CN114445395A - 基于互联网和大数据的配电线路树障智能定位方法和装置 - Google Patents

基于互联网和大数据的配电线路树障智能定位方法和装置 Download PDF

Info

Publication number
CN114445395A
CN114445395A CN202210130693.0A CN202210130693A CN114445395A CN 114445395 A CN114445395 A CN 114445395A CN 202210130693 A CN202210130693 A CN 202210130693A CN 114445395 A CN114445395 A CN 114445395A
Authority
CN
China
Prior art keywords
regression
target
tree
point cloud
cloud data
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.)
Granted
Application number
CN202210130693.0A
Other languages
English (en)
Other versions
CN114445395B (zh
Inventor
刘恋
张敬普
刘荣辉
李忠
刘佳
陈少峰
崔雪冰
郑征
常亮
张仪方
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.)
Beijing Qingdian Technology Co ltd
Original Assignee
Henan University of Urban Construction
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 Henan University of Urban Construction filed Critical Henan University of Urban Construction
Priority to CN202210130693.0A priority Critical patent/CN114445395B/zh
Publication of CN114445395A publication Critical patent/CN114445395A/zh
Application granted granted Critical
Publication of CN114445395B publication Critical patent/CN114445395B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Optics & Photonics (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种基于互联网和大数据的配电线路树障智能定位方法和装置。该方法通过训练好的分类模型对采集的三维点云数据进行筛选，确定树木对应的目标点云数据，将目标点云数据和配电线路数据输入训练好的特征提取模型，确定目标特征信息，将目标特征信息输入训练好的权重回归模型，确定目标回归值，若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置，通过分类模型、特征提取模型和权重回归模型的共同作用，可以有效地识别树木以及树木与配电线路之间的空间位置关系，并将信息量化为回归值与预设回归阈值比较，可以明确该目标点云数据对应的树木是否为树障，提高了配电线路树障的分析和定位的准确率。

