CN114563796B - 基于无人机激光雷达探测数据的电力线识别方法和装置 - Google Patents

Abstract

本发明公开了一种基于无人机激光雷达探测数据的电力线识别方法和装置，其利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。本方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

Description

基于无人机激光雷达探测数据的电力线识别方法和装置

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于无人机激光雷达探测数据的电力线识别方法和装置。

背景技术

目前，我国电网规模不断提升，线路复杂度迅速增加，给我国电网的可靠性维持带来巨大挑战。为了保障电力安全稳定供应，需要对输电线路进行定期巡检。若采用传统的人工巡线方式，巡线员工工作量大，成本较高，巡检难度大，且易受天气影响，特别极端天气如雪灾等会产生复杂路况，造成巡检困难。因此需要提高电网巡检的信息化、自动化和智能化。

近年来，无人机组合搭载高清变焦相机、激光雷达、红外相机、夜视相机等多种传感器，在电网的常规巡检、应急巡查、特殊时段保供电等工作中广泛运用。对于无人机搭载的激光雷达进行电力巡检而言，如何进行有效的电力线识别，是其进行电力巡检的基础。现有的电力线识别方法效率和准确率较低，没有与无人机平台的飞行特征进行较好的匹配，同时其识别效率交底，没有很好地利用所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而高效而准确的识别识别电塔和电力线，同时，现有识别方法在减少巡线员工工作量和提高工作效率方面，还存在一定问题。

发明内容

本发明要解决的技术问题在于，对于无人机搭载的激光雷达进行电力巡检而言，如何进行有效的电力线识别，是其进行电力巡检的基础。现有的电力线识别方法效率和准确率均较低，没有与无人机平台的飞行特征进行较好的匹配，同时其识别效率交底，没有很好地利用所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而高效而准确的识别识别电塔和电力线，同时，现有识别方法在减少巡线员工工作量和提高工作效率方面，还存在一定问题。如何同时提升无人机搭载的激光雷达在进行电力巡检的电力线识别过程中的效率和准确率，是需要解决的问题。

为解决上述技术问题，本发明实施例第一方面公开了一种基于无人机激光雷达探测数据的电力线识别方法，所述方法包括：

利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。

作为一种可选的实施方式，在本发明实施例第一方面中，所述的对目标和地面特征点的点云数据进行分割，其具体包括：

基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割；

作为一种可选的实施方式，在本发明实施例第一方面中，所述的最优高程阈值H_T的获取，其具体包括：

获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值H_max和高程最小值H_min，将高程区间[H_min,H_max]平均分为N个区间段，d_h是离散高程宽度，d_h＝(H_max-H_min)/N。

将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为g_i，其表示高程区间[H_min+(i-1)*d_h,H_min+i*d_h)范围内的点云数据集合，其中i∈[1,N]。依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为ID_max。

地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值H_T的计算公式为：

H_T＝H_min+ID_max*d_h+T，

从而得到最优高程阈值H_T。

作为一种可选的实施方式，在本发明实施例第一方面中，所述的基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割，包括：

将高程在最优高程阈值以下的点云，作为地面特征点的点云；

将高程在最优高程阈值以上的点云，作为电力线候选点的点云，从而实现对地面特征点与目标的分割。

作为一种可选的实施方式，在本发明实施例第一方面中，所述的对电力线进行识别，建立点云数据空间直角坐标系，在点云数据空间直角坐标系下对电力线进行识别，将地面上沿电力线巡检方向作为点云数据空间直角坐标系的X轴(横轴)，将X轴水平旋转90度为点云数据空间直角坐标系的Y轴(纵轴)，将垂直于水平地面向上方向为点云数据空间直角坐标系的Z轴(竖轴)。

作为一种可选的实施方式，在本发明实施例第一方面中，所述的对电力线进行识别，采用Kd树聚类方法对电力线进行识别，其具体步骤包括：

S1，首先配置电力线相关参数，具体包括，电力线相关参数包括架空电力线组与地面间最小垂直距离VR_min、架空电力线组所包含的电力线的最小线间距离LR_min，用于电力巡检的无人机与边导线的最小水平距离HR_min，位于两侧的边导线的间距R_w。根据无人机所处的巡检环境，对电力线相关参数进行设置。一组架设在空中的电力线构成架空电力线组，架空电力线组中位于最边缘的电力线，称为边导线。

S2，利用点云数据空间直角坐标系内构建Kd树，遍历激光雷达采集的电网环境点云数据，对于任一电网环境点云数据的坐标(x,y,z)，若z<VR_min,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；若VR_min≤z≤H_max，且y<HR_min或y>2*HR_min+R_w,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0。

