一种电力线下方地物安全距离实时检测方法
技术领域
本发明涉及电力线检测技术领域,尤其涉及一种电力线下方地物安全距离实时检测方法。
背景技术
我国电网现行高压电力线路结构复杂、规模庞大,线路通道环境十分复杂,异物缠挂、线路下方树木、违规施工、违章建筑等易导致线路安全距离不足而发生短路事故。事故一旦发生,后果严重,巨大的电流可能造成人员严重伤害,故障造成线路设备损坏,跳闸停运,对电网运行造成冲击,同时,故障对城市区域供电造成影响,扰乱企业和居民的正常生产生活秩序,带来重大经济损失。
对于电力线路安全距离的检测,目前常用的方式是电力工人巡线过程中,对线路段进行人工目视判断或全站仪量测,但线路安全距离不足的多发点通常在人迹难至之地,这些测量方式由于树木、建筑等遮挡以及视觉透视偏差,难以对疑似超限点得出准确有效的判断,不能适应现代化电网的发展和安全运行需要,超、特高压电网急需高效、先进、科学的电力线路安全检测方式。
有人直升机及无人机携带激光扫描系统电力线路通道巡检技术,已在我国电网巡检中逐渐得到应用。机载激光雷达测量系统可以很好地解决空间定位和测量精度等问题,它可直接而快速地采集线路走廊高精度三维激光点云数据,进而快速地获得高精度三维线路走廊的地形、地貌、地物和线路设施的空间信息。随着LiDAR点云数据处理技术的逐渐成熟,目前国内大部分无人机电力巡线系统都配备有LiDAR系统。随着传感器技术的进步,激光扫描仪和定位定姿系统都在逐步小型化,LiDAR系统也随之轻小型化,从而能被多旋翼无人机所搭载。但目前基于LiDAR的导线地物安全检测绝大多是事后处理,即先采集整个导线路的数据,然后再内业进行处理(包括定位定姿数据处理、LiDAR点云生成,导线提取等)。后处理方式的优点是精度高,但延时较大,不便于检修人员实时实地解决安全隐患。另外,后处理流程复杂度高,难以被一般工作人员掌握。
这两大问题仍制约着无人机激光雷达系统在电力巡检工作中的大规模使用。其中,现有的检测方法延时大,无法实时监测电力线状况是本领域技术人员需要解决的技术问题。
发明内容
本发明提供了一种电力线下方地物安全距离实时检测方法,用于解决现有的检测方法延时大,无法实时监测电力线状况的技术问题。
本发明提供的一种电力线下方地物安全距离实时检测方法,包括以下步骤:
实时采集激光点云数据和实时影像数据;
对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云;
通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云;
根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型;
根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测。
优选地,所述对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云具体包括:
将激光点云数据与实时影像数据用WGS84坐标系、POS坐标系、相机成像坐标系和激光扫描坐标系表示;
设定需要计算的一点为P点,设定激光扫描点P点的时刻为tL,设定相机拍摄P点的时刻为tS,设定P点在相机成像坐标系的坐标为[XS,YS,ZS]T,则根据P点的激光扫描点在WGS84坐标系的第一坐标公式和P点的成像点在WGS84坐标系的第二坐标公式生成P点在相机成像坐标系中的第三坐标公式;
根据成像公式和第三坐标公式将CCD图像中与P点对应的像素坐标的颜色信息与P点建立匹配关系;
循环执行上述步骤计算获得彩色激光点云中所有点的坐标及匹配的颜色信息。
优选地,所述第一坐标公式为:
所述第二坐标公式为:
所述第三坐标公式为:
优选地,所述成像公式为:
优选地,所述通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云具体包括:
获取电力线走廊实时航拍影像;
根据训练完成的SSD(Single Shot MultiBox Detector)模型对电力线走廊实时航拍影像进行影像实时分类,提取电力线像素坐标;
对电力线像素坐标执行针对于彩色激光点云的三维空间映射,将电力线像素坐标映射至彩色激光点云,获得电力线三维激光点云。
优选地,所述训练完成的SSD模型通过以下步骤训练获得:
获取电力线走廊历史航拍影像;
从电力线走廊历史航拍影像中标注出不同类型的电力线;
以标注后的电力线走廊历史航拍影像作为训练样本放入到SSD算法框架中进行训练,得到电力线自动提取的SSD模型。
优选地,所述SSD算法框架具体为神经网络结构;
