CN110673158B - 基于激光扫描点云的电力生产场景三维空间异常检测方法 - Google Patents

基于激光扫描点云的电力生产场景三维空间异常检测方法 Download PDF

Info

Publication number
CN110673158B
CN110673158B CN201910803797.1A CN201910803797A CN110673158B CN 110673158 B CN110673158 B CN 110673158B CN 201910803797 A CN201910803797 A CN 201910803797A CN 110673158 B CN110673158 B CN 110673158B
Authority
CN
China
Prior art keywords
voxel
hyper
abnormal
scene
normal
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910803797.1A
Other languages
English (en)
Other versions
CN110673158A (zh
Inventor
吴凡
陈熹
郑超婧
柯天兵
林巍
杨力帆
卓建宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Fujian Electric Power Co Ltd
Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Fujian Electric Power Co Ltd, Fuzhou Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN201910803797.1A priority Critical patent/CN110673158B/zh
Publication of CN110673158A publication Critical patent/CN110673158A/zh
Application granted granted Critical
Publication of CN110673158B publication Critical patent/CN110673158B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Image Generation (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于激光扫描点云的电力生产场景三维空间异常检测方法，包括以下步骤：S1、分别从同一个电力生产现场正常工作和待判断正常与否的两种场景的点云中过滤出地面点；S2、对过滤出地面点的两种场景的点云分别进行超体素分割，生成正常工作和待判断正常与否的两个超体素集；S3、分别计算两个超体素集中每一个超体素的特征；S4、对于待判断正常与否的超体素集中的每一个超体素，从正常工作的超体素集中查找与其最近的超体素；S5、对比两个超体素的不同，生成异常空间；汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集。该方法有利于快速、准确地检测出电力生产现场的异常。