对于任一电网环境点云数据,若其满足VR_min≤z≤H_max，且HR_min≤y≤2*HR_min+R_w,将该电网环境点云数据视为搜索过程的中心点，设置搜索该中心点的近邻点的数量。然后搜索得到该中心点的近邻点，将其对应数据的状态值设置为1。近邻点即距离该中心点最近的若干个点。将搜索到的最近邻点视为遍历过程中下一次搜索的中心点，如果该点已被识别，则搜索除去该点外的下一个最近邻点。最近邻点为距离该中心点最近的一个点。

S3，比较步骤S2中得到的中心点和最近邻点之间的距离，如果该距离小于阈值P，则将该最近邻点加入表征其所在电力线的点云数组，并用该最近邻点作为中心点继续搜索其对应的最近邻点，直至中心点和最近邻点之间的距离大于阈值P，表明该电力线已被识别，停止该次搜索过程，将表征电力线的点云数组作为电力线识别结果。

S4，继续步骤S2和S3，直至所有电网环境点云数据均被识别，从而实现各电力线数据的自动分割。

本发明实施例第二方面公开了一种基于无人机激光雷达探测数据的电力线识别装置，装置包括电网环境点云数据采集模块，分割模块和识别模块。

所述的电网环境点云数据采集模块，其用于利用无人机搭载的激光雷达实现对电网环境点云数据的采集，并将采集的电网环境点云数据发送给分割模块；

所述的分割模块，用于以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，并将分割结果发送给识别模块。

所述的识别模块，用于根据分割结果，对电力线进行识别。

本发明第三方面公开了另一种基于无人机激光雷达探测数据的电力线识别装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例第一方面公开的一种基于无人机激光雷达探测数据的电力线识别方法中的部分或全部步骤。

本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例第一方面公开的一种基于无人机激光雷达探测数据的电力线识别方法中的部分或全部步骤。

本发明的有益效果为：

1)本发明方法利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。该发明方法能够自动化识别电力线点云数据，基于自动识别的电力线可计算其与树木、高大建筑等地物的距离，为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。

2)本发明方法利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。本发明方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，以低矮植被、地面、建筑等作为地面特征点，对地面特征和点电塔、电力线目标点云数据进行分割，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法的数据训练的过程示意图；

图2为本发明方法的实施流程图。

具体实施方式

为了更好的了解本发明内容，这里给出四个实施例。

为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

图1为本发明方法的数据训练的过程示意图；图2为本发明方法的实施流程图。

实施例一

本实施例公开了一种基于无人机激光雷达探测数据的电力线识别方法，所述方法包括：

利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。

作为一种可选的实施方式，在本实施例中，所述的对目标和地面特征点的点云数据进行分割，其具体包括：

基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割；

作为一种可选的实施方式，在本实施例中，所述的最优高程阈值H_T的获取，其具体包括：

获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值H_max和高程最小值H_min，将高程区间[H_min,H_max]平均分为N个区间段，d_h是离散高程宽度，d_h＝(H_max-H_min)/N。

将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为g_i，其表示高程区间[H_min+(i-1)*d_h,H_min+i*d_h)范围内的点云数据集合，其中i∈[1,N]。依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为ID_max。

地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值H_T的计算公式为：

H_T＝H_min+ID_max*d_h+T，

从而得到最优高程阈值H_T。

作为一种可选的实施方式，在本实施例中，所述的基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割，包括：

将高程在最优高程阈值以下的点云，作为地面特征点的点云；

将高程在最优高程阈值以上的点云，作为电力线候选点的点云，从而实现对地面特征点与目标的分割。

作为一种可选的实施方式，在本实施例中，所述的对电力线进行识别，为提高利用点云数据识别电力线的准确率和实时性，建立点云数据空间直角坐标系，在点云数据空间直角坐标系下对电力线进行识别，将地面上沿电力线巡检方向作为X轴(横轴)，将X轴水平旋转90度为Y轴(纵轴)，将垂直于水平地面向上方向为Z轴(竖轴)。

作为一种可选的实施方式，在本实施例中，所述的对电力线进行识别，采用Kd树聚类方法对电力线进行识别，其具体步骤包括：

S1，首先配置电力线相关参数，具体包括，电力线相关参数包括架空电力线组与地面间最小垂直距离VR_min、架空电力线组所包含的电力线的最小线间距离LR_min，用于电力巡检的无人机与边导线的最小水平距离HR_min，位于两侧的边导线的间距R_w。根据无人机所处的巡检环境，对电力线相关参数进行设置。电力线点云数据状态值默认设置为0。设定阈值P，阈值P小于最小线间距离LR_min。一组架设在空中的电力线构成架空电力线组，架空电力线组中位于最边缘的电力线，称为边导线。

S2，利用点云数据空间直角坐标系内构建Kd树，遍历激光雷达采集的电网环境点云数据，对于任一电网环境点云数据的坐标(x,y,z)，若z<VR_min,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；若VR_min≤z≤H_max，且y<HR_min或y>2*HR_min+R_w,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0。

对于任一电网环境点云数据,若其满足VR_min≤z≤H_max，且HR_min≤y≤2*HR_min+R_w,将该电网环境点云数据视为搜索过程的中心点，设置搜索该中心点的近邻点的数量。然后搜索得到该中心点的近邻点，将其对应数据的状态值设置为1。近邻点即距离该中心点最近的若干个点。将搜索到的最近邻点视为遍历过程中下一次搜索的中心点，如果该点已被识别，则搜索除去该点外的下一个最近邻点。最近邻点为距离该中心点最近的一个点。

S3，比较步骤S2中得到的中心点和最近邻点之间的距离，如果该距离小于阈值P，则将该最近邻点加入表征其所在电力线的点云数组，并用该最近邻点作为中心点继续搜索其对应的最近邻点，直至中心点和最近邻点之间的距离大于阈值P，表明该电力线已被识别，停止该次搜索过程，将表征电力线的点云数组作为电力线识别结果。

S4，继续步骤S2和S3，直至所有电网环境点云数据均被识别，从而实现各电力线数据的自动分割。

可见，本实施例利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。该发明方法能够自动化识别电力线点云数据，基于自动识别的电力线可计算其与树木、高大建筑等地物的距离，为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。本发明方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，以低矮植被、地面、建筑等作为地面特征点，对地面特征和点电塔、电力线目标点云数据进行分割，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

实施例二

本实施例公开了一种基于无人机激光雷达探测数据的电力线识别装置，装置包括电网环境点云数据采集模块，分割模块和识别模块。

所述的电网环境点云数据采集模块，其用于利用无人机搭载的激光雷达实现对电网环境点云数据的采集，并将采集的电网环境点云数据发送给分割模块；

所述的分割模块，用于以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，并将分割结果发送给识别模块。

所述的识别模块，用于根据分割结果，对电力线进行识别。

可见，本实施例利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。该发明方法能够自动化识别电力线点云数据，基于自动识别的电力线可计算其与树木、高大建筑等地物的距离，为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。本发明方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，以低矮植被、地面、建筑等作为地面特征点，对地面特征和点电塔、电力线目标点云数据进行分割，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

实施例三

本实施例公开了另一种基于无人机激光雷达探测数据的电力线识别装置，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明实施例一公开的一种基于无人机激光雷达探测数据的电力线识别方法中的部分或全部步骤。

可见，本实施例利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。该发明方法能够自动化识别电力线点云数据，基于自动识别的电力线可计算其与树木、高大建筑等地物的距离，为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。本发明方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，以低矮植被、地面、建筑等作为地面特征点，对地面特征和点电塔、电力线目标点云数据进行分割，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

实施例四

本实施例公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明实施例一公开的一种基于无人机激光雷达探测数据的电力线识别方法中的部分或全部步骤。

可见，本实施例利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑等作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别。该发明方法能够自动化识别电力线点云数据，基于自动识别的电力线可计算其与树木、高大建筑等地物的距离，为电力线风险预警提供决策参考，辅助进行智能化电网巡检研判。本发明方法能够与无人机平台的飞行特征进行较好的匹配，能够针对无人机搭载激光雷达采集的电网环境点云数据，以低矮植被、地面、建筑等作为地面特征点，对地面特征和点电塔、电力线目标点云数据进行分割，很好地利用了所采集的电网点云数据而分割低矮植被、地面、建筑等地面特征点，进而实现了高效而准确的识别电塔和电力线，从而提升了现有的电力线识别方法效率和准确率，有效减少巡线员工工作量和提高了巡线的工作效率。

以上所描述的装置实施例仅是示意性的，其中作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。

最后应说明的是：本发明实施例公开的一种基于无人机激光雷达探测数据的电力线识别方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

Claims (5)

1.一种基于无人机激光雷达探测数据的电力线识别方法，其特征在于，包括：

利用无人机搭载激光雷达采集的电网环境点云数据，以电塔和电力线作为目标，以低矮植被、地面、建筑作为地面特征点，对目标和地面特征点的点云数据进行分割，对电力线进行识别；