所述神经网络结构采用VGG16基础网络结构,具体使用VGG16基础网络结构前面的前5层,然后利用astrous算法将fc6和fc7层转化成两个卷积层;再格外增加了3个卷积层和一个average pool层;不同层次的feature map分别用于default box的偏移以及不同类别得分的预测,最后通过nms得到最终的检测结果。
优选地,所述根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型具体包括:
从三维激光点云的数据中获取同一条电力线三个或三个以上节点的三维绝对坐标;
根据三维绝对坐标和等高悬点电力线任意一点f的弧垂计算公式和不等高悬点电力线任意一点f的弧垂计算公式进行电力线拟合,计算出电力线弧垂矢量,获得电力线弧垂矢量模型即电力线三维模型。
优选地,所述等高悬点电力线任意一点f的弧垂计算公式具体为:
所述不等高悬点电力线任意一点f的弧垂计算公式为:
其中,σ0为电力线最低点应力,单位为kg/mm2,g为电线比载,单位为kg/m·mm2,l为档距,单位为米,Φ为悬点高差角,单位为度。
优选地,所述根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测具体包括:
根据电力线三维模型和距离计算公式计算电力线在铅垂线上与电力线下方地物三维点云坐标的距离h0;
比较每个距离h0与预设对应阈值的大小,若每个距离h0都比预设对应阈值小,则表示电力线下方地物的距离安全;
所述距离计算公式为:
h0=ha-hb=a(lnga,lata)-b(lngb,latb);
其中,a(lnga,lata)为电力线上任意一点经纬度坐标;b(lngb,latb)为a点在铅垂线方向上最近的地物三维点云坐标。ha为a点在电力线上的高度,hb为a点铅垂线方向地物点云高度,h0为a点处电力线与地物安全距离。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明提供的的一种电力线下方地物安全距离实时检测方法,包括:实时采集激光点云数据和实时影像数据;对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云;通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云;根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型;根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测。本发明中,通过将激光点云数据和影像数据实时配准,实时生成电力线路附近区域彩色激光点云,然后利用深度学习算法对彩色点云进行实时分类,得到电力线对应的三维激光点云,再利用该激光点云数据实时拟合电力线弧垂方程,得到电力线的三维模型,最后采用铅垂线方法对下方地物安全距离进行实时检测。整个过程全自动化,无需人工干预,实现了对电力线下方地物安全距离进行实时检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种电力线下方地物安全距离实时检测方法的一个实施例的流程图;
图2为本发明提供的一种电力线下方地物安全距离实时检测方法的另一个实施例的示意图;
图3为本发明中WGS84坐标系、POS坐标系、相机成像坐标系和激光扫描坐标系的逻辑关系图;
图4为本实施例中的通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云的流程示意图。
具体实施方式
本发明提供了一种电力线下方地物安全距离实时检测方法,用于解决现有的检测方法延时大,无法实时监测电力线状况的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,为本发明提供的一种电力线下方地物安全距离实时检测方法的一个实施例的流程图;
本发明提供的一种电力线下方地物安全距离实时检测方法的一个实施例,包括以下步骤:
步骤101:实时采集激光点云数据和实时影像数据;
步骤102:对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云;
步骤103:通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云;
步骤104:根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型;
步骤105:根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测。
