CN114578374A - 一种输电线路激光雷达点云采集和防外破实时监测方法 - Google Patents

Abstract

本申请公开了一种输电线路激光雷达点云采集和防外破实时监测方法，包括：远距离对准待监测的输电线路通道；激光雷达多次扫描获取输电线路通道的点云数据，得到高密度的点云数据；分离出输电线点云数据和非输电线路点云数据并进行数据保存；激光雷达扫描输电线路通道，实时获取输电线路通道点云数据；根据输电线点云数据，取单根输电导线的点云数据，沿导线架设方向，以用户设定的间隔距离查找安全范围内是否有其他点云数据，判断输电线路是否存在外破风险。本发明能采集远距离输电线点云数据，解决了远距离输电线在激光雷达中难以实时生成点云数据并监测的难题，通过沿输电线遍历查找指定范围内的点云数据，实现了实时快速地防外破监控。

Description

一种输电线路激光雷达点云采集和防外破实时监测方法

技术领域

本发明属于输电线路监测技术领域，涉及一种输电线路激光雷达点云采集和防外破实时监测方法。

背景技术

电网承载着国民经济的重要的设施，电力设备的安全对电力用户供应可靠性、社会的稳定以及经济的发展起着重要的作用。输电线路多数裸露在野外，其位置和环境的情况都很复杂，而且安装杆塔的地点较多，距离较长，面积较广，遭受外力破坏导致故障和损失的事件屡见不鲜，线下违章施工、违章建筑、树竹障碍等外力破坏是导致输电夏怒跳闸的主要原因，其中工程车辆违章施工造成的外力破坏具有高发、突发、难以及时发现和制止的特点。

近年来，由于社会经济在不断的发展，我国城市建设在不断地完善，随着铁路、公路的不断修建，各种大型工程机械在电力线路保护区域内施工，由此造成的外力破坏事件经常发生。

目前电力系统通常采用视频可视化在线监拍、人工巡检等方法防止外力破坏。人工巡检具有实时性弱，工作量大的缺陷。视频可视化在线监拍由于供电限制，只能间隔事件拍摄，监控不及时；视频拍摄的图像由于不具备空间位置信息，智能识别容易误报或漏报，人工识别工作量过大；在夜间由于施工场所灯光干扰，可视化监拍往往很难看清施工现场情况；因此可视化监拍在防外力破坏工作中难以较好的承担预防重任。

随着激光技术和激光雷达技术的发展，目前开展了采用激光雷达解决电力线路防外破问题的相关研究，但是由于输电线较细，远距离时，由于激光雷达的激光束转动时不一定能扫到输电线体上获得激光反射，也就无法采集到输电线体反射的激光信号，激光扫描时虽然有一定概率能够扫到输电线体并形成数据点，但很容易被当做噪点去除，因此远距离输电线的点云数据采集困难。此外，由于激光点云数据量大，计算量大，对算力和供电要求比较高，也是限制激光雷达应用的原因之一。

发明内容

为解决现有技术中的不足，本申请提供一种输电线路激光雷达点云采集和防外破实时监测方法，能采集远距离输电线点云数据，解决了远距离输电线在激光雷达中难以实时监测的难题。通过简单的沿导线扫描遍历算法，简化计算方法，加快计算速度，降低计算功耗。

为了实现上述目标，本发明采用如下技术方案：

一种输电线路激光雷达点云采集和防外破实时监测方法，包括以下步骤：

步骤1：激光雷达远距离对准待监测的输电线路通道；

步骤2：防外破监测系统开启电源，开始初始化，激光雷达多次扫描获取输电线路通道的点云数据，通过时间积分，将低密度的点云数据进行积分叠加，得到高密度的点云数据；

步骤3：从步骤2得到的点云数据中识别和分离出输电线点云数据和非输电线路点云数据并进行数据保存，完成初始化环境空间建模；

步骤4：激光雷达扫描输电线路通道，实时获取输电线路通道点云数据；

步骤5：采用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线通道点云数据中相同位置的数据，取单根输电导线的点云数据，沿导线架设方向，以用户设定的间隔距离查找安全范围内是否有其他点云数据，判断输电线路是否存在外破风险。

