CN108919232A - 一种输电线路危险点检测方法及装置 - Google Patents

Abstract

本申请实施例提供了一种输电线路危险点检测方法及装置，其中，该方法包括：对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据；确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据；根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设安全距离阈值，检测所述地物的点云数据中的危险点。本申请实施例能够避免由于点云缺失或点云密度不够造成的危险点漏检现象。

Description

一种输电线路危险点检测方法及装置

技术领域

本申请涉及输电线路的技术领域，具体而言，涉及一种输电线路危险点检测方法及装置。

背景技术

随着激光雷达(Light Detection and Ranging，LiDAR)技术的出现，其与直升机或无人机技术相结合为输电线路巡检带来了新的方式，弥补了传统巡检方式的不足。

这项技术在实际运用中，电力线本身的反射率较低，或者电力线老化都有可能造成点云数据不完整(点云缺失或者点云密度不够)，进行危险点监测时容易发生漏检现象。针对以上问题，目前还没有相应的举施。

发明内容

有鉴于此，本申请的目的在于提供一种输电线路危险点检测方法和装置，以降低由于点云缺失或者点云密度不够造成的危险点漏检的可能性。

第一方面，本申请实施例提供了一种输电线路危险点检测方法，包括：

对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据；

确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据；

根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设安全距离阈值，检测所述地物的点云数据中的危险点。

结合第一方面，本申请实施例提供了第一方面的第一种可能的实施方式，所述对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据，包括：

对所述激光雷达获取的所述点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据；

将所述第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，所述类别包括杆塔、电力线、植被和建筑；

将所述第二类点云数据中对应类别为电力线的点云数据确定为所述电力线的点云数据，以及将所述第一类点云数据和所述第二类点云数据中对应类别为杆塔、植被和建筑的点云数据，确定为所述地物的点云数据。

结合第一方面的第一种可能的实施方式，本申请实施例提供了第一方面的第二种可能的实施方式，按照以下方式预先建立所述数据类别分类模型：

提取预先保存的激光雷达获取的点云数据以及所述点云数据中各个数据对应的类别，所述类别包括杆塔、电力线、植被和建筑；

以所述点云数据为输入端，以所述点云数据中各个数据对应的类别为输出端，代入机器学习算法进行训练，得到所述数据类别分类模型。

结合第一方面，本申请实施例提供了第一方面的第三种可能的实施方式，所述确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据，包括：

获取所述电力线的点云数据在所述电力线上的单位面积数量；

确定所述单位面积数量小于设定阈值时，将所述电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程；

根据所述电力线的曲线方程，确定所述电力线矢量化后的点云数据。

结合第一方面的第三种可能的实施方法，本申请实施例提供了第一方面的第四种可能的实施方式，所述将所述电力线的点云数据中设定数量的电力线数据的对应坐标代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程，包括：

在所述电力线的点云数据中，选择沿所述电力线方向间隔设定长度的多个所述电力线数据；

将多个所述电力线数据分别代入预选的所述多点拟合方程y＝ax²+bx+c，确定所述多点拟合方程中的待求参数后，得到所述电力线的曲线方程；其中a、b、c为所述待求参数。

结合第一方面，本申请实施例提供了第一方面的第五种可能的实施方法，所述根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设的安全距离阈值，检测所述地物的点云数据中的危险点，包括：

针对所述地物的点云数据中的任一地物数据，获取所述电力线矢量化后的点云数据中的每个电力线数据与该任一地物数据之间的距离；

判断所述距离中是否存在至少一个小于所述预设安全距离阈值，若存在，确定该任一地物数据为危险点。

第二方面，本申请实施例提供了一种输电线路危险点检测装置，所述装置包括：

点云数据分类模块：用于对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据；

电力线矢量化模块：用于确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据；

危险点检测模块：用于根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设安全距离阈值，检测所述地物的点云数据中的危险点。

结合第二方面，本申请实施例提供了第二方面的第一种可能的实施方式，所述点云数据分类模块，用于：

对所述激光雷达获取的所述点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据；

将所述第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，所述类别包括杆塔、电力线、植被和建筑；

将所述第二类点云数据中对应类别为电力线的点云数据确定为所述电力线的点云数据，以及将所述第一类点云数据和所述第二类点云数据中对应类别为植被和建筑的点云数据，确定为所述地物的点云数据。

结合第二方面的第一种可能的实施方式，本申请实施例提供了第二方面的第二种可能的实施方式，所述点云数据分类模块按照以下方式预先建立所述数据类别分类模型：

提取预先保存的激光雷达获取的点云数据以及所述点云数据中各个数据对应的类别，所述类别包括杆塔、电力线、植被和建筑；

以所述点云数据为输入端，以所述点云数据中各个数据对应的类别为输出端，代入机器学习算法进行训练，得到所述数据类别分类模型。

结合第二方面，本申请实施例提供了第二方面的第三种可能的实施方式，所述电力线矢量化模块，用于：

获取所述电力线的点云数据在所述电力线上的单位面积数量；

确定所述单位面积数量小于设定阈值时，将所述电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程；

根据所述电力线的曲线方程，确定所述电力线矢量化后的点云数据。

本申请实施例提供的输电线路危险点检测的方法及装置，采用基于矢量化对架空输电线路进行危险点检测，具体是对点云缺失或者点云密度不够的电力线进行矢量化，得到矢量化后的电力线后再进行危险点检测，与现有技术中的只能依据原始激光雷达采集到的电力线点云数据对危险点进行检测相比，能够避免由于点云缺失或点云密度不够造成的危险点漏检现象。

为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本申请实施例所提供的一种输电线路危险点检测方法的流程图；

图2示出了本申请实施例所提供的对点云数据进行分类的方法流程示意图；

图3示出了本申请实施例所提供的对电力线进行矢量化的方法流程示意图；

图4示出了本申请实施例所提供的一种输电线路危险点检测装置的结构示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

本申请实施例提供了一种输电线路危险点检测方法，如图1所示，具体包括以下步骤S101～S103：

S101，对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据。

这里的点云数据为激光雷达采集与电力线领域相关的物体上的多个点的三维坐标数据，这里的物体包括各类型杆塔、电力线、周围建筑和地面等，这里的三维坐标数据是在大地坐标系中的坐标数据。

这些危险点在本申请实施例中称为地物的点云数据，这些地物的点云数据有些可能在地面，有些在建筑上，有些在植被上，每一种地物到输电线的距离都有特定的规定，即不能小于安全距离。一旦某地物与某段输电线的距离小于安全距离，这段输电线就有可能对该地物放电，导致开关跳闸、人员伤亡，甚至大范围停电，此时，该地物被认为是危险点。

因为激光雷达采集的点云数据并未进行分类，在确定危险点之前，需要对这些点云数据进行分类，以便确定电力线的点云数据和地物的点云数据，从而对地物的点云数据中的每个点进行检测，确定危险点。

可选地，上述步骤S101中，对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据，如图2所示，具体包括如下步骤S1011～S1013：

S1011，对激光雷达获取的点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据。

这里采取点云滤波算法将地面点提取出来，提取出来的地面点云数据就是第一类点云数据。第二类点云数据就是其他数据，因为第二类点云数据虽然不属于地面点云数据，但可能属于建筑或者植被等物体的点云数据，由于这些物体也是危险点的来源，所以仍然需要将第二类点云数据中需要进行危险点检测的数据与电力线的点云数据进行分开。

S1012，将第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，类别包括杆塔、电力线、植被和建筑。

在对第二类点云数据进行分类时，分类的类别不限于杆塔、电力线、植被和建筑，还可以包括其他类型的地物包括公路、山脉等。在对地物进行危险点检测时，可以认为设置具体对哪种类型的地物进行检测，克服了对整体地物排查耗时耗力的缺点，提高了危险点检测的效率。

上述步骤S1012，按照以下方式预先建立数据类别分类模型，具体包括：

(1)提取预先保存的激光雷达获取的点云数据以及点云数据中各个数据对应的类别，类别包括杆塔、电力线、植被和建筑。

预先获取大量与第二类点云数据类型相同的点云数据以及这些点云数据中每个数据对应的类别，比如，点云数据中某个数据的坐标为(a,b,c)，该数据对应的类别为杆塔。

具体而言，在选择训练样本时，应考虑不同的塔型(如：猫头塔、酒杯塔、干字型塔、门型塔等)和以及电力线的类型(如：单导线、分裂导线)，即在涉及到杆塔时，将点云数据中的数据的对应类型精确到塔型；以及在涉及到电力线时，将点云数据中的数据的对应类型精确到电力线的类型，这样，依据不同的类型对塔杆和电力线进行分类训练，使得训练的数据类别分类模型能够更准确地识别不同类别的点云数据。