所述的对目标和地面特征点的点云数据进行分割，其具体包括：

基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割；

所述的最优高程阈值H_T的获取，其具体包括：

获取无人机搭载激光雷达采集的电网环境点云数据中的高程最大值H_max和高程最小值H_min，将高程区间[H_min,H_max]平均分为N个区间段，d_h是离散高程宽度，d_h＝(H_max-H_min)/N；

将所有电网环境点云数据按照其高程，划分为与该N个区间段对应的N个集合，第i个区间段内所有点云数据的集合表示为g_i，其表示高程区间[H_min+(i-1)*d_h,H_min+i*d_h)范围内的点云数据集合，其中i∈[1,N]；依次计算每个集合内的点云数据数量，比较各个集合的点云数据数量的大小，获取点云数据数量最大的集合，视其为地面背景点云数据的集合，该集合序号记为ID_max；

地面背景点云数据的集合中的点云数据的最大高程差为T，最优高程阈值H_T的计算公式为：

H_T＝H_min+ID_max*d_h+T，

从而得到最优高程阈值H_T；

所述的基于最优高程阈值H_T，构建点云特征选择规则，利用点云特征选择规则实现对地面特征点与目标的分割，包括：

将高程在最优高程阈值以下的点云，作为地面特征点的点云；

将高程在最优高程阈值以上的点云，作为电力线候选点的点云，从而实现对地面特征点与目标的分割。

2.如权利要求1所述的基于无人机激光雷达探测数据的电力线识别方法，其特征在于，

所述的对电力线进行识别，建立点云数据空间直角坐标系，在点云数据空间直角坐标系下对电力线进行识别，将地面上沿电力线巡检方向作为点云数据空间直角坐标系的X轴，将X轴水平旋转90度为点云数据空间直角坐标系的Y轴，将垂直于水平地面向上方向作为点云数据空间直角坐标系的Z轴。

3.如权利要求1所述的基于无人机激光雷达探测数据的电力线识别方法，其特征在于，

所述的对电力线进行识别，采用Kd树聚类方法对电力线进行识别，其具体步骤包括：

S1，首先配置电力线相关参数，具体包括，电力线相关参数包括架空电力线组与地面间最小垂直距离VR_min、架空电力线组所包含的电力线的最小线间距离LR_min，用于电力巡检的无人机与边导线的最小水平距离HR_min，位于两侧的边导线的间距R_w；根据无人机所处的巡检环境，对电力线相关参数进行设置；一组架设在空中的电力线构成架空电力线组，架空电力线组中位于最边缘的电力线，称为边导线；

S2，利用点云数据空间直角坐标系内构建Kd树，遍历激光雷达采集的电网环境点云数据，对于任一电网环境点云数据的坐标(x,y,z)，若z<VR_min,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；若VR_min≤z≤H_max，且y<HR_min或y>2*HR_min+R_w,将该电网环境点云数据识别为非电力线数据，将该数据的状态值置为0；

对于任一电网环境点云数据,若其满足VR_min≤z≤H_max，且HR_min≤y≤2*HR_min+R_w,将该电网环境点云数据视为搜索过程的中心点，设置搜索该中心点的近邻点的数量；然后搜索得到该中心点的近邻点，将其对应数据的状态值设置为1；近邻点即距离该中心点最近的若干个点；将搜索到的最近邻点视为遍历过程中下一次搜索的中心点，如果该点已被识别，则搜索除去该点外的下一个最近邻点；最近邻点为距离该中心点最近的一个点；

S3，比较步骤S2中得到的中心点和最近邻点之间的距离，如果该距离小于阈值P，则将该最近邻点加入表征其所在电力线的点云数组，并用该最近邻点作为中心点继续搜索其对应的最近邻点，直至中心点和最近邻点之间的距离大于阈值P，表明该电力线已被识别，停止该次搜索过程，将表征电力线的点云数组作为电力线识别结果；

S4，继续步骤S2和S3，直至所有电网环境点云数据均被识别，从而实现各电力线数据的自动分割。

4.一种基于无人机激光雷达探测数据的电力线识别装置，其特征在于，所述装置包括：

存储有可执行程序代码的存储器；

与所述存储器耦合的处理器；

所述处理器调用所述存储器中存储的所述可执行程序代码，执行权利要求1至3中任一项所述的基于无人机激光雷达探测数据的电力线识别方法中的全部步骤。

5.一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，执行权利要求1至3中任一项所述的基于无人机激光雷达探测数据的电力线识别方法中的全部步骤。

Images