本发明进一步包括以下优选方案：

优选地，步骤1中，所述激光雷达固定在杆塔或导、地线位置，并且对准待监测的输电线路通道。

优选地，步骤2中，手动或自动控制激光雷达方向，采集输电线路通道的点云数据，通过对同一空间范围进行多次非重复激光扫描，通过时间积分，将低密度的远距离点云数据进行积分叠加，获得高密度的点云数据。

优选地，步骤2中，采用步骤1的固定激光雷达采集输电线路通道的点云数据；或，

采用手持激光雷达或无人机搭载激光雷达通过移动采集的方式先将输电线点云数据采集好，然后根据坐标原点之间的空间关系，通过切换坐标原点的方法转换到步骤1固定激光雷达的坐标系中。

优选地，步骤3中，从步骤2得到的点云数据中识别和分离出输电线点云数据和非输电线点云数据并进行数据保存，完成初始化环境空间建模，具体步骤为：

步骤3.1：事先采集或合成输电线路环境下工程车辆和工程装备的激光点云数据集，采用大规模点云语义分割网络RandLA-Net训练该数据集，生成AI算法模型；

步骤3.2：将步骤2得到的点云数据输入到所述算法模型进行计算，RandLA-Net会分割识别出各种不同目标物体，存储计算结果，完成监控环境扫描建模；所述目标物体包括输电线、杆塔、树木和房屋建筑。

优选地，步骤5包括：

步骤5.1：采用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线通道点云数据中相同位置的数据；

步骤5.2：基于步骤5.1的数据，设置安全距离R，逐一选取输电线，判断其是否存在外破风险，若存在，则进入步骤5.3；

步骤5.3：AI算法模型识别风险位置目标，并根据非输电线路的点云数据与输电线之间的距离判定该位置有外破风险等级。

优选地，步骤5.1中，将步骤3中分离出的输电线，在沿导线架设方向取激光雷达至对侧杆塔之间的距离长度，在垂直和水平方向，以导线为中心向外侧拓展一定范围，将步骤3在扩展空间内的所有点云数据替换掉实时获取的点云数据中相同位置的数据。

优选地，步骤5.1进行范围扩展时，在垂直方向以弧垂至悬挂点垂直距离加上余量，水平方向以最外侧两根导线之间的距离加上余量，结合导线架设方向及该方向上的距离长度，形成空间长方体，得到扩展空间。

优选地，步骤5.2具体为：设置安全距离R，逐一选取输电线，并在步骤5.1数据中去除其它输电线点云数据，以输电线架设方向为x方向，以用户设定的间隔Δx遍历，在每一个x=n*Δx坐标处，选取离该坐标最近的输电线点云数据点(x’, y’, z’)，以该点(x’, y’,z’)为中心，z与x方向垂直的平面yz上，距离输电线半径为R的圆形范围内查找判断是否包含其它点云数据：

若不包含，则该位置安全，若包含，对该部分点云团进行识别和分割，若点云团目标尺寸大于预先设置的阈值F，则该位置存在外破风险，计算所包含的非输电线路的点云数据与输电线之间的距离并进入步骤5.3。

优选地，所述安全距离根据不同的电压等级的环境条件，由用户设定。

本申请所达到的有益效果：

本发明能采集远距离输电线点云数据，解决了远距离输电线在激光雷达中难以实时监测的难题。采用沿导线扫描遍历算法，简化了计算方法，加快了计算速度，降低了计算功耗。

附图说明

图1是本发明一种输电线路激光雷达点云采集和防外破实时监测方法流程图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，本发明的一种输电线路激光雷达点云采集和防外破实时监测方法，包括以下步骤：

步骤1：激光雷达远距离对准待监测的输电线路通道；

具体实施时，所述激光雷达固定在杆塔或导、地线等合适位置，远距离对准待监测的输电线路通道。

步骤2：防外破监测系统开启电源，开始初始化，激光雷达多次扫描获取输电线路通道的点云数据，通过时间积分，将低密度的点云数据进行积分叠加，得到高密度的点云数据，具体的：

手动或自动控制激光雷达方向，采集输电线路通道的点云数据，通过对同一空间范围进行多次非重复激光扫描，通过时间积分，将低密度的远距离点云数据进行积分叠加，将原本无法实时采集到的点云数据进行累积，获得较高密度的点云数据。

例如：采用FOV为14.5°*16.2°的激光雷达，根据几何关系，在100米处，该激光雷达视野范围高达254.44*284.64m，该雷达每秒可采集24万个点，通过计算可知，在100米处，平均约0.3㎡分布一个点，也即相邻两个点之间的距离为55cm；

