CN115797814A - 基于无人机的输电线路树障隐患实时评估计算方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种基于无人机的输电线路树障隐患实时评估计算方法，该方法获取输电线路以及周围树木的点云数据，得到至少两个感兴趣区域；分别获取每个感兴趣区域中的每个点云数据的第一兴趣度；分别获取每个感兴趣区域中的每个点云数据的第二兴趣度；结合点云数据的第一兴趣度和第二兴趣度获取每个感兴趣区域中每个点云数据的综合兴趣度；利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度；利用自适应尺度对感兴趣区域中的点云数据进行去噪，以完成输电线路树障隐患进行实时评估。本发明通过自适应获取DoN算法的尺度提高点云滤波效果，使得输电线路隐患识别结果更为准确。

Description

基于无人机的输电线路树障隐患实时评估计算方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种基于无人机的输电线路树障隐患实时评估计算方法。

背景技术

输电线路树障是输电线路下的树木在生长过程中，与输电线路的距离不断减少，影响到输电线路发生闪络现象，并引起跳闸停电。因此，对于输电线路定期巡检，能够有效的消除可能存在的树障隐患。随着激光雷达技术的发展，为了减少人力物力，无人机激光雷达成为了输电线路树障隐患巡检的一种主力手段。

通过搭载有无人机激光雷达对输电线路及周边的树木进行检测，获取输电线路及周边的树木的点云数据，然而无人机飞行过程极容易受到环境的影响以及激光雷达的设备的影响，因此在进行输电线路树障隐患实时评估过程中，首先需要对采集的点云数据进行去噪预处理。由于树木边缘以及输电线路边缘对于隐患评估十分重要，目前通常利用传统的DoN算法对点云数据进行滤波处理，即传统的DoN算法是利用了多尺度空间的思想，通过人为设置尺度空间系数获取点云法线，进而区分点云数据中的低频信息和高频信息，以达到去除异常点云的效果。然而传统的DoN算法的滤波效果主要受到尺度空间的影响，对于尺度空间设置仅是根据专业人员进行设置，但是不同的输电线路以及周边的树木不同，对应的尺度空间不同，因此设置的单一尺度空间使得点云数据的去噪效果较差，进而导致树障隐患评估结果出现较大误差。

发明内容

为了解决上述利用人为设置尺度空间的传统DoN算法的去噪效果较差，导致树障隐患评估结果出现较大误差的问题，本发明的目的在于提供一种基于无人机的输电线路树障隐患实时评估计算方法，所采用的技术方案具体如下：

本发明一个实施例提供了一种基于无人机的输电线路树障隐患实时评估计算方法，该方法包括：

获取输电线路以及周围树木的点云数据，通过对点云数据进行划分得到点云数据的至少两个感兴趣区域；

对每个感兴趣区域中的点云数据进行平面拟合，得到每个拟合平面的平面法向量，根据平面法向量获取每个感兴趣区域的整体兴趣度；根据每个点云数据所涉及的拟合平面的平面法向量以及所在感兴趣区域的整体兴趣度，分别获取每个感兴趣区域中的每个点云数据的第一兴趣度；

将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域，分别获取每个输电线路感兴趣区域的拟合平面记为第一平面，根据树木感兴趣区域中每个点云数据到每个第一平面的距离，获取每个树木感兴趣区域中每个点云数据的第二兴趣度；设置每个输电线路感兴趣区域中的每个点云数据的第二兴趣度为预设值；

结合点云数据的第一兴趣度和第二兴趣度获取每个感兴趣区域中每个点云数据的综合兴趣度；利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度；

利用自适应尺度对感兴趣区域中的点云数据进行去噪，根据去噪后的点云数据对输电线路树障隐患进行实时评估。

进一步的，所述通过对点云数据进行划分得到点云数据的至少两个感兴趣区域的步骤，包括：

根据点云数据的坐标差异，利用DBSCAN聚类算法对点云数据进行聚类，得到至少两个类别，一个类别对应一个点云数据区域；

根据输电线路以及周围树木的所有点云数据的坐标获取中心点的坐标，对于任意一个点云数据区域，获取点云数据区域的区域中心点的坐标，根据区域中心点的坐标和中心点的坐标计算欧式距离；获取每个点云数据的回波强度，根据点云数据区域中每个点云数据的回波强度计算回波强度方差；根据区域中心点和中心点之间坐标中的z坐标值差异获取第一取值；将第一取值、欧式距离和回波强度方差之间的乘积作为点云数据区域属于感兴趣区域的概率；

获取每个点云数据区域属于感兴趣区域的概率，对每个概率进行归一化处理得到对应的归一化概率，将归一化概率大于概率阈值的点云数据区域作为感兴趣区域。

进一步的，所述根据区域中心点和中心点之间坐标中的z坐标值差异获取第一取值的方法，包括：

当区域中心点的z坐标值大于等于中心点的z坐标值时，第一取值为预设的第一数值；当区域中心点的z坐标值小于中心点的z坐标值时，第一取值为预设的第二数值，且第一数值大于第二数值。

