及裁剪导致的起始点变化都可能使其产生歧义。模型选择基于验证集，所有表格结果来自单次运行，未进行多随机种子不确定性分析或配对显著性检验。消融实验未单独评估共享起始点关联策略本身。模型参数量为24.62M，计算量为36.76 GFLOPs，吞吐量为56.6帧/秒，但这是在桌面实现上的结果，边缘硬件性能尚未测量。
研究结论翻译：本文提出了一个用于无人机光学影像中电力线检测的关键点回归框架。共享起始点投票机制对关键点进行分组，MSRAFE和LFA结合了多尺度表征，LSAFS引入了自适应局部采样。该方法在PLDU、TTPLA和CPLD测试集上均取得了所评估方法中最高的IoU。在CPLD上，其精确率高于BiSeNetV2但召回率较低。MSRAFE、LFA和LSAFS的组合产生了最高的消融得分。未来工作将进一步研究结构与实例级别的评估、边界裁剪和遮挡下的失败案例，以及在代表性边缘硬件上的高效实现。
