CN117911871A - 一种目标输电设施的识别方法、装置、设备及介质 - Google Patents
一种目标输电设施的识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117911871A CN117911871A CN202410112668.9A CN202410112668A CN117911871A CN 117911871 A CN117911871 A CN 117911871A CN 202410112668 A CN202410112668 A CN 202410112668A CN 117911871 A CN117911871 A CN 117911871A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- sample
- area
- power transmission
- 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
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 45
- 238000004590 computer program Methods 0.000 claims description 16
- 238000013519 translation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000001965 increasing effect Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000011218 segmentation Effects 0.000 description 7
- 239000012212 insulator Substances 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Abstract
本申请实施例公开了一种目标输电设施的识别方法、装置、设备及介质。其中,该方法包括:获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;对原始点云样本进行数据增强处理,得到扩展样本;基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。本技术方案通过对原始点云样本进行数据增强处理,得到了扩展样本,即增加了样本数量以及多样性,使得训练得到的目标识别模型的性能得到提升。
Description
技术领域
本发明涉及电力设备技术领域,尤其涉及一种目标输电设施的识别方法、装置、设备及介质。
背景技术
目前,山火引起的输电线路停电问题已经成为电网安全稳定运行的主要威胁之一。若山火发生,架空线路通常会受到严重影响,而在架空线路以及架空线路附近,会分布有导线、地线、植被、杆塔、绝缘子等目标输电设施,如何对目标输电设施进行识别,为预防山火跳闸提供支持,是亟需解决的技术问题。
发明内容
本发明提供了一种目标输电设施的识别方法、装置、设备及介质,能够基于点云数据精准识别出目标输电设施,为山火隐患评估提供支持。
根据本发明的一方面,提供了一种目标输电设施的识别方法,所述方法包括:
获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;
对原始点云样本进行数据增强处理,得到扩展样本;
基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
根据本发明的另一方面,提供了一种目标输电设施的识别装置,包括:
原始点云样本获取模块,用于获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;
数据增强模块,用于对原始点云样本进行数据增强处理,得到扩展样本;
目标识别模型训练模块,用于基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的目标输电设施的识别方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的目标输电设施的识别方法。
本申请实施例的技术方案,包括:获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;对原始点云样本进行数据增强处理,得到扩展样本;基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。本技术方案通过对原始点云样本进行数据增强处理,得到了扩展样本,即增加了样本数量以及多样性,使得训练得到的目标识别模型的性能得到提升。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本申请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是根据本申请实施例一提供的一种目标输电设施的识别方法的流程图;
图2是根据本申请实施例二提供的一种目标输电设施的识别方法的流程图;
图3是根据本申请实施例二提供的一种确定扩展区域的示意图;
图4是根据本申请实施例三提供的一种目标输电设施的识别装置的结构示意图;
图5是实现本申请实施例的一种目标输电设施的识别方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,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”“目标”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本申请实施例一提供了一种目标输电设施的识别方法的流程图,本申请实施例可适用于对目标输电设施进行识别的情况,该方法可以由目标输电设施的识别装置来执行,该目标输电设施的识别装置可以采用硬件和/或软件的形式实现,该目标输电设施的识别装置可配置于具有数据处理能力的电子设备中。如图1所示,该方法包括:
S110,获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施。
本申请实施例中,目标输电设施是指架空线路、用于支撑架空线路的相关设施以及附近的任意目标,目标输电设施包括但不限于:导线、地线、绝缘子、跳线、杆塔、地面植被等。原始点云样本是用于模型训练的样本,原始点云样本的数量可以是多个,原始点云样本中可以包括目标输电设施的点云信息,原始点云样本可以是通过激光雷达等设备采集到的点云数据。
具体的,在一个可行的方案中,将预先采集到的A区域的点云图像作为原始点云样本,该A区域中,可以包括导线、杆塔、绝缘子等目标输电设施中的一项或多项。在另一个可行的方案中,通过采集设备,采集目标区域的点云图像,并将其作为原始点云样本,所述采集设备可以是激光雷达等可以采集点云信息的设备。
S120,对原始点云样本进行数据增强处理,得到扩展样本。
其中,数据增强包括但不限于:翻转、旋转、裁剪、缩放等操作,数据增强可以增加数据的多样性。
具体的,获取原始点云样本后,在一个可行的方案中,对该原始点云样本进行数据增强处理,得到扩展样本,这样,可以增加训练样本的数量。在另一个可行的方案中,对原始点云样本中,针对点云的各类别中,占比较小的类别进行数据增强处理,得到扩展样本,这样,可以解决样本中的类别不平衡问题(例如导线在样本中所占的比例远远小于植被地面所占比例),提高网络的表现性能。
S130,基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
其中,训练样本包括原始点云样本以及扩展样本,针对一个原始点云样本,可以对应多个扩展样本,例如分别采用不同的数据增强方式,得到多个扩展样本。目标区域可以是需要进行目标输电设施识别的区域。
具体的,可以预先确定待训练目标识别模型,在得到原始点云样本以及扩展样本后,根据原始点云样本以及扩展样本确定训练样本,基于训练样本对待训练目标识别模型进行训练,得到目标识别模型。
进一步的,该目标识别模型用于对目标区域的目标输电设施进行识别,具体识别过程可以是:将目标区域的点云数据输入目标识别模型中,得到输出结果,该输出结果即为识别结果。
本申请实施例的技术方案,包括:获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;对原始点云样本进行数据增强处理,得到扩展样本;基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。本技术方案通过对原始点云样本进行数据增强处理,得到了扩展样本,即增加了样本数量以及多样性,使得训练得到的目标识别模型的性能得到提升。
实施例二
图2为本申请实施例二提供的一种目标输电设施的识别方法的流程图,本申请实施例以上述实施例为基础进行优化。
如图2所示,本申请实施例的方法具体包括如下步骤:
S210,获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施。
S220,在原始点云样本中,确定目标点云区域。
其中,目标点云区域是指后续进行数据增强处理的区域,目标点云区域中,有较大概率包括有类别较少的点元素。由于架空输电线路点云存在数据规模大且样本极度不平衡问题,一档点云数目往往在几十万到两百万之间。不同类别点云数目相差悬殊,如植被和绝缘子点云数目之比往往接近600:1,和跳线数目之比超过1500:1,这给神经网络学习带来极大挑战。样本数量过大的类别一方面会影响损失函数,导致神经网络对此类别过拟合,而对其他类别特征和信息学习不充分,一方面会影响网络泛化能力。所以,本申请在目标点云区域中进行后续数据处理操作,以平衡不同类别的点云数目的差异。
本申请实施例中,可选的,在原始点云样本中,确定目标点云区域,包括步骤A1-A4:
步骤A1,在原始点云样本中,计算各类别的点元素与点元素的总数之比,得到各类别的点元素的占比。
步骤A2,根据各类别的点元素的占比,确定各类别的点元素的命中概率;所述占比与命中概率呈反比关系。
步骤A3,在原始点云样本中,根据点元素的命中概率,随机确定目标点元素。
步骤A4,将目标点元素以及与目标点元素的距离满足距离要求的预设数量个点元素所在区域确定为目标点云区域。
示例性的,针对原始点云样本,计算该样本中点元素的总数,计算各类别的点元素的数量,将各类别的点元素的数量除以点元素的总数,得到各类别的点元素的占比,若某类别占比较小,说明该类别的点元素在原始点云样本中占据一小部分。
进一步的,得到各类别的点元素的占比后,根据各类别的点元素的占比,确定各类别的点元素的命中概率,以使占比较小的类别的点元素,命中概率较高,具体过程可以是:计算各类别的点元素的占比的倒数,再对倒数计算结果进行归一化处理,使得归一化处理后的倒数的总和为1,进而归一化后的结果可以作为各类别的点元素的命中概率。需要说明的是,根据各类别的点元素的占比,确定各类别的点元素的命中概率,使得命中概率与占比呈反比的做法较多,本申请实施例对具体做法不做限定。
进一步的,在原始点云样本中,根据点元素的命中概率,随机确定目标点元素,本方案这样设置,使得在原始点云样本中,类别占比较小的点元素被确定为目标点元素的概率较高,进而使得后续确定出的目标点云区域包括类别占比较小的点元素的概率较高。进而将目标点元素以及与目标点元素的距离满足距离要求(所述距离要求可以是在一个预设距离以内的点元素,还可以是与目标点元素距离最近的点元素)的预设数量个(所述预设数量可以根据实际情况确定)点元素所在区域确定为目标点云区域。
示例性的,在另一个可行的方案中,在原始点云样本中,某点元素被确定为目标点元素的概率公式如下:
其中,P(xi)为点元素xi被确定为目标点元素的概率,为类别yi的样本数目,Tknn为临近点个数,α和β为权衡参数。
S230,对目标点云区域进行数据增强处理,得到扩展区域。
本申请实施例中,可选的,对目标点云区域进行数据增强处理,得到扩展区域,包括:对目标点云区域进行旋转处理,得到旋转区域;对目标点云区域进行平移处理,得到平移区域;在目标点云区域中,对被标记的点元素进行删除处理,得到降采样区域。
示例性的,图3为一种确定扩展区域的示意图,如图3所示,可从上往下看,在确定出目标点元素后,根据目标点元素周围的点元素,划定目标点云区域,进而对目标点云区域进行旋转、平移以及降采样处理,得到扩展区域。
示例性的,旋转处理可以是以中心点为基准,顺时针或逆时针旋转一定角度,平移处理可以是对目标点云区域进行平移,降采样处理可以是去除某些点元素。
S240,将扩展区域确定为扩展样本,或者,将原始点云样本中的目标点云区域替换为扩展区域,得到扩展样本。
具体的,得到扩展区域后,扩展区域本身即可作为扩展样本,也可以将扩展区域替代原始点云样本中的目标点云区域,得到扩展样本。
S250,基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
本申请实施例中,可选的,所述待训练目标识别模型为RandLA-Net模型。
其中,RandLA-Net是一种专门针对大规模点云设计的高效通用神经网络架构,可以支撑百万级别城市规模点云语义分割。针对输电线路点云特征,本申请对RandLA-Net的随机采样机制进行了优化,提出了一种改进的局部特征采样机制,使其能够更好的学习不平衡样本,通过加强采样样本数目少的类别的局部区域并进行数据增强,提高网络表现性能。
需要说明的是,本申请实施例采用PointNet、PointNet++、RandLA-Net、BAAF-Net以及StratifiedTransforme作为基线模型,进行模型性能的评估。
其中,PointNet是点云领域开创性工作,于2017年提出,它直接使用原始点云数据,生成一个全局特征向量,捕获数据的整体结构。该模型使用对称函数(最大池化)来处理无序数据,并应用变换网络来处理点云的旋转和平移方差。
PointNet++是PointNet的扩展,由同一作者于2018年提出。它通过在输入点云的嵌套分区上递归应用PointNet,解决了PointNet在捕获局部结构上的限制。这种分层方法使PointNet++能够在各种规模上学习复杂的模式和结构。
RandLA-Net是一种为高效处理大规模三维点云而设计的神经网络结构,于2019年提出,它消除了预处理和后处理步骤的需要。这种网络架构能够利用随机点采样和一种新颖的局部特征聚合模块来增加每个三维点的感受野,有效地保留了几何细节。
BAAF-Net是一种用于真实点云场景的基本分析和语义分割的网络,于2021年提出。在RandLA-Net基础上,双向地增强了局部上下文,并自适应地融合了每个点的多分辨率特征,提供了更全面和准确的分析。
StratifiedTransformer是一种用于三维点云分割的方法,于2022年提出,它使用稀疏采样远处的点来扩大感受野和建立长距离依赖关系,同时还结合了第一层点嵌入和上下文位置编码来处理不规则的点排列。
进一步的,本申请实施例采用mIoU(Mean Intersection over Union)作为评价指标,mIoU即平均交并比用于衡量点云分割的效果。mIoU的取值范围是0到1,其中0表示完全不一致,1表示完全一致。mIoU值越高,表示点云分割的效果越好。mIoU可以反映不同类别之间的平衡性,避免因为某些类别过多或过少而影响评估结果。本文采用此指标作为输电线路点云分割效果评估指标,公式如下:
其中,C是类别总数,TPj是第j个类别真正(True Positive)数量,即预测正确且为该类别的点数;TPj是第j个类别的假正(False Positive)数量,即预测错误且为该类别的点数;FNj是第j个类别的假负(False Negative)数量,即预测错误且不为该类别的点数。
示例性的,针对500kV及以上电压等级机巡分类点云,总共分为152个场景,我们随机将80%场景即121档划分为训练集,20%场景即31档划分为测试集。相关模型在Ubuntu20.04、Tensorflow和Pytorch环境下实现,显卡为英伟达RTX4090,内存为128G,CPU为英特尔i9-13900FK。
测试结果如表1所示,表1中,对比了不同方法的表现性能,结果表明我们提出的改进的局部特征采样机制的RandLA-Net性能显著超越现有其他模型,尤其是对于分类数量较少的类,提升效果明显,相比于原始RandLA-Net模型,mIoU中提高0.83%,除去样本数目最多的地面与植被类别略有下降,其他类别均显著提高,如样本数量较少的绝缘子类别提升2.69%,杆塔类别提升1.34%,跳线类别提高0.58%。
表1不同点云分割方法的效果
本申请实施例中,可选的,所述方法还包括:基于所述目标识别模型对目标区域的导线、地线以及植被进行识别,得到识别结果;所述识别结果中反映导线、地线以及植被;在识别结果中,确定导线上的第一任意点与地线上的第二任意点,并将第一任意点和第二任意点之间的欧式距离,确定为导线对地线的距离;在识别结果中,确定导线上的第三任意点与植被上的第四任意点,并将第三任意点和第四任意点之间的欧式距离,确定为导线对植被的距离。
具体的,得到识别结果后,根据识别结果确定导线对植被的距离、导线对地线的距离等数据,为山火跳闸风险评估等操作提供距离数据。
示例性的,导线对地线距离计算,可以是根据识别结果,使用欧式距离公式计算导线任意点对地线任意点距离。导线对植被距离的计算,可以是根据识别结果,使用欧式距离公式计算导线任意点对植被任意点距离。
本申请实施例中,可选的,所述方法还包括:在识别结果中,确定两个不同的相所对应的第一线路和第二线路;提取位于第一线路上的位置点,得到第一类位置点;提取位于第二线路上的位置点,得到第二类位置点;采用目标聚类算法对第一类位置点和第二类位置点分别进行处理,得到第一聚类中心以及第二聚类中心;将第一聚类中心与第二聚类中心之间的欧式距离,确定为相间距。
其中,第一线路和第二线路可以是两根不同的相线,也可以是两根地线,两根地线分别对应不同的相。
示例性的,相间距的计算,可以是对分类好的地线(第一线路和第二线路)分别进行切片处理,然后使用Kmeans算法对第一线路的切片以及第二线路的切片分别进行聚类,最后计算聚类中心欧式距离,得到线路相间距离。
本申请实施例的技术方案,通过目标点云区域进行数据增强处理,得到扩展区域,进而根据扩展区域,确定扩展样本,达到了增加样本多样性以及样本数量的效果,使得后续识别目标输电设施时,识别结果更为精准。
实施例三
图4为本申请实施例三提供的一种目标输电设施的识别装置的结构示意图,该装置可执行本发明任意实施例所提供的目标输电设施的识别方法,具备执行方法相应的功能模块和有益效果。如图4所示,该装置包括:
原始点云样本获取模块310,用于获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;
数据增强模块320,用于对原始点云样本进行数据增强处理,得到扩展样本;
目标识别模型训练模块330,用于基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
本申请实施例的技术方案,包括:原始点云样本获取模块310,用于获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;数据增强模块320,用于对原始点云样本进行数据增强处理,得到扩展样本;目标识别模型训练模块330,用于基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。本技术方案通过对原始点云样本进行数据增强处理,得到了扩展样本,即增加了样本数量以及多样性,使得训练得到的目标识别模型的性能得到提升。
可选的,数据增强模块320,包括:
目标点云区域确定单元,用于在原始点云样本中,确定目标点云区域;
扩展区域确定单元,用于对目标点云区域进行数据增强处理,得到扩展区域;
扩展样本确定单元,用于将扩展区域确定为扩展样本,或者,将原始点云样本中的目标点云区域替换为扩展区域,得到扩展样本。
可选的,目标点云区域确定单元,包括:
占比计算子单元,用于在原始点云样本中,计算各类别的点元素与点元素的总数之比,得到各类别的点元素的占比;
命中概率确定子单元,用于根据各类别的点元素的占比,确定各类别的点元素的命中概率;所述占比与命中概率呈反比关系;
目标点元素确定子单元,用于在原始点云样本中,根据点元素的命中概率,随机确定目标点元素;
目标点云区域确定子单元,用于将目标点元素以及与目标点元素的距离满足距离要求的预设数量个点元素所在区域确定为目标点云区域。
可选的,扩展区域确定单元,包括:
旋转处理子单元,用于对目标点云区域进行旋转处理,得到旋转区域;
平移处理子单元,用于对目标点云区域进行平移处理,得到平移区域;
降采样处理子单元,用于在目标点云区域中,对被标记的点元素进行删除处理,得到降采样区域。
可选的,所述待训练目标识别模型为RandLA-Net模型。
可选的,所述装置还包括:
识别结果确定模块,用于基于所述目标识别模型对目标区域的导线、地线以及植被进行识别,得到识别结果;所述识别结果中反映导线、地线以及植被;
导线对地线的距离确定模块,用于在识别结果中,确定导线上的第一任意点与地线上的第二任意点,并将第一任意点和第二任意点之间的欧式距离,确定为导线对地线的距离;
导线对植被的距离确定模块,用于在识别结果中,确定导线上的第三任意点与植被上的第四任意点,并将第三任意点和第四任意点之间的欧式距离,确定为导线对植被的距离。
可选的,所述装置还包括:
第一线路和第二线路确定模块,用于在识别结果中,确定两个不同的相所对应的第一线路和第二线路;
第一类位置点提取模块,用于提取位于第一线路上的位置点,得到第一类位置点;
第二类位置点提取模块,用于位于第二线路上的位置点,得到第二类位置点;
聚类模块,用于采用目标聚类算法对第一类位置点和第二类位置点分别进行处理,得到第一聚类中心以及第二聚类中心;
相间距确定模块,用于将第一聚类中心与第二聚类中心之间的欧式距离,确定为相间距。
本申请实施例所提供的一种目标输电设施的识别装置可执行本发明任意实施例所提供的一种目标输电设施的识别方法,具备执行方法相应的功能模块和有益效果。
实施例四
图5示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如目标输电设施的识别方法。
在一些实施例中,目标输电设施的识别方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的目标输电设施的识别方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行目标输电设施的识别方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种目标输电设施的识别方法,其特征在于,包括:
获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;
对原始点云样本进行数据增强处理,得到扩展样本;
基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
2.根据权利要求1所述的方法,其特征在于,对原始点云样本进行数据增强处理,得到扩展样本,包括:
在原始点云样本中,确定目标点云区域;
对目标点云区域进行数据增强处理,得到扩展区域;
将扩展区域确定为扩展样本,或者,将原始点云样本中的目标点云区域替换为扩展区域,得到扩展样本。
3.根据权利要求2所述的方法,其特征在于,在原始点云样本中,确定目标点云区域,包括:
在原始点云样本中,计算各类别的点元素与点元素的总数之比,得到各类别的点元素的占比;
根据各类别的点元素的占比,确定各类别的点元素的命中概率;所述占比与命中概率呈反比关系;
在原始点云样本中,根据点元素的命中概率,随机确定目标点元素;
将目标点元素以及与目标点元素的距离满足距离要求的预设数量个点元素所在区域确定为目标点云区域。
4.根据权利要求2所述的方法,其特征在于,对目标点云区域进行数据增强处理,得到扩展区域,包括:
对目标点云区域进行旋转处理,得到旋转区域;
对目标点云区域进行平移处理,得到平移区域;
在目标点云区域中,对被标记的点元素进行删除处理,得到降采样区域。
5.根据权利要求1所述的方法,其特征在于,所述待训练目标识别模型为RandLA-Net模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述目标识别模型对目标区域的导线、地线以及植被进行识别,得到识别结果;所述识别结果中反映导线、地线以及植被;
在识别结果中,确定导线上的第一任意点与地线上的第二任意点,并将第一任意点和第二任意点之间的欧式距离,确定为导线对地线的距离;
在识别结果中,确定导线上的第三任意点与植被上的第四任意点,并将第三任意点和第四任意点之间的欧式距离,确定为导线对植被的距离。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在识别结果中,确定两个不同的相所对应的第一线路和第二线路;
提取位于第一线路上的位置点,得到第一类位置点;
提取位于第二线路上的位置点,得到第二类位置点;
采用目标聚类算法对第一类位置点和第二类位置点分别进行处理,得到第一聚类中心以及第二聚类中心;
将第一聚类中心与第二聚类中心之间的欧式距离,确定为相间距。
8.一种目标输电设施的识别装置,其特征在于,包括:
原始点云样本获取模块,用于获取原始点云样本;所述原始点云样本反映目标输电设施的点云信息;所述目标输电设施包括架空线路及支撑架空线路的相关设施;