进一步的，所述根据平面法向量获取每个感兴趣区域的整体兴趣度的步骤，包括：

基于任意一个感兴趣区域的所有拟合平面的平面法向量，在所有平面法向量中取任意一个平面法向量作为参考平面法向量，获取剩余平面法向量中与参考平面法向量的差异最小的平面法向量，记为匹配平面法向量，将匹配平面法向量和参考平面法向量组成平面法向量组，将所有平面法向量更新为剩余平面法向量，得到感兴趣区域中的至少两个平面法向量组；计算每个平面法向量组对应的两个平面法向量之间的余弦相似度，根据所有的余弦相似度得到余弦相似度方差，将余弦相似度方差作为感兴趣区域的整体兴趣度。

进一步的，所述第一兴趣度的获取步骤，包括：

对于任意一个感兴趣区域中的任意一个点云数据，计算点云数据在感兴趣区域中所涉及的拟合平面的平面法向量的均值，记为第一平面法向量，分别计算点云数据所涉及的每个拟合平面的平面法向量与第一平面法向量的余弦相似度，根据余弦相似度得到不相似度，根据点云数据所涉及的每个拟合平面的平面法向量对应的不相似度计算不相似度均值，将不相似度均值的归一化结果与感兴趣区域的整体兴趣度之间的乘积作为感兴趣区域中点云数据的第一兴趣度。

进一步的，所述获取每个树木感兴趣区域中每个点云数据的第二兴趣度的步骤，包括：

取任意一个树木感兴趣区域中的任意一个点云数据作为目标点，取任意一个第一平面作为目标第一平面，根据树木感兴趣区域中每个点云数据到目标第一平面的距离构建距离变化曲线，记为第一曲线；获取除去目标点后其他点云数据到目标第一平面的距离所构建的距离变化曲线，记为第二曲线；计算第一曲线和第二曲线的DTW距离，记为目标点的曲线不相似度；获取每个第一平面下目标点的曲线不相似度，得到曲线不相似度的平均值作为目标点的兴趣指标；获取树木感兴趣区域中每个点云数据的兴趣指标，对所有点云数据的兴趣指标进行线性归一化处理，得到的归一化结果作为树木感兴趣区域中对应点云数据的第二兴趣度。

进一步的，所述综合兴趣度的获取步骤，包括：

对于任意一个感兴趣区域中的任意一个点云数据，将点云数据的第一兴趣度和第二兴趣度的相加结果作为点云数据的综合兴趣度。

进一步的，所述利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度的步骤，包括：

对每个感兴趣区域中每个点云数据的综合兴趣度进行归一化处理，得到对应点云数据的归一化综合兴趣度；自适应尺度包括最大尺度和最小尺度，对于任意一个感兴趣区域中的任意一个点云数据，获取常数1与点云数据的归一化综合兴趣度的差值，将差值与预设的尺度调节超参数的乘积作为最大尺度，将最大尺度与预设比例的乘积作为最小尺度。

进一步的，利用RANSAC平面拟合算法对每个感兴趣区域中的点云数据进行平面拟合。

进一步的，利用偏最小二乘算法获取每个输电线路感兴趣区域的拟合平面。

本发明具有如下有益效果：

本发明中通过对输电线路以及周围树木的所有点云数据的分布特征对感兴趣区域进行划分，即需要进行点云滤波操作的区域；根据每个感兴趣区域中所有点云数据构成的平面的多样性来表征感兴趣区域内的整体兴趣度，故对每个感兴趣区域中的点云数据进行平面拟合，以得到每个感兴趣区域中的每个点云数据的第一兴趣度，能够体现感兴趣区域中的点云数据对树木轮廓以及输电线路边缘轮廓的表征情况，为了进一步保证DoN算法的尺度的获取，根据树木感兴趣区域中的点云数据与输电线路感兴趣区域之间的位置关系，获取每个感兴趣区域中的每个点云数据的第二兴趣度，用于表征每个感兴趣区域中每个点云数据对树障隐患识别的影响程度，然后通过第一兴趣度和第二兴趣度获取每个点云数据的综合兴趣度，若点云数据的综合兴趣度越大，则表明该点云数据越可以表征树木轮廓或输电线路边缘轮廓特征，并且该点云数据对于输电线路和树木之间的关系影响较大，对应的该点云数据越需要采用较小的尺度来表征其结构变化，因此根据每个点云数据的综合兴趣度对DoN算法的尺度进行自适应计算，通过获取的自适应尺度对感兴趣区域中的点云数据进行滤波去噪操作，避免了传统的DoN算法中根据专业人员进行设置尺度导致的点云滤波效果较差，进而提高了根据去噪后的点云数据对输电线路树障隐患进行识别的准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，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的介绍，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它附图。