假设110kV导线直径为2cm，在导线直径方向上假设2个点就可以表达导线的点云特征，那么两点之间的距离应该是1cm，要从55cm下降到1cm，需要将点云密度增大55倍，采用非重复扫描模式，即每次扫描路径都不与上一次重复，扫描55次，把所有采集到的点云进行积分叠加，就可以实现55倍的点云密度提升，获得1cm的点云间距，如果再增加更多的扫描次数，就可以获得更高的密度。该方法牺牲了时间，增加采集扫描次数，实现了远距离处的点云密度提升。

具体实施时，可采用步骤1的固定激光雷达采集输电线路通道的点云数据；

也可以采用手持激光雷达或无人机搭载激光雷达通过移动采集的方式先将输电线点云数据采集好，然后根据坐标原点之间的空间关系，通过切换坐标原点的方法转换到步骤1固定激光雷达的坐标系，用于后续在每次实时计算中直接替代实时获取的，不齐全的输电线点云数据。

例如，手持激光雷达或无人机载激光雷达坐标原点为（x0，y0，z0），固定激光雷达坐标原点为（x1，y1，z1），假设两个都是笛卡尔坐标系，且三个轴方向都一样，手持激光雷达或无人机机载激光雷达采集到的点云在固定激光坐标系中的坐标为（x0+x1，y0+y1,z0+z1）。如两个坐标系的轴方向不一致，采用向量计算的方法即可很容易地进行坐标换算。

步骤3：从步骤2得到的点云数据中识别和分离出输电线点云数据和非输电线路点云数据并进行数据保存，完成初始化环境空间建模，具体的：

采用AI语义分割算法或PCL库中的统计滤波器滤波加K-Means聚类算法等算法，从步骤2得到的点云数据中分离出输电线点云数据和杆塔等非输电线点云数据并进行数据保存，完成初始化环境空间建模。

具体步骤为：

步骤3.1：事先采集或合成输电线路、工程车辆、工程装备、树木等输电走廊经常出现的目标的激光点云数据集，采用大规模点云语义分割网络RandLA-Net训练该数据集，生成AI算法模型；

步骤3.2：将步骤2得到的点云数据输入到所述算法模型进行计算，RandLA-Net会分割识别出各种不同目标物体，存储计算结果，完成监控环境扫描建模；所述目标物体包括输电线、杆塔、树木和房屋建筑。

步骤4：激光雷达扫描输电线路通道，实时获取输电线路通道点云数据；

步骤5：采用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线通道点云数据中相同位置的数据，取单根输电导线的点云数据，沿导线架设方向，以用户设定的间隔距离查找安全范围内是否有其他点云数据，判断输电线路是否存在外破风险，具体包括：

步骤5.1：用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线点云数据中相同位置的数据：

将步骤3中分离出的输电线，在沿导线架设方向取激光雷达至对侧杆塔之间的距离长度，在垂直和水平方向，以导线为中心向外侧拓展一定范围，典型的范围可以是垂直方向以弧垂至悬挂点垂直距离加上一定余量例如1米，水平方向以最外侧两根导线之间的距离加上余量例如1米，三个方向形成了一个空间长方体，将步骤3在该长方体内的所有点云数据替换掉实时获取的点云数据中相同位置的数据。

基于步骤5.1的数据，设置安全距离R，逐一选取输电线，判断其是否存在外破风险，若存在，则进入步骤5.3；

具体的，设置安全距离R，逐一选取输电线，并在点云数据中去除其它输电线点云数据，以输电线架设方向为x方向，以用户设定的间隔Δx遍历，在每一个x=n*Δx坐标处，n=1,2,…，选取离该坐标最近的输电线点云数据点(x’, y’, z’)，以该点(x’, y’, z’)为中心，z与x方向垂直的平面yz上，距离输电线半径为R的圆形范围内查找判断是否包含其它点云数据：

若不包含，则该位置安全，若包含，对该部分点云团进行识别和分割，若点云团目标尺寸大于预先设置的阈值F，则该位置存在外破风险，计算所包含的非输电线路的点云数据与输电线之间的距离并进入步骤5.3；

步骤5.3：AI算法模型识别风险位置目标，并根据非输电线路的点云数据与输电线之间的距离判定该位置有外破风险等级。

所述安全距离根据不同的电压等级的环境条件，由用户设定。

本发明能采集远距离输电线点云数据，解决了远距离输电线在激光雷达中难以实时监测的难题。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

