CN113759968B - 一种基于无人机的电网巡线规划方法及系统 - Google Patents

Abstract

本申请实施例提供一种基于无人机的电网巡线规划方法及系统，通过基于采集的参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型，使得目标电网巡线分割模型具有电网巡线数据的分割能力，由此基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划，从而利用模型训练的方式学习电网巡线在图像中的深度特征信息，可以提高电网巡线规划的可靠性。

Description

一种基于无人机的电网巡线规划方法及系统

技术领域

本申请涉及无人机巡航技术领域，具体而言，涉及一种基于无人机的电网巡线规划方法及系统。

背景技术

在电网系统的建设过程中，很多输电线路分布在崇山峻岭之间，导致传统的人工巡线数据准确率不高。基于此，当前逐步在发展无人机巡检技术。无人机巡线可以近距离在空中对高压输电线路进行多角度观察，在目前的实际工作上，使用无人机对输电线路进行巡视时，均需要操作人员输入进行电网巡线规划操作，这极大关系到巡视效率与操作人员对飞行器的操作熟悉程度、环境复杂程度等，导致实际应用过程中，基于无人机的电网巡线规划的效率和准确性不高。

发明内容

为了至少克服现有技术中的上述不足，本申请的目的在于提供一种基于无人机的电网巡线规划方法及系统。

第一方面，本申请提供一种基于无人机的电网巡线规划方法，应用于基于无人机的电网巡线规划系统，所述方法包括：

获取目标无人机集群沿着参考电网巡线集进行图像采集获得的参考图像数据样本集，并基于训练标定指令对所述参考图像数据样本集中的每个参考图像数据样本进行训练标定，获得每个参考图像数据样本的标定电网巡线数据；

基于所述参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型；

基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划。

一种示例性的设计方式中，获取所述标定无人机针对电网巡线规划结果中的规划电网巡线进行巡航过程中产生的包含多个电网巡线检修事件的电网巡线检修事件数据以及包含多个协同电网巡线检修事件的协同电网巡线检修事件数据；其中，各电网巡线检修事件与各协同电网巡线检修事件具有协同的检修行为活动，每一电网巡线检修事件和协同电网巡线检修事件均基于多维度检修类别属性的检修行为活动构建而成，且每一电网巡线检修事件和协同电网巡线检修事件包括的多个检修行为活动配置了相应的检修成因事件；

根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇；

基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，以便于后续针对包含所述预设特征的检修行为活动的多个协同电网巡线检修事件进行挖掘。

一种示例性的设计方式中，根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇，包括：

针对所述各个电网巡线检修事件的检修成因上传数据，获取相应的检修成因事件；

针对各个检修成因事件，执行如下步骤：

确定一个检修成因事件中指示的检修行为活动特征包含所述预设特征的检修行为活动时，根据所述一个检修成因事件指示的所述预设特征的检修行为活动的检修日志数据，从相应的电网巡线检修事件中采集所述预设特征的检修行为活动对应的目标关键检修事件；

其中，所述基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，包括：

从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件；

针对所述多个协同电网巡线检修事件中的各个协同电网巡线检修事件，执行如下步骤：

针对一个协同电网巡线检修事件，从所述目标关键检修事件簇中筛选多个目标关键检修事件，以及将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件。

譬如，一种示例性的设计方式中，从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件，包括：

根据所述协同电网巡线检修事件数据中各个协同电网巡线检修事件的检修成因事件，确定所述协同电网巡线检修事件数据中处于检修持续态势的所述预设特征的检修行为活动的持续时间值以及其它预设特征的检修行为活动的持续时间值；

根据所述预设特征的检修行为活动的持续时间值以及所述其它预设特征的检修行为活动的持续时间值，确定所述协同电网巡线检修事件数据需优化的所述预设特征的检修行为活动的持续时间值；

根据需优化的所述预设特征的检修行为活动的持续时间值，从所述协同电网巡线检修事件数据确定所述多个协同电网巡线检修事件；其中，所述多个协同电网巡线检修事件中各个协同电网巡线检修事件对应的预设特征的检修行为活动的持续时间值之和，与需优化的所述预设特征的检修行为活动的持续时间值相同；

所述针对一个协同电网巡线检修事件，从所述目标关键检修事件簇中筛选多个目标关键检修事件，包括：

根据所述需优化的所述预设特征的检修行为活动的持续时间值，为所述一个协同电网巡线检修事件筛选相应持续时间值的目标关键检修事件；其中，所述多个协同电网巡线检修事件中各个协同电网巡线检修事件需优化的所述预设特征的检修行为活动的持续时间值之和与需优化的所述预设特征的检修行为活动的持续时间值相同；或者，为所述一个协同电网巡线检修事件筛选设定持续时间值的目标关键检修事件。

譬如，一种示例性的设计方式中，从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件，包括：

根据所述协同电网巡线检修事件数据中各个协同电网巡线检修事件的检修成因事件，分别确定所述各个协同电网巡线检修事件各自对应的所述预设特征的检修行为活动的持续时间值；

将所述预设特征的检修行为活动的持续时间值不大于设定持续时间值的协同电网巡线检修事件确定为所述多个协同电网巡线检修事件。

譬如，一种示例性的设计方式中，将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件，包括：

确定所述预设特征的检修行为活动在所述一个协同电网巡线检修事件中的检修行为思维导图；

对所述一个协同电网巡线检修事件对应的所述多个目标关键检修事件在所述检修行为思维导图中分别进行巡线检修意图关联处理，以得到包含所述预设特征的检修行为活动的一个协同电网巡线检修事件；

其中，针对一个目标关键检修事件，将所述一个目标关键检修事件在所述检修行为思维导图中进行巡线检修意图关联处理时，将所述一个目标关键检修事件中所述预设特征的检修行为活动的有效检修行为活动覆盖所述检修行为思维导图中对应检修类别的有效检修行为活动。

譬如，一种示例性的设计方式中，在将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件之后，所述方法还包括：

根据所述一个协同电网巡线检修事件对应的多个目标关键检修事件中各个目标关键检修事件各自对应的检修行为活动特征向量，以及所述各个目标关键检修事件各自在所述一个协同电网巡线检修事件的检修日志数据，更新所述一个协同电网巡线检修事件的检修成因上传数据。

第二方面，本申请实施例还提供一种基于无人机的电网巡线规划系统，所述基于无人机的电网巡线规划系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述的基于无人机的电网巡线规划方法。

基于上述任意一个方面，本申请实施例通过基于采集的参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型，使得目标电网巡线分割模型具有电网巡线数据的分割能力，由此基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划，从而利用模型训练的方式学习电网巡线在图像中的深度特征信息，可以提高电网巡线规划的可靠性。

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启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它相关的附图。

图1为本申请实施例提供的基于无人机的电网巡线规划方法的流程示意图；

图2为本申请实施例提供的用于实现上述的基于无人机的电网巡线规划方法的基于无人机的电网巡线规划系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和利用本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围的情况下，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

本申请中所使用的术语仅用于描述特定的示例性实施例，并不限制本申请的范围。如本申请使用的单数形式“一”、“一个”及“该”可以同样包括复数形式，除非上下文明确提示例外情形。还应当理解，如在本申请说明书中，术语“包括”、“包含”仅提示存在所述特征、整体、步骤、操作、组件和/或部件，但并不排除存在或添加一个或以上其它特征、整体、步骤、操作、组件、部件和/或其组合的情况。

根据以下对附图的描述，本申请的这些和其它的特征、特点以及相关结构元件的功能和操作方法，以及部件组合和制造经济性，可以变得更加显而易见，这些附图都构成本申请说明书的一部分。然而，应当理解的是，附图仅仅是为了说明和描述的目的，并不旨在限制本申请的范围。应当理解的是，附图并不是按比例绘制的。

本申请中使用了流程图用来说明根据本申请的一些实施例的系统所执行的操作。应当理解的是，流程图中的操作可以不按顺序执行。相反，可以按照倒序或同时处理各种步骤。此外，可以向流程图添加一个或以上其它操作。也可以从流程图中删除一个或以上操作。

下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。

图1是本申请一种实施例提供的基于无人机的电网巡线规划方法的流程示意图，下面对该基于无人机的电网巡线规划方法进行详细介绍。

步骤S110，获取目标无人机集群沿着参考电网巡线集进行图像采集获得的参考图像数据样本集，并基于训练标定指令对所述参考图像数据样本集中的每个参考图像数据样本进行训练标定，获得每个参考图像数据样本的标定电网巡线数据。

步骤S120，基于所述参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型。

步骤S130，基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划。

基于以上步骤，本实施例通过基于采集的参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型，使得目标电网巡线分割模型具有电网巡线数据的分割能力，由此基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划，从而利用模型训练的方式学习电网巡线在图像中的深度特征信息，可以提高电网巡线规划的可靠性。

例如，针对步骤S120，具体可以将所述参考图像数据样本集中每个参考图像数据样本输入到所述初始电网巡线分割模型中提取对应的预测电网巡线数据，计算所述预测电网巡线数据和对应的标定电网巡线数据之间的损失代价值，基于所述损失代价值调整所述初始电网巡线分割模型的模型权重参数后，返回执行将所述参考图像数据样本集中每个参考图像数据样本输入到所述初始电网巡线分割模型中提取对应的预测电网巡线数据的步骤，直到所述损失代价值收敛时，输出完成训练的目标电网巡线分割模型。

在以上实施例的基础上，还可以包括以下步骤。

步骤S140，获取所述标定无人机针对电网巡线规划结果中的规划电网巡线进行巡航过程中采集的热成像视频流，并从所述热成像视频流中获取异常热力单元数据后，基于所述规划电网巡线的异常热力单元数据构建所述规划电网巡线的巡线异常基础数据。

步骤S150，将所述巡线异常基础数据分别输入至各种巡线异常发热标签特征对应的异常发热标签分类网络中，计算所述规划电网巡线具备每种巡线异常发热标签特征的可信度。

步骤S160，基于所述可信度以及所述巡线异常发热标签特征对应故障分布的故障代价值，计算出每个故障分布的所述异常发热标签的支持度量值。

步骤S170，基于所述支持度量值，从所述巡线异常发热标签特征中确定目标异常发热标签特征。

步骤S180，将所述目标异常发热标签特征推送到云端服务平台，通过所述云端服务平台将所述目标异常发热标签特征推送到所述规划电网巡线的预警服务终端。

一种示例性的设计方式中，所述异常热力单元数据包括已存在异常的异常节点属性信息和异常节点活动，步骤S140可以通过以下示例性的步骤实现。

步骤S141，获取所述规划电网巡线的已存在异常的异常节点属性信息和异常节点活动；

步骤S142，基于所述异常节点属性信息和所述异常节点活动分别确定对应的第一巡线异常数据和第二巡线异常数据；

步骤S143，基于所述第一巡线异常数据和第二巡线异常数据，生成所述规划电网巡线的巡线异常基础数据。

一种示例性的设计方式中，步骤S142例如可以通过是：获取所述规划电网巡线已存在异常报告对象对应的异常报告数据；基于所述异常节点属性信息和所述异常报告数据，确定所述第一巡线异常数据；基于所述异常节点活动和所述异常报告数据，确定所述第二巡线异常数据。

一种示例性的设计方式中，步骤S160可以通过以下示例性的步骤实现。

步骤S161，基于所述可信度和所述规划电网巡线的巡线节点数量以及所述巡线异常发热标签特征的均值发热参数值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的关联度量值；

步骤S162，基于所述可信度和的巡线节点数量以及所述巡线异常发热标签特征对应故障分布的故障代价值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的目标故障代价值；

步骤S163，基于所述关联度量值与所述目标故障代价值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的支持度量值。

一种示例性的设计方式中，在将所述巡线异常基础数据分别输入至各种巡线异常发热标签特征对应的异常发热标签分类网络中，计算所述规划电网巡线具备每种巡线异常发热标签特征的可信度之前，还包括：基于各所述巡线异常发热标签特征携带的标签覆盖码，确定各所述巡线异常发热标签特征分别匹配的故障追踪策略；将各所述巡线异常基础数据，输入与各故障追踪策略属于目标故障追踪策略的巡线异常发热标签特征分别对应的各异常发热标签分类网络中。

一种示例性的设计方式中，在以上实施例的基础上，还可以包括以下步骤。

步骤S210，获取所述标定无人机针对电网巡线规划结果中的规划电网巡线进行巡航过程中产生的包含多个电网巡线检修事件的电网巡线检修事件数据以及包含多个协同电网巡线检修事件的协同电网巡线检修事件数据；其中，各电网巡线检修事件与各协同电网巡线检修事件具有协同的检修行为活动，每一电网巡线检修事件和协同电网巡线检修事件均基于多维度检修类别属性的检修行为活动构建而成，且每一电网巡线检修事件和协同电网巡线检修事件包括的多个检修行为活动配置了相应的检修成因事件；

步骤S220，根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇；

步骤S230，基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，以便于后续针对包含所述预设特征的检修行为活动的多个协同电网巡线检修事件进行挖掘。

一种示例性的设计方式中，根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇，包括：针对所述各个电网巡线检修事件的检修成因上传数据，获取相应的检修成因事件；

针对各个检修成因事件，执行如下步骤：确定一个检修成因事件中指示的检修行为活动特征包含所述预设特征的检修行为活动时，根据所述一个检修成因事件指示的所述预设特征的检修行为活动的检修日志数据，从相应的电网巡线检修事件中采集所述预设特征的检修行为活动对应的目标关键检修事件；

其中，所述基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，包括：从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件；针对所述多个协同电网巡线检修事件中的各个协同电网巡线检修事件，执行如下步骤：针对一个协同电网巡线检修事件，从所述目标关键检修事件簇中筛选多个目标关键检修事件，以及将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件。

基于以上步骤，本实施例通过从与协同电网巡线检修事件数据具有相同或者类似检修行为活动的电网巡线检修事件数据中提取包含预设特征的检修行为活动的目标关键检修事件，确定该预设特征的检修行为活动对应的目标关键检修事件集，并通过将目标关键检修事件集对协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行巡线检修意图关联处理，从而能够得到调整了预设特征的检修行为活动的协同电网巡线检修事件。这样一来，针对协同电网巡线检修事件数据中部分丢失的检修行为活动或者存在偏差检修行为活动，则可以通过上述的过程在协同电网巡线检修事件中有针对性的进行调整，从而对协同电网巡线检修事件数据进行优化，使得协同电网巡线检修事件数据中各检修行为活动之间的状态能够与实际的意图匹配。

譬如，一种示例性的设计方式中，从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件，包括：

根据所述协同电网巡线检修事件数据中各个协同电网巡线检修事件的检修成因事件，确定所述协同电网巡线检修事件数据中处于检修持续态势的所述预设特征的检修行为活动的持续时间值以及其它预设特征的检修行为活动的持续时间值；

根据所述预设特征的检修行为活动的持续时间值以及所述其它预设特征的检修行为活动的持续时间值，确定所述协同电网巡线检修事件数据需优化的所述预设特征的检修行为活动的持续时间值；

根据需优化的所述预设特征的检修行为活动的持续时间值，从所述协同电网巡线检修事件数据确定所述多个协同电网巡线检修事件；其中，所述多个协同电网巡线检修事件中各个协同电网巡线检修事件对应的预设特征的检修行为活动的持续时间值之和，与需优化的所述预设特征的检修行为活动的持续时间值相同；

所述针对一个协同电网巡线检修事件，从所述目标关键检修事件簇中筛选多个目标关键检修事件，包括：

根据所述需优化的所述预设特征的检修行为活动的持续时间值，为所述一个协同电网巡线检修事件筛选相应持续时间值的目标关键检修事件；其中，所述多个协同电网巡线检修事件中各个协同电网巡线检修事件需优化的所述预设特征的检修行为活动的持续时间值之和与需优化的所述预设特征的检修行为活动的持续时间值相同；或者，为所述一个协同电网巡线检修事件筛选设定持续时间值的目标关键检修事件。

譬如，一种示例性的设计方式中，从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件，包括：

根据所述协同电网巡线检修事件数据中各个协同电网巡线检修事件的检修成因事件，分别确定所述各个协同电网巡线检修事件各自对应的所述预设特征的检修行为活动的持续时间值；

将所述预设特征的检修行为活动的持续时间值不大于设定持续时间值的协同电网巡线检修事件确定为所述多个协同电网巡线检修事件。

譬如，一种示例性的设计方式中，将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件，包括：

确定所述预设特征的检修行为活动在所述一个协同电网巡线检修事件中的检修行为思维导图；

对所述一个协同电网巡线检修事件对应的所述多个目标关键检修事件在所述检修行为思维导图中分别进行巡线检修意图关联处理，以得到包含所述预设特征的检修行为活动的一个协同电网巡线检修事件；

其中，针对一个目标关键检修事件，将所述一个目标关键检修事件在所述检修行为思维导图中进行巡线检修意图关联处理时，将所述一个目标关键检修事件中所述预设特征的检修行为活动的有效检修行为活动覆盖所述检修行为思维导图中对应检修类别的有效检修行为活动。

譬如，一种示例性的设计方式中，在将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件之后，所述方法还包括：

根据所述一个协同电网巡线检修事件对应的多个目标关键检修事件中各个目标关键检修事件各自对应的检修行为活动特征向量，以及所述各个目标关键检修事件各自在所述一个协同电网巡线检修事件的检修日志数据，更新所述一个协同电网巡线检修事件的检修成因上传数据。

图2示出了本申请实施例提供的用于实现上述的基于无人机的电网巡线规划方法的基于无人机的电网巡线规划系统100的硬件结构意图，如图2所示，基于无人机的电网巡线规划系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

在一些实施例中，基于无人机的电网巡线规划系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，基于无人机的电网巡线规划系统100可以是分布式的系统)。在一些实施例中，基于无人机的电网巡线规划系统100可以是本地的，也可以是远程的。例如，基于无人机的电网巡线规划系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，基于无人机的电网巡线规划系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。在一些实施例中，基于无人机的电网巡线规划系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。在一些实施例中，机器可读存储介质120可以存储从外部终端获取的数据。在一些实施例中，机器可读存储介质120可以储存基于无人机的电网巡线规划系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。在一些实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取内存(RAM)。示例性RAM可包括主动随机存取存储器(DRAM)、双倍数据速率同步主动随机存取存储器(DDR SDRAM)、被动随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性只读存储器可以包括掩模型只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(PEROM)、电可擦除可编程只读存储器(EEPROM)、光盘只读存储器(CD-ROM)和数字多功能磁盘只读存储器等。在一些实施例中，机器可读存储介质120可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云，多层云等，或其任意组合。

在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的基于无人机的电网巡线规划方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述基于无人机的电网巡线规划系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上基于无人机的电网巡线规划方法。

应当理解的是，以上描述仅出于说明的目的，并不旨在限制本申请的范围。对于本领域的普通技术人员来说，可以根据本申请的描述，做出多种修改和变化。然而，这些修改和变化不会背离本申请的范围。

上文已对基本概念做了描述，显然，对于阅读此申请后的本领域的普通技术人员来说，上述发明公开仅作为示例，并不构成对本申请的限制。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。例如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请多个实施例相关的某一特征、结构或特性。因此，应当强调并注意的是，本说明书中在不同位置两次或以上提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定系指同一实施例。此外，本申请的一个或以上实施例中的某些特征、结构或特性可以进行适当的组合。

此外，本领域的普通技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的过程、机器、产品或物质的组合，或对其任何新的和有用的改良。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括韧体、常驻软件、微代码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“单元”、“模块”或“系统”。此外，本申请公开的各方面可以采取体现在一个或以上计算机可读介质中的计算机程序产品的形式，其中计算机可读程序代码包含在其中。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。此类传播信号可以有多种形式，包括电磁形式、光形式等或任何合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质等或其任意组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或以上程序语言编写，包括面向主体编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，主动编程语言如Python、Ruby和Groovy，或其它编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其它名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (8)

1.一种基于无人机的电网巡线规划方法，其特征在于，应用于基于无人机的电网巡线规划系统，所述方法包括：

获取目标无人机集群沿着参考电网巡线集进行图像采集获得的参考图像数据样本集，并基于训练标定指令对所述参考图像数据样本集中的每个参考图像数据样本进行训练标定，获得每个参考图像数据样本的标定电网巡线数据；

基于所述参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型；

基于所述目标电网巡线分割模型对当前执行任务的标定无人机上报的目标图像数据进行识别，实时分割出所述目标图像数据所对应的电网巡线数据，并基于所述电网巡线数据对所述标定无人机进行电网巡线规划；

所述方法还包括：

获取所述标定无人机针对电网巡线规划结果中的规划电网巡线进行巡航过程中产生的包含多个电网巡线检修事件的电网巡线检修事件数据以及包含多个协同电网巡线检修事件的协同电网巡线检修事件数据；其中，各电网巡线检修事件与各协同电网巡线检修事件具有协同的检修行为活动，每一电网巡线检修事件和协同电网巡线检修事件均基于多维度检修类别属性的检修行为活动构建而成，且每一电网巡线检修事件和协同电网巡线检修事件包括的多个检修行为活动配置了相应的检修成因事件；

根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇；

基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，以便于后续针对包含所述预设特征的检修行为活动的多个协同电网巡线检修事件进行挖掘；

根据所述电网巡线检修事件数据中各个电网巡线检修事件各自对应的检修成因事件，分别从各个电网巡线检修事件中获取包含预设特征的检修行为活动的目标关键检修事件，获得目标关键检修事件簇，包括：

针对所述各个电网巡线检修事件的检修成因上传数据，获取相应的检修成因事件；

针对各个检修成因事件，执行如下步骤：

确定一个检修成因事件中指示的检修行为活动特征包含所述预设特征的检修行为活动时，根据所述一个检修成因事件指示的所述预设特征的检修行为活动的检修日志数据，从相应的电网巡线检修事件中采集所述预设特征的检修行为活动对应的目标关键检修事件；

其中，所述基于目标关键检修事件簇，对所述协同电网巡线检修事件数据中的多个协同电网巡线检修事件进行针对所述预设特征的检修行为活动的巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的多个协同电网巡线检修事件，包括：

从所述协同电网巡线检修事件数据中确定所述多个协同电网巡线检修事件；

针对所述多个协同电网巡线检修事件中的各个协同电网巡线检修事件，执行如下步骤：

针对一个协同电网巡线检修事件，从所述目标关键检修事件簇中筛选多个目标关键检修事件，以及将所述一个协同电网巡线检修事件与所述多个目标关键检修事件进行巡线检修意图关联处理，获得包含所述预设特征的检修行为活动的一个协同电网巡线检修事件。

2.根据权利要求1所述的基于无人机的电网巡线规划方法，其特征在于，所述基于所述参考图像数据样本集以及所述每个参考图像数据样本的标定电网巡线数据对初始电网巡线分割模型进行模型训练，获得完成训练的目标电网巡线分割模型的步骤，包括：

将所述参考图像数据样本集中每个参考图像数据样本输入到所述初始电网巡线分割模型中提取对应的预测电网巡线数据；

计算所述预测电网巡线数据和对应的标定电网巡线数据之间的损失代价值；

基于所述损失代价值调整所述初始电网巡线分割模型的模型权重参数后，返回执行将所述参考图像数据样本集中每个参考图像数据样本输入到所述初始电网巡线分割模型中提取对应的预测电网巡线数据的步骤，直到所述损失代价值收敛时，输出完成训练的目标电网巡线分割模型。

3.根据权利要求1所述的基于无人机的电网巡线规划方法，其特征在于，所述基于所述电网巡线数据对所述标定无人机进行电网巡线规划的步骤之后，所述方法还包括：

获取所述标定无人机针对电网巡线规划结果中的规划电网巡线进行巡航过程中采集的热成像视频流，并从所述热成像视频流中获取异常热力单元数据后，基于所述规划电网巡线的异常热力单元数据构建所述规划电网巡线的巡线异常基础数据；

将所述巡线异常基础数据分别输入至各种巡线异常发热标签特征对应的异常发热标签分类网络中，计算所述规划电网巡线具备每种巡线异常发热标签特征的可信度；

基于所述可信度以及所述巡线异常发热标签特征对应故障分布的故障代价值，计算出每个故障分布的所述异常发热标签的支持度量值；

基于所述支持度量值，从所述巡线异常发热标签特征中确定目标异常发热标签特征；

将所述目标异常发热标签特征推送到云端服务平台，通过所述云端服务平台将所述目标异常发热标签特征推送到所述规划电网巡线的预警服务终端。

4.根据权利要求3所述的基于无人机的电网巡线规划方法，其特征在于，所述异常热力单元数据包括已存在异常的异常节点属性信息和异常节点活动，所述基于所述规划电网巡线的异常热力单元数据构建所述规划电网巡线的巡线异常基础数据的步骤，包括：

获取所述规划电网巡线的已存在异常的异常节点属性信息和异常节点活动；

基于所述异常节点属性信息和所述异常节点活动分别确定对应的第一巡线异常数据和第二巡线异常数据；

基于所述第一巡线异常数据和第二巡线异常数据，生成所述规划电网巡线的巡线异常基础数据。

5.根据权利要求4所述的基于无人机的电网巡线规划方法，其特征在于，所述基于所述异常节点属性信息和所述异常节点活动分别确定对应的第一巡线异常数据和第二巡线异常数据包括：

获取所述规划电网巡线已存在异常报告对象对应的异常报告数据；

基于所述异常节点属性信息和所述异常报告数据，确定所述第一巡线异常数据；

基于所述异常节点活动和所述异常报告数据，确定所述第二巡线异常数据。

6.根据权利要求3所述的基于无人机的电网巡线规划方法，其特征在于，所述基于所述可信度以及所述巡线异常发热标签特征对应故障分布的故障代价值，计算出每个故障分布的所述异常发热标签的支持度量值包括：

基于所述可信度和所述规划电网巡线的巡线节点数量以及所述巡线异常发热标签特征的均值发热参数值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的关联度量值；

基于所述可信度和巡线节点数量以及所述巡线异常发热标签特征对应故障分布的故障代价值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的目标故障代价值；

基于所述关联度量值与所述目标故障代价值，确定将所述巡线异常发热标签特征关联到所述规划电网巡线的支持度量值。

7.根据权利要求3所述的基于无人机的电网巡线规划方法，其特征在于，在将所述巡线异常基础数据分别输入至各种巡线异常发热标签特征对应的异常发热标签分类网络中，计算所述规划电网巡线具备每种巡线异常发热标签特征的可信度之前，还包括：

基于各所述巡线异常发热标签特征携带的标签覆盖码，确定各所述巡线异常发热标签特征分别匹配的故障追踪策略；

将各所述巡线异常基础数据，输入与各故障追踪策略属于目标故障追踪策略的巡线异常发热标签特征分别对应的各异常发热标签分类网络中。

8.一种基于无人机的电网巡线规划系统，其特征在于，所述基于无人机的电网巡线规划系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-7中任意一项的基于无人机的电网巡线规划方法。

Images