本发明实施例中,通过将激光点云数据和影像数据实时配准,实时生成电力线路附近区域彩色激光点云,然后利用深度学习算法对彩色点云进行实时分类,得到电力线对应的三维激光点云,再利用该激光点云数据实时拟合电力线弧垂方程,得到电力线的三维模型,最后采用铅垂线方法对下方地物安全距离进行实时检测。整个过程全自动化,无需人工干预,实现了对电力线下方地物安全距离进行实时检测。
以上是对本发明提供的一种电力线下方地物安全距离实时检测方法的一个实施例进行详细的描述,以下将对本发明提供的一种电力线下方地物安全距离实时检测方法的另一个实施例进行详细的描述。
请参阅图2,本发明提供的一种电力线下方地物安全距离实时检测方法的另一个实施例,包括以下步骤:
实时采集激光点云数据和实时影像数据;
对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云;
通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云;
根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型;
根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测。
请参阅图3,图3为本发明中WGS84坐标系、POS坐标系、相机成像坐标系和激光扫描坐标系的逻辑关系图。
本实施例中的对激光点云数据与实时影像数据进行实时配准,生成电力线路附近区域彩色激光点云具体包括:
将激光点云数据与实时影像数据用WGS84坐标系、POS坐标系、相机成像坐标系和激光扫描坐标系表示;
设定需要计算的一点为P点,设定激光扫描点P点的时刻为tL,设定相机拍摄P点的时刻为tS,设定P点在相机成像坐标系的坐标为[XS,YS,ZS]T,则根据P点的激光扫描点在WGS84坐标系的第一坐标公式和P点的成像点在WGS84坐标系的第二坐标公式生成P点在相机成像坐标系中的第三坐标公式;
根据成像公式和第三坐标公式将CCD图像(Charged Coupled Device)中与P点对应的像素坐标的颜色信息与P点建立匹配关系;
循环执行上述步骤计算获得彩色激光点云中所有点的坐标及匹配的颜色信息。
本实施例中的第一坐标公式为:
第二坐标公式为:
第三坐标公式为:
本实施例中的成像公式为:
请参阅图4,图4为本实施例中的通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云的流程示意图。
本实施例中的通过深度学习算法对彩色激光点云进行实时分类,提取出电力线对应的三维激光点云具体包括:
获取电力线走廊实时航拍影像;
根据训练完成的SSD模型对电力线走廊实时航拍影像进行影像实时分类,提取电力线像素坐标;
对电力线像素坐标执行针对于彩色激光点云的三维空间映射,将电力线像素坐标映射至彩色激光点云,获得电力线三维激光点云。
本实施例中的训练完成的SSD模型通过以下步骤训练获得:
获取电力线走廊历史航拍影像;
从电力线走廊历史航拍影像中标注出不同类型的电力线;
以标注后的电力线走廊历史航拍影像作为训练样本放入到SSD算法框架中进行训练,得到电力线自动提取的SSD模型。
本实施例中的SSD算法框架具体为神经网络结构;
所述神经网络结构采用VGG16基础网络结构,具体使用VGG16基础网络结构前面的前5层,然后利用astrous算法将fc6和fc7层转化成两个卷积层;再格外增加了3个卷积层和一个average pool层;不同层次的feature map分别用于default box的偏移以及不同类别得分的预测,最后通过nms得到最终的检测结果。
本实施例中的根据三维激光点云的数据实时拟合生成电力线弧垂方程,构成电力线三维模型具体包括:
从三维激光点云的数据中获取同一条电力线三个或三个以上节点的三维绝对坐标;
根据三维绝对坐标和等高悬点电力线任意一点f的弧垂计算公式和不等高悬点电力线任意一点f的弧垂计算公式进行电力线拟合,计算出电力线弧垂矢量,获得电力线弧垂矢量模型即电力线三维模型。
本实施例中的等高悬点电力线任意一点f的弧垂计算公式具体为:
不等高悬点电力线任意一点f的弧垂计算公式为:
其中,σ0为电力线最低点应力,单位为kg/mm2,g为电线比载,单位为kg/m·mm2,l为档距,单位为米,Φ为悬点高差角,单位为度。
本实施例中的根据电力线三维模型通过铅垂线法计算电力线下方地物的距离,实时对电力线下方地物的距离进行安全检测具体包括:
根据电力线三维模型和距离计算公式计算电力线在铅垂线上与电力线下方地物三维点云坐标的距离h0;
比较每个距离h0与预设对应阈值的大小,若每个距离h0都比预设对应阈值小,则表示电力线下方地物的距离安全;