图1为本发明一个实施例所提供的一种基于无人机的输电线路树障隐患实时评估计算方法的步骤流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于无人机的输电线路树障隐患实时评估计算方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于无人机的输电线路树障隐患实时评估计算方法的具体方案。

本发明实施例所针对的具体场景为：通过搭载有激光雷达的无人机获取输电线路以及周边的树木的点云数据，通过对点云数据进行自适应尺度空间的DoN算法滤波去噪，以根据去噪后的点云数据进行输电线路的树障隐患评估。

请参阅图1，其示出了本发明一个实施例提供的一种基于无人机的输电线路树障隐患实时评估计算方法的步骤流程图，该方法包括：

步骤S001，获取输电线路以及周围树木的点云数据，通过对点云数据进行划分得到点云数据的至少两个感兴趣区域。

具体的，通过搭载有激光雷达的无人机，根据输电线路以及周边的树木的面积设置无人机飞行的航线，基于飞行航线采集输电线路以及周边树木的点云数据和每个点云数据的回波强度，其中，点云数据的坐标通过

表示，回波强度通过

表示。

需要说明的是，本实施例中无人机在采集点云数据中的各个飞行参数统一，不做改变，例如激光雷达视角、飞行高度等；利用激光雷达获取点云数据和点云数据的回波强度属于公知技术，本方案不再赘述。

在输电线路的树障隐患的评估过程中，由于采集的点云数据中点云数据较多，若对所有的点云数据进行滤波去噪处理会使得计算量较大，并且在输电线路的树障隐患进行评估时，仅需要获取树的生长状况以及树木与输电线路的对应关系，因此本发明实施例仅需要对输电线路以及周边树木的部分点云数据的区域进行去噪即可，故通过对点云数据进行划分得到点云数据的至少两个感兴趣区域，其方法为：根据点云数据的坐标差异，利用DBSCAN聚类算法对点云数据进行聚类，得到至少两个类别，一个类别对应一个点云数据区域；根据输电线路以及周围树木的所有点云数据的坐标获取中心点的坐标，对于任意一个点云数据区域，获取点云数据区域的区域中心点的坐标，根据区域中心点的坐标和中心点的坐标计算欧式距离；获取每个点云数据的回波强度，根据点云数据区域中每个点云数据的回波强度计算回波强度方差；根据区域中心点和中心点之间坐标中的z坐标值差异获取第一取值；将第一取值、欧式距离和回波强度方差之间的乘积作为点云数据区域属于感兴趣区域的概率；获取每个点云数据区域属于感兴趣区域的概率，对每个概率进行归一化处理得到对应的归一化概率，将归一化概率大于概率阈值的点云数据区域作为感兴趣区域。

作为一个示例，对所有的点云数据进行DBSCAN聚类，根据点云数据的坐标获取多个类别，其中每个类别构成一个点云数据区域。其中DBSCAN聚类算法为公知技术，在本案中不再赘述，本实施例中设置的DBSACAN聚类算法的参数为邻域半径为10，最少点的数量为20，可根据实施者具体实施情况而定。

在所有的点云数据区域中，每个点云数据区域属于感兴趣区域的概率与该点云数据区域的分布位置，以及点云数据区域中每个点云数据的回波强度的分布差异有关，因此以第c个点云数据区域为例，第c个点云数据区域属于感兴趣区域的概率

的计算表达式为：

其中，

为第c个点云数据区域属于感兴趣区域的概率；

为根据区域中心点和中心点之间坐标中的z坐标值差异获取的第一取值，用于修正欧式距离

的误差；

为根据区域中心点的坐标和中心点的坐标计算的欧式距离；

为第c个点云数据区域的区域中心点；

为根据输电线路以及周围树木的所有点云数据获取的中心点；

为第c个点云数据区域的回波强度方差。

中心点的坐标的获取方法为：根据输电线路以及周围树木的所有点云数据的坐标获取中心点的坐标，即中心点的坐标

，其中，

为输电线路以及周围树木的点云数据的总数量，

为第1个点云数据的坐标，

为第2个点云数据的坐标，

为第n个点云数据的坐标。

第一取值

的获取方法为：当区域中心点的z坐标值大于等于中心点的z坐标值时，第一取值为预设的第一数值；当区域中心点的z坐标值小于中心点的z坐标值时，第一取值为预设的第二数值，且第一数值大于第二数值，则第一取值的计算公式为：

，其中，1为第一数值，0.01为第二数值，

为第c个点云数据区域的区域中心点的z坐标值，

为中心点的z坐标值。

需要说明的是，若点云数据区域中的点云数据在所有的点云数据中越多且越靠近点云数据的外围区域，则表明点云数据区域越靠近树木的高层且越靠近树木的轮廓区域，在树障隐患的识别中的重要程度就越大，因此根据区域中心点的坐标和中心点的坐标计算的欧式距离

