CN117152532A - 输电线路区段标注方法、装置、计算机设备和存储介质 - Google Patents

输电线路区段标注方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN117152532A
CN117152532A CN202311204193.8A CN202311204193A CN117152532A CN 117152532 A CN117152532 A CN 117152532A CN 202311204193 A CN202311204193 A CN 202311204193A CN 117152532 A CN117152532 A CN 117152532A
Authority
CN
China
Prior art keywords
transmission line
target
model
section
sample
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.)
Pending
Application number
CN202311204193.8A
Other languages
English (en)
Inventor
李超
韦扬志
孟庆禹
薛鹏程
刘成
黄世钊
何学敏
王忠国
李飞虎
黄祖标
孙阔腾
韩秋健
唐瑞焱
赵之雄
何振宇
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.)
Liuzhou Bureau of Extra High Voltage Power Transmission Co
Original Assignee
Liuzhou Bureau of Extra High Voltage Power Transmission Co
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 Liuzhou Bureau of Extra High Voltage Power Transmission Co filed Critical Liuzhou Bureau of Extra High Voltage Power Transmission Co
Priority to CN202311204193.8A priority Critical patent/CN117152532A/zh
Publication of CN117152532A publication Critical patent/CN117152532A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请涉及一种输电线路区段标注方法、装置、计算机设备和存储介质。包括：获取样本输电线路区段的样本激光点云数据，对样本激光点云数据进行标签标注形成样本数据集，样本数据集中不同类型目标物体采用不同标签标注；利用样本数据集对待训练模型进行训练，获取目标检测模型；获取待测输电线路区段的待测激光点云数据，基于待测激光点云数据构建待测输电线路区段模型；将待测输电线路区段模型输入目标检测模型，获取标注后的目标输电线路区段模型，目标输电线路区段模型中采用不同类型标签标注不同类型目标物体，目标物体包括目标输电线路设施和目标障碍物。通过该方法能够实现输电线路区段目标物体的自动标注，提高输电线路区段标注的效率。

Description

输电线路区段标注方法、装置、计算机设备和存储介质
技术领域
本申请涉及输电线路标注技术领域，特别是涉及一种输电线路区段标注方法、装置、计算机设备和存储介质。
背景技术
在输电线路区段标注方面，现有技术是全站仪技术，在利用全站仪技术对输电线路区段中的目标物体记录时，需要工作人员进入输电线路区段，通过放置在地面上的三角测量仪来测量地形和建筑物的高度、坐标等参数，后续还需对测得的参数进行数据处理和图形重建，以实现对输电线路区段记录管理。
全站仪技术的需要工作人员进入输电线路区段实地测量，工作人员的安全性无法保证，且测量过程和后期数据处理的周期较长，难以适应日趋复杂的输电线路。
发明内容
基于此，有必要针对上述技术问题，提供一种输电线路区段标注方法、装置、计算机设备和存储介质，能够实现对输电线路区段中的目标物体的自动标注。
第一方面，本申请提供了一种输电线路区段标注方法，包括：
获取样本输电线路区段的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型目标物体采用不同标签标注；
利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型所述目标物体，所述目标物体包括目标输电线路设施和目标障碍物。
在其中一个实施例中，所述获取待测输电线路区段的待测激光点云数据，包括：
获取激光雷达对于所述待测输电线路区段的采集数据；
对所述采集数据进行去噪和配准，获取所述待测激光点云数据。
在其中一个实施例中，所述利用所述样本数据集对待训练模型进行训练，获取目标检测模型，包括：