Description

基于激光扫描点云的电力生产场景三维空间异常检测方法
技术领域
本发明涉及泛在电力物联网技术领域，具体涉及一种基于激光扫描点云的电力生产场景三维空间异常检测方法。
背景技术
在电力生产中，电力设备及其附属构件（包括基础、构架等建筑物）的正常可靠运行是电网安全稳定的基本保证。由于外部环境变化或者内部异常故障，电力设备发生或大或小异常形变或者偏移：充油、充气设备因内部压力异常导致设备膨胀变形；基础沉降、自然灾害导致电力设备位置偏移、倾斜；长期或者频繁操作导致设备部件弯曲形变等。此外，因外来异物（如漂浮物、鸟窝、杂草）引起设备故障跳闸的现象也屡见不鲜。当前对于电力生产异常场景，仅通过电力人员的日常巡查往往很难及时发现，还缺乏自动检测技术方式。
激光点云技术的原理是激光照射到物体表面某点时，反射激光生成的点包含三维地理坐标和反射强度信息，海量的点形成激光点云。激光点云具有数据生产周期短，主动性强（受天气和光照影响小），实时性高，精度高等特点。
当前激光点云在电力生产场景异常上面做的工作较少。目前主要是根据分析拍摄的图片来判断是否产生异常。然而图片由于缺乏三维信息，并且往往受到光照的影响。因此基于图片的异常告警往往在黑夜难以做到实时监控。
发明内容
本发明的目的在于提供一种基于激光扫描点云的电力生产场景三维空间异常检测方法，该方法有利于快速、准确地检测出电力生产现场的异常。
为实现上述目的，本发明的技术方案是：一种基于激光扫描点云的电力生产场景三维空间异常检测方法，包括以下步骤：
S1、分别从同一个电力生产现场正常工作和待判断正常与否的两种场景的点云中过滤出地面点；
S2、对过滤出地面点的两种场景的点云分别进行超体素分割，生成正常工作和待判断正常与否的两个超体素集；
S3、分别计算两个超体素集中每一个超体素的特征；
S4、对于待判断正常与否的超体素集中的每一个超体素，从正常工作的超体素集中查找与其最近的超体素；
S5、对比两个超体素的不同，生成异常空间；汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集。
进一步地，步骤S1中，采用随机抽样一致性算法对两种场景的点云数据进行地面点的过滤。
进一步地，步骤S3具体包括以下步骤：
S31、计算两个超体素集中每一个超体素的点数目、凸包、重心、面积、超体素上所有点的反射强度总和，生成自身特征向量；
S32、计算两个超体素集中每一个超体素相邻的超体素集，生成场景上下文特征向量；
S33、拼接自身特征向量和场景上下文特征向量，形成每一个超体素的特征向量。
进一步地，步骤S4中，对于正常工作的超体素集的重心建立KD树，根据建立好的KD树，对于待判断正常与否的超体素集中的每一个超体素，查找正常工作的超体素集中与其最近的超体素。
进一步地，步骤S5具体包括以下步骤：
S51、计算两个超体素凸包的空间重叠度，如果空间重叠度低于设定值，则判断发生不明物入侵，生成异常空间，转步骤S53，否则转步骤S52；
S52、计算两个超体素的特征向量差，如果特征向量差高于阈值，则判断产生异常现场，生成异常空间；
S53、对步骤S4中查找得到的每一对超体素按步骤S51、52进行操作，汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集。
相较于现有技术，本发明的有益效果是：将激光点云技术应用于电力生产场景的异常检测，提高了电力生产场景异常检测的自动化程度，有利于快速、准确地检测出电力生产现场的异常，实时性强，受天气和光照的影响小，可以实现全天24小时的异常检测，对于将来电网的无人运维有着很强的推动力，加快了泛在电力物联网的建设，从而本发明有着重要的实际应用价值。
附图说明
图1是本发明实施例的实现流程图。
图2是本发明实施例的实施效果图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步的详细说明。
本发明提供一种基于激光扫描点云的电力生产场景三维空间异常检测方法，首先将激光雷达安装在智能巡检机器人上，按照一定行程轨迹，扫描获得电力生产现场正常工作的场景的点云，然后按照相同的行程轨迹，循环扫描同一个电力生产现场，从而持续得到待判断正常与否的场景的点云。然后如图1所示，按以下步骤对电力生产现场进行异常检测：
S1、分别从同一个电力生产现场正常工作和待判断正常与否的两种场景的点云中过滤出地面点。
在本实施例中，采用随机抽样一致性算法RANSAC对两种场景的点云数据进行地面点的过滤。具体为：第一次平面拟合得到的内群点集的平均高度作为地面点的平均高度。接下来在每次平面拟合迭代中，计算拟合得到的内群点集中未分类点到该次拟合平面的距离，若距离小于事先设定的阈值，则该未分类点归类于地面点。每次平面拟合迭代的输入点集都是未分类的点。平面拟合迭代一直到内群点集中存在一个点大于地面点的平均高度加1或者内群点集中点的数目保持不变。
S2、对过滤出地面点的两种场景的点云分别进行超体素分割，生成正常工作和待判断正常与否的两个超体素集。在本实施例中，采用Papon发表的论文《Voxel cloudconnectivity segmentation-supervoxels for point clouds》公开的超体素分割算法，对两个场景的点云数据进行超体素分割，得到两个超体素集，分割效果如图2(b)所示。
S3、分别计算两个超体素集中每一个超体素的特征。具体包括以下步骤：
S31、计算两个超体素集中每一个超体素的点数目、凸包、重心、面积、超体素上所有点的反射强度总和，生成自身特征向量；
S32、计算两个超体素集中每一个超体素相邻的超体素集，生成场景上下文特征向量；
S33、拼接自身特征向量和场景上下文特征向量，形成每一个超体素的特征向量。
S4、对于待判断正常与否的超体素集中的每一个超体素，从正常工作的超体素集中查找与其最近的超体素。具体方法为：对于正常工作的超体素集的重心建立KD树，根据建立好的KD树，对于待判断正常与否的超体素集中的每一个超体素，查找正常工作的超体素集中与其最近的超体素，实施效果如图2(c)所示。
S5、对比两个超体素的不同，生成异常空间；汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集。具体包括以下步骤：
S51、计算两个超体素凸包的空间重叠度，如果空间重叠度低于设定比例，则判断待判断的超体素空间位置发生不明物入侵，生成异常空间，实施效果如图2(d)所示，然后转步骤S53，否则转步骤S52。
S52、计算两个超体素的特征向量差，如果特征向量差高于阈值，则判断产生异常现场，生成异常空间。
具体地，如果空间重叠度超过设定比例，设两个超体素的特征向量分别为d o 和d c ，并且设定影响程度向量w，计算差异值α (α=|d c -d o | T *w)。若差异值高于设定的阈值，则待判断的超体素空间位置产生异常现场，生成异常空间，实施效果如图2(e)所示。
S53、对步骤S4中查找得到的每一对超体素按步骤S51、52进行操作，汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集，实施效果如图2(f)所示。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种基于激光扫描点云的电力生产场景三维空间异常检测方法，其特征在于，包括以下步骤：
S1、分别从同一个电力生产现场正常工作和待判断正常与否的两种场景的点云中过滤出地面点；
S2、对过滤出地面点的两种场景的点云分别进行超体素分割，生成正常工作和待判断正常与否的两个超体素集；
S3、分别计算两个超体素集中每一个超体素的特征；
S4、对于待判断正常与否的超体素集中的每一个超体素，从正常工作的超体素集中查找与其最近的超体素；
S5、对比两个超体素的不同，生成异常空间；汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集；
步骤S5具体包括以下步骤：
S51、计算两个超体素凸包的空间重叠度，如果空间重叠度低于设定值，则判断发生不明物入侵，生成异常空间，转步骤S53，否则转步骤S52；
S52、计算两个超体素的特征向量差，如果特征向量差高于阈值，则判断产生异常现场，生成异常空间；
S53、对步骤S4中查找得到的每一对超体素按步骤S51、52进行操作，汇集生成的所有异常空间，得到反映待判断正常与否的场景所有异常的异常空间集。
2.根据权利要求1所述的基于激光扫描点云的电力生产场景三维空间异常检测方法，其特征在于，步骤S1中，采用随机抽样一致性算法对两种场景的点云数据进行地面点的过滤。
3.根据权利要求2所述的基于激光扫描点云的电力生产场景三维空间异常检测方法，其特征在于，步骤S3具体包括以下步骤：
S31、计算两个超体素集中每一个超体素的点数目、凸包、重心、面积、超体素上所有点的反射强度总和，生成自身特征向量；
S32、计算两个超体素集中每一个超体素相邻的超体素集，生成场景上下文特征向量；
S33、拼接自身特征向量和场景上下文特征向量，形成每一个超体素的特征向量。
4.根据权利要求3所述的基于激光扫描点云的电力生产场景三维空间异常检测方法，其特征在于，步骤S4中，对于正常工作的超体素集的重心建立KD树，根据建立好的KD树，对于待判断正常与否的超体素集中的每一个超体素，查找正常工作的超体素集中与其最近的超体素。
CN201910803797.1A 2019-08-28 2019-08-28 基于激光扫描点云的电力生产场景三维空间异常检测方法 Active CN110673158B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910803797.1A CN110673158B (zh) 2019-08-28 2019-08-28 基于激光扫描点云的电力生产场景三维空间异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910803797.1A CN110673158B (zh) 2019-08-28 2019-08-28 基于激光扫描点云的电力生产场景三维空间异常检测方法