Description

基于互联网和大数据的配电线路树障智能定位方法和装置
技术领域
本申请属于配电网保护技术领域，尤其涉及一种基于互联网和大数据的配电线路树障智能定位方法和装置。
背景技术
目前，针对配电线路检测中的树障定位通常采用通过传感器采集图像数据或点云数据后，根据模板对比等方式进行树障的检测和定位。由于配电线路所处的环境较为多变，导致采集的图像或点云的背景较为复杂，基于灰度分布的模板对比能够应用于背景较为单一的场景中，而在背景较为复杂的场景中模板对比方法的准确率较低，并且在树木高度尚且不够或树木的生长方向不会与配电线路重合等情况下，采用上述模板对比的方法依然会将该树木作为树障，这就会增加监管的工作量，导致运维成本浪费，另外，由于模板对比的方法匹配的局限性，识别的泛化能力较差，达不到监管要求，可能引发较为严重的事故。因此，如何提高配电线路树障的分析和定位的准确率成为亟待解决的问题。
发明内容
有鉴于此，本申请实施例提供了一种基于互联网和大数据的配电线路树障智能定位方法和装置，以解决现有方法对配电线路树障的分析和定位的准确率较低的问题。
第一方面，本申请实施例提供一种基于互联网和大数据的配电线路树障智能定位方法，所述配电线路树障智能定位方法包括：
获取目标区域内三维点云数据，并通过训练好的分类模型对所述三维点云数据进行筛选，确定筛选结果为树木的目标点云数据；
获取所述目标区域内的配电线路数据，并将所述目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息，所述目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，所述空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系；
将所述目标特征信息输入训练好的权重回归模型，确定目标回归值，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于所述阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整所述预设模型的参数，直至满足第一迭代条件；
若所述目标回归值不小于预设回归阈值，则确定所述目标点云数据对应的地理位置为树障位置。
第二方面，本申请实施例提供一种基于互联网和大数据的配电线路树障智能定位装置，所述配电线路树障智能定位装置包括：
分类模块，用于获取目标区域内三维点云数据，并通过训练好的分类模型对所述三维点云数据进行筛选，确定筛选结果为树木的目标点云数据；
特征提取模块，用于获取所述目标区域内的配电线路数据，并将所述目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息，所述目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，所述空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系；
回归分析模块，用于将所述目标特征信息输入训练好的权重回归模型，确定目标回归值，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于所述阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整所述预设模型的参数，直至满足第一迭代条件；
树障定位模块，用于若所述目标回归值不小于预设回归阈值，则确定所述目标点云数据对应的地理位置为树障位置。
第三方面，本申请实施例提供一种终端设备，所述终端设备包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的配电线路树障智能定位方法。
第四方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的配电线路树障智能定位方法。
第五方面，本申请实施例提供一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的配电线路树障智能定位方法。
本申请实施例与现有技术相比存在的有益效果是：本申请通过训练好的分类模型对采集的三维点云数据进行筛选，确定树木对应的目标点云数据，将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的树木类型信息、树木生长信息和空域关联程度信息等目标特征信息，将目标特征信息输入训练好的权重回归模型，确定目标回归值，若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置，通过分类模型、特征提取模型和权重回归模型的共同作用，可以有效地识别树木以及树木与配电线路之间的空间位置关系，并将信息量化为回归值与预设回归阈值比较，可以明确该目标点云数据对应的树木是否为树障，提高了配电线路树障的分析和定位的准确率，有效地降低了监管的工作量。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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他的附图。
图1是本申请实施例一提供的一种基于互联网和大数据的配电线路树障智能定位方法的流程示意图；
图2是本申请实施例二提供的一种基于互联网和大数据的配电线路树障智能定位方法的流程示意图；
图3是本申请实施例三提供的一种基于互联网和大数据的配电线路树障智能定位装置的结构示意图；
图4是本申请实施例四提供的一种终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，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。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例中的终端设备可以是掌上电脑、桌上型计算机、笔记本电脑、超级移动个人计算机（ultra-mobile personal computer，UMPC）、上网本、云端终端设备、个人数字助理（personal digital assistant，PDA）等，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、终端设备技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
应理解，以下实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请的技术方案，下面通过具体实施例来进行说明。
参见图1，是本申请实施例一提供的一种基于互联网和大数据的配电线路树障智能定位方法的流程示意图，上述配电线路树障智能定位方法应用于终端设备，该终端设备通过互联网连接相应的采集设备和数据库，以获取相应的实时数据和历史数据，实现大数据的收集工作。如图1所示，该配电线路树障智能定位方法可以包括以下步骤：
步骤S101，获取目标区域内三维点云数据，并通过训练好的分类模型对三维点云数据进行筛选，确定筛选结果为树木的目标点云数据。
本申请中，上述目标区域可以是指安装有一段配电线路的区域，通过激光雷达采集三维空间的数据，该激光雷达可以安装于无人机上，通过无人机在目标区域内进行不同高度的循环飞行，以能够采集到的整个目标区域内三维空间的图像，并将三维空间的图像通过点云的形式进行描述，得到三维点云数据。
由于三维空间的图像中包含有树木、配电线路、建筑等，因此，上述三维点云数据中包含有描述为树木的点云、描述为配电线路的点云以及描述为建筑的点云。
为了区分描述为树木的点云数据，通过训练好的分类模型对三维点云数据进行筛选，其中，训练好的分类模型可以是基于BP神经网络、BERT网络、PointNet等构建的分类网络模型，采用该分类模型可以对三维点云数据中每个点的语义类别进行识别，并分类，从而筛选出分类为树木的点。针对上述分类模型的训练以所采集到的多组三维点云数据作为训练数据集，该训练数据集中每个点的点云数据需要进行人工标注，标注为对应点所属分类类别，训练时采用交叉熵作为损失函数，训练达到目标即可得训练好的分类模型。
步骤S102，获取目标区域内的配电线路数据，并将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息。
本申请中，上述配电线路数据可以是指配电线路的高度、位置、电压强度、配电状态等，配电线路的高度、位置等用于与树木的高度、生长方向和生长速度进行比较，以确定树木是否会出现遮挡或阻碍配电线路的情况，配电线路的电压强度、配电状态等用于与判断在出现遮挡或阻碍时会否会发生配电故障，除上述数据之外，本申请中还可以根据需求获取配电线路数据的其他内容，以满足其他检测要求。
上述训练好的特征提取模型的目的是为了获取目标特征信息，该目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，树木类型信息包括点云数据所属的树木的类型，如树木的科属等，树木生长信息包括点云数据对应的树木的生长方向，如树木的枝丫的指向，尤其是大型的树枝，空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系，如点云数据中树枝顶端与配电线路的距离，包括竖直距离、水平距离、垂直距离等。
针对树木类型信息和树木生长信息可以基于目标点云数据直接提取得到，而空域关联程度信息需要将目标点云数据与配电线路数据结合，才能够提取得到，配电线路数据的高度和位置与树木顶端的高度和位置进行计算，可以得到相应的竖直距离、水平距离、垂直距离等。
上述训练好的特征提取模型可以分为至少三个分支网络，不同的分支网络用于提取得到不同的特征信息，以满足实际使用需求。针对不同的分支网络需要使用不同标注结果的训练数据集，例如，将树木类别作为标注，与树木点云数据一起作为训练数据集，训练一个分类网络，该分类网络用于提取点云数据的树木类型。
可选的是，训练好的特征提取模型包括训练好的第一分支网络、第二分支网络和第三分支网络，第一分支网络包括第一编码器和第一全连接层，第二分支网络包括第二编码器和第二全连接层，第三分支网络包括第三编码器、第四编码器和第三全连接层，第一编码器、第二编码器和第三编码器为共享参数的编码器；
将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息包括：
将目标点云数据输入第一编码器，经第一全连接层，确定树木类型信息；
将目标点云数据输入第二编码器，经第二全连接层，确定树木生长信息；
将目标点云数据输入第三编码器，将配电线路数据输入第四编码器，并将第三编码器和和第四编码器的输出联结后，经过第三全连接层，确定空域关联程度信息。
其中，第一分支网络的训练数据集为标注了树木类型的点云数据，第二分支网络的训练数据集为标注了生长方向的点云数据，第三分支网络为标注了空域关联程度的点云数据，各分支分别训练。第二分支网络中标注的生长方向可以是以三维空间内的14个方向作为标注数据，该14个方向以立方体为例，立方体中心点指向各面中心点共有6个方向，指向各顶点共有8个方向；第三分支网络中以树木与配电线路的空域关联程度级别作为标注数据，该标注数据获取方式为基于树木与配电线路的最小距离由人工经验标注。
上述第一分支网络、第二分支网络、第三分支网络中均需要对点云数据进行特征提取，第一分支网络通过第一编码器对点云数据进行编码，第二分支网络通过第二编码器对点云数据进行编码，第三分支网络通过第三编码器对点云数据进行编码，因此，第一编码器、第二编码器和第三编码器可以是具有相同参数的编码器，即训练中将编码器的参数进行共享。进一步地，第一编码器、第二编码器、第三编码器是对点云数据进行编码，可以采用上述分类模型中对点云数据进行编码的编码器的参数。上述第三分支网络还需要对配电线路数据特征进行提取，因此，第三分支网络还包括第四编码器，用于对配电线路数据进行编码，如果上述第一编码器、第二编码器、第三编码器采用已经训练好的编码器，第四编码器可以与第三分支网络的第三全连接层一起训练，上述训练过程中的损失函数采用交叉熵损失函数。
步骤S103，将目标特征信息输入训练好的权重回归模型，确定目标回归值。
本申请中，训练好的权重回归模型的输入为特征信息，输出为回归值，上述通过特征提取模型提取的特征信息可以为特征向量，因此，通过该权重回归模型对特征向量进行计算得到回归值。
该权重回归模型包括第五编码器和第四全连接层，第五编码器用于对特征信息进行编码，第四全连接层输出回归值，本申请中，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整预设模型的参数，直至满足第一迭代条件。
该权重回归模型的数据训练集为标注了树障的特征信息，包括标注为树障的特征信息和标注为非树障的特征信息，该权重回归模型中使用标注为树障的特征信息确定一个初始的回归阈值，使用所有特征信息计算得到对应的回归值，如果回归值大于或者等于初始的回归阈值，则对应的特征信息的预测结果应该为树障，若该特征信息的标注为非树障，则说明预测错误，需要调整训练参数，并再次执行使用标注为树障的特征信息确定一个二次的回归阈值，并计算说是有特征信息的回归值，再次进行比较和调整直至训练完成。训练完成可以是指训练满足第一迭代条件，如迭代次数到达阈值。上述的模型训练中采用二值交叉熵作为损失函数进行训练。
步骤S104，若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置。
本申请中，由于上述的权重回归模型是以小于回归阈值作为非树障，因此，在将上述目标特征信息输入训练好的权重回归模型得到的目标回归值与预设回归值进行比较后，如果目标回归值小于预设回归值，则目标点云数据不为树障，如果目标回归值不小于预设回归值，则目标点云数据为树障。
目标点云数据对应的地理位置可以是指目标点云数据对应的点在采集设备坐标系下三维空间中的空间坐标，采集设备坐标系与地面坐标系的关系已知，因此，对空间坐标进行坐标变换后得到的位置即为对应的地理位置。采集设备可以是指上述的无人机携带的激光雷达。
可选的是，若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置包括：
若目标回归值不小于预设回归阈值，则确定目标点云数据对应的树木为树障；
提取目标点云数据的质心坐标，并通过采集设备与地面的投影矩阵对质心坐标进行变换，确定变换后的坐标为树障位置。
其中，激光雷达在采集三维空间的数据时，还对当时的位姿进行记录，该位姿用于表征该激光雷达在地面坐标系下的位置。由于目标点云数据对应的多个点，因此，可以以多个点的中心点（即质心点）的质心坐标进行坐标变换。进一步地，可以先将目标点云数据的多个点进行变换后，对变换后所有点的坐标进行求取中心点，该中心点对应的坐标即为树障位置。
在得到树障位置之后可以将该树障位置发送至预设管理端，以提醒相应的管理人员进行查看，并用于监管巡查。
上述预设回归值可以根据实际需求的精度要求设定，也可以采用训练好的权重回归模型中的回归阈值。
可选的是，将目标特征信息输入训练好的权重回归模型，确定目标回归值之后，还包括：
获取训练好的权重回归模型中最后一次迭代运算中的阈值；
将最后一次迭代运算中的阈值作为预设回归阈值。
其中，预设回归阈值为训练好的权重回归模型中最后一次迭代运算所使用的的阈值，从而可以避免人为定义回归阈值，使得判断更加准确。
可选的是，将目标特征信息输入训练好的权重回归模型，确定目标回归值之后，还包括：
获取目标区域的属于树障的历史点云数据和对应的配电线路数据，并将历史点云数据和对应的配电线路数据输入训练好的特征提取模型，确定历史特征信息；
将历史特征信息输入训练好的权重回归模型，确定对应的回归值为预设回归阈值。
其中，通过采集目标区域内属于树障的历史点云数据和配电线路数据，并对这部分历史数据进行特征提取，再将得到的历史特征信息输入训练好的权重回归模型，输出的回归值即为根据目标区域的历史数据得到的预设回归值，该预设回归值更加贴合目标区域的应该用场景，从而能够提高对目标区域的树障预测和定位。
本申请实施例通过训练好的分类模型对采集的三维点云数据进行筛选，确定树木对应的目标点云数据，将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的树木类型信息、树木生长信息和空域关联程度信息等目标特征信息，将目标特征信息输入训练好的权重回归模型，确定目标回归值，若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置，通过分类模型、特征提取模型和权重回归模型的共同作用，可以有效地识别树木以及树木与配电线路之间的空间位置关系，并将信息量化为回归值与预设回归阈值比较，可以明确该目标点云数据对应的树木是否为树障，提高了配电线路树障的分析和定位的准确率，有效地降低了监管的工作量。
参见图2，是本申请实施例二提供的一种基于互联网和大数据的配电线路树障智能定位方法的流程示意图，如图2所示，该配电线路树障智能定位方法可以包括以下步骤：
步骤S201，获取目标区域内三维点云数据，并通过训练好的分类模型对三维点云数据进行筛选，确定筛选结果为树木的目标点云数据。
步骤S202，获取目标区域内的配电线路数据，并将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息。
步骤S203，将目标特征信息输入训练好的权重回归模型，确定目标回归值。
其中，步骤S201至步骤S203与上述步骤S101至步骤S103的内容相同，可参考步骤S101至步骤S103的描述，在此不再赘述。
步骤S204，在目标回归值小于预设回归阈值时，若检测到目标区域内的配电线路出现短路，则使用的已知标注的特征信息对训练好的权重回归模型进行再训练，得到再训练好的权重回归模型。
本申请中，在进行树障定位时，还实时获取配电线路的状态数据，例如，配电线路的短路情况，若目标区域内的配电线路出现短路故障，则可能表明目标区域内有树木成为了树障，即可能存在属于树障的点云数据，因此，如果此时目标区域内的所有目标点云数据对应的目标回归值均小于预设回归值，则可能是判断有误，因此需要对训练好的权重回归模型进行再训练。
再训练的目的是调整模型参数，因此，以原来训练好的权重回归模型得到的目标回归值作为其中的阈值，来训练模型中的其他模型参数。具体为，在再训练过程中将目标回归值作为阈值，并以回归值小于阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整训练好的权重回归模型的参数，直至满足第二迭代条件。上述第二迭代条件可以与上述第一迭代条件相同。
步骤S205，将标注为树障的特征信息输入再训练好的权重回归模型，得到对应的回归值，以所有回归值中最小的回归值更新预设回归阈值。
本申请中，为了对上述目标区域内的目标点云数据是否为树障进行再判断，判断过程中需要使用回归阈值，由于第一次判断中预设回归阈值可能不准确，因此，使用再次训练好的权重回归模型对训练数据集中所有标注为树障的特征信息进行回归值的计算，即得到所有标注为树障的特征信息对应的回归值，取其中最小值更新预设回归阈值。
本申请实施例在对目标区域检测没有树障，但配电线路存在短路的情况进行误判纠正，并更新预设回归阈值，从而提高模型的泛化能力，提高舒张定位的准确性。
对应于上文实施例的配电线路树障智能定位方法，图3示出了本申请实施例三提供的基于互联网和大数据的配电线路树障智能定位装置的结构框图，上述配电线路树障智能定位装置应用于终端设备，该终端设备连接相应的采集设备和数据库，以获取相应的实时数据和历史数据。为了便于说明，仅示出了与本申请实施例相关的部分。
参见图3，该配电线路树障智能定位装置包括：
分类模块31，用于获取目标区域内三维点云数据，并通过训练好的分类模型对三维点云数据进行筛选，确定筛选结果为树木的目标点云数据；
特征提取模块32，用于获取目标区域内的配电线路数据，并将目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息，目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系；
回归分析模块33，用于将目标特征信息输入训练好的权重回归模型，确定目标回归值，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整预设模型的参数，直至满足第一迭代条件；
树障定位模块34，用于若目标回归值不小于预设回归阈值，则确定目标点云数据对应的地理位置为树障位置。
可选的是，树障定位模块34包括：
树障确定单元，用于若目标回归值不小于预设回归阈值，则确定目标点云数据对应的树木为树障；
位置确定单元，用于提取目标点云数据的质心坐标，并通过采集设备与地面的投影矩阵对质心坐标进行变换，确定变换后的坐标为树障位置。
可选的是，训练好的特征提取模型包括训练好的第一分支网络、第二分支网络和第三分支网络，第一分支网络包括第一编码器和第一全连接层，第二分支网络包括第二编码器和第二全连接层，第三分支网络包括第三编码器、第四编码器和第三全连接层，第一编码器、第二编码器和第三编码器为共享参数的编码器；
上述特征提取模块32包括：
类型信息确定单元，用于将目标点云数据输入第一编码器，经第一全连接层，确定树木类型信息；
生长信息确定单元，用于将目标点云数据输入第二编码器，经第二全连接层，确定树木生长信息；
程度信息确定单元，用于将目标点云数据输入第三编码器，将配电线路数据输入第四编码器，并将第三编码器和和第四编码器的输出联结后，经过第三全连接层，确定空域关联程度信息。
可选的是，上述配电线路树障智能定位装置还包括：
模型参数获取模块，用于将目标特征信息输入训练好的权重回归模型，确定目标回归值之后，获取训练好的权重回归模型中最后一次迭代运算中的阈值；
第一阈值确定模块， 用于将最后一次迭代运算中的阈值作为预设回归阈值。
可选的是，上述配电线路树障智能定位装置还包括：
历史特征确定模块，用于将目标特征信息输入训练好的权重回归模型，确定目标回归值之后，获取目标区域的属于树障的历史点云数据和对应的配电线路数据，并将历史点云数据和对应的配电线路数据输入训练好的特征提取模型，确定历史特征信息；
第二阈值确定模块，用于将历史特征信息输入训练好的权重回归模型，确定对应的回归值为预设回归阈值。
可选的是，上述配电线路树障智能定位装置还包括：
再训练模块，用于在目标回归值小于预设回归阈值时，若检测到目标区域内的配电线路出现短路，则使用的已知标注的特征信息对训练好的权重回归模型进行再训练，得到再训练好的权重回归模型，在再训练过程中将目标回归值作为阈值，并以回归值小于阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整训练好的权重回归模型的参数，直至满足第二迭代条件；
回归阈值更新模块，用于将标注为树障的特征信息输入再训练好的权重回归模型，得到对应的回归值，以所有回归值中最小的回归值更新预设回归阈值。
需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图4为本申请实施例四提供的一种终端设备的结构示意图。如图4所示，该实施例的终端设备4包括：双目相机、至少一个机械臂且机械臂上固定安装有检具，以及至少一个处理器40（图4中仅示出一个）、存储器41以及存储在存储器41中并可在至少一个处理器40上运行的计算机程序42，处理器40连接双目相机和机械臂，以获取图像和控制机械臂运动，处理器40执行计算机程序42时实现上述任意各个配电线路树障智能定位方法实施例中的步骤。
该终端设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的举例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是CPU，该处理器40还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路 （Application Specific IntegratedCircuit，ASIC）、现成可编程门阵列 （Field-Programmable Gate Array，FPGA） 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器41在一些实施例中可以是终端设备4的内部存储单元，例如终端设备4的硬盘或内存。存储器41在另一些实施例中也可以是终端设备4的外部存储设备，例如终端设备4上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，存储器41还可以既包括终端设备4的内部存储单元也包括外部存储设备。存储器41用于存储操作系统、应用程序、引导装载程序（BootLoader）、数据以及其他程序等，例如计算机程序的程序代码等。存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质至少可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
本申请实现上述实施例方法中的全部或部分流程，也可以通过一种计算机程序产品来完成，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述方法实施例中的步骤。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，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，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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。
以上实施例仅用以说明本申请的技术方案，而非对其限制；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：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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于互联网和大数据的配电线路树障智能定位方法，其特征在于，所述配电线路树障智能定位方法包括：
获取目标区域内三维点云数据，并通过训练好的分类模型对所述三维点云数据进行筛选，确定筛选结果为树木的目标点云数据；
获取所述目标区域内的配电线路数据，并将所述目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息，所述目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，所述空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系；
将所述目标特征信息输入训练好的权重回归模型，确定目标回归值，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于所述阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整所述预设模型的参数，直至满足第一迭代条件；
若所述目标回归值不小于预设回归阈值，则确定所述目标点云数据对应的地理位置为树障位置。
2.根据权利要求1所述的配电线路树障智能定位方法，其特征在于，若所述目标回归值不小于预设回归阈值，则确定所述目标点云数据对应的地理位置为树障位置包括：
若所述目标回归值不小于所述预设回归阈值，则确定所述目标点云数据对应的树木为树障；
提取所述目标点云数据的质心坐标，并通过采集设备与地面的投影矩阵对所述质心坐标进行变换，确定变换后的坐标为树障位置。
3.根据权利要求1所述的配电线路树障智能定位方法，其特征在于，训练好的特征提取模型包括训练好的第一分支网络、第二分支网络和第三分支网络，所述第一分支网络包括第一编码器和第一全连接层，所述第二分支网络包括第二编码器和第二全连接层，所述第三分支网络包括第三编码器、第四编码器和第三全连接层，所述第一编码器、所述第二编码器和所述第三编码器为共享参数的编码器；
将所述目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息包括：
将所述目标点云数据输入所述第一编码器，经所述第一全连接层，确定树木类型信息；
将所述目标点云数据输入所述第二编码器，经所述第二全连接层，确定树木生长信息；
将所述目标点云数据输入所述第三编码器，将所述配电线路数据输入所述第四编码器，并将所述第三编码器和和所述第四编码器的输出联结后，经过所述第三全连接层，确定空域关联程度信息。
4.根据权利要求1所述的配电线路树障智能定位方法，其特征在于，将所述目标特征信息输入训练好的权重回归模型，确定目标回归值之后，还包括：
获取所述训练好的权重回归模型中最后一次迭代运算中的阈值；
将所述最后一次迭代运算中的阈值作为预设回归阈值。
5.根据权利要求1所述的配电线路树障智能定位方法，其特征在于，将所述目标特征信息输入训练好的权重回归模型，确定目标回归值之后，还包括：
获取所述目标区域的属于树障的历史点云数据和对应的配电线路数据，并将所述历史点云数据和对应的配电线路数据输入所述训练好的特征提取模型，确定历史特征信息；
将所述历史特征信息输入所述训练好的权重回归模型，确定对应的回归值为预设回归阈值。
6.根据权利要求1至5任一项所述的配电线路树障智能定位方法，其特征在于，所述配电线路树障智能定位方法还包括：
在所述目标回归值小于预设回归阈值时，若检测到所述目标区域内的配电线路出现短路，则使用所述的已知标注的特征信息对所述训练好的权重回归模型进行再训练，得到再训练好的权重回归模型，在再训练过程中将所述目标回归值作为阈值，并以回归值小于所述阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整所述训练好的权重回归模型的参数，直至满足第二迭代条件；
将标注为树障的特征信息输入所述再训练好的权重回归模型，得到对应的回归值，以所有回归值中最小的回归值更新所述预设回归阈值。
7.一种基于互联网和大数据的配电线路树障智能定位装置，其特征在于，所述配电线路树障智能定位装置包括：
分类模块，用于获取目标区域内三维点云数据，并通过训练好的分类模型对所述三维点云数据进行筛选，确定筛选结果为树木的目标点云数据；
特征提取模块，用于获取所述目标区域内的配电线路数据，并将所述目标点云数据和配电线路数据输入训练好的特征提取模型，确定对应的目标特征信息，所述目标特征信息包括树木类型信息、树木生长信息和空域关联程度信息，所述空域关联程度信息表征目标点云数据与配电线路数据之间的空间位置关系；
回归分析模块，用于将所述目标特征信息输入训练好的权重回归模型，确定目标回归值，训练过程为使用预设模型对已知标注的特征信息进行计算，将标注为树障的特征信息对应的回归值作为阈值，并以回归值小于所述阈值时标注为非树障作为条件，对所有特征信息对应的标注进行判断，根据判断结果调整所述预设模型的参数，直至满足第一迭代条件；
树障定位模块，用于若所述目标回归值不小于预设回归阈值，则确定所述目标点云数据对应的地理位置为树障位置。
8.根据权利要求7所述的配电线路树障智能定位装置，其特征在于，所述树障定位模块包括：
树障确定单元，用于若所述目标回归值不小于所述预设回归阈值，则确定所述目标点云数据对应的树木为树障；
位置确定单元，用于提取所述目标点云数据的质心坐标，并通过采集设备与地面的投影矩阵对所述质心坐标进行变换，确定变换后的坐标为树障位置。
9.根据权利要求7所述的配电线路树障智能定位装置，其特征在于，所述配电线路树障智能定位装置还包括：
模型参数获取模块，用于将所述目标特征信息输入训练好的权重回归模型，确定目标回归值之后，获取所述训练好的权重回归模型中最后一次迭代运算中的阈值；
第一阈值确定模块， 用于将所述最后一次迭代运算中的阈值作为预设回归阈值。
10.根据权利要求7所述的配电线路树障智能定位装置，其特征在于，所述配电线路树障智能定位装置还包括：
历史特征确定模块，用于将所述目标特征信息输入训练好的权重回归模型，确定目标回归值之后，获取所述目标区域的属于树障的历史点云数据和对应的配电线路数据，并将所述历史点云数据和对应的配电线路数据输入所述训练好的特征提取模型，确定历史特征信息；
第二阈值确定模块，用于将所述历史特征信息输入所述训练好的权重回归模型，确定对应的回归值为预设回归阈值。
CN202210130693.0A 2022-02-12 2022-02-12 基于互联网和大数据的配电线路树障智能定位方法和装置 Active CN114445395B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210130693.0A CN114445395B (zh) 2022-02-12 2022-02-12 基于互联网和大数据的配电线路树障智能定位方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210130693.0A CN114445395B (zh) 2022-02-12 2022-02-12 基于互联网和大数据的配电线路树障智能定位方法和装置

Publications (2)

Publication Number Publication Date
CN114445395A true CN114445395A (zh) 2022-05-06
CN114445395B CN114445395B (zh) 2022-08-26

Family

ID=81372427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210130693.0A Active CN114445395B (zh) 2022-02-12 2022-02-12 基于互联网和大数据的配电线路树障智能定位方法和装置

Country Status (1)

Country Link
CN (1) CN114445395B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109215065A (zh) * 2018-09-07 2019-01-15 北京数字绿土科技有限公司 输电线路的树障隐患预测方法、装置和实现装置
CN208833904U (zh) * 2018-08-22 2019-05-07 广东电网有限责任公司 一种配电线缆树障监测装置及配电线缆
CN111578861A (zh) * 2020-05-25 2020-08-25 广东电网有限责任公司 一种配电网树障检测方法及系统
CN113537180A (zh) * 2021-09-16 2021-10-22 南方电网数字电网研究院有限公司 树障的识别方法、装置、计算机设备和存储介质
CN114036157A (zh) * 2021-11-13 2022-02-11 中国南方电网有限责任公司超高压输电公司柳州局 输电线路树障监控方法、装置、计算机设备和存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN208833904U (zh) * 2018-08-22 2019-05-07 广东电网有限责任公司 一种配电线缆树障监测装置及配电线缆
CN109215065A (zh) * 2018-09-07 2019-01-15 北京数字绿土科技有限公司 输电线路的树障隐患预测方法、装置和实现装置
CN111578861A (zh) * 2020-05-25 2020-08-25 广东电网有限责任公司 一种配电网树障检测方法及系统
CN113537180A (zh) * 2021-09-16 2021-10-22 南方电网数字电网研究院有限公司 树障的识别方法、装置、计算机设备和存储介质
CN114036157A (zh) * 2021-11-13 2022-02-11 中国南方电网有限责任公司超高压输电公司柳州局 输电线路树障监控方法、装置、计算机设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘佳: "适应不确定因素的输配电系统优化规划研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
曾忱等: "基于无人机可见光点云的输电线路树障隐患智能分析研究", 《电力设备管理》 *

Also Published As

Publication number Publication date
CN114445395B (zh) 2022-08-26

Similar Documents

Publication Publication Date Title
CN109870698B (zh) 一种超声波阵列障碍物检测结果处理方法及系统
CN110910440B (zh) 一种基于电力影像数据的输电线路长度确定方法和系统
CN116359218B (zh) 一种工业聚集区大气污染移动监测系统
US20230236280A1 (en) Method and system for positioning indoor autonomous mobile robot
CN114596555B (zh) 障碍物点云数据筛选方法、装置、电子设备及存储介质
CN112949366A (zh) 障碍物识别方法和装置
Li et al. Automatic road extraction from remote sensing imagery using ensemble learning and postprocessing
CN116468392A (zh) 一种电网工程项目进度监控方法、装置、设备及存储介质
CN114882316A (zh) 目标检测模型训练方法、目标检测方法及装置
CN113936210A (zh) 塔吊防撞方法
CN115311617A (zh) 城轨车站区域客流信息获取方法及系统
CN113569801B (zh) 一种配电施工现场带电设备及其带电区域识别方法及装置
Bai et al. Automated construction site monitoring based on improved YOLOv8-seg instance segmentation algorithm
CN114445395B (zh) 基于互联网和大数据的配电线路树障智能定位方法和装置
CN117671480A (zh) 基于视觉大模型的滑坡自动识别方法、系统和计算机设备
CN116243725A (zh) 基于视觉导航的变电站无人机巡检方法及系统
CN115761265A (zh) 一种用于提取激光雷达点云中变电站设备的方法及装置
CN112651986B (zh) 环境识别方法、识别装置、识别系统、电子设备及介质
CN114998387A (zh) 一种物体距离监测方法、装置、电子设备和存储介质
Lu et al. Farmland boundary extraction based on the AttMobile-DeeplabV3+ network and least squares fitting of straight lines
CN112418730A (zh) 一种运输系统的响应指标预估模型的构建方法
CN118012977B (zh) 一种基于ai与gis融合的二三维多模态数据处理方法
US20240087189A1 (en) Methods and systems for generating graph representations of a scene
CN117809297B (zh) 基于三维重建的输电线路危险源智能识别方法
CN113971755B (zh) 基于改进yolov3模型的全天候海面目标检测方法

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
TR01 Transfer of patent right

Effective date of registration: 20230410

Address after: Room 0702, 6th Floor, Building 1, No. 66 Zhongguancun East Road, Haidian District, Beijing, 100086

Patentee after: Beijing Qingdian Technology Co.,Ltd.

Address before: 467041 Longxiang Avenue, Xincheng District, Pingdingshan City, Henan Province

Patentee before: Henan University of Urban Construction

TR01 Transfer of patent right