数据增强模块,用于对原始点云样本进行数据增强处理,得到扩展样本;
目标识别模型训练模块,用于基于训练样本对待训练目标识别模型进行训练,得到目标识别模型,所述目标识别模型用于对目标区域的目标输电设施进行识别;所述训练样本包括原始点云样本以及扩展样本。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的目标输电设施的识别方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的目标输电设施的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112668.9A CN117911871A (zh) | 2024-01-25 | 2024-01-25 | 一种目标输电设施的识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410112668.9A CN117911871A (zh) | 2024-01-25 | 2024-01-25 | 一种目标输电设施的识别方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117911871A true CN117911871A (zh) | 2024-04-19 |
Family
ID=90685162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410112668.9A Pending CN117911871A (zh) | 2024-01-25 | 2024-01-25 | 一种目标输电设施的识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117911871A (zh) |
-
2024
- 2024-01-25 CN CN202410112668.9A patent/CN117911871A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111627015B (zh) | 小样本缺陷识别方法、装置、设备及存储介质 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN113971751A (zh) | 训练特征提取模型、检测相似图像的方法和装置 | |
CN113947188A (zh) | 目标检测网络的训练方法和车辆检测方法 | |
CN113205041A (zh) | 结构化信息提取方法、装置、设备和存储介质 | |
CN113887615A (zh) | 图像处理方法、装置、设备和介质 | |
CN116596854A (zh) | 一种设备缺陷的识别方法、装置、设备及介质 | |
CN117235608B (zh) | 风险检测方法、装置、电子设备及存储介质 | |
CN116935368A (zh) | 深度学习模型训练方法、文本行检测方法、装置及设备 | |
CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
CN117911871A (zh) | 一种目标输电设施的识别方法、装置、设备及介质 | |
CN112818972B (zh) | 兴趣点图像的检测方法、装置、电子设备及存储介质 | |
CN113989720A (zh) | 目标检测方法、训练方法、装置、电子设备及存储介质 | |
CN113989568A (zh) | 目标检测方法、训练方法、装置、电子设备以及存储介质 | |
CN117911872A (zh) | 输电线路的山火跳闸风险的评估方法、装置、设备及介质 | |
CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN114724090B (zh) | 行人再识别模型的训练方法、行人再识别方法及装置 | |
CN115496916B (zh) | 图像识别模型的训练方法、图像识别方法以及相关装置 | |
CN113391989B (zh) | 程序评估方法、装置、设备、介质及程序产品 | |
CN117896170A (zh) | 漏洞识别方法、装置、电子设备及存储介质 | |
CN117746069A (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
CN117671399A (zh) | 图像分类、图像分类模型的训练方法、装置、设备及介质 | |
CN116630863A (zh) | 一种配电网安全标识识别方法、装置、设备及存储介质 | |
CN115147814A (zh) | 交通指示对象的识别方法和目标检测模型的训练方法 | |
CN117710459A (zh) | 三维信息的确定方法、装置及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |