CN117830676A - 基于无人机的输电线路施工风险识别方法及系统 - Google Patents

Abstract

本发明涉及输电线路安全技术领域，具体地，本发明涉及基于无人机的输电线路施工风险识别方法及系统，该方法包括获取施工现场的点云数据，以得到施工现场的点云数据集；根据坐标距离近似程度对点云数据集进行聚类，划分多个类别；将每个类别对应的点云数据与每个设备对应的标准点云数据分别划分相同的等间隔窗口并进行匹配，以得到匹配结果；根据匹配结果确定点云数据对应的施工设备，并计算各个类别对应类别中心在三维点云数据中的欧式距离；响应于欧式距离与现实坐标系对应的距离值小于施工设备之间的距离要求，判定存在施工风险。根据本发明的方案，解决了目前输电线路建设过程中施工风险监测效果差的问题。

Description

基于无人机的输电线路施工风险识别方法及系统

技术领域

本发明一般地涉及输电线路安全技术领域。更具体地，本发明涉及基于无人机的输电线路施工风险识别方法及系统。

背景技术

在输电线路施工时，由于输电施工时的特殊性，不同设备之间需要一定的间隔距离范围要求。

通过无人机进行施工现场的不同设备点云数据采集，将采集的点云数据与各个设备标准点云数据进行匹配，可以得到各个点云数据对应的设备，进而根据识别出的各个设备之间的距离值可以完成当前输电线路施工风险监测。

然而，现有的点云数据在进行匹配时，往往需要先经过粗匹配的方法，再进行精匹配，进而完成点云数据匹配。根据点云数据匹配结果可以得到各个点云数据对应的设备类型，进而完成输电线路施工风险监测。但是现有的方式中，在进行粗匹配时，往往容易产生误匹配，导致匹配结果较差，无法实现对输电线路施工过程实现准确监测。

基于此，如何解决目前输电线路建设过程中施工风险监测效果差的问题，是目前研究的重点。

发明内容

为解决上述一个或多个技术问题，本发明在如下的多个方面中提供方案。

在第一方面中，本发明提供了一种基于无人机的输电线路施工风险识别方法，包括：获取施工现场的点云数据，以得到施工现场的点云数据集；根据坐标距离近似程度对点云数据集进行聚类，划分多个类别，其中每个类别对应一种施工设备；将每个类别对应的点云数据与每个设备对应的标准点云数据分别划分相同的等间隔窗口，并进行匹配，以得到匹配结果，其中匹配结果计算公式为：

；

式中，表示第i个类别对应的点云数据中第个窗口内点云数据的个数，表示第j个设备对应的标准点云数据中第个窗口内点云数据的个数，表示中 所有窗口内点云数据的个数的最大值；表示中所有窗口内点云数据的个数的最大值；表示中第个窗口内对应点云数据的均值与其他类别对应点云数据的最小距离值，表示中所有窗口内对应点云数据的均值与其他类别对应点云数据的最大距离值， 为中第个窗口内点云数据的数据分布复杂度，为中第个窗口内点云数据的数 据分布复杂度，表示匹配结果的置信度；根据所述匹配结果确定点云数据对应的 施工设备，并计算各个类别对应类别中心在三维点云数据中的欧式距离；响应于所述欧式 距离与现实坐标系对应的距离值小于施工设备之间的距离要求，判定存在施工风险。

在一个实施例中，根据坐标距离近似程度对点云数据集进行聚类，划分多个类别包括：对施工现场的点云数据集基于密度的聚类算法进行聚类，并根据坐标距离近似程度将坐标近似的点云数据分为一类。

在一个实施例中，其中匹配方式包括：采用4点全等集配准算法将每个类别对应的点云数据与每个设备对应的标准点云数据进行匹配。

在一个实施例中，匹配结果的置信度的获取方式包括：在进行匹配时，计算每对点的两个中间值之间的差值绝对值；计算同个差值绝对值出现次数在所有差值绝对值出现次数中的占比；对所述占比进行负相关映射后与对应的占比进行相乘并取均值，以得到对应的匹配结果的置信度。

在一个实施例中，根据所述匹配结果确定点云数据对应的施工设备包括：根据匹配结果和匹配时过程中每对点的两个中间值之间的差值绝对值筛选多个窗口对应的点云数据；选取每对点的两个中间值之间的差值绝对值最小的窗口对应的点云数据，用于确定施工设备。

在第二方面中，本发明还提供了一种基于无人机的输电线路施工风险识别系统，包括：处理器；存储器，其存储有用于无人机的输电线路施工风险识别的计算机指令，当所述计算机指令由所述处理器运行时，使得所述电子设备执行根据前述一个或多个实施例中所述的基于无人机的输电线路施工风险识别方法。

本发明的有益效果在于：本发明通过划分窗口后进行匹配计算，有效降低了误匹配发生，并且提高了配准的准确率，防止施工风险时的出现误判断。并且更加便于进行。

进一步，本发明中还通过改进的4点全等集配准算法结合不同窗口中的点云数据进行匹配结果的计算，有效提升了配准的准确性，实现了对施工设备的准确确认。

附图说明

并行处理，即如果采用并行处理的话，可极大的提高匹配效率。

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：

图1是示意性示出根据本发明的基于无人机的输电线路施工风险识别方法的流程图；

图2是示意性示出根据本发明的基于无人机的输电线路施工风险识别系统的结构图。

具体实施方式

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，本领域技术人员在没有做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。

下面结合附图来详细描述本发明的具体实施方式。

图1是示意性示出根据本发明的基于无人机的输电线路施工风险识别方法100的流程图。

如图1所示，在步骤S101处，获取施工现场的点云数据，以得到施工现场的点云数据集。

在步骤S102处，根据坐标距离近似程度对点云数据集进行聚类，划分多个类别，其中每个类别对应一种施工设备。在一些实施例中，可以对施工现场的点云数据集基于密度的聚类算法进行聚类，并根据坐标距离近似程度将坐标近似的点云数据分为一类。

在步骤S103处，将每个类别对应的点云数据与每个设备对应的标准点云数据分别划分相同的等间隔窗口，并进行匹配，以得到匹配结果。在一些实施例中，匹配方式包括：采用4点全等集配准算法将每个类别对应的点云数据与每个设备对应的标准点云数据进行匹配。

匹配结果计算公式为：

；

式中，表示第i个类别对应的点云数据中第个窗口内点云数据的个数，表示第j个设备对应的标准点云数据中第个窗口内点云数据的个数，表示中 所有窗口内点云数据的个数的最大值；表示中所有窗口内点云数据的个数的最大值；表示中第个窗口内对应点云数据的均值与其他类别对应点云数据的最小距离值，表示中所有窗口内对应点云数据的均值与其他类别对应点云数据的最大距离值， 为中第个窗口内点云数据的数据分布复杂度，为中第个窗口内点云数据的数 据分布复杂度，表示匹配结果的置信度。

进一步，匹配结果的置信度可以通过以下方式获取：在进行匹配时，计算每对点的两个中间值之间的差值绝对值。计算同个差值绝对值出现次数在所有差值绝对值出现次数中的占比。对占比进行负相关映射后与对应的占比进行相乘并取均值，以得到对应的匹配结果的置信度。

在步骤S104处，根据匹配结果确定点云数据对应的施工设备，并计算各个类别对应类别中心在三维点云数据中的欧式距离。在一些实施例中，可以根据匹配结果和匹配时过程中每对点的两个中间值之间的差值绝对值筛选多个窗口对应的点云数据。选取每对点的两个中间值之间的差值绝对值最小的窗口对应的点云数据，用于确定施工设备。

在步骤S105处，响应于欧式距离与现实坐标系对应的距离值小于施工设备之间的距离要求，判定存在施工风险。

接下来将结合具体实施方式对上述方案进行进一步阐述。

假设某变电站的输电线路建设过程中，需要进行施工现场设备的施工风险监测。 可以通过对无人机设定预定飞行轨迹，进行施工现场的点云数据采集，其中无人机采集施 工现场的点云数据时，无人机可携带激光雷达或双目相机等其他深度采集设备，以获取采 集点云数据集。

在获取点云数据集A后，对A利用DBSCAN密度聚类算法进行分类，将坐标近似的点云数据分为一类，其中共得到K个类别，每一个类别为背景或者同一个施工设备对应的点云数据。其中DBSCAN算法(Density-Based Spatial Clustering of Applications withNoise，基于密度的聚类算法)进行密度聚类时eps=3，min_points=5，可根据具体实施场景进行调整。

接着，获取第i个类别对应的点云数据和第j个设备对应的标准点云数据。进 而对划分3维等间隔窗口，其中窗口大小为T= 10*10*10，该窗口大小可根据具体实施场 景选择。同时，对也进行上述同个数等间隔的窗口划分。进而可以获取中总T个窗口中 第个窗口对应的点云数据，以及中总T个窗口中第个窗口对应的点云数据。

对和利用现有的（4-Points Congruent Sets，4点全等集配准 算法）进行匹配，但是如果窗口内的点数数据个数比较少，则表明当前窗口内点云数据采集 效果不好。如果靠近其他点云数据分类类别，分类存在一定的误差性，则在分类时会造 成误分类其他干扰因素，导致分类效果不可信，从而使得靠近其他点云数据分类类别的点 云数据窗口在进行4PCS算法匹配时，误差越大。由于设备中部分结构简单近似导致误匹配， 需要对窗口内点云数据分布变化是否简单进行评估，以防止由于窗口内结构简单造成误匹 配，进而得到和对应两个窗口之间的匹配结果：

；

为中第个窗口内点云数据的个数，由于窗口等大，所以值越大，表示 进行匹配时可用数据点多，可信度越高。

为中第个窗口内点云数据的个数，由于窗口等大，所以值越大，表示 进行匹配时可用数据点多，可信度越高。

为中所有窗口内点云数据的个数的最大值。为中所有窗口内点云数据的 个数的最大值。

接下来可以获取两个窗口之间的最小窗口对应个数与所有窗口中最大个数的比 值，其比值越大，则表示该窗口计算匹配结果时越可信。

表示当前中第个窗口内对应点云数据的均值与其他类别对应点云数据的 最小距离值，该值越小，表示中第个窗口内点云数据在分类时，距离其他类别的点 云数据越接近，受聚类效果影响越大。

表示当前中所有窗口内对应点云数据的均值与其他类别对应点云数据的最 大距离值。

进而越大，则表示该窗口用计算匹配结果时越可信。

其中获取和对应两个窗口之间在利用4PCS算法进行匹配计算时，进行 和之间的差值绝对值进行统计，其中λ值越小，表示匹配度越高。计算同个λ 值出现次数占所有λ值出现次数的占比Pe，将λ进行利用exp（-λ）计算并进行负相关映射，然 后与对应的Pe相乘并求取均值得到值，为当前匹配度结果，即为各个λ值对应的匹 配度拉伸后的值，其中个数占比仅作为拉伸数据的明显程度进行使用。进而值越 大，则表示该窗口计算匹配结果时越可信。

其中为中第个窗口内点云数据的数据分布复杂度，其中获取方法为：以中第个窗口内任意一个角原点建立三维直角坐标系，然后获取中第个窗口内点 云数据在三维直角坐标系的投影值，获取得到三个坐标轴对应平面的投影曲线，其中三个 坐标轴对应平面的投影曲线如果存在一个坐标轴对应平面的投影曲线接近于线性变化，则 表示当前中第个窗口内点云数据分布复杂度较低，进而获取任意一个投影曲线，对该 投影曲线利用最小二乘法进行线性拟合，然后计算该投影曲线各点到线性拟合结果的距离 值与对应投影到线性直线上对应点值的比值，然后计算投影曲线上的数据点对应比值的均 值H，即为当前投影曲线的对应的复杂度值，然后从三个投影曲线对应得到H值中取最小值 为,即表示当前中第个窗口内点云数据的数据分布复杂度值。其中值小，表示 点云数据的数据分布复杂度值越低，计算匹配结果时越不可信。

同理得到。取和两者之间的最小值，越 小，表明计算匹配结果时越不可信，对其进行负相关映射，得到。上 述的值越大，表示和对应两个窗口之间的匹配效果越好。

通过上述划分窗口进行匹配计算时，可以更好的结合相邻点云数据的信息，提高匹配结果的可靠性，但是由于在划分窗口时，并不能明确的知晓第i类别对应点云数据和第j设备对应点云数据方向上是否匹配，导致在划分窗口时，不能准确地保证在同一窗口的同一位置,进而如果按照窗口之间的匹配结果的相对位置进行匹配，则会存在一定的误差。

为此，在确认具体的设备时，可以获取中各个点云数据对应的各个窗口对应的C 值，得到C值序列，计算任意四个窗口之间两两距离值的最小值的负相关映射值和四个窗 口之间C值最小值的乘积作为R，选取具有R值最大的四个窗口。

然后在i类别中从四个窗口中，分别选取其在计算C时具有最小λ值对应的四个点云数据，即每一个窗口能选出4个点云数据，然后利用4PCS算法从不同窗口中各取一个点云数据，由于有四个窗口可以得到四个点云数据。

同理在i类别中从四个窗口中，分别选取其在计算C时具有最小λ值对应的四个点云数据时，其中j设备也具有对应得到四个点云数据。

将i类别对应的四个窗口所对应的四个点云数据，分别与对应在j设备中的点云数据进行4PCS匹配计算λ值。其中共可以得到4*4*4*4种可能，从该所可能中选择最小λ值，即为最终的匹配结果。

最后，在匹配识别完成后，计算各个类别对应类别中心在三维点云数据中的欧氏距离，其中点云采集设备对应的点云坐标系与现实设备对应的坐标系进行标定，进而结合当前不同设备之间的间隔要求进行风险判定。当前对应得到三维点云数据对应欧氏距离在现实坐标系对应的距离值小于对应设备之间要求的距离间隔时，即为施工异常，具有施工风险。

图2是示意性示出根据本发明的基于无人机的输电线路施工风险识别系统的结构图。

在本发明的另一方面，还提供了如图2中所示出的一种基于无人机的输电线路施工风险识别系统，包括：处理器；存储器，其存储有用于无人机的输电线路施工风险识别的计算机指令，当所述计算机指令由所述处理器运行时，使得所述电子设备执行根据前述的基于无人机的输电线路施工风险识别方法。

上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。

在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（Resistive RandomAccess Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-Access Memory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）、高带宽内存HBM（High-Bandwidth Memory）、混合存储立方HMC（Hybrid Memory Cube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。

在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。

虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。

Claims (6)

1.一种基于无人机的输电线路施工风险识别方法，其特征在于，包括：

获取施工现场的点云数据，以得到施工现场的点云数据集；

根据坐标距离近似程度对点云数据集进行聚类，划分多个类别，其中每个类别对应一种施工设备；

将每个类别对应的点云数据与每个设备对应的标准点云数据分别划分相同的等间隔窗口，并进行匹配，以得到匹配结果，其中匹配结果计算公式为：

；

式中，表示第i个类别对应的点云数据/>中第/>个窗口内点云数据的个数，/>表示第j个设备对应的标准点云数据/>中第/>个窗口内点云数据的个数，/>表示/>中所有窗口内点云数据的个数的最大值；/>表示/>中所有窗口内点云数据的个数的最大值；/>表示中第/>个窗口内对应点云数据的均值与其他类别对应点云数据的最小距离值，/>表示/>中所有窗口内对应点云数据的均值与其他类别对应点云数据的最大距离值，/>为/>中第个窗口内点云数据的数据分布复杂度，/>为/>中第/>个窗口内点云数据的数据分布复杂度，/>表示匹配结果的置信度；

根据所述匹配结果确定点云数据对应的施工设备，并计算各个类别对应类别中心在三维点云数据中的欧式距离；

响应于所述欧式距离与现实坐标系对应的距离值小于施工设备之间的距离要求，判定存在施工风险。

2.根据权利要求1所述的基于无人机的输电线路施工风险识别方法，其特征在于，根据坐标距离近似程度对点云数据集进行聚类，划分多个类别包括：

对施工现场的点云数据集基于密度的聚类算法进行聚类，并根据坐标距离近似程度将坐标近似的点云数据分为一类。

3.根据权利要求1所述的基于无人机的输电线路施工风险识别方法，其特征在于，其中匹配方式包括：

采用4点全等集配准算法将每个类别对应的点云数据与每个设备对应的标准点云数据进行匹配。

4.根据权利要求1所述的基于无人机的输电线路施工风险识别方法，其特征在于，匹配结果的置信度的获取方式包括：

在进行匹配时，计算每对点的两个中间值之间的差值绝对值；

计算同个差值绝对值出现次数在所有差值绝对值出现次数中的占比；

对所述占比进行负相关映射后与对应的占比进行相乘并取均值，以得到对应的匹配结果的置信度。

5.根据权利要求4所述的基于无人机的输电线路施工风险识别方法，其特征在于，根据所述匹配结果确定点云数据对应的施工设备包括：

根据匹配结果和匹配时过程中每对点的两个中间值之间的差值绝对值筛选多个窗口对应的点云数据；

选取每对点的两个中间值之间的差值绝对值最小的窗口对应的点云数据，用于确定施工设备。

6.一种基于无人机的输电线路施工风险识别系统，其特征在于，包括：

处理器；

存储器，其存储有用于无人机的输电线路施工风险识别的计算机指令，当所述计算机指令由所述处理器运行时，使得所述电子设备执行根据权利要求1-5中任意一项所述的基于无人机的输电线路施工风险识别方法。