利用所述样本数据集对卷积神经网络模型进行迭代训练，获取所述目标检测模型，其中，在训练过程中，所述卷积神经网络模型通过反向传播优化权重。
在其中一个实施例中，所述利用所述样本数据集对待训练模型进行训练，获取目标检测模型，包括：
构建区域提议网络；
利用所述样本数据集对所述区域提议网络进行迭代训练，获取所述目标检测模型。
在其中一个实施例中，所述样本数据集包括训练数据集；所述利用所述样本数据集对所述区域提议网络进行迭代训练，获取所述目标检测模型，包括：
获取训练数据集，其中，所述训练数据集包括各目标物体的边界信息和类别标签；
基于所述构建区域提议网络对所述训练数据集进行筛选，获取锚框分类结果和预测得分，其中，所述锚框分类结果包括正样本锚框和负样本锚框，所述预测得分包括正样本预测得分和负样本预测得分；
根据所述正样本预测得分、所述负样本预测得分和预设损失函数，获取所述障碍物分类模型的损失值；
根据所述损失值调整所述构建区域提议网络，直至所述损失值符合预设条件，形成所述目标检测模型。
在其中一个实施例中，所述基于所述构建区域提议网络对所述训练数据集进行筛选，获取锚框分类结果和预测得分，包括：
基于所述构建区域提议网络对所述训练数据集进行筛选，生成锚框；
根据各所述目标物体的边界信息确定各所述锚框与对应的各所述目标物体的交并比；
根据所述交并比和预设交并比阈值，获取锚框分类结果，其中，所述锚框分类结果包括正样本锚框和负样本锚框。
在其中一个实施例中，所述输电线路区段标注方法还包括：
将所述待测输电线路区段模型输入预设的物体检测模型，获取所述目标输电线路区段模型上的目标类型的物体的标注信息；
根据所述目标类型的物体的标注信息对所述目标输电线路区段模型进行修正。
第二方面，本申请还提供了一种输电线路区段标注装置，包括：
第一获取模块，用于获取输电线路区段样本的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型物体采用不同标签标注；
训练模块，用于利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
构建模块，用于获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
第二获取模块，用于将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型目标物体，所述目标物体包括目标输电线路信息和目标障碍物信息。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取样本输电线路区段的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型目标物体采用不同标签标注；
利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型所述目标物体，所述目标物体包括目标输电线路设施和目标障碍物。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取样本输电线路区段的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型目标物体采用不同标签标注；
利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型所述目标物体，所述目标物体包括目标输电线路设施和目标障碍物。
上述输电线路区段标注方法、装置、计算机设备和存储介质，通过先获取样本输电线路区段的样本激光点云数据，对样本激光点云数据中的各类型物体进行标签标注形成样本数据集，再将该样本数据集输入待训练模型，以样本数据集训练该待训练模型，直至获得目标检测模型。再采集待测输电线路区段的待测激光点云数据，并根据待测激光点云数据构建待测输电线路区段的三维模型，将该三维模型输入训练完成的目标检测模型之后，目标检测模型会对该三维模型中的各类型目标物体进行自动标注，输出标注了目标输电线路设施和目标障碍物的目标输电线路区段模型。通过目标检测模型自动对输电线路区段中的目标物体进行标注，避免了技术人员亲身进入输电线路区段采集信息，保证了技术人员的人身安全，同时提高了输电线路区段标注的效率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案，下面将对实施例或相关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的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中输电线路区段标注方法的流程示意图；
图2为一个实施例中S103步骤的流程示意图；
图3为一个实施例中S102步骤的流程示意图；
图4为另一个实施例中S102步骤的流程示意图；
图5为一个实施例中S402步骤的流程示意图；
图6为另一个实施例中输电线路区段标注方法的流程示意图；
图7为一个实施例中输电线路区段标注装置的结构框图；
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个示例性的实施例中，如图1所示，提供了一种输电线路区段标注方法，该方法包括以下步骤：
S101：获取样本输电线路区段的样本激光点云数据，对样本激光点云数据进行标签标注形成样本数据集，其中，样本数据集中不同类型目标物体采用不同标签标注。
可以理解，激光点云数据是在三维空间中获取的离散点的信息，由大量的点组成，每个点都有坐标、强度和反射率等信息，每个点的坐标信息描述了它在三维空间中的位置，点云坐标可以用于重建环境的三维模型，进行地图构建、目标检测和跟踪等任务，强度信息表示激光束在击中目标时的反射程度。强度信息可以用于区分不同类型的物体，例如，金属表面通常具有较高的反射率，而非金属表面的反射率较低。强度信息有助于在点云中区分不同材质和物体属性，用于分类和分割任务。反射率信息反映了目标对激光束的反射率，通常用于遥感和环境分析。反射率信息可以用于估计地表材质、植被覆盖等。可以先通过无人机搭载激光雷达对样本输电线路区段来回扫描，获取样本输电线路区段的样本激光点云数据，可以由技术人员对获取到的样本激光点云数据进行去噪、配准等预处理并对样本激光点云数据的各目标物体标出其边界框和类别标签，分别标注其边界信息和类型信息，汇总成为形成样本数据集。
S102：利用样本数据集对待训练模型进行训练，获取目标检测模型。
在得到样本数据集之后，就可以基于样本数据集训练预先构建的待训练模型，直至获得目标检测模型。
S103：获取待测输电线路区段的待测激光点云数据，基于待测激光点云数据构建待测输电线路区段模型。
激光点云数据的坐标信息能够帮助在三维空间中准确地定位和重建环境。强度信息和反射率信息能够帮助分析物体的属性、材质和表面特征。因此，基于获取到的待测输电线路区段的激光点云数据，可以构建待测输电线路区段的三维模型。在应用中，还可以获取输电线路区段的图像数据，将图像数据与激光点云数据进行融合，以提高建模的准确性。
S104：将待测输电线路区段模型输入目标检测模型，获取标注后的目标输电线路区段模型，其中，目标输电线路区段模型中采用不同类型标签标注不同类型目标物体，目标物体包括目标输电线路设施和目标障碍物。
将构建好的待测输电线路区段模型输入训练好的目标检测模型，目标检测模型可以对待测输电线路区段模型中各目标输电线路设施和各目标障碍物自动标注其类型信息和边界信息，其中，目标输电线路设施可以包括输电塔和输电导线中的至少一者，目标障碍物可以包括临近输电塔和输电导线的树木、输电线路下方的电气化铁路、通航河流、标准轨距铁路、特殊管道、电力线和违章建房中的至少一者，边界信息中包括了目标物体的位置信息。
上述输电线路区段标注方法，通过先获取样本输电线路区段的样本激光点云数据，对样本激光点云数据中的各类型物体进行标签标注形成样本数据集，再将该样本数据集输入待训练模型，以样本数据集训练该待训练模型，直至获得目标检测模型。再采集待测输电线路区段的待测激光点云数据，并根据待测激光点云数据构建待测输电线路区段的三维模型，将该三维模型输入训练完成的目标检测模型之后，目标检测模型会对该三维模型中的各类型目标物体进行自动标注，输出标注了目标输电线路设施和目标障碍物的目标输电线路区段模型。通过目标检测模型自动对输电线路区段中的目标物体进行标注，避免了技术人员亲身进入输电线路区段采集信息，保证了技术人员的人身安全，同时提高了输电线路区段标注的效率。
在一个实施例中，获取待测输电线路区段的待测激光点云数据，包括：
S201：获取激光雷达对于待测输电线路区段的采集数据。
S202：对采集数据进行去噪和配准，获取待测激光点云数据。
可以通过无人机搭载激光雷达对输电线路区段进行多次信息采集，初步获取输电线路区段的数据信息，为了使后续输电线路模型的构建更准确，还需要对初步采集到的数据进行去噪和配准等处理，以滤除因噪声和多次采集等因素引起的异常点，提高数据的质量，获得待测激光点云数据。
在一个实施例中，利用样本数据集对待训练模型进行训练，获取目标检测模型，包括：利用样本数据集对卷积神经网络模型进行迭代训练，获取目标检测模型，其中，在训练过程中，卷积神经网络模型通过反向传播优化权重。
卷积神经网络是一种广泛应用于计算机视觉任务的深度学习架构，可以学习从图像中提取特征，并且在一定程度上能够理解物体的形状、纹理等信息，包括卷积层、池化层和全连接层，在利用样本数据集对卷积神经网络模型进行迭代训练时，卷积神经网络可以不断学习样本数据集中各目标物体的特征，通过反向传播优化权重，直至较准确的识别出目标物体的特征。
在一个实施例中，利用样本数据集对待训练模型进行训练，获取目标检测模型，包括：
S301：构建区域提议网络。
区域提议网络通常以一个预训练的卷积神经网络(如VGG、ResNet等)为基础，通过一系列卷积和池化层提取图像特征，这些特征将用于生成候选区域，对于每个图像特征点，区域提议网络会生成一组预定义的锚框(也称为候选框或区域建议框)。这些锚框在不同尺度和长宽比下，覆盖了图像不同位置和大小的可能目标。区域提议网络包括两个分支，一个用于为每个锚框分配目标/背景的分类分数，另一个用于预测锚框的边界框回归偏移量。这些分支通常是卷积层和全连接层的组合，对于每个生成的锚框，区域提议网络会计算其与实际目标边界框之间的偏移量，这种偏移量被称为锚框编码。这有助于在后续的目标分类和定位过程中精确预测目标位置。
S302：利用样本数据集对区域提议网络进行迭代训练，获取目标检测模型。
区域提议网络是一种在目标检测中用于生成候选目标区域的神经网络，能够在图像中生成多个可能包含目标物体的候选区域，然后进一步对这些区域进行分类和定位。通过样本数据集对区域提议网络进行迭代训练，可以使区域提议网络对目标物体准确分类和定位，得到成熟的目标检测模型，在后续的标注工作中，只需要将构建好的待测输电线路区段的模型输入目标检测模型，目标检测模型便会对该模型中的各目标物体进行自动标注，从而提高标注工作的效率。
在一个实施例中，样本数据集包括训练数据集；利用样本数据集对区域提议网络进行迭代训练，获取目标检测模型，包括：
S401：获取训练数据集，其中，训练数据集包括各目标物体的边界信息和类别标签。
在获取输电线路区段的样本激光点云数据后，需要对各样本激光点云数据进行标签标注，标记各样本激光点云数据中各目标物体的边界信息和类别标签，最后将标记好了边界信息和类别标签的各样本激光点云数据作为训练数据集输入未训练的区域提议网络，利用样本数据集对区域提议网络进行迭代训练，获取目标检测模型。
S402：基于构建区域提议网络对训练数据集进行筛选，获取锚框分类结果和预测得分，其中，锚框分类结果包括正样本锚框和负样本锚框，预测得分包括正样本预测得分和负样本预测得分。
将训练数据集输入区域提议网络之后，区域提议网络会对训练数据集进行分析筛选，对于每个图像特征点，区域提议网络会生成一组预定义的锚框，这些锚框在不同尺度和长宽比下，覆盖了各训练数据不同位置和大小的可能目标。基于区域提议网络生成的锚框与训练数据集中的边界信息的分析比对，可以获取锚框分类结果，其中，与真实边界信息的重合度大于第一预设阈值的锚框为正样本锚框，与真实边界信息的重合度大于第二预设阈值的锚框为负样本锚框，同时，区域提议网络还会对每个正样本锚框和负样本锚框生成正样本预测得分和负样本预测得分。区域提议网络便可基于该预测得分过滤冗余的锚框，只保留得分最高的锚框，得分最高的锚框即与真实边界信息重合度最高的锚框。
S403：根据正样本预测得分、负样本预测得分和预设损失函数，获取障碍物分类模型的损失值。
区域提议网络便基于各预测得分和非极大值抑制方法过滤冗余的锚框，只保留得分最高的锚框，得分最高的锚框即与真实边界信息重合度最高的锚框，同时基于预设的损失函数如交叉熵损失函数和平滑L1损失，交叉熵损失函数可以计算正样本锚框和负样本锚框的分类误差，以鼓励区域提议网络正确分类锚框，平滑L1损失可以计算正样本锚框的位置回归误差，以鼓励网络能够准确预测锚框的位置偏移。
S404：根据损失值调整构建区域提议网络，直至损失值符合预设条件，形成目标检测模型。
通过优化损失函数，使用梯度下降等优化算法来训练区域提议网络，能使区域提议网络生成的候选区域的质量不断提高。在训练过程中，正负样本的筛选和生成有助于网络学习目标和背景之间的区别，而位置回归的目标生成和回归损失则有助于使网络能够精确调整生成的候选区域，通过迭代训练，区域提议网络将逐渐学习生成合适的候选区域，用于目标检测，最终形成目标检测模型。
在一个实施例中，基于构建区域提议网络对训练数据集进行筛选，获取锚框分类结果和预测得分，包括：
S501：基于构建区域提议网络对训练数据集进行筛选，生成锚框。
将训练数据集输入区域提议网络之后，区域提议网络会对训练数据集进行分析筛选，对于每个图像特征点，区域提议网络会生成一组预定义的锚框，这些锚框在不同尺度和长宽比下，覆盖了各训练数据不同位置和大小的可能目标。
S502：根据各目标物体的边界信息确定各锚框与对应的各目标物体的交并比。
对于每个生成的锚框，区域提议网络会输出每个锚框的交并比，交并比表示两个边界框相交面积与相并面积的比值，交并比越高，表示锚框与真实边界的重合度越高。
S503：根据交并比和预设交并比阈值，获取锚框分类结果，其中，锚框分类结果包括正样本锚框和负样本锚框。
对于每个锚框，如果它与任何一个真实目标边界框的交并比大于预设第一交并比阈值，例如，预设第一交并比阈值可以为0.7，则将其视为正样本，这表示这些正样本锚框与真实目标具有较高的重叠度，可以被认为是目标区域的候选；如果它与所有真实目标边界框的交并比都小于预设第二交并比阈值，例如，预设第二交并比阈值可以为0.3，则将其视为负样本，这些负样本锚框与目标重叠度较低，被认为是背景区域。
在一个实施例中，输电线路区段标注方法还包括：
S601：将待测输电线路区段模型输入预设的物体检测模型，获取目标输电线路区段模型上的目标类型的物体的标注信息。
在待测输电线路区段模型输入目标检测模型，目标检测模型对待测输电线路区段模型中的目标输电线路设施和目标障碍物进行自动标注之后，为了进一步提高标注信息的准确性，可以将待测输电线路区段模型输入预设的物体检测模型，由物体检测模型对待测输电线路区段模型中的目标输电线路设施和目标障碍物再次进行标注，其中，物体检测模型可以为基于预设规则的模型。
S602：根据目标类型的物体的标注信息对目标输电线路区段模型进行修正。
基于物体检测模型输出的标注信息对目标检测模型输出的标注后的目标输电线路区段模型进行修正，可以使标注结果更加准确。示例性地，目标检测模型对输电线路区段模型中的输电塔、输电导线和输电线路中的树木障碍进行了标注后，可基于物体检测模型对输电线路区段模型再次检测，物体检测模型可以基于预设的规则构建，例如，预设的规则可以为与输电导线的净空距离小于预设距离阈值的树木为目标障碍物，预设距离阈值可以为10米，基于物体检测模型，可以对被目标检测模型标注为目标障碍物而与输电导线的净空距离大于预设距离阈值的树木进行排除，从而提高标注结果的准确性。在应用中，还可以根据需要设置目标检测模型和物体检测模型输出目标障碍物的障碍物等级信息。
在一个实施例中，还可以将目标检测模型自动输出的目标输电线路区段模型中目标输电线路设施和目标障碍物的标注信息存储在数据库中，方便后续的数据管理和应用，可以采用关系型数据库或者非关系型数据库存储标注结果。还可以将标注结果和数据库部署在云平台上，实现数据的实时访问和共享，提高数据的安全性和可靠性。还可以将标注结果和数据库与GIS(Geographic Information System，地理信息系统)技术相结合，以实时监测和分析输电线路的状态和风险情况，提高管理效率和决策精度，可以采用ArcGIS、QGIS等GIS软件进行数据的可视化和分析。
示例型地，先利用预先标注好了样本输电线路区段中各类型目标物体的边界信息和标签类型的样本数据集对待训练模型进行训练，使待训练模型学习各类型目标物体的特征，以便于后续检测各类型目标物体，待训练模型训练完成，便可得到目标检测模型。之后，先通过激光雷达等设备多次、全方位扫描待测输电线路区段，获取待测输电线路区段的采集数据，再对采集数据进行去噪、配准等预处理以获取更精准的待测激光点云数据，基于预处理之后的待测激光点云数据进行建模，便可获取准确的待测输电线路区段模型，将该待测输电线路区段模型输入预先构建好的目标检测模型，目标检测模型可以待测输电线路区段模型上生成多个候选区域，每个候选区域由一个锚框表示，自动框选出待测输电线路区段模型中可能含有的各目标输电线路设施和各目标障碍物，并计算出每个锚框的置信度分数，通过非极大值抑制的方法排除高度重叠的候选区域，只保留置信度最高的候选区域，对待测输电线路区段模型中的目标输电线路设施和目标障碍物进行自动标注处理，对于获取到的标注结果进行检测，对目标检测模型输出的标注结果进行筛选，提高标注结果的准确性。
由于激光点云数据中包含着各数据点的经纬度信息，技术人员便可直接获取该输电线路区段中各目标输电线路设施(如输电塔和输电导线)和各目标障碍物(如输电设施附近的树木障碍、违章建筑等)的边界信息和位置信息，基于目标检测模型对其他输电线路区段中的目标物体进行检测和自动标注，无需工作人员进入输电线路区段实地测量，不仅保障了工作人员的人身安全，还可以提高输电线路区段标注的工作效率。通过将获取到的含有标注结果的目标输电线路区段模型存储在数据库中，并与GIS技术相结合，有助于技术人员实时监测和分析输电线路的状态和风险情况，提高管理效率和决策精度。该标注结果还可以支持输电线路的规划和设计，提高输电线路的建设质量和效率，可以利用标注数据进行输电线路的仿真和优化，可以提高输电线路的可靠性和经济性。该标注结果还可以支持输电线路的维护和管理，提高输电线路的运行效率和可靠性，通过利用标注数据进行输电线路的智能化管理，实现自动化的巡检，降低维护成本和风险。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的输电线路区段标注方法的输电线路区段标注装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个输电线路区段标注装置实施例中的具体限定可以参见上文中对于输电线路区段标注方法的限定，在此不再赘述。
在一个示例性的实施例中，如图7所示，提供了一种输电线路区段标注装置，包括：第一获取模块701、训练模块702、构建模块703和第二获取模块704。
第一获取模块701用于获取输电线路区段样本的样本激光点云数据，对样本激光点云数据进行标签标注形成样本数据集，其中，样本数据集中不同类型物体采用不同标签标注。
可以理解，先获取样本输电线路区段的样本激光点云数据，对样本激光点云数据的各目标物体分别标注其边界信息和类型信息，最终汇总成为形成样本数据集。
训练模块702用于利用样本数据集对待训练模型进行训练，获取目标检测模型。
在得到样本数据集之后，就可以基于样本数据集训练预先构建的待训练模型，直至获得目标检测模型。
构建模块703用于获取待测输电线路区段的待测激光点云数据，基于待测激光点云数据构建待测输电线路区段模型。