越大，点云数据区域属于感兴趣区域的概率

越大；若点云数据区域中的点云数据的回波强度的方差越大，则表明该点云数据区域中点云数据之间的回波强度差异越大，越表明该点云数据区域的结构波动较大，对应该点云数据区域中可能存在结构性特征的概率越大，进而对于树障隐患的识别的重要程度就越大，则回波强度方差

越大，对应点云数据区域属于感兴趣区域的概率

越大。

利用第c个点云数据区域属于感兴趣区域的概率

的计算表达式，获取每个点云数据区域属于感兴趣区域的概率，根据归一化函数

对每个概率进行归一化处理得到对应的归一化概率，设置概率阈值0.65，将归一化概率大于概率阈值的点云数据区域作为感兴趣区域。

步骤S002，对每个感兴趣区域中的点云数据进行平面拟合，得到每个拟合平面的平面法向量，根据平面法向量获取每个感兴趣区域的整体兴趣度；根据每个点云数据所涉及的拟合平面的平面法向量以及所在感兴趣区域的整体兴趣度，分别获取每个感兴趣区域中的每个点云数据的第一兴趣度。

具体的，在获取的感兴趣区域中每个点云数据的分布特征不同，对应每个点云数据的兴趣度不同，其中本实施例中每个点云数据的兴趣度表征着每个点云数据的本身对其周围点云数据之间的关系以及对树障隐患识别的影响程度，影响程度不同，对应每个点云数据在DoN算法中的尺度选择不同。基于此特征，根据感兴趣区域中点云数据平面的多样性获取每个感兴趣区域中每个点云数据的第一兴趣度，第一兴趣度的获取过程如下：

（1）利用RANSAC平面拟合算法对每个感兴趣区域中的点云数据进行平面拟合，得到每个拟合平面的平面法向量。

具体的，第一兴趣度用于体现感兴趣区域中点云数据对于树木轮廓以及输电线路边缘轮廓的表征情况，若当前感兴趣区域中存在的平面越多，即对应的平面多样性越大，则表明当前感兴趣区域中的点云数据越可以表征树木的轮廓以及输电线路边缘轮廓特征，当前感兴趣区域中点云数据的第一兴趣度越大。

对于点云数据平面的多样性，以第b个感兴趣区域为例，首先获取第b个感兴趣区域中点云数据的所有点面，本实施例中在第b个感兴趣区域中进行体素化处理，其中设置的体素大小为0.01m，在每个体素中选取最靠近体素中心的点云数据作为第b个感兴趣区域的平面拟合基准点，以平面拟合基准点为起始点，利用RANSAC平面拟合算法对第b个感兴趣区域中的点云数据进行平面拟合，获取到N个拟合平面，且一个拟合平面有一个平面法向量，N为正整数，其中RANSAC平面拟合算法为公知技术，本实施例不再赘述，且设置RANSAC平面拟合算法的阈值为3，迭代次数为100。

（2）基于任意一个感兴趣区域的所有拟合平面的平面法向量，在所有平面法向量中取任意一个平面法向量作为参考平面法向量，获取剩余平面法向量中与参考平面法向量的差异最小的平面法向量，记为匹配平面法向量，将匹配平面法向量和参考平面法向量组成平面法向量组，将所有平面法向量更新为剩余平面法向量，得到感兴趣区域中的至少两个平面法向量组；计算每个平面法向量组对应的两个平面法向量之间的余弦相似度，根据所有的余弦相似度得到余弦相似度方差，将余弦相似度方差作为感兴趣区域的整体兴趣度。

作为一个示例，以第b个感兴趣区域为例，基于第b个感兴趣区域对应的每个拟合平面的平面法向量，取任意一个平面法向量作为参考平面法向量，计算参考平面法向量与每个其他平面法向量之间的余弦相似度，将最小的余弦相似度所对应的其他平面法向量和参考平面法向量组成一个平面法向量组，然后排除参考平面法向量，在剩余平面法向量中再选取一个参考平面法向量，计算参考平面法向量与每个其他平面法向量（不包括已经组成的平面法向量组中的参考法向量）之间的余弦相似度，将最小的余弦相似度所对应的其他平面法向量和参考平面法向量再组成一个平面法向量组，因此类推，获取多个平面法向量组。需要说明的是，每个平面法向量只能参与一次，即得到当前平面法向量的平面法向量组时，将当前平面法向量排除，再获取下一个平面法向量的平面法向量组时，不包括当前平面法向量，当前平面法向量不参与分析。

利用第b个感兴趣区域内的多个平面法向量组来表征第b个感兴趣区域中的平面的多样性，则第b个感兴趣区域的整体兴趣度的计算公式为：

其中，

为第b个感兴趣区域的整体兴趣度；

为第b个感兴趣区域内的平面法向量组的数量；

为第b个感兴趣区域内的第

个平面法向量组对应的余弦相似度；

为第b个感兴趣区域内的所有平面法向量组的余弦相似度之间的均值。

需要说明的是，在感兴趣区域内，根据感兴趣区域内所有点云数据构成的拟合平面的多样性，来表征感兴趣区域内所有点云数据的整体兴趣度，若感兴趣区域内的拟合平面的平面法向量的差异越大，则表明感兴趣区域内含有的结构性特征较为明显，即存在多个方向的拟合平面，对应感兴趣区域内存在多样化的平面结构，拟合平面的多样性越大，因此通过感兴趣区域内所有平面法向量组的余弦相似度计算的余弦相似度方差越大，对应感兴趣区域内的整体兴趣度

越大。

（3）对于任意一个感兴趣区域中的任意一个点云数据，计算点云数据在感兴趣区域中所涉及的拟合平面的平面法向量的均值，记为第一平面法向量，分别计算点云数据所涉及的每个拟合平面的平面法向量与第一平面法向量的余弦相似度，根据余弦相似度得到不相似度，根据点云数据所涉及的每个拟合平面的平面法向量对应的不相似度计算不相似度均值，将不相似度均值的归一化结果与感兴趣区域的整体兴趣度之间的乘积作为感兴趣区域中点云数据的第一兴趣度。

作为一个示例，第b个感兴趣区域中第k个点云数据为例，第k个点云数据的第一兴趣度的计算公式为：

其中，

为第b个感兴趣区域中第k个点云数据的第一兴趣度；

为归一化函数；

为第b个感兴趣区域中第k个点云数据所参与的拟合平面的数量；

为第b个感兴趣区域中第k个点云数据所参与的所有拟合平面中第

个拟合平面的平面法向量；

为第b个感兴趣区域中第k个点云数据所参与的所有拟合平面的平面法向量的均值，也即是第一平面法向量；

为平面法向量

和第一平面法向量

之间的余弦相似度；

为第b个感兴趣区域的整体兴趣度；

为平面法向量

和第一平面法向量

之间的不相似度。

需要说明的是，在感兴趣区域中对所有的点云数据进行兴趣度的分配，其中分配权重与对应点云数据构成的拟合平面的平面法向量和整个感兴趣区域中所有拟合平面的平面法向量均值的差异有关，若差异越大，不相似度

的值越大，表明对应点云数据在整个感兴趣区域中的结构化特征差异越大，对应点云数据的第一兴趣度越大，则分配的权重越大，即归一化后的不相似度均值

越大，因此第一兴趣度

与不相似度

呈正相关关系。

至此，利用第一兴趣度的获取过程，分别获取每个感兴趣区域中的每个点云数据的第一兴趣度。

步骤S003，将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域，分别获取每个输电线路感兴趣区域的拟合平面记为第一平面，根据树木感兴趣区域中每个点云数据到每个第一平面的距离，获取每个树木感兴趣区域中每个点云数据的第二兴趣度；设置每个输电线路感兴趣区域中的每个点云数据的第二兴趣度为预设值。

具体的，根据步骤S002计算得到所有感兴趣区域本身内部的第一兴趣度，其中第一兴趣度仅是根据感兴趣区域内部点云数据的分布特征有关，用于体现感兴趣区域中点云数据对于树木轮廓结构和输电线路边缘结构的表征情况，若仅分析第一兴趣度还不足以表征树障隐患识别过程中的树木和输电线路之间的对应关系，会使得在计算点云数据的尺度大小时，没有考虑树木与输电线路之间的关系影响，会造成利用点云数据的尺度大小计算的结果出现偏差，造成较大的误差，因此通过分析感兴趣区域中树木区域和输电线路区域之间的对应关系，来计算每个感兴趣区域中每个点云数据对树障隐患识别的影响程度，即获取每个感兴趣区域中每个点云数据的第二兴趣度，则第二兴趣度的获取过程如下：

（1）将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域。

对所有的感兴趣区域进行分类，将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域，由于输电线路区域和树木区域之间存在较为明显的分解线，因此本实施例采用DNN语义分割网络进行分类，DNN语义分割网络的训练过程为：以历史的输电线路及周边的树木的点云数据为数据集，采用人工标注的方式，将输电线路区域标注为0，树木区域标注为1，采用的损失函数为交叉熵函数。至此，利用DNN语义分割网络将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域。

需要说明的是，DNN语义分割网络为公知技术，本方案不再详细赘述。

（2）分别获取每个输电线路感兴趣区域的拟合平面记为第一平面，根据树木感兴趣区域中每个点云数据到每个第一平面的距离，获取每个树木感兴趣区域中每个点云数据的第二兴趣度，具体为：取任意一个树木感兴趣区域中的任意一个点云数据作为目标点，取任意一个第一平面作为目标第一平面，根据树木感兴趣区域中每个点云数据到目标第一平面的距离构建距离变化曲线，记为第一曲线；获取除去目标点后其他点云数据到目标第一平面的距离所构建的距离变化曲线，记为第二曲线；计算第一曲线和第二曲线的DTW距离，记为目标点的曲线不相似度；获取每个第一平面下目标点的曲线不相似度，得到曲线不相似度的平均值作为目标点的兴趣指标；获取树木感兴趣区域中每个点云数据的兴趣指标，对所有点云数据的兴趣指标进行线性归一化处理，得到的归一化结果作为树木感兴趣区域中对应点云数据的第二兴趣度。

作为一个示例，由于每个输电线路感兴趣区域基本呈现线性平面特征，即该区域的所有点云数据分布较为均匀，因此以输电线路感兴趣区域为基准平面进行偏最小二乘算法的平面拟合，进而得到每个输电线路感兴趣区域对应的拟合平面，记为第一平面。

以第h个树木感兴趣区域中第a个点云数据为例，对于第P个输电线路感兴趣区域对应的拟合平面，计算第h个树木感兴趣区域中的每个点云数据到第P个输电线路感兴趣区域对应的拟合平面的距离D，对第h个树木感兴趣区域中的所有点云数据的距离D进行距离变化曲线的构建，记该距离变化曲线为第一曲线，其中距离变化曲线的构建过程中的横坐标为点云数据的序号，可根据实施者具体实施情况下的点的顺序进行排列即可，要求后续进行曲线比较时，点的顺序不变即可；为了分析第h个树木感兴趣区域中第a个点云数据的第二兴趣度，将第h个树木感兴趣区域中的第a个点云数据去除，然后将第h个树木感兴趣区域中的剩余点云数据所对应的距离进行距离变化曲线的构建，记该距离变化曲线为第二曲线，由于第一曲线和第二曲线之间的点云数据的数量不同，因此通过DTW动态时间规整算法计算第一曲线和第二曲线之间的DTW距离，用于表征不相似度，不相似度越大，第h个树木感兴趣区域中第a个点云数据的兴趣指标

越大，进而获取每个输电线路感兴趣区域对应的拟合平面下，第h个树木感兴趣区域中第a个点云数据对应的第一曲线和第二曲线之间的DTW距离，结合所有的DTW距离获取第h个树木感兴趣区域中第a个点云数据的兴趣指标：

其中，

为获取第h个树木感兴趣区域中第a个点云数据的兴趣指标；

为输电线路感兴趣区域的数量，也即是第一平面的数量；

为第P个输电线路感兴趣区域对应的拟合平面下，第h个树木感兴趣区域中第a个点云数据对应的第一曲线和第二曲线之间的DTW距离，也即是曲线不相似度。

需要说明的是，根据树木感兴趣区域中的点云数据与输电线路感兴趣区域之间的对应关系，计算每个树木感兴趣区域中每个点云数据对树障隐患识别的影响程度，即获取每个点云数据的兴趣指标，通过比较去除点云数据的前后的距离变化曲线之间的差异程度来获取每个点云数据对树障隐患识别的影响程度，差异程度越大，DTW距离

的值越大，点云数据对树障隐患识别的影响程度就越大，则对应点云数据的兴趣指标

就越大。

获取第h个树木感兴趣区域中每个点云数据的兴趣指标，对所有点云数据的兴趣指标进行线性归一化处理，得到的归一化结果作为对应点云数据的第二兴趣度。

（3）设置每个输电线路感兴趣区域中的每个点云数据的第二兴趣度为预设值。

由于输电线路感兴趣区域中的所有点云数据都对输电线路的分布有显著影响，因此本实施例对输电线路感兴趣区域中的每个点云数据的第二兴趣度设置为1。

至此，根据上述第二兴趣度的获取方法，分别获取每个树木感兴趣区域中每个点云数据的第二兴趣度和每个输电线路感兴趣区域中的每个点云数据的第二兴趣度，也即得到了每个感兴趣区域中每个点云数据的第二兴趣度。

步骤S004，结合点云数据的第一兴趣度和第二兴趣度获取每个感兴趣区域中每个点云数据的综合兴趣度；利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度。

具体的，根据感兴趣区域中点云数据平面的多样性，在步骤S002中得到了每个感兴趣区域中每个点云数据的第一兴趣度，其中第一兴趣度是每个感兴趣区域各自内部的点云数据的兴趣度表征，是感兴趣区域中点云数据对于树木轮廓以及输电线路边缘轮廓的表征；根据树木感兴趣区域中点云数据与输电线路感兴趣区域之间的对应关系，利用步骤S003获取每个感兴趣区域中每个点云数据的第二兴趣度，其中第二兴趣度是每个感兴趣区域与其他感兴趣区域之间的对应关系对点云数据的兴趣度表征，因此根据感兴趣区域中点云数据的第一兴趣度和第二兴趣度计算每个感兴趣区域中每个点云数据的综合兴趣度：对于任意一个感兴趣区域中的任意一个点云数据，将点云数据的第一兴趣度和第二兴趣度的相加结果作为点云数据的综合兴趣度。

作为一个示例，综合兴趣度的计算公式为：

其中，

为所有感兴趣区域的点云数据中第j个点云数据的综合兴趣度；

为所有感兴趣区域的点云数据中第j个点云数据的第一兴趣度；

为所有感兴趣区域的点云数据中第j个点云数据的第二兴趣度。

利用综合兴趣度的计算公式获取每个感兴趣区域中每个点云数据的综合兴趣度，并对每个感兴趣区域中每个点云数据的综合兴趣度进行归一化处理，得到对应点云数据的归一化综合兴趣度。

本实施例中通过对所有点云区域的分布特征对感兴趣区域进行划分，即需要进行点云滤波操作的区域。根据每个感兴趣区域内所有点云数据构成的平面的多样性来表征该感兴趣区域内的整体的兴趣度（第一兴趣度），以及根据树木感兴趣区域中点云数据与输电线路感兴趣区域之间的对应关系，来计算每个感兴趣区域中每个点云数据对树障隐患识别的影响程度，即获取每个感兴趣区域中每个点云数据的第二兴趣度，通过第一兴趣度和第二兴趣度获取每个点云数据的综合兴趣度，进而根据综合兴趣度获取每个点云数据对于DoN算法的尺度选择，这样能够避免了传统的DoN算法中根据专业人员进行设置。

不同的输电线路以及周边树木的不同，对应尺度空间的不同会降低滤波效果较差的缺点，使得自适应DoN滤波算法在保证许多细节结构不丢失的基础上，获取较好的点云滤波结果，使得输电线路隐患识别结果较为准确，则基于此特征，利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度，具体为：对每个感兴趣区域中每个点云数据的综合兴趣度进行归一化处理，得到对应点云数据的归一化综合兴趣度；自适应尺度包括最大尺度和最小尺度，对于任意一个感兴趣区域中的任意一个点云数据，获取常数1与点云数据的归一化综合兴趣度的差值，将差值与预设的尺度调节超参数的乘积作为最大尺度，将最大尺度与预设比例的乘积作为最小尺度。

作为一个示例，最大尺度的计算公式为：

其中，

为所有感兴趣区域的点云数据中第j个点云数据的最大尺度；

为所有感兴趣区域的点云数据中第j个点云数据的归一化综合兴趣度；20为尺度调整超参数，本实施例中设置为20，可根据实施者具体实施情况而定。

最小尺度的计算公式为：

其中，

为所有感兴趣区域的点云数据中第j个点云数据的最小尺度；

为预设比例，也即是大尺度和小尺度之间的比例，根据Yani Ioannou研究中的结果获取，也可根据实施者具体实施情况而定。

需要说明的是，综合兴趣度表征的是感兴趣区域中点云数据对于尺度大小的选择，若点云数据的综合兴趣度越大，则表明该点云数据越可以表征树木轮廓或输电线路边缘轮廓特征，并且该点云数据对于输电线路和树木之间的关系影响较大，对应的该点云数据越需要采用较小的尺度来表征其结构变化，因此归一化兴趣度

越大，对应点云数据在DoN算法中的尺度

需要设置越小。

至此，基于最大尺度和最小尺度的计算公式，获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度。

步骤S005，利用自适应尺度对感兴趣区域中的点云数据进行去噪，根据去噪后的点云数据对输电线路树障隐患进行实时评估。

具体的，根据每个感兴趣区域中每个点云数据的自适应尺度进行DoN算法滤波操作，得到去噪后的点云数据，其中DoN算法滤波操作为公知技术，本方案不再赘述，但DoN算法中的算法阈值可根据采集的点云数据的量级确定，本实施例中设置为0.3。

对去噪后的点云数据进行手动分类划分为输电线路点云以及树木点云，根据树木高层轮廓对应的树木点云与输电线路点云之间的欧式距离，设置安全等级阈值，第一阈值

，第二阈值

，第三阈值

，可根据实施者具体实施情况而定。若树木高层轮廓对应的树木点云与输电线路点云之间的欧式距离大于

，则不进行预警；若欧式距离位于

范围内，则进行一级预警；若欧式距离位于

范围内，则进行二级预警；若欧式距离小于

，则进行三级预警，至此完成对输电线路树障隐患进行实时评估。其中三级预警最严重，二级次之，一级最次。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，该方法包括以下步骤：

获取输电线路以及周围树木的点云数据，通过对点云数据进行划分得到点云数据的至少两个感兴趣区域；

对每个感兴趣区域中的点云数据进行平面拟合，得到每个拟合平面的平面法向量，根据平面法向量获取每个感兴趣区域的整体兴趣度；根据每个点云数据所涉及的拟合平面的平面法向量以及所在感兴趣区域的整体兴趣度，分别获取每个感兴趣区域中的每个点云数据的第一兴趣度；

将感兴趣区域分为输电线路感兴趣区域和树木感兴趣区域，分别获取每个输电线路感兴趣区域的拟合平面记为第一平面，根据树木感兴趣区域中每个点云数据到每个第一平面的距离，获取每个树木感兴趣区域中每个点云数据的第二兴趣度；设置每个输电线路感兴趣区域中的每个点云数据的第二兴趣度为预设值；

结合点云数据的第一兴趣度和第二兴趣度获取每个感兴趣区域中每个点云数据的综合兴趣度；利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度；

利用自适应尺度对感兴趣区域中的点云数据进行去噪，根据去噪后的点云数据对输电线路树障隐患进行实时评估。

2.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述通过对点云数据进行划分得到点云数据的至少两个感兴趣区域的步骤，包括：

根据点云数据的坐标差异，利用DBSCAN聚类算法对点云数据进行聚类，得到至少两个类别，一个类别对应一个点云数据区域；

根据输电线路以及周围树木的所有点云数据的坐标获取中心点的坐标，对于任意一个点云数据区域，获取点云数据区域的区域中心点的坐标，根据区域中心点的坐标和中心点的坐标计算欧式距离；获取每个点云数据的回波强度，根据点云数据区域中每个点云数据的回波强度计算回波强度方差；根据区域中心点和中心点之间坐标中的z坐标值差异获取第一取值；将第一取值、欧式距离和回波强度方差之间的乘积作为点云数据区域属于感兴趣区域的概率；

获取每个点云数据区域属于感兴趣区域的概率，对每个概率进行归一化处理得到对应的归一化概率，将归一化概率大于概率阈值的点云数据区域作为感兴趣区域。

3.如权利要求2所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述根据区域中心点和中心点之间坐标中的z坐标值差异获取第一取值的方法，包括：

当区域中心点的z坐标值大于等于中心点的z坐标值时，第一取值为预设的第一数值；当区域中心点的z坐标值小于中心点的z坐标值时，第一取值为预设的第二数值，且第一数值大于第二数值。

4.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述根据平面法向量获取每个感兴趣区域的整体兴趣度的步骤，包括：

基于任意一个感兴趣区域的所有拟合平面的平面法向量，在所有平面法向量中取任意一个平面法向量作为参考平面法向量，获取剩余平面法向量中与参考平面法向量的差异最小的平面法向量，记为匹配平面法向量，将匹配平面法向量和参考平面法向量组成平面法向量组，将所有平面法向量更新为剩余平面法向量，得到感兴趣区域中的至少两个平面法向量组；计算每个平面法向量组对应的两个平面法向量之间的余弦相似度，根据所有的余弦相似度得到余弦相似度方差，将余弦相似度方差作为感兴趣区域的整体兴趣度。

5.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述第一兴趣度的获取步骤，包括：

对于任意一个感兴趣区域中的任意一个点云数据，计算点云数据在感兴趣区域中所涉及的拟合平面的平面法向量的均值，记为第一平面法向量，分别计算点云数据所涉及的每个拟合平面的平面法向量与第一平面法向量的余弦相似度，根据余弦相似度得到不相似度，根据点云数据所涉及的每个拟合平面的平面法向量对应的不相似度计算不相似度均值，将不相似度均值的归一化结果与感兴趣区域的整体兴趣度之间的乘积作为感兴趣区域中点云数据的第一兴趣度。

6.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述获取每个树木感兴趣区域中每个点云数据的第二兴趣度的步骤，包括：

取任意一个树木感兴趣区域中的任意一个点云数据作为目标点，取任意一个第一平面作为目标第一平面，根据树木感兴趣区域中每个点云数据到目标第一平面的距离构建距离变化曲线，记为第一曲线；获取除去目标点后其他点云数据到目标第一平面的距离所构建的距离变化曲线，记为第二曲线；计算第一曲线和第二曲线的DTW距离，记为目标点的曲线不相似度；获取每个第一平面下目标点的曲线不相似度，得到曲线不相似度的平均值作为目标点的兴趣指标；获取树木感兴趣区域中每个点云数据的兴趣指标，对所有点云数据的兴趣指标进行线性归一化处理，得到的归一化结果作为树木感兴趣区域中对应点云数据的第二兴趣度。

7.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述综合兴趣度的获取步骤，包括：

对于任意一个感兴趣区域中的任意一个点云数据，将点云数据的第一兴趣度和第二兴趣度的相加结果作为点云数据的综合兴趣度。

8.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，所述利用综合兴趣度获取每个感兴趣区域中每个点云数据在DoN算法中的自适应尺度的步骤，包括：

对每个感兴趣区域中每个点云数据的综合兴趣度进行归一化处理，得到对应点云数据的归一化综合兴趣度；自适应尺度包括最大尺度和最小尺度，对于任意一个感兴趣区域中的任意一个点云数据，获取常数1与点云数据的归一化综合兴趣度的差值，将差值与预设的尺度调节超参数的乘积作为最大尺度，将最大尺度与预设比例的乘积作为最小尺度。

9.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，利用RANSAC平面拟合算法对每个感兴趣区域中的点云数据进行平面拟合。

10.如权利要求1所述的基于无人机的输电线路树障隐患实时评估计算方法，其特征在于，利用偏最小二乘算法获取每个输电线路感兴趣区域的拟合平面。

Images