(2)以点云数据为输入端，以点云数据对应的类别为输出端，代入机器学习算法进行训练，得到数据类别分类模型。

具体而言，提取输入的训练样本特征，将这些特征与相应的类别建立联系，组成虚拟分类器，将训练样本中的点云数据以及各个数据对应的类别输入到虚拟分类器中进行训练，得到数据类别分类模型。

S1013，将第二类点云数据中对应类别为电力线的点云数据确定为电力线的点云数据，以及将第一类点云数据和第二类点云数据中对应类别为杆塔、植被和建筑的点云数据，确定为地物的点云数据。

在对第二类点云数据通过数据类别分类模型进行分类时，由于有些不同种类的点云数据的坐标数据较为详尽，数据类别分类模型很可能区分不清。对于这些点云数据，采用人工交互的方式进行编辑进而对这些点云数据进行分类，进一步保证了分类的准确性。

S102，确定电力线的点云数据不完整时，基于电力线的点云数据以及预选的多点拟合算法，对电力线进行矢量化得到电力线矢量化后的点云数据。

电力线的点云数据不完整，即电力线上的有些点的坐标没有采集到，而这些没有采集到的点，如果距离某个地物的距离小于安全距离时，就可能会对该地物放电，造成严重后果，所以需要将这些没有采集到的点通过矢量化得到，本申请实施例采用多点拟合算法和采集到的电力线的点云数据对电力线进行矢量化。

具体地，上述步骤S102中，确定电力线的点云数据不完整时，基于电力线的点云数据以及预选的多点拟合算法，对电力线进行矢量化得到电力线矢量化后的点云数据，如图3所示，具体包括以下步骤S1021～S1023：

S1021，获取电力线的点云数据在电力线上的单位面积数量。

这里，点云数据在电力线上的单位面积，可以通获取设定长度的电力线上的点云数据的数量，然后将设定长度的电力线的点云数据的数量转换为电力线单位面积上的点云数据数量。

S1022，确定单位面积数量小于设定阈值时，将电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到电力线的曲线方程。

具体地，步骤S1022中，将电力线的点云数据中设定数量的电力线数据的对应坐标代入预选的多点拟合方程进行矢量化，得到电力线的曲线方程，具体包括：

(1)在电力线的点云数据中，选择沿电力线方向间隔设定长度的多个电力线数据。

(2)将多个所述电力线数据分别代入预选的所述多点拟合方程y＝ax²+bx+c，确定所述多点拟合方程中的待求参数后，得到所述电力线的曲线方程，其中a、b、c为所述待求参数。

具体而言，多点拟合方程采用的坐标系为大地坐标系，比如WGS-84坐标系，以地心为原点，x和y均在赤道所在的平面上，z轴垂直于x及y轴，并且x、y以z满足右手螺旋关系。在其中一档的同一条电力线上选择三个以上的沿电力线均匀分布的点，例如在电力线上选择四个点，这四个点的坐标数据分别为：D₁(x₁,y₁)、D₂(x₂,y₂)、D₃(x₃,y₃)和D₄(x₄,y₄)，将这四个点的坐标数据分别带入方程y＝ax²+bx+c中，得到以下四个方程式：

y₁＝ax₁ ²+bx₁+c； (1)

y₂＝ax₂ ²+bx₂+c； (2)

y₃＝ax₃ ²+bx₃+c； (3)

y₄＝ax₄ ²+bx₄+c； (4)

对上述四个方程进行平差解算，解算出待求参数a、b、c，从而解算出多点拟合的方程。以上电力线矢量化的过程，可以多次进行，保证得到更加充足、更加准确的电力线点云数据。经过实验检测，本申请中所述的多点拟合的电力线矢量化的方法的拟合效果很好，矢量化计算简单，能应用于实际线路检测中。

S1023，根据电力线的曲线方程，确定电力线矢量化后的点云数据。

当得到电力线的曲线方程后，可以根据该曲线方程，按要求获取该曲线方程上的点云数据，即得到电力线矢量化后的点云数据，比如可以按照电力线上的单位面积数量满足设定阈值的要求下，基于该曲线方程获取每条电力线上的点云数据。

S103，根据地物的点云数据、电力线矢量化后的点云数据以及预设安全距离阈值，检测地物的点云数据中的危险点。

每一种地物与电力线之间的距离都有特定的规定，即不能小于规定的安全距离。当进行特定种类的地物是否为危险点检测时，首先按照地物的种类设定安全距离阈值，然后逐一计算此类别地物点云数据与全部电力线点云数据的距离，当存在小于安全距离的距离时，判定这个地物点云是危险点。

上述步骤S103中，根据地物的点云数据、电力线矢量化后的点云数据以及预设的安全距离阈值，检测地物的点云数据中的危险点，包括：

(1)针对地物的点云数据中的任一地物数据，获取电力线矢量化后的点云数据中的每个电力线数据与该任一地物数据之间的距离。

地物的点云数据中包括多个地物数据，这里是针对任一地物数据，判断该任一地物数据是否为危险点的方法。

其中电力线矢量化后的点云数据包括多个电力线数据，在检测任一地物数据是否为危险点时，均需要一一确定每个电力线数据与该任一地物数据之间的距离。

(2)判断距离中是否存在至少一个小于预设安全距离阈值，若存在，确定该任一地物数据为危险点。

根据上述步骤(1)中，可知在检测该任一地物数据是否为危险点时，得到多个电力线数据与该任一地物数据之间的距离，然后判断这些距离中是否存在至少一个小于预设安全距离阈值的距离存在，若存在，说明有电力线进行该任一地物数据所在的安全作业范围，即该地物数据为危险点。

这里的任一地物数据仅仅是针对某一个地物数据，若要检测完所有的危险点，应该对得到的地物的点云数据中的所有地物数据按照上述方法进行一一检测。

具体而言，当选择地物的点云数据中的一种类别的地物进行检测时，需要对这种类型的点云数据进行逐一检测，例如，检测建筑类点云数据中的危险点，此时，针对该建筑类的地物数据，比如该地物数据的坐标为(x₁,y₁,z₁)，根据建筑类的任一地物数据与电力线数据以及预设安全距离阈值r，对该建筑类领域的地物数据进行检测，比如将每个电力线数据(X_i,Y_i,Z_i)依次代入中，得到多个距离L_i(i＝1,2,...n)，其中，上述n为电力线矢量化后的点云数据的数量，判断得到的多个距离L_i中是否存在至少一个小于预设安全距离阈值r，如果存在，则(x₁,y₁,z₁)这个点为危险点。

本申请实施例还提供了一种输电线路危险点检测装置，如图4所示，包括：

点云数据分类模块401：用于对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据。

电力线矢量化模块402：用于确定电力线的点云数据不完整时，基于电力线的点云数据以及预选的多点拟合算法，对电力线进行矢量化得到电力线矢量化后的点云数据。

危险点检测模块403：用于根据地物的点云数据、电力线矢量化后的点云数据以及预设安全距离阈值，检测地物的点云数据中的危险点。

可选地，点云数据分类模块401，用于：

对激光雷达获取的所述点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据。

将第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，类别包括杆塔、电力线、植被和建筑。

将第二类点云数据中对应类别为电力线的点云数据确定为电力线的点云数据，以及将第一类点云数据和第二类点云数据中对应类别为植被和建筑的点云数据，确定为地物的点云数据。

可选地，点云数据分类模块401按照以下方式预先建立数据类别分类模型：

提取预先保存的激光雷达获取的点云数据以及点云数据中各个数据对应的类别，类别包括杆塔、电力线、植被和建筑。

以点云数据为输入端，以点云数据中各个数据对应的类别为输出端，代入机器学习算法进行训练，得到数据类别分类模型。

可选地，电力线矢量化模块402，用于：

获取电力线的点云数据在电力线上的单位面积数量。

确定单位面积数量小于设定阈值时，将电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到电力线的曲线方程。

根据电力线的曲线方程，确定电力线矢量化后的点云数据。

可选地，电力线矢量化模块402，用于：

在电力线的点云数据中，选择沿电力线方向间隔设定长度的多个电力线数据。

将多个电力线数据分别代入预选的多点拟合方程，确定多点拟合方程中的待求参数后，得到电力线的曲线方程；其中a、b、c为待求参数。

可选地，危险点检测模块403，用于：

针对地物的点云数据中的任一地物数据，获取电力线矢量化后的点云数据中的每个电力线数据与该任一地物数据之间的距离。

判断距离中是否存在至少一个小于所述预设安全距离阈值，若存在，确定该任一地物数据为危险点。

本申请实施例提供的输电线路危险点检测的方法及装置，采用基于矢量化对架空输电线路进行危险点检测，具体是对点云缺失或者点云密度不够的电力线进行矢量化，得到矢量化后的电力线后再进行危险点检测，与现有技术中的只能依据原始激光雷达采集到的电力线点云数据对危险点进行检测相比，能够避免由于点云缺失或点云密度不够造成的危险点漏检现象。

本申请实施例所提供的进行一种输电线路危险点检测方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

本申请实施例所提供的一种输电线路危险点检测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种输电线路危险点检测方法，其特征在于，包括：

对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据；

确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据；

根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设安全距离阈值，检测所述地物的点云数据中的危险点。

2.根据权利要求1所述的方法，其特征在于，所述对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据，包括：

对所述激光雷达获取的所述点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据；

将所述第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，所述类别包括杆塔、电力线、植被和建筑；

将所述第二类点云数据中对应类别为电力线的点云数据确定为所述电力线的点云数据，以及将所述第一类点云数据和所述第二类点云数据中对应类别为植被和建筑的点云数据，确定为所述地物的点云数据。

3.根据权利要求2所述的方法，其特征在于，按照以下方式预先建立所述数据类别分类模型：

提取预先保存的激光雷达获取的点云数据以及所述点云数据中各个数据对应的类别，所述类别包括杆塔、电力线、植被和建筑；

以所述点云数据为输入端，以所述点云数据中各个数据对应的类别为输出端，代入机器学习算法进行训练，得到所述数据类别分类模型。

4.根据权利要求1所述的方法，其特征在于，所述确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据，包括：

获取所述电力线的点云数据在所述电力线上的单位面积数量；

确定所述单位面积数量小于设定阈值时，将所述电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程；

根据所述电力线的曲线方程，确定所述电力线矢量化后的点云数据。

5.根据权利要求4所述的方法，其特征在于，所述将所述电力线的点云数据中设定数量的电力线数据的对应坐标代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程，包括：

在所述电力线的点云数据中，选择沿所述电力线方向间隔设定长度的多个所述电力线数据；

将多个所述电力线数据分别代入预选的所述多点拟合方程y＝ax²+bx+c，确定所述多点拟合方程中的待求参数后，得到所述电力线的曲线方程；其中a、b、c为所述待求参数。

6.根据权利要求1所述的方法，其特征在于，所述根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设的安全距离阈值，检测所述地物的点云数据中的危险点，包括：

针对所述地物的点云数据中的任一地物数据，获取所述电力线矢量化后的点云数据中的每个电力线数据与该任一地物数据之间的距离；

判断所述距离中是否存在至少一个小于所述预设安全距离阈值，若存在，确定该任一地物数据为危险点。

7.一种输电线路危险点检测装置，其特征在于，所述装置包括：

点云数据分类模块：用于对激光雷达获取的点云数据进行分类，得到电力线的点云数据和地物的点云数据；

电力线矢量化模块：用于确定所述电力线的点云数据不完整时，基于所述电力线的点云数据以及预选的多点拟合算法，对所述电力线进行矢量化得到所述电力线矢量化后的点云数据；

危险点检测模块：用于根据所述地物的点云数据、所述电力线矢量化后的点云数据以及预设安全距离阈值，检测所述地物的点云数据中的危险点。

8.根据权利要求7所述的装置，其特征在于，所述点云数据分类模块，用于：

对所述激光雷达获取的所述点云数据按照设定滤波算法进行分类，得到第一类点云数据和第二类点云数据；

将所述第二类点云数据输入预先建立的数据类别分类模型，确定第二类点云数据各自对应的类别，所述类别包括杆塔、电力线、植被和建筑；

将所述第二类点云数据中对应类别为电力线的点云数据确定为所述电力线的点云数据，以及将所述第一类点云数据和所述第二类点云数据中对应类别为植被和建筑的点云数据，确定为所述地物的点云数据。

9.根据权利要求8所述的装置，其特征在于，所述点云数据分类模块按照以下方式预先建立所述数据类别分类模型：

提取预先保存的激光雷达获取的点云数据以及所述点云数据中各个数据对应的类别，所述类别包括杆塔、电力线、植被和建筑；

以所述点云数据为输入端，以所述点云数据中各个数据对应的类别为输出端，代入机器学习算法进行训练，得到所述数据类别分类模型。

10.根据权利要求7所述的装置，其特征在于，所述电力线矢量化模块，用于：

获取所述电力线的点云数据在所述电力线上的单位面积数量；

确定所述单位面积数量小于设定阈值时，将所述电力线的点云数据中设定数量的电力线数据代入预选的多点拟合方程进行矢量化，得到所述电力线的曲线方程；

根据所述电力线的曲线方程，确定所述电力线矢量化后的点云数据。