激光点云数据是在三维空间中获取的离散点的信息，由大量的点组成，每个点都有坐标、强度和反射率等信息，每个点的坐标信息描述了它在三维空间中的位置，点云坐标用于重建环境的三维模型，进行地图构建、目标检测和跟踪等任务，强度信息表示激光束在击中目标时的反射程度。强度信息可以用于区分不同类型的物体，例如，金属表面通常具有较高的反射率，而非金属表面的反射率较低。强度信息有助于在点云中区分不同材质和物体属性，用于分类和分割任务。反射率信息反映了目标对激光束的反射率，通常用于遥感和环境分析。反射率信息可以用于估计地表材质、植被覆盖等。激光点云数据的坐标信息能够帮助在三维空间中准确地定位和重建环境。强度信息和反射率信息能够帮助分析物体的属性、材质和表面特征。因此，基于获取到的待测输电线路区段的激光点云数据，可以构建待测输电线路区段的三维模型。在应用中，还可以获取输电线路区段的图像数据，将图像数据与激光点云数据进行融合，以提高建模的准确性。
第二获取模块704用于将待测输电线路区段模型输入目标检测模型，获取标注后的目标输电线路区段模型，其中，目标输电线路区段模型中采用不同类型标签标注不同类型目标物体，目标物体包括目标输电线路信息和目标障碍物信息。
将构建好的待测输电线路区段模型输入训练好的目标检测模型，目标检测模型可以对待测输电线路区段模型中各目标输电线路设施和各目标障碍物自动标注其类型信息和边界信息，其中，目标输电线路设施可以包括输电塔和输电导线中的至少一者，目标障碍物可以包括临近输电塔和输电导线的树木、输电线路下方的电气化铁路、通航河流、标准轨距铁路、特殊管道、电力线、违章建房和输电线路中不符合设计标准的输电设备中的至少一者，边界信息中包括目标物体的位置信息。
上述输电线路区段标注装置，通过先获取样本输电线路区段的样本激光点云数据，对样本激光点云数据中的各类型物体进行标签标注形成样本数据集，再将该样本数据集输入待训练模型，以样本数据集训练该待训练模型，直至获得目标检测模型。再采集待测输电线路区段的待测激光点云数据，并根据待测激光点云数据构建待测输电线路区段的三维模型，将该三维模型输入训练完成的目标检测模型之后，目标检测模型会对该三维模型中的各类型目标物体进行自动标注，输出标注了目标输电线路设施和目标障碍物的目标输电线路区段模型。通过目标检测模型自动对输电线路区段中的目标物体进行标注，避免了技术人员亲身进入输电线路区段采集信息，保证了技术人员的人身安全，同时提高了输电线路区段标注的效率。
在一个实施例中，构建模块703包括采集子模块和第一获取子模块。
采集子模块用于获取激光雷达对于待测输电线路区段的采集数据。
第一获取子模块用于对采集数据进行去噪和配准，获取待测激光点云数据。
在一个实施例中，训练模块702包括第一训练子模块。
第一训练子模块用于利用样本数据集对卷积神经网络模型进行迭代训练，获取目标检测模型，其中，在训练过程中，卷积神经网络模型通过反向传播优化权重。
在一个实施例中，训练模块702还包括构建子模块和第二训练子模块。
构建子模块用于构建区域提议网络。
第二训练子模块用于利用样本数据集对区域提议网络进行迭代训练，获取目标检测模型。
在一个实施例中，样本数据集包括训练数据集，第二训练子模块包括第一获取单元、筛选单元、第二获取单元和调整单元。
第一获取单元用于获取训练数据集，其中，训练数据集包括各目标物体的边界信息和类别标签。
筛选单元用于基于构建区域提议网络对训练数据集进行筛选，获取锚框分类结果和预测得分，其中，锚框分类结果包括正样本锚框和负样本锚框，预测得分包括正样本预测得分和负样本预测得分。
第二获取单元用于根据正样本预测得分、负样本预测得分和预设损失函数，获取障碍物分类模型的损失值。
调整单元用于根据损失值调整构建区域提议网络，直至损失值符合预设条件，形成目标检测模型。
在一个实施例中，筛选单元包括锚框生成子单元、确定子单元和获取子单元。
锚框生成子单元用于基于构建区域提议网络对训练数据集进行筛选，生成锚框。
确定子单元用于根据各目标物体的边界信息确定各锚框与对应的各目标物体的交并比。
获取子单元用于根据交并比和预设交并比阈值，获取锚框分类结果，其中，锚框分类结果包括正样本锚框和负样本锚框。
在一个实施例中，输电线路区段标注装置还包括第三获取模块和修正模块。
第三获取模块用于将待测输电线路区段模型输入预设的物体检测模型，获取目标输电线路区段模型上的目标类型的物体的标注信息。
修正模块用于根据目标类型的物体的标注信息对目标输电线路区段模型进行修正。
上述输电线路区段标注装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上实施例的输电线路区段标注方法的步骤。
该计算机设备可以是终端，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种输电线路区段标注方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上实施例的输电线路区段标注方法的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，且相关数据的收集、使用和处理需要符合相关规定。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种输电线路区段标注方法，其特征在于，所述输电线路区段标注方法包括：
获取样本输电线路区段的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型目标物体采用不同标签标注；
利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型所述目标物体，所述目标物体包括目标输电线路设施和目标障碍物。
2.根据权利要求1所述的输电线路区段标注方法，其特征在于，所述获取待测输电线路区段的待测激光点云数据，包括：
获取激光雷达对于所述待测输电线路区段的采集数据；
对所述采集数据进行去噪和配准，获取所述待测激光点云数据。
3.根据权利要求1所述的输电线路区段标注方法，其特征在于，所述利用所述样本数据集对待训练模型进行训练，获取目标检测模型，包括：
利用所述样本数据集对卷积神经网络模型进行迭代训练，获取所述目标检测模型，其中，在训练过程中，所述卷积神经网络模型通过反向传播优化权重。
4.根据权利要求1所述的输电线路区段标注方法，其特征在于，所述利用所述样本数据集对待训练模型进行训练，获取目标检测模型，包括：
构建区域提议网络；
利用所述样本数据集对所述区域提议网络进行迭代训练，获取所述目标检测模型。
5.根据权利要求4所述的输电线路区段标注方法，其特征在于，所述样本数据集包括训练数据集；所述利用所述样本数据集对所述区域提议网络进行迭代训练，获取所述目标检测模型，包括：
获取训练数据集，其中，所述训练数据集包括各目标物体的边界信息和类别标签；
基于所述构建区域提议网络对所述训练数据集进行筛选，获取锚框分类结果和预测得分，其中，所述锚框分类结果包括正样本锚框和负样本锚框，所述预测得分包括正样本预测得分和负样本预测得分；
根据所述正样本预测得分、所述负样本预测得分和预设损失函数，获取所述障碍物分类模型的损失值；
根据所述损失值调整所述构建区域提议网络，直至所述损失值符合预设条件，形成所述目标检测模型。
6.根据权利要求5所述的输电线路区段标注方法，其特征在于，所述基于所述构建区域提议网络对所述训练数据集进行筛选，获取锚框分类结果和预测得分，包括：
基于所述构建区域提议网络对所述训练数据集进行筛选，生成锚框；
根据各所述目标物体的边界信息确定各所述锚框与对应的各所述目标物体的交并比；
根据所述交并比和预设交并比阈值，获取锚框分类结果，其中，所述锚框分类结果包括正样本锚框和负样本锚框。
7.根据权利要求1所述的输电线路区段标注方法，其特征在于，所述输电线路区段标注方法还包括：
将所述待测输电线路区段模型输入预设的物体检测模型，获取所述目标输电线路区段模型上的目标类型的物体的标注信息；
根据所述目标类型的物体的标注信息对所述目标输电线路区段模型进行修正。
8.一种输电线路区段标注装置，其特征在于，所述输电线路区段标注管理装置包括：
第一获取模块，用于获取输电线路区段样本的样本激光点云数据，对所述样本激光点云数据进行标签标注形成样本数据集，其中，所述样本数据集中不同类型物体采用不同标签标注；
训练模块，用于利用所述样本数据集对待训练模型进行训练，获取目标检测模型；
构建模块，用于获取待测输电线路区段的待测激光点云数据，基于所述待测激光点云数据构建待测输电线路区段模型；
第二获取模块，用于将所述待测输电线路区段模型输入所述目标检测模型，获取标注后的目标输电线路区段模型，其中，所述目标输电线路区段模型中采用不同类型标签标注不同类型目标物体，所述目标物体包括目标输电线路信息和目标障碍物信息。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202311204193.8A 2023-09-18 2023-09-18 输电线路区段标注方法、装置、计算机设备和存储介质 Pending CN117152532A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311204193.8A CN117152532A (zh) 2023-09-18 2023-09-18 输电线路区段标注方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311204193.8A CN117152532A (zh) 2023-09-18 2023-09-18 输电线路区段标注方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN117152532A true CN117152532A (zh) 2023-12-01

Family

ID=88906028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311204193.8A Pending CN117152532A (zh) 2023-09-18 2023-09-18 输电线路区段标注方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN117152532A (zh)

Similar Documents

Publication Publication Date Title
Lin et al. Bridge inspection with aerial robots: Automating the entire pipeline of visual data capture, 3D mapping, defect detection, analysis, and reporting
Chen et al. Automatic building information model reconstruction in high-density urban areas: Augmenting multi-source data with architectural knowledge
CN113378686B (zh) 一种基于目标中心点估计的两阶段遥感目标检测方法
US11676375B2 (en) System and process for integrative computational soil mapping
CN110533239B (zh) 一种智慧城市空气品质高精度测量方法
CN113724259B (zh) 井盖异常检测方法、装置及其应用
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
Kong et al. Vision‐aided three‐dimensional damage quantification and finite element model geometric updating for reinforced concrete structures
Xu et al. Building height calculation for an urban area based on street view images and deep learning
Raihan A comprehensive review of the recent advancement in integrating deep learning with geographic information systems
Ma et al. Hybrid model for realistic and efficient estimation of highway sight distance using airborne LiDAR data
Puttinaovarat et al. Flood Damage Assessment Geospatial Application Using Geoinformatics and Deep Learning Classification.
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
Shan et al. Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry
CN117152532A (zh) 输电线路区段标注方法、装置、计算机设备和存储介质
CN114140707A (zh) 一种电网故障巡检方法
Meng et al. Precise determination of mini railway track with ground based laser scanning
Niccolai et al. Decision rule-based approach to automatic tree crown detection and size classification
Young et al. Initialization and setup of the Coastal Model Test Bed: integrated bathymetry
Xiao Detecting changes in trees using multi-temporal airborne LIDAR point clouds
CN114761942A (zh) 时空位姿/对象数据库
Belyaev et al. Development of the Detecting System of the Landmark Tags to Increase the Navigation Accuracy of an Unmanned Vehicle in a Known Location
US20230419656A1 (en) Method and system for analyzing geo-spatial data regarding spatial object representations
Benz et al. Multi-View 3D Instance Segmentation of Structural Anomalies for Enhanced Structural Inspection of Concrete Bridges
Gaurav et al. RainRoof: Automated Shared Rainwater Harvesting Prediction

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