Publications (2)

Publication Number Publication Date
CN110673158A CN110673158A (zh) 2020-01-10
CN110673158B true CN110673158B (zh) 2022-10-04

Family

ID=69075685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910803797.1A Active CN110673158B (zh) 2019-08-28 2019-08-28 基于激光扫描点云的电力生产场景三维空间异常检测方法

Country Status (1)

Country Link
CN (1) CN110673158B (zh)

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006275984A (ja) * 2005-03-30 2006-10-12 Ryuichi Mihashi 高圧鉄塔の変位計測方法
CN105425698A (zh) * 2015-11-09 2016-03-23 国网重庆市电力公司电力科学研究院 一种三维数字变电站一体化管控方法及系统
CN106600622B (zh) * 2016-12-06 2019-11-08 西安电子科技大学 一种基于超体素的点云数据分割方法
CN107292276B (zh) * 2017-06-28 2020-01-07 武汉大学 一种车载点云聚类方法及系统
CN108268832A (zh) * 2017-12-20 2018-07-10 广州供电局有限公司 电力作业监测方法、装置、存储介质和计算机设备
CN108846374B (zh) * 2018-06-29 2021-11-23 国网智能科技股份有限公司 电力设备巡检方法及装置
CN109059791B (zh) * 2018-06-29 2021-01-26 国网智能科技股份有限公司 电力设备变形监测方法及装置
CN109085604A (zh) * 2018-08-22 2018-12-25 上海华测导航技术股份有限公司 一种用于电力巡线的系统及方法

Also Published As

Publication number Publication date
CN110673158A (zh) 2020-01-10

Similar Documents

Publication Publication Date Title
Sohn et al. Automatic powerline scene classification and reconstruction using airborne lidar data
Li et al. Towards automatic power line detection for a UAV surveillance system using pulse coupled neural filter and an improved Hough transform
CN111832398B (zh) 一种无人机影像的配电线路杆塔导地线断股图像检测方法
CN102831393A (zh) 电力杆塔轮廓的快速图像识别方法
CN115240093B (zh) 基于可见光和激光雷达点云融合的输电通道自动巡检方法
CN108537170A (zh) 一种电力设备固件无人机巡检销钉缺失检测方法
CN113554595A (zh) 无人机激光雷达点云杆塔塔头形变检测装置及方法
CN113837991A (zh) 图像处理方法、装置、设备及存储介质
CN112150412A (zh) 一种基于投影曲线分析的绝缘子自爆缺陷检测方法
CN113012107B (zh) 电网缺陷检测方法及系统
CN114663672A (zh) 一种输电线路塔钢构件腐蚀检测方法及系统
CN110673158B (zh) 基于激光扫描点云的电力生产场景三维空间异常检测方法
CN114241158A (zh) 基于风机点云数据的部件识别方法、装置、设备及介质
CN114552601A (zh) 双目视觉输电线震荡监测及三维重建方法
CN105043275A (zh) 基于图像处理的输电导线覆冰厚度测量方法
CN115311196A (zh) 一种多视觉融合的风力发电机叶片表面缺陷检测方法
Hwang et al. Soiling detection for photovoltaic modules based on an intelligent method with image processing
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
CN110688919A (zh) 一种智能巡线故障识别方法
CN115828400B (zh) 一种基于卫星云图的输变电工程验收的复验方法及系统
Di et al. Research on Real-Time Power Line Damage Detection Method Based on YOLO Algorithm
CN116027314B (zh) 一种基于雷达数据的风机叶片净空距离监测方法
Mao et al. Measurement of tree barriers on transmission line based on binocular vision and Steger algorithm
Qiu et al. Identification and Measurement of Bridge Cable Surface Damage Based on Point Cloud Segmentation
CN116860006A (zh) 一种电力线路巡检方法、装置、设备和介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant