In unmanned aerial vehicle (UAV) flights, power lines are considered as one of the most threatening hazards and one of the most difficult obstacles to avoid. In recent years, many vision-based techniques have been proposed to detect power lines to facilitate self-driving UAVs and automatic obstacle avoidance. However, most of the proposed methods are typically based on a common three-step approach: (i) edge detection, (ii) the Hough transform, and (iii) spurious line elimination based on power line constrains. These approaches not only are slow and inaccurate but also require a huge amount of effort in post-processing to distinguish between power lines and spurious lines. In this paper, we introduce LS-Net, a fast single-shot line-segment detector, and apply it to power line detection. The LS-Net is by design fully convolutional, and it consists of three modules: (i) a fully convolutional feature extractor, (ii) a classifier, and (iii) a line segment regressor. Due to the unavailability of large datasets with annotations of power lines, we render synthetic images of power lines using the physically based rendering approach and propose a series of effective data augmentation techniques to generate more training data. With a customized version of the VGG-16 network as the backbone, the proposed approach outperforms existing state-of-the-art approaches. In addition, the LS-Net can detect power lines in near real time. This suggests that our proposed approach has a promising role in automatic obstacle avoidance and as a valuable component of self-driving UAVs, especially for automatic autonomous power line inspection.

在无人飞行器（UAV）飞行中，电力线被认为是威胁最大的危险之一，也是应避免的最困难的障碍之一。近年来，已经提出了许多基于视觉的技术来检测电力线，以促进自动驾驶无人机和自动避障。但是，大多数提出的方法通常基于通用的三步法：（i）边缘检测，（ii）Hough变换，以及（iii）基于电力线约束的杂散线消除。这些方法不仅速度慢且不准确，而且在后处理中需要做出很大的努力来区分电源线和杂散线。在本文中，我们介绍了一种快速的单脉冲线段检测器LS-Net，并将其应用于电力线检测。LS-Net设计为完全卷积，它由三个模块组成：（i）全卷积特征提取器，（ii）分类器，和（iii）线段回归器。由于没有带有电源线注释的大型数据集，我们使用基于物理的渲染方法渲染电源线的合成图像，并提出了一系列有效的数据增强技术来生成更多的训练数据。以VGG-16网络的自定义版本为骨干，提出的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。（ii）分类器，和（iii）线段回归器。由于没有带有电源线注释的大型数据集，我们使用基于物理的渲染方法渲染电源线的合成图像，并提出了一系列有效的数据增强技术来生成更多的训练数据。以VGG-16网络的自定义版本为骨干，提出的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。（ii）分类器，和（iii）线段回归器。由于没有带有电源线注释的大型数据集，我们使用基于物理的渲染方法渲染电源线的合成图像，并提出了一系列有效的数据增强技术来生成更多的训练数据。以VGG-16网络的自定义版本为骨干，提出的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。我们使用基于物理的渲染方法渲染电力线的合成图像，并提出了一系列有效的数据增强技术来生成更多的训练数据。以VGG-16网络的自定义版本为骨干，提出的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人机的重要组成部分中具有广阔的前景，尤其是在自动自主电力线检查中。我们使用基于物理的渲染方法渲染电力线的合成图像，并提出了一系列有效的数据增强技术来生成更多的训练数据。以VGG-16网络的自定义版本为骨干，提出的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。提议的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。提议的方法优于现有的最新方法。此外，LS-Net可以近乎实时地检测电力线。这表明我们提出的方法在自动避障和自动驾驶无人飞行器的重要组成部分，特别是自动电力线自动检查中，具有重要的作用。