所述距离计算公式为:
h0=ha-hb=a(lnga,lata)-b(lngb,latb);
其中,a(lnga,lata)为电力线上任意一点经纬度坐标;b(lngb,latb)为a点在铅垂线方向上最近的地物三维点云坐标。ha为a点在电力线上的高度,hb为a点铅垂线方向地物点云高度,h0为a点处电力线与地物安全距离。
根据上述的另一个实施例进行应用,可得应用例如下:
步骤一、实时激光点云与影像融合配准方法
无人机三维激光雷达系统是一种典型的动态测量系统,一般装备有激光扫描仪、GNSS/IMU组合测量装置(POS)及相机等数据采集传感器,各个传感器获取的数据在物理涵义、频率及空间维度都不相同,但是为了得到对所观测的客观地物目标的统一描述,需要将三种数据进行融合配准,从而得到彩色点云数据。
如图3所示,OW-XWYWZW代表WGS84坐标系,OPOS-XPOSYPOSZPOS代表POS坐标系,OS-XSYSZS表示相机成像坐标系,OL-XLYLZL表示激光扫描坐标系。设激光扫描P点的时刻为tL,P点的激光扫描点在OW-XWYWZW坐标系下的坐标如(1)式。
设相机拍摄P点的时刻为tS,设P点在OS-XSYSZS坐标系下的坐标为[XS,YS,ZS]T,P点的成像点在OW-XWYWZW坐标系下的坐标如(2)式。
联立上述两公式则有:
可得P点在成像系统中坐标如(3)式。
然后根据成像公式(4)得到P点的坐标从激光扫描坐标系中的坐标到在CCD图像成像点的坐标的映射,从而获得了P点的颜色信息。利用上述步骤,可以计算出激光点云中每一点的颜色信息。
步骤二、利用深度学习对彩色点云进行分类提取电力线
在电力线提取过程中采用深度学习SSD(Single Shot MultiBox Detector)目标检测算法,该检测方法采用人工智能深度学习检测算法,通过构建具有多隐层的机器学习模型和海量的训练数据,并逐层特征变换,将样本在原空间的特征表示变换到一个新特征空间,通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
具体方法为:神经网络结构采用VGG16的基础网络结构,使用前面的前5层,然后利用astrous算法将fc6和fc7层转化成两个卷积层。再格外增加了3个卷积层,和一个averagepool层。不同层次的feature map分别用于default box的偏移以及不同类别得分的预测,最后通过nms得到最终的检测结果。
通过收集大量不同区域的电力线无人机航拍影像,然后利用人工从影像中标注出各种不同类型的电力线,以这些标注的影像作为训练样本放入到SSD算法框架中进行训练,得到电力线自动提取的SSD模型。
在数据采集过程中,通过该训练模型实时对无人机影像进行分类,提取出电力线像素坐标,然后采用步骤一的方法投影至三维点云中,从而获得电力线的三维激光点云数据。整体过程如图4所示:
步骤三、电力线立体量测与弧垂拟合
根据步骤二分类得到的电力线激光点云,在获取同一条电力线多个节点(三个点以上)的三维绝对坐标(lng,lat,h)后,通过弧垂方程拟合得到电力线三维模型。
电力线上任意一点的弧垂是指该点距两悬点连线的垂直距离。基于电力线多个节点的三维绝对坐标,根据架空线弧垂原理(式(6)、(7))进行电力线拟合。
等高悬点电力线任意一点f的弧垂计算公式具体为:
不等高悬点电力线任意一点f的弧垂计算公式为:
其中,σ0为电力线最低点应力,单位为kg/mm2,g为电线比载,单位为kg/m·mm2,l为档距,单位为米,Φ为悬点高差角,单位为度。
步骤四、电力线与下方地物安全距离诊断
获得电力线弧垂矢量模型后,同时考虑地球重力场,使用铅垂线方法,自动计算电力线在铅垂线上与电力线下方地物密集三维点云的安全距离h0。基于安全距离计算结果,自定义不同的阈值以统计和显示不同阈值下的结果,从而达到自动进行电力线与下方地物安全距离检测目的。
其中,距离h0在使用铅垂线方法的计算公式如下:
h0=ha-hb=a(lnga,lata)-b(lngb,latb) (8)
其中,a(lnga,lata)为电力线上任意一点经纬度坐标;b(lngb,latb)为a点在铅垂线方向上最近的地物三维点云坐标。ha为a点在电力线上的高度,hb为a点铅垂线方向地物点云高度,h0为a点处电力线与地物安全距离。
本发明突出的实质性特点为:
1.融合无人机激光雷达数据和影像实现电力线下方地物安全距离实时检测。
2.利用深度学习方法,自动从影像中提取电力线,并通过影像和激光雷达的配准,将影像中的电力线坐标映射至激光点云数据中,从而获得电力线激光点云数据。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。