所述方法包括以下步骤：

步骤1：激光雷达远距离对准待监测的输电线路通道；

步骤2：防外破监测系统开启电源，开始初始化，激光雷达多次扫描获取输电线路通道的点云数据，通过时间积分，将低密度的点云数据进行积分叠加，得到高密度的点云数据；

步骤3：从步骤2得到的点云数据中识别和分离出输电线点云数据和非输电线路点云数据并进行数据保存，完成初始化环境空间建模；

步骤4：激光雷达扫描输电线路通道，实时获取输电线路通道点云数据；

步骤5：采用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线通道点云数据中相同位置的数据，取单根输电导线的点云数据，沿导线架设方向，以用户设定的间隔距离查找安全范围内是否有其他点云数据，判断输电线路是否存在外破风险。

2.根据权利要求1所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤1中，所述激光雷达固定在杆塔或导、地线位置，并且对准待监测的输电线路通道。

3.根据权利要求1所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤2中，手动或自动控制激光雷达方向，采集输电线路通道的点云数据，通过对同一空间范围进行多次非重复激光扫描，通过时间积分，将低密度的远距离点云数据进行积分叠加，获得高密度的点云数据。

4.根据权利要求1所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤2中，采用步骤1的固定激光雷达采集输电线路通道的点云数据；或，

采用手持激光雷达或无人机搭载激光雷达通过移动采集的方式先将输电线点云数据采集好，然后根据坐标原点之间的空间关系，通过切换坐标原点的方法转换到步骤1固定激光雷达的坐标系中。

5.根据权利要求1所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤3中，从步骤2得到的点云数据中识别和分离出输电线点云数据和非输电线点云数据并进行数据保存，完成初始化环境空间建模，具体步骤为：

步骤3.1：事先采集或合成输电线路及其周围工程车辆、工程装备和树木的激光点云数据集，采用大规模点云语义分割网络RandLA-Net训练该数据集，生成AI算法模型；

步骤3.2：将步骤2得到的点云数据输入到所述算法模型进行计算，RandLA-Net会分割识别出各种不同目标物体，存储计算结果，完成监控环境扫描建模；所述目标物体包括输电线、杆塔、树木和房屋建筑。

6.根据权利要求1所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤5包括：

步骤5.1：采用步骤3中分离出的输电线点云数据代替步骤4实时获取的输电线通道点云数据中相同位置的数据；

步骤5.2：基于步骤5.1的数据，设置安全距离R，逐一选取输电线，判断其是否存在外破风险，若存在，则进入步骤5.3；

步骤5.3：AI算法模型识别风险位置目标，并根据非输电线路的点云数据与输电线之间的距离判定该位置有外破风险等级。

7.根据权利要求6所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤5.1中，将步骤3中分离出的输电线，在沿导线架设方向取激光雷达至对侧杆塔之间的距离长度，在垂直和水平方向，以导线为中心向外侧拓展一定范围，将步骤3在扩展空间内的所有点云数据替换掉实时获取的点云数据中相同位置的数据。

8.根据权利要求6所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤5.1进行范围扩展时，在垂直方向以弧垂至悬挂点垂直距离加上余量，水平方向以最外侧两根导线之间的距离加上余量，结合导线架设方向及该方向上的距离长度，形成空间长方体，得到扩展空间。

9.根据权利要求6所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

步骤5.2具体为：设置安全距离R，逐一选取输电线，并在步骤5.1数据中去除其它输电线点云数据，以输电线架设方向为x方向，以用户设定的间隔Δx遍历，在每一个x=n*Δx坐标处，选取离该坐标最近的输电线点云数据点(x’, y’, z’)，以该点(x’, y’, z’)为中心，z与x方向垂直的平面yz上，距离输电线半径为R的圆形范围内查找判断是否包含其它点云数据：

若不包含，则该位置安全，若包含，对包含的点云团进行识别和分割，若点云团目标尺寸大于预先设置的阈值F，则该位置存在外破风险，计算所包含的非输电线路的点云数据与输电线之间的距离并进入步骤5.3。

10.根据权利要求6所述的一种输电线路激光雷达点云采集和防外破实时监测方法，其特征在于：

所述安全距离根据不同的电压等级的环境条件，由用户设定。

Images