CN117974913A - 配网电缆机器人控制方法、装置、电子设备和介质 - Google Patents
配网电缆机器人控制方法、装置、电子设备和介质 Download PDFInfo
- Publication number
- CN117974913A CN117974913A CN202410390437.4A CN202410390437A CN117974913A CN 117974913 A CN117974913 A CN 117974913A CN 202410390437 A CN202410390437 A CN 202410390437A CN 117974913 A CN117974913 A CN 117974913A
- Authority
- CN
- China
- Prior art keywords
- cable
- point cloud
- distribution network
- information
- target
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 279
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007689 inspection Methods 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 55
- 238000009877 rendering Methods 0.000 claims abstract description 16
- 238000007499 fusion processing Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims description 38
- 238000010586 diagram Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 18
- 230000005236 sound signal Effects 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 description 72
- 230000006870 function Effects 0.000 description 27
- 239000013598 vector Substances 0.000 description 19
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011049 filling Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/10—Geometric effects
- G06T15/20—Perspective computation
- G06T15/205—Image-based rendering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本公开的实施例公开了配网电缆机器人控制方法、装置、电子设备和介质。该方法的一具体实施方式包括获取电缆全景图像集和电缆点云数据集；对电缆全景图像集和电缆点云数据集进行数据融合处理，得到电缆融合数据集；对电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；对配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；对配网电缆进行电缆故障检测，得到电缆故障信息集；对目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型；控制配网电缆机器人对配网电缆进行巡检。该实施方式可以提高目标电缆全景三维模型的准确率，直观显示配网电缆的设备运行情况，提高巡检路径的准确性和配网电缆的安全性。
Description
技术领域
本公开的实施例涉及计算机技术领域，具体涉及配网电缆机器人控制方法、装置、电子设备和介质。
背景技术
随机电网的快速发展和用电量的增加，配网电缆的路线敷设越来越重要。三维模型构建可以以可视化的形式展示配网电缆的敷设情况和设备安全。对于配网电缆机器人的控制，通常采用的方式为：通过电缆全景图像进行电缆三维模型构建，得到电缆全景三维模型。然后，对配网电缆进行故障检测，得到电缆故障信息。最后，通过电缆全景三维模型，生成从配网电缆机器人所在位置至电缆故障信息所在位置的巡检路径，并控制配网电缆机器人进行巡检。
然而，实践中发现，当采用上述方式对配网电缆机器人进行控制时，经常会存在如下技术问题一：采用电缆全景图像进行三维模型构建的数据比较单一，易缺失部分配网电缆的物体信息，造成生成的电缆全景三维模型的准确率较低和生成的巡检路径的准确度较低，导致配网电缆机器人的安全性较低和配网电缆的设备的损坏率较高，配网电缆的安全性和稳定性较低。
在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题二：由于配网电缆中存在的细小物体，难以通过电缆全景图像进行纹理信息的准确提取，产生大量冗余和错误的纹理信息，造成目标电缆全景三维模型中存在大量缺失和不完成的部分，目标电缆全景三维模型的准确性较低，进而造成巡检路径的准确率较低，配网电缆机器人的安全性较低和配网电缆的稳定性较低。针对上述技术问题二，常规的解决方案一般是：利用泊松表面重建算法生成配网电缆表面网格模型，然后，利用约束线段信息，对配网电缆表面网格模型包括的直线边缘进行调整，得到配网电缆全景三维模型。然而，上述常规解决方案依然存在如下问题：由于泊松表面重建算法易受噪声数据的影响，以及对重建的表面进行平滑会丢失一些细节信息和物体尖锐部分信息，导致配网电缆全景三维模型的准确率较低。
在采用技术方案来解决上述技术问题一的过程中，往往又会伴随着如下技术问题三：由于配网电缆的环境比较复杂，难以准确定位配网电缆机器人的位置，以及规划的路径难以确保精准规避障碍物，生成最短路径和适配配网电缆场景，导致配网巡检机器人的损坏率较高和安全性较低。针对上述技术问题三，常规的解决方案一般是：利用快速搜索随机树算法生成巡检路径，并控制机器人按照巡检路径进行巡检。然而，上述常规解决方案依然存在如下问题：由于快速搜索随机树算法在整个空间内进行随机搜索，会生成一些冗余路径，规划效率较低和不适配配网电缆的狭长隧道环境，导致生成的巡检路径准确率较低，配网电缆机器人的安全性较低。
该背景技术部分中所公开的以上信息仅用于增强对本公开构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了配网电缆机器人控制方法、装置、电子设备和介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种配网电缆机器人控制方法，包括：控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集；对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集；对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息；根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示；根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。
第二方面，本公开的一些实施例提供了一种配网电缆机器人控制装置，包括：第一控制单元，被配置成控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集；数据融合单元，被配置成对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集；三维模型构建单元，被配置成对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；模型渲染单元，被配置成对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；电缆故障检测单元，被配置成对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息；三维数据标绘单元，被配置成根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示；第二控制单元，被配置成根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的配网电缆机器人控制方法可以提高目标电缆全景三维模型的准确率，更直观的显示配网电缆的设备运行情况，提高巡检路径的准确性和配网电缆的安全性。具体来说，造成相关的配网电缆机器人的安全性较低和配网电缆的设备的损坏率较高，配网电缆的安全性和稳定性较低的原因在于：采用电缆全景图像进行三维模型构建的数据比较单一，易缺失部分配网电缆的物体信息，造成生成的电缆全景三维模型的准确率较低和生成的巡检路径的准确度较低，导致配网电缆机器人的安全性较低和配网电缆的设备的损坏率较高，配网电缆的安全性和稳定性较低。基于此，本公开的一些实施例的配网电缆机器人控制方法可以首先，控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集。在这里，电缆全景图像集和电缆点云数据集用于后续进行数据融合。其次，对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集。在这里，可以提高电缆融合数据集的数据质量，减少数据量。再次，对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。在这里，通过数据质量更高的数据进行三维建模，可以提高配网电缆全景三维模型的准确性。接着，对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型。在这里，可以使得到的目标电缆全景三维模型更加贴合真实的配网电缆，提高目标电缆全景三维模型的准确性。随后，对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息。在这里，可以及时发现配网电缆发生的故障，提高维修速率和配网电缆的安全性。然后，根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示。在这里，以可视化的形式进行三维数据标绘，可以更加直观，也便于全面掌握配网电缆的情况。最后，根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。在这里，可以提高巡检路径的准确性、配网电缆机器人的安全性、配网电缆的安全性和稳定性。由此可得，该配网电缆机器人控制方法可以通过电缆全景图像和电缆点云数据的融合，可以提高生成的目标电缆全景三维模型的准确率，以及通过故障信息，对目标电缆全景三维模型的标绘，可以更直观的显示配网电缆的设备运行情况，利用生成的巡检路径控制配网电缆机器人进行巡检，可以提高巡检路径的准确性和配网电缆的安全性。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的配网电缆机器人控制方法的一些实施例的流程图；
图2是根据本公开的配网电缆机器人控制装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的配网电缆机器人控制方法的一些实施例的流程100。该配网电缆机器人控制方法，包括以下步骤：
步骤101，控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集。
在一些实施例中，上述配网电缆机器人控制方法的执行主体（例如电子设备）可以通过有线连接方式或者无线连接方式来控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集。其中，上述数据采集装置集中的数据采集装置可以是用于采集数据的装置。例如，上述数据采集装置集可以包括但不限于以下至少一项：全景相机、激光扫描仪。上述配网电缆可以是电力系统中用于将电力输送至各个用户的电缆。例如，上述配网电缆可以是地下电缆。上述电缆全景图像集可以是采用全景相机采集的配网电缆的各个部分的全方位视图的图像集。上述电缆全景图像集可以是包括的各个电缆全景图像存在部分图像重叠的图像集。上述电缆点云数据集中的电缆点云数据可以是采用激光扫描仪获取的配网电缆的各个部分的三维数据集。
步骤102，对电缆全景图像集和电缆点云数据集进行数据融合处理，得到电缆融合数据集。
在一些实施例中，上述执行主体可以对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集。其中，上述电缆融合数据集中的电缆融合数据可以是融合了电缆全景图像的纹理和颜色的语义信息、电缆点云数据的三维空间信息的三维点云数据。实践中，上述执行主体可以首先，对上述电缆点云数据集进行体素化处理，得到三维体素网格数据集。其次，对上述三维体素网格数据集中的每个三维体素网格数据进行特征提取，得到三维体素特征向量集。然后，利用卷积神经网络，对上述电缆全景图像集进行特征提取，得到图像特征向量集。最后，利用注意力机制，对上述三维体素特征向量集和上述图像特征向量集进行模态融合，得到电缆融合数据集。
在一些实施例的一些可选的实现方式中，上述对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集，可以包括以下步骤：
第一步，对上述电缆全景图像集中的每个电缆全景图像进行特征点检测，以生成全景图像特征点组，得到全景图像特征点组集。其中，上述全景图像特征点组中的全景图像特征点可以是电缆全景图像中灰度值或者曲率的局部极值点。例如，上述局部极值点可以包括：角点、边缘点。上述全景图像特征点组可以表征电缆全景图像的特征信息。实践中，上述执行主体可以利用SIFT（Scale Invariant Feature Transform，尺度不变特征变换匹配算法）算法，对上述电缆全景图像集进行特征点检测，得到全景图像特征点组集。
第二步，对上述全景图像特征点组集进行特征点匹配处理，得到针对上述电缆全景图像集的几何关联信息集。其中，上述几何关联信息集中的几何关联信息可以表征电缆全景图像之间的位置关系的信息。
第三步，根据上述几何关联信息集和上述全景图像特征点组集，确定上述数据采集装置集包括的相机的姿态参数。其中，上述姿态参数可以是拍摄电缆全景图像集的相机的位置参数和方向参数。
作为示例，上述执行主体可以利用随机抽样一致算法，根据上述几何关联信息集和上述全景图像特征点组集，确定相机的姿态参数。
第四步，根据上述姿态参数，生成针对上述电缆全景图像集的纹理点云数据集。其中，上述纹理点云数据集中的纹理点云数据可以是具有颜色纹理信息的三维点云数据。
作为示例，上述执行主体可以MVS（Multi-View Stereo，多视点立体视觉）算法，根据上述姿态参数，生成针对上述电缆全景图像集的纹理点云数据集。
第五步，对上述纹理点云数据集进行颜色空间转换处理，得到转换后纹理点云数据集。其中，上述转换后纹理点云数据集中的转换后纹理点云数据可以是将位于RGB颜色空间的纹理点云数据转换至位于HSV颜色空间的点云数据。
第六步，确定上述电缆点云数据集中每个电缆点云数据的点云几何特征信息，得到点云几何特征信息集。其中，上述点云几何特征信息可以表征点云的几何的特征信息。上述点云几何特征信息可以包括：点云的曲率、法向量、高程信息、平面性、线性。上述平面性可以表征电缆点云数据集的平面结构。上述线性可以表征电缆点云数据集的线性结构。上述确定可以是通过主成分分析法进行的确定。
第七步，根据上述点云几何特征信息集，对上述电缆点云数据集进行筛选处理，得到筛选后点云数据集。其中，上述筛选后点云数据集可以是从上述电缆点云数据集中去除地面点云数据和非目标物体点云数据后的点云数据集。上述非目标物体点云数据可以是非杆状物的点云数据。例如，上述非杆状物可以是不具有竖直线性特征的物体。
作为示例，上述执行主体可以通过上述点云几何特征信息，确定配网电缆中非目标物体点云数据集和地面点云数据集。然后，从上述电缆点云数据集中去除地面点云数据集和非目标物体的电源数据集，得到筛选后点云数据集。
第八步，对上述转换后纹理点云数据集和上述筛选后点云数据集进行点云数据融合，得到电缆融合数据集。实践中，上述执行主体可以利用KDTree（K-Dimensional Tree）邻域搜索算法，确定距离上述筛选后点云数据集中的每个筛选点云数据最近的转换后纹理点云数据，作为目标纹理点云数据，以及将目标纹理点云数据的纹理信息赋值于筛选后点云数据，得到电缆融合数据。
步骤103，对电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。
在一些实施例中，上述执行主体可以对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。其中，上述配电电缆全景三维模型可以是以三维数字模型的形式显示配网电缆的信息的数字模型。
在一些实施例的一些可选的实现方式中，上述对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型，可以包括以下步骤：
第一步，对上述电缆融合数据集进行数据滤波处理，得到滤波点云数据集。实践中，上述执行主体可以首先，利用体素滤波器，对上述电缆融合数据集进行体素降采样处理，得到降采样后点云数据集。随后，利用主成分分析法，确定上述降采样后点云数据集中的每个降采样后点云数据的法向量，得到点云法向量集。然后，从上述点云法向量集中筛选出小于等于预设法向量阈值的至少一个点云法向量，作为目标点云法向量集。其中，上述预设法向量阈值可以是预先设定的用于确定电缆点云数据是否需要去除的阈值。需要说明的是，预设法向量阈值可以按照实际情况确定，在此不做限定。最后，将上述目标点云法向量集对应的降采样后点云数据集，确定为滤波点云数据集。
第二步，对上述滤波点云数据集进行竖杆约束点云分割处理，得到竖杆约束点云组集。其中，上述竖杆约束点云组集中的竖杆约束点云组可以是具有竖直特征的物体的点云数据组。例如，上述具有竖直特征的物体可以是电缆标志桩，也可以是用于确定电缆的位置和深度的定位杆。实践中，上述执行主体可以利用区域生长算法，对上述滤波点云数据集进行竖杆约束点云分割处理，得到竖杆约束点云组集。
第三步，对于上述竖杆约束点云组集中的每个竖杆约束点云组，确定上述竖杆约束点云组的质心点云、第一目标点云和第二目标点云。其中，上述质心点云可以是位于竖杆约束点云组的质心位置的点云。上述质心点云的横坐标可以是上述竖杆约束点云组包括的各个竖杆约束点云的横坐标的平均值，质心点云的纵坐标可以是上述竖杆约束点云组包括的各个竖杆约束点云的纵坐标的平均值。上述第一目标点云可以是竖杆约束点云组中竖轴坐标最大的点云。上述第二目标点云可以是竖杆约束点云组中竖轴坐标最小的点云。
第四步，根据所得到的质心点云集、所得到的第一目标点云集和所得到的第二目标点云集，生成拼接竖杆点云组集。其中，上述拼接竖杆点云组可以是由于遮挡原因同一杆状物被分成多个竖杆约束点云组，对其进行拼接得到同一个杆状物的点云组。
作为示例，上述执行主体可以首先，从上述质心点云集中筛选出质心点云相同的多个竖杆约束点云组集，作为多个目标约束点云组集。然后，对于上述多个目标约束点云组集中的任意两个目标约束点云组，确定任意两个目标约束点云组对应的第一目标点云对和第二目标点云对。响应于确定第一目标点云对中位于起始位置的第一目标点云和第二目标点云对中位于终止位置的第二目标点云的竖轴差值，且第一目标点云对中位于终止位置的第一目标点云和第二目标点云对中位于起始位置的第二目标点云的竖轴差值均位于预设差值阈值内，将任意两个目标约束点云组对应的两个竖杆约束点云组进行拼接，得到拼接竖杆点云组。其中，上述预设差值阈值可是预先设定的竖轴差值的最小值。
第五步，对上述拼接竖杆点云组集中的每个拼接竖杆点云组进行点云筛选处理，以生成筛选后竖杆点云组，得到筛选后竖杆点云组集。实践中，上述执行主体可以利用随机抽象一致算法，对上述拼接竖杆点云组集中的每个拼接竖杆点云组进行点云拟合，得到竖杆主干点云数据组集。然后，确定上述拼接竖杆点云组集中与上述竖杆主干点云数据组集位置相同的各个拼接竖杆点云，作为目标拼接点云组集。最后，从上述拼接竖杆点云组集中去除目标剩余拼接点云组集，得到筛选后竖杆点云组集。其中，上述目标剩余拼接点云组集可以为从上述拼接竖杆点云组集中去除上述目标拼接点云组集后得到的点云组集。
第六步，对上述筛选后竖杆点云组集中的每个筛选后竖杆点云组进行区域增长处理，以生成电缆杆状物点云组，得到电缆杆状物点云组集。其中，上述电缆杆状物点云组可以是配网电缆中杆状物的点云数据组。实践中，上述执行主体可以利用区域生长算法，对上述筛选后竖杆点云组集中的每个筛选后竖杆点云组进行附属物增长处理，得到电缆杆状物点云组，得到电缆杆状物点云组集。其中，上述附属物可以是电缆杆状物中除竖杆部分外的部分物体。
第七步，对上述电缆杆状物点云组集进行约束线段提取，得到约束线段信息集。其中，上述约束线段信息集中的约束线段信息可以是为配网电缆中的杆状物提供位置和方向的线段的信息。上述约束线段信息可以包括：约束线段的长度、起点和终点的三维坐标集、线段半径。实践中，上述执行主体可以首先，将上述电缆杆状物点云组集投影到二维平面，得到杆状物投影图像集。其次，利用DexiNed（Dense Extreme Inception Network forEdge Detection）模型，确定上述杆状物投影图像集的图像边缘信息集。然后，利用霍夫变换算法，对上述图像边缘信息集进行直线检测，得到二维线段集。之后。对于二维线段集中的每个二维线段，将上述二维线段的最大横坐标和最小横坐标的差值、与最大纵坐标和最小纵坐标的差值的和的二分之一，确定为二维线段的线段半径。最后，将所得到的线段半径集、线段长度集、上述二维线段集中的每个二维线段中的起始点和终止点映射的三维点云坐标集，确定为约束线段信息集。
第八步，根据上述约束线段信息集，对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。
作为示例，上述执行主体可以利用Delaunay四面体化算法，根据上述约束线段信息集，对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。
在一些实施例的一些可选的实现方式中，上述根据所得到的质心点云集、所得到的第一目标点云集和所得到的第二目标点云集，生成拼接竖杆点云组集，可以包括以下步骤：
第一步，对于上述质心点云集中每个质心点云，确定上述质心点云与剩余质心点云集中的每个剩余质心点云的水平距离。其中，上述剩余质心点云集可以为从上述质心点云集中去除上述质心点云得到的点云集。上述水平距离可以是质心点云的横坐标减去剩余质心点云的横坐标的差值的平方、与质心点云的纵坐标减去剩余质心点云的纵坐标的差值的平方的和的算数平方根。
第二步，对于上述第一目标点云集中的每个第一目标点云，确定上述第一目标点云与第二剩余目标点云集中的每个第二剩余目标点云的第一点云差值。其中，上述第二剩余目标点云集可以为从上述第二目标点云集中去除与上述第一目标点云对应的第二目标点云得到的点云集。上述第一点云差值可以是第一目标点云的最大竖轴坐标减去第二剩余目标点云的最小竖轴坐标的差值。
第三步，对于上述第二目标点云集中的每个第二目标点云，确定上述第二目标点云与第一剩余目标点云集中的每个第一剩余目标点云的第二点云差值的相反数，作为第二相反点云差值。其中，上述第一剩余目标点云集可以为从上述第一目标点云集中去除与上述第二目标点云对应的第一目标点云得到的点云集。上述第二点云差值可以为第二目标点云的最小竖轴坐标减去第一剩余目标点云的最大竖轴坐标的差值。
第四步，从上述水平距离集中筛选出小于预设水平距离阈值的水平距离，作为目标水平距离，得到目标水平距离集。其中，上述预设水平距离阈值可以是预先设定的距离质心点云水平距离的最大值。
第五步，确定上述目标水平距离集对应的各个第一点云差值。其中，上述各个第一点云差值中的第一点云差值可以是与目标水平距离对应的两个竖杆约束点云组相同的点云差值。
第六步，响应于确定上述各个第一点云差值中存在小于预设点云差值阈值的至少一个第一点云差值，确定上述至少一个第一点云差值对应的各个第二相反点云差值。其中，上述各个第二相反点云差值中的第二相反点云差值可以是与第一点云差值对应的两个竖杆约束点云组相同的点云差值。上述预设点云差值阈值可以是预先设定的竖轴坐标差值的最大值。
第七步，响应于确定上述各个第二相反点云差值中存在小于上述预设点云差值阈值的至少一个第二相反点云差值，将上述至少一个第二相反点云差值对应的至少一个竖杆约束点云组进行拼接，得到拼接竖杆点云组集。
考虑到上述常规解决方案利用泊松表面重建算法生成配网电缆表面网格模型，然后，利用约束线段信息，对配网电缆表面网格模型包括的直线边缘进行调整，得到配网电缆全景三维模型的问题，面对上述技术问题：由于泊松表面重建算法易受噪声数据的影响，以及对重建的表面进行平滑会丢失一些细节信息和物体尖锐部分信息，导致配网电缆全景三维模型的准确率较低。结合所拥有的技术现状，可以决定采用如下解决方案。
在一些实施例的一些可选的实现方式中，上述根据上述约束线段信息集，对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型，可以包括以下步骤：
第一步，基于约束线段信息集，执行以下四面体表面构建步骤：
子步骤1，响应于确定约束线段信息集包括的约束线段长度集中存在约束线段长度大于半径置信度数值，对大于半径置信度数值的至少一个约束线段长度对应的约束线段集中的每个约束线段进行中点划分，以生成中点约束线段组，得到中点约束线段组集。其中，上述半径置信度数值可以为约束线段信息包括的线段半径和预设阈值的乘积。上述预设阈值可以为预先设定的数值。例如，上述预设阈值可以为0.5。
子步骤2，将中点约束线段组集和小于等于半径置信度数值的各个约束线段信息对应的各个约束线段，确定为目标约束线段集。
子步骤3，对目标约束线段集的端点点云数据组集进行四面体构建，得到初始点云四面体集。其中，上述初始点云四面体集可以是由上述端点点云数值组集形成的互不重叠的四面体集。上述四面体构建可以是利用Delaunay四面体化算法进行的四面体构建。
子步骤4，响应于确定目标约束线段集中存在不包括在初始点云四面体集中的任一初始点云四面体内的至少一个目标约束线段，在至少一个目标约束线段中的每个目标约束线段的中点添加点云数据，得到第一新增点云数据集。
子步骤5，对于初始点云四面体集中的每个初始点云四面体，对初始点云四面体对应的半径边长比值与预设比值阈值进行对比，得到对比结果。其中，上述半径边长比值可以为上述初始点云四面体对应的外接球的半径和目标边长数值的比值。上述目标边长可以为上述初始点云四面体的最小边长的数值。上述预设比值阈值可以是预先设定的比值的最大值。例如，上述预设比值阈值可以是2。
子步骤6，响应于确定所得到的对比结果集中存在半径边长比值大于上述预设比值阈值的至少一个对比结果，在至少一个对比结果对应的至少一个初始点云四面体的外接球球心添加点云数据，得到第二新增点云数据集。
子步骤7，对目标新增点云数据集和端点点云数据组集进行四面体构建，得到目标点云四面体集。其中，上述目标新增点云数据集可以为第一新增点云数据集、或者第二新增点云数据集、或者第一新增点云数据集和第二新增点云数据集组成的点云数据集。
子步骤8，响应于确定目标约束线段集和目标点云四面体集满足预设约束条件集，对上述电缆融合数据集和目标新增点云数据进行四面体表面构建，得到电缆四面体表面网格。其中，上述预设约束条件集可以包括：上述目标约束线段集中的每个目标约束线段位于上述目标点云四面体集内中的任一目标点云四面体内、目标点云四面体的半径边长比小于上述预设比值阈值、目标约束线段的长度小于半径置信度数值。上述电缆四面体表面网格可以是用于拟合配网电缆表面的表面网格。
第二步，响应于确定上述目标约束线段集和目标点云四面体集不满足上述预设约束条件集，将目标约束线段集对应的目标约束线段信息集确定为约束线段信息集，以再次执行上述四面体表面构建步骤。
第三步，对上述电缆四面体表面网格进行网格面分割处理，得到配网电缆全景三维模型。实践中，上述执行主体可以利用最大流最小割算法，对上述电缆四面体表面网格进行网格面分割处理，得到配网电缆全景三维模型。
上述技术方案及其相关内容，结合步骤“步骤107”作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“由于配网电缆中存在的细小物体，难以通过电缆全景图像进行纹理信息的准确提取，产生大量冗余和错误的纹理信息，造成目标电缆全景三维模型中存在大量缺失和不完成的部分，目标电缆全景三维模型的准确性较低，进而造成巡检路径的准确率较低，配网电缆机器人的安全性较低和配网电缆的稳定性较低”。导致巡检路径的准确性较低，配网电缆机器人的安全性较低和配网电缆的稳定性较低的因素往往如下： 由于配网电缆中存在的细小物体，难以通过电缆全景图像进行纹理信息的准确提取，产生大量冗余和错误的纹理信息，造成目标电缆全景三维模型中存在大量缺失和不完成的部分，目标电缆全景三维模型的准确性较低。如果解决了上述因素，就能达到提高巡检路径的准确性，配网电缆机器人的安全性和配网电缆的稳定性的效果。为了达到这一效果，本公开首先，对约束线段信息进行中点划分处理，便于后续所生成的目标约束线段集全部包括在生成的四面体内。其次，对目标约束线段集的端点点云数据组集进行四面体构建，可以更好的描述点云数据的空间分布和几何特征，便于后续进行三维表面重建。随后，确定目标约束线段集是否全部包括在初始点云四面体内，可以提高生成的四面体的完整性，减少生成的四面体集存在漏洞和断裂的情况，提高四面体的整体性和稳定性。然后，在目标约束线段集未包括在初始四面体集内和初始点云四面体的半径边长比大于预设比值阈值的情况下，添加新的点云数据集，可以优化配网电缆的四面体形状和质量。最后，循环结束，对上述电缆融合数据集和目标新增点云数据进行四面体表面重建，得到电缆四面体表面网格，以及对电缆四面体表面网格进行网格面分割处理，得到配网电缆全景三维模型，可以提高最终生成的四面体的形状和质量和生成的配网电缆全景三维模型的准确性。最后，根据配网电缆全景三维模型，生成巡检路径，并控制配网电缆机器人进行巡检，可以提高配网电缆机器人的安全性和配网电缆的稳定性。
步骤104，对配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型。
在一些实施例中，上述执行主体可以对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型。其中，上述目标电缆全景三维模型可以是对上述配网电缆全景三维模型的纹理和颜色进行修复填充等调整后得到的三维数字模型。实践中，上述执行主体可以对上述配网电缆全景三维模型进行纹理贴图处理，得到目标电缆全景三维模型。
步骤105，对配网电缆进行电缆故障检测，得到配网电缆的电缆故障信息。
在一些实施例中，上述执行主体可以对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息。其中，上述电缆故障信息可以是记录配网电缆发生故障时的信息。上述电缆故障信息可以包括但不限于以下至少一项：配网电缆故障位置信息、配网电缆故障类型信息、配网电缆故障等级信息。上述配网电缆故障等级信息可以表征配网电缆发生的故障的紧急程度。
作为示例，上述执行主体可以利用电缆故障检测模型，对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息。其中，上述电缆故障检测模型可以识别输入的配网电缆故障图像的故障类型的模型。例如，上述电缆故障检测模型可以是DCNN（DeepConvolutional Neural Networks，深度卷积神经网络）。
在一些实施例的一些可选的实现方式中，上述对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息，包括：
第一步，采集上述配网电缆的电缆放电波形信息。上述电缆放电波形信息中的可以是利用线性电流耦合器采集和二次脉冲法，对得到的两个低压脉冲反射波形进行融合叠加后的波形的信息。
第二步，对上述电缆放电波形信息进行信号分解去噪处理，得到去噪后电缆放电波形信息。其中，上述信号分解去噪处理可以是利用小波变换算法进行的去噪处理。
第三步，提取上述去噪后电缆放电波形信息的电缆时域特征信息集和电缆频域特征信息集。其中，上述电缆时域特征信息集中的电缆时域特征信息可以是描述去噪后电缆放电波形信息随时间变化的特征信息。上述电缆时频特征信息集可以包括：平均值、最大值、方差、标准差、偏度和峰度。上述偏度表征去噪后电缆放电波形信息分布的不对称性。上述峰度可以表征去噪后电缆放电波形信息分布的陡峭程度。上述电缆频域特征信息集中的电缆频域特征信息可以是描述去噪后电缆放电波形信息包括的频率成分的特征信息。上述电缆频域特征信息集可以包括：小波能量熵、小波奇异熵、低压波形相关系数和低压波形均方根误差。上述小波能量熵可以表征去噪后电缆放电波形信息对应的波形信号的能量分布的有序程度。上述小波能量熵可以是通过小波变换算法得到的小波能量集的和。上述小波奇异熵可以表征波形信号在时频分布上的复杂程度。上述小波奇异熵可以是通过以下步骤得到的：首先，对波形信号进行小波变换，得到系数矩阵。然后，对系数矩阵奇异值分解，得到奇异值谱。最后，将奇异值谱的熵值确定为小波奇异熵。上述低压波形相关系数可以是利用二次脉冲法得到两个低压脉冲波形的协方差、与两个低压脉冲波形各自的方差的乘积的算数平方根的比值。上述低压波形均方根误差可以是两个低压脉冲波形的均方根误差值。
第四步，根据上述电缆时域特征信息集和上述电缆频域特征信息集，确定上述电缆放电波形信息是否为目标放电波形信息。其中，上述目标放电波形信息可以是利用二次脉冲法击穿电缆绝缘介质形成导电通路行程的击穿波形的信息。
作为示例，上述执行主体可以利用波形识别模型，根据上述电缆时频特征信息集和上述电缆频域特征信息集，确定上述电缆放电波形信息是否为目标放电波形信息。上述波形识别模型可以是基于粒子群优化算法改进后得到的支持向量机。上述粒子群优化算法可以是对支持向量机的惩罚因子和核函数参数进行的优化的算法。
第五步，响应于确定上述电缆放电波形信息为目标放电波形信息，对上述去噪后电缆放电波形信息进行时序分段处理，得到波形分段信息集。其中，上述时序分段处理可以是利用时窗平移法进行的分段。
第六步，确定上述波形分段信息集的波形相关系数集。其中，上述波形相关系数集中的波形相关系数可以是皮尔逊相关系数。
第七步，根据上述波形相关系数集，确定上述去噪后电缆放电波形信息的趋势变化时间点。其中，上述趋势变化时间点可以是两个低压脉冲反射波形发生差异的时间。
作为示例，上述执行主体可以将上述波形相关系数集中波形相关系数由正数转换到负数的分界点对应的时间，确定为趋势变化时间点。
第八步，根据上述趋势变化时间点，确定电缆故障区域信息。其中，上述电缆故障区域信息可以是确定的配网电缆发生故障的区域范围。
作为示例，上述执行主体可以首先，将上述趋势变化时间点和波速的乘积，确定为第一数值。然后，将第一数值与2的比值，确定为测量距离数值。最后，将距离测量点测量距离数值的电缆信息，确定为电缆故障区域信息。
第九步，根据上述电缆故障区域信息，确定上述配网电缆的电缆故障信息。
作为示例，上述执行主体可以利用声磁同步法，根据上述电缆故障区域信息，确定上述配网电缆的电缆故障信息。
在一些实施例的一些可选的实现方式中，上述根据上述电缆故障区域信息，确定上述配网电缆的电缆故障信息，包括：
第一步，通过上述目标电缆全景三维模型，确定上述电缆故障区域信息对应的电缆故障区域的电缆敷设信息。其中，上述电缆敷设信息可以是电缆故障区域内电缆的环境信息、敷设深度、电缆线路走向信息。
第二步，获取上述电缆故障区域的电磁信号信息和声音信号信息。其中，上述电磁信号信息和声音信号信息可以是通过探测仪采集的高压信号发生器向电缆故障区域发射周期冲击高压脉冲产生的电磁信号和声音信号的信息。上述电磁信号信息可以是采集电缆故障区域信息中的电压产生的电磁波形的信息。上述声音信号信息可以是采集的电缆故障区域信息内电压击穿电缆绝缘介质后发生的声音信号的信息。
第三步，对上述电磁信号信息和上述声音信号信息进行小波变换，得到电磁时频图和声音时频图。其中，上述电磁时频图可以表征电磁信号在不同时间和频率情况下能量强度分布的二维图。上述声音时频图可以是声音信号在不同时间和频率情况下能量强度分布的二维图。
第四步，将上述电磁时频图和上述声音时频图输入至声磁识别模型，得到识别结果。其中，上述声磁识别模型可以是对输入的电磁时频图和声音时频图进行类型识别的模型。例如，上述声磁识别模型可以是GoogLeNet模型。
第五步，响应于确定上述识别结果表征电磁时频图和声音时频图为目标电磁时频图和目标声音时频图，对上述电磁信号信息和上述声音信号信息进行滤波模态分解处理，得到滤波后电磁信号信息和滤波后声音信号信息。其中，上述目标电磁时频图可以是发射的高压脉冲在电缆故障区域产生的磁场信号的二维图。上述目标声音时频图可以是发射的高压脉冲在电缆故障区域发生击穿放电时发生的声音信号的二维图。上述滤波模态分解处理可以是利用经验模态分解算法进行的滤波模态分解。
第六步，根据上述滤波后电磁信号信息和上述滤波后声音信号信息，生成电磁瞬时能量图和声音瞬时能量图。其中，上述电磁瞬时能量图可以是滤波后声磁信号信息对应的波形振荡产生的能量的二维图。上述声音瞬时能量图可以是滤波后声音信号信息对应的波形振荡产生的能量的二维图。
作为示例，上述执行主体可以利用TEO（Teager Energy Operator，Teager能量算子），根据上述滤波后声磁信号信息和上述滤波后声音信号信息，生成电磁瞬时能量图和声音瞬时能量图。
第七步，分别确定上述电磁瞬时能量图和上述声音瞬时能量图的目标峰值对应的时间，得到电磁峰值时间和声音峰值时间。其中，上述电磁峰值时间可以是上述电磁瞬时能量图中第一次达到峰值时的时间。上述声音峰值时间可以是上述声音瞬时能量图中第一次达到峰值时的时间。
第八步，根据上述电磁峰值时间、上述声音峰值时间和上述电缆敷设信息，确定电缆故障位置信息，作为电缆故障信息。
作为示例，上述执行主体可以首先，确定上述电磁峰值时间和声音峰值时间的时间差值。然后，将上述时间差值和波速的乘积与2的比值，确定为距离电缆故障区域信息对应的故障位置的故障区域范围信息。最后，通过上述敷设信息，对上述故障区域范围信息进行筛选，得到电缆故障位置信息，作为电缆故障信息。
步骤106，根据电缆故障信息，对目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对电缆标绘三维全景模型进行可视化显示。
在一些实施例中，上述执行主体可以根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示。其中，上述电缆标绘三维全景模型可以是包括配网电缆相关信息和电缆故障信息的三维数字化模型。上述配网电缆相关信息可以包括但不限于以下至少一项：配网电缆的线路名称、电缆类型型号、规格、配网电缆的起点和终点。
作为示例，上述执行主体可以首先，确定上述电缆故障信息在上述目标全景三维模型中的模型位置信息。然后，将上述模型位置信息加载至上述目标电缆全景三维模型，得到电缆标绘三维全景模型。
步骤107，根据电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据巡检路径，控制配网电缆机器人对配网电缆进行巡检。
在一些实施例中，上述执行主体可以根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。其中，上述配网电缆机器人可以是具备自主导航、定位和巡检功能的机器人。上述配网电缆机器人可以通过装载的深度相机、传感器，将采集的数据发送至配网终端，并接收配网终端发送的巡检路径进行自主巡检的机器人。上述巡检路径可以是规划的一条从配网电网机器人所在位置至电缆故障信息包括的电缆故障位置信息的路径。
作为示例，上述执行主体可以将上述电缆标绘三维全景模型中的标绘的电缆故障信息包括的电缆故障位置，确定为上述配网电缆机器人的巡检终点。然后，利用动态规划算法，生成一条从上述配网电缆机器人所在位置至巡检终点的巡检路径。其中，上述动态规划算法可以是以下之一：Dijkstra算法、人工势场法。最后，将上述巡检路径发送至配网电缆机器人，以控制上述配网电缆机器人按照上述巡检路径进行巡检。
考虑到上述常规解决方案利用快速搜索随机树算法生成巡检路径，并控制机器人按照巡检路径进行巡检的问题，面对上述技术问题：由于快速搜索随机树算法在整个空间内进行随机搜索，会生成一些冗余路径，规划效率较低和不适配配网电缆的狭长隧道环境，导致生成的巡检路径准确率较低，配网电缆机器人的安全性较低。结合所拥有的技术现状，可以决定采用如下解决方案。
在一些实施例的一些可选的实现方式中，上述根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检，可以包括以下步骤：
第一步，获取上述配网电缆机器人拍摄的电缆路径图像集。其中，上述电缆路径图像集中的电缆路径图像可以是配网电缆机器人利用自身携带的相机拍摄的经过的配网电缆的图像。
第二步，根据上述电缆路径图像集，生成上述配网电缆机器人的位姿信息。其中，上述位姿信息可以是配网电缆机器人的位置信息和姿态信息。
作为示例，上述执行主体可以利用ORB（Oriented fast and Rotated Brief）算法，根据上述电缆路径图像集，生成上述配网电缆机器人的位姿信息。
第三步，对于位姿信息和电缆故障信息，执行以下采样点连接步骤：
子步骤1，对位姿信息包括的位置信息对应的位置进行方向搜索随机树构建，得到起始搜索随机树。其中，上述起始搜索随机树可以是以位姿信息包括的位置信息对应的位置作为根节点，以预设采样策略在位姿信息至电缆故障信息对应的电缆故障位置的区域内进行采样得到的随机树。上述预设采样策略可以是目标偏置采样策略。
子步骤2，基于起始搜索随机树的起始位置节点，执行以下确定步骤：
第一子步骤，确定起始搜索随机树的起始随机节点、起始随机节点的起始目标采样节点。其中，上述起始随机节点可以是采用目标偏置采样策略选择的上述位姿信息包括的位置信息的后续节点。上述起始目标采样节点可以是距离上述起始随机节点最近的节点。
第二子步骤，在电缆故障信息对应的电缆故障位置、电缆标绘三维全景模型的障碍物集、起始随机节点建立起始引力势场函数、障碍物斥力势场函数集和目标引力势场函数。其中，上述起始引力势场函数可以表征电缆故障位置对配网电缆的引力形成的势场函数。上述障碍物斥力势场函数集中的障碍物斥力势场函数可以是障碍物的位置对配网电缆机器人的斥力形成的势场函数。上述目标引力势场函数可以是起始随机节点对配网电缆机器人形成的引力形成的势场函数。
第三子步骤，对起始引力势场函数、障碍物斥力势场函数集和目标引力势场函数进行受力分解，确定上述起始目标采样节点受力的目标矢量合力，以及将上述目标矢量合力对应的受力方向确定为起始搜索随机树的采样方向。其中，上述目标矢量合力可以是配网电缆机器人所在起始目标采样节点受起始引力市场函数、障碍物斥力势场函数集和目标引力势场函数的总的合力。
第四子步骤，根据目标矢量合力、起始目标采样节点和采样方向，确定起始目标采样节点的后续采样节点。其中，上述后续采样节点可以是上述起始目标采样节点的下一步采样得到的节点。
作为示例，上述执行主体可以首先，对上述目标矢量合力进行分解，得到横坐标受力数值和纵坐标受力数值。然后，将预设采样步长与上述横坐标受力数值的比值，确定为横坐标数值，以及将预设采样步长与上述纵坐标受力数值的乘积，确定为纵坐标数值。其中，上述预设采样步长可以是预先设定的采样的距离数值。最后，通过上述采样方向，确定上述起始目标采样节点和上述横坐标数值、纵坐标数值对应的坐标数值，作为后续采样节点的坐标。例如，若上述采样方向在横纵坐标系上均是正向，将上述起始目标采样节点的横坐标和上述横坐标数值的和，确定为后续采样节点的横坐标，以及将上述起始目标采样节点的纵坐标和上述纵坐标数值的和，确定为后续采样节点的纵坐标。
第五子步骤，利用上述电缆标绘三维全景模型，对采样节点线段进行障碍物碰撞检验，得到碰撞检测结果。其中，上述采样节点线段可以为上述起始目标采样节点和上述后续采样节点形成的线段。上述障碍物碰撞检验可以是上述采样节点线段是否经过障碍物所在区域的检验。
第六子步骤，响应于确定碰撞检测结果表征检测通过，生成从位姿信息至后续采样节点的起始路径，以及确定后续采样节点的父节点是否需要更新。实践中，上述执行主体可以首先，确定以后续采样节点为圆心，以预设半径数值为半径的区域内包括的采样点集。其次，确定上述采样点集中的每个采样点的父采样点，得到父采样点集。然后，确定上述父采样点集中的每个父采样点至位姿信息的第一距离数值，得到第一距离数值集。以及将后续采样节点确定为上述采样点集中的每个采样点的父采样点，并确定上述采样点的父采样点为后序采样节点后至位姿信息的第二距离数值，作为第二距离数值集。最后，响应于确定第一距离数值集中存在第一距离数值小于第二距离数值集中对应的第二距离数值，对后续采样节点的父节点进行更新，即将第一距离数值小于第二距离数值对应的采样点，确定为后续采样点的父节点，并依次回溯至位姿信息包括的位置节点。
第七子步骤，响应于确定后续采样节点的父节点不需要更新，对电缆故障信息对应的电缆故障位置进行方向搜索随机树构建，得到终止搜索随机树，以及将终止搜索随机树确定为起始搜索随机树，将位置确定为电缆故障位置，以再次执行上述确定步骤，以及将得到的后续采样节点，作为后续终止采样节点，并生成从电缆故障位置至后续终止采样节点的终止路径。
子步骤3，确定后续终止采样节点和后续采样节点的节点距离数值。
子步骤4，响应于确定节点距离数值小于等于预设距离阈值，对后续终止采样节点和后续采样节点进行连接，得到连接采样路径。其中，上述预设距离阈值可以是预先设定的距离的最大值。
第四步，响应于确定连接采样路径不经过障碍物集对应的障碍物区域，将起始路径、终止路径和连接采样路径，确定为从位姿信息包括的位置信息对应的位置和电缆故障信息对应的电缆故障位置的巡检路径，以及根据上述巡检路径，控制上述配网巡检机器人对上述配网电缆进行巡检。
第五步，响应于确定节点距离数值大于上述预设距离阈值，将后续采样节点作为位姿信息，以及将后续终止采样节点作为电缆故障位置，以再次执行采样点连接步骤。
上述技术方案及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题三“由于配网电缆的环境比较复杂，难以准确定位配网电缆机器人的位置，以及规划的路径难以确保精准规避障碍物，生成最短路径和适配配网电缆场景，导致配网巡检机器人的损坏率较高和安全性较低”。导致配网巡检机器人的损坏率较高和安全性较低的因素往往如下：由于配网电缆的环境比较复杂，难以准确定位配网电缆机器人的位置，以及规划的路径难以确保精准规避障碍物，生成最短路径和适配配网电缆场景。如果解决了上述因素，就能达到降低配网巡检机器人的损坏率和提高安全性的效果。为了达到这一效果，本公开首先，利用配电路径图像集确定配网电缆机器人的位姿信息，可以提高配网电缆机器人的定位的准确度。其次，对位姿信息和电缆故障信息对应的电缆故障位置分别进行搜索随机树构建，通过双向进行路径构建，可以提高路径生成的效率。随后，通过建立引力势场函数、斥力势场函数，以控制生成的后续采样节点的方向，可以减少随机搜索的空间，减少冗余路径的生成，提高生成速率。然后，对采样节点线段进行障碍物碰撞检验，可以提高配网电缆机器人规避障碍物，生成一条安全性较高的路径。最后，对循环迭代生成的起始路径、终止路径和连接采样路径进行拼接，以及控制配网电缆机器人按照巡检路径进行巡检，可以生成准确率较高的巡检路径，以及提高配网电缆机器人的安全性和降低损坏率。
本公开的上述各个实施例中具有如下有益效果：本公开的一些实施例的配网电缆机器人控制方法可以提高目标电缆全景三维模型的准确率，更直观的显示配网电缆的设备运行情况，提高巡检路径的准确性和配网电缆的安全性。具体来说，造成相关的配网电缆机器人的安全性较低和配网电缆的设备的损坏率较高，配网电缆的安全性和稳定性较低的原因在于：采用电缆全景图像进行三维模型构建的数据比较单一，易缺失部分配网电缆的物体信息，造成生成的电缆全景三维模型的准确率较低和生成的巡检路径的准确度较低，导致配网电缆机器人的安全性较低和配网电缆的设备的损坏率较高，配网电缆的安全性和稳定性较低。基于此，本公开的一些实施例的配网电缆机器人控制方法可以首先，控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集。在这里，电缆全景图像集和电缆点云数据集用于后续进行数据融合。其次，对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集。在这里，可以提高电缆融合数据集的数据质量，减少数据量。再次，对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。在这里，通过数据质量更高的数据进行三维建模，可以提高配网电缆全景三维模型的准确性。接着，对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型。在这里，可以使得到的目标电缆全景三维模型更加贴合真实的配网电缆，提高目标电缆全景三维模型的准确性。随后，对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息。在这里，可以及时发现配网电缆发生的故障，提高维修速率和配网电缆的安全性。然后，根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示。在这里，以可视化的形式进行三维数据标绘，可以更加直观，也便于全面掌握配网电缆的情况。最后，根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。在这里，可以提高巡检路径的准确性、配网电缆机器人的安全性、配网电缆的安全性和稳定性。由此可得，该配网电缆机器人控制方法可以通过电缆全景图像和电缆点云数据的融合，可以提高生成的目标电缆全景三维模型的准确率，以及通过故障信息，对目标电缆全景三维模型的标绘，可以更直观的显示配网电缆的设备运行情况，利用生成的巡检路径控制配网电缆机器人进行巡检，可以提高巡检路径的准确性和配网电缆的安全性。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种配网电缆机器人控制装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该配网电缆机器人控制装置具体可以应用于各种电子设备中。
如图2所示，一种配网电缆机器人控制装置200包括：第一控制单元201、数据融合单元202、三维模型构建单元203、模型渲染单元204、电缆故障检测单元205、三维数据标绘单元206和第二控制单元207。其中，第一控制单元201被配置成：控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集。数据融合单元202被配置成：对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集。三维模型构建单元203被配置成：对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。模型渲染单元204被配置成：对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型。电缆故障检测单元205被配置成：对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息。三维数据标绘单元206被配置成：根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示。第二控制单元207被配置成：根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。
可以理解的是，配网电缆机器人控制装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于配网电缆机器人控制装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质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。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集；对上述电缆全景图像集和上述电缆点云数据集进行数据融合处理，得到电缆融合数据集；对上述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；对上述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；对上述配网电缆进行电缆故障检测，得到上述配网电缆的电缆故障信息；根据上述电缆故障信息，对上述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对上述电缆标绘三维全景模型进行可视化显示；根据上述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据上述巡检路径，控制上述配网电缆机器人对上述配网电缆进行巡检。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括第一控制单元、数据融合单元、三维模型构建单元、模型渲染单元、电缆故障检测单元、三维数据标绘单元和第二控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一控制单元还可以被描述为“控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (9)
1.一种配网电缆机器人控制方法，包括：
控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集；
对所述电缆全景图像集和所述电缆点云数据集进行数据融合处理，得到电缆融合数据集；
对所述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；
对所述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；
对所述配网电缆进行电缆故障检测，得到所述配网电缆的电缆故障信息；
根据所述电缆故障信息，对所述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对所述电缆标绘三维全景模型进行可视化显示；
根据所述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据所述巡检路径，控制所述配网电缆机器人对所述配网电缆进行巡检。
2.根据权利要求1所述的方法，其中，所述对所述电缆全景图像集和所述电缆点云数据集进行数据融合处理，得到电缆融合数据集，包括：
对所述电缆全景图像集中的每个电缆全景图像进行特征点检测，以生成全景图像特征点组，得到全景图像特征点组集；
对所述全景图像特征点组集进行特征点匹配处理，得到针对所述电缆全景图像集的几何关联信息集；
根据所述几何关联信息集和所述全景图像特征点组集，确定所述数据采集装置集包括的相机的姿态参数集；
根据所述姿态参数集，生成针对所述电缆全景图像集的纹理点云数据集；
对所述纹理点云数据集进行颜色空间转换处理，得到转换后纹理点云数据集；
确定所述电缆点云数据集中每个电缆点云数据的点云几何特征信息，得到点云几何特征信息集；
根据所述点云几何特征信息集，对所述电缆点云数据集进行筛选处理，得到筛选后点云数据集；
对所述转换后纹理点云数据集和所述筛选后点云数据集进行点云数据融合，得到电缆融合数据集。
3.根据权利要求1所述的方法，其中，所述对所述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型，包括：
对所述电缆融合数据集进行数据滤波处理，得到滤波点云数据集；
对所述滤波点云数据集进行竖杆约束点云分割处理，得到竖杆约束点云组集；
对于所述竖杆约束点云组集中的每个竖杆约束点云组，确定所述竖杆约束点云组的质心点云、第一目标点云和第二目标点云；
根据所得到的质心点云集、所得到的第一目标点云集和所得到的第二目标点云集，生成拼接竖杆点云组集；
对所述拼接竖杆点云组集中的每个拼接竖杆点云组进行点云筛选处理，以生成筛选后竖杆点云组，得到筛选后竖杆点云组集；
对所述筛选后竖杆点云组集中的每个筛选后竖杆点云组进行区域增长处理，以生成电缆杆状物点云组，得到电缆杆状物点云组集；
对所述电缆杆状物点云组集进行约束线段提取，得到约束线段信息集；
根据所述约束线段信息集，对所述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型。
4.根据权利要求3所述的方法，其中，所述根据所得到的质心点云集、所得到的第一目标点云集和所得到的第二目标点云集，生成拼接竖杆点云组集，包括：
对于所述质心点云集中每个质心点云，确定所述质心点云与剩余质心点云集中的每个剩余质心点云的水平距离，其中，所述剩余质心点云集为从所述质心点云集中去除所述质心点云得到的点云集；
对于所述第一目标点云集中的每个第一目标点云，确定所述第一目标点云与第二剩余目标点云集中的每个第二剩余目标点云的第一点云差值，其中，所述第二剩余目标点云集为从所述第二目标点云集中去除与所述第一目标点云对应的第二目标点云得到的点云集；
对于所述第二目标点云集中的每个第二目标点云，确定所述第二目标点云与第一剩余目标点云集中的每个第一剩余目标点云的第二点云差值的相反数，作为第二相反点云差值，其中，所述第一剩余目标点云集为从所述第一目标点云集中去除与所述第二目标点云对应的第一目标点云得到的点云集；
从所述水平距离集中筛选出小于预设水平距离阈值的水平距离，作为目标水平距离，得到目标水平距离集；
确定所述目标水平距离集对应的各个第一点云差值，其中，目标水平距离对应的各个竖杆约束点云组与第一点云差值对应的各个竖杆约束点云组相同；
响应于确定所述各个第一点云差值中存在小于预设点云差值阈值的至少一个第一点云差值，确定所述至少一个第一点云差值对应的各个第二相反点云差值，其中，第一点云差值对应的各个竖杆约束点云组和第二相反点云差值对应的各个竖杆约束点云组相同；
响应于确定所述各个第二相反点云差值中存在小于所述预设点云差值阈值的至少一个第二相反点云差值，将所述至少一个第二相反点云差值对应的至少一个竖杆约束点云组进行拼接，得到拼接竖杆点云组集。
5.根据权利要求1所述的方法，其中，所述对所述配网电缆进行电缆故障检测，得到所述配网电缆的电缆故障信息，包括：
采集所述配网电缆的电缆放电波形信息；
对所述电缆放电波形信息进行信号分解去噪处理，得到去噪后电缆放电波形信息；
提取所述去噪后电缆放电波形信息的电缆时域特征信息集和电缆频域特征信息集；
根据所述电缆时域特征信息集和所述电缆频域特征信息集，确定所述电缆放电波形信息是否为目标放电波形信息；
响应于确定所述电缆放电波形信息为目标放电波形信息，对所述去噪后电缆放电波形信息进行时序分段处理，得到波形分段信息集；
确定所述波形分段信息集的波形相关系数集；
根据所述波形相关系数集，确定所述去噪后电缆放电波形信息的趋势变化时间点；
根据所述趋势变化时间点，确定电缆故障区域信息；
根据所述电缆故障区域信息，确定所述配网电缆的电缆故障信息。
6.根据权利要求5所述的方法，其中，所述根据所述电缆故障区域信息，确定所述配网电缆的电缆故障信息，包括：
通过所述目标电缆全景三维模型，确定所述电缆故障区域信息对应的电缆故障区域的电缆敷设信息；
获取所述电缆故障区域的电磁信号信息和声音信号信息；
对所述电磁信号信息和所述声音信号信息进行小波变换，得到电磁时频图和声音时频图；
将所述电磁时频图和所述声音时频图输入至声磁识别模型，得到识别结果；
响应于确定所述识别结果表征电磁时频图和声音时频图为目标电磁时频图和目标声音时频图，对所述电磁信号信息和所述声音信号信息进行滤波模态分解处理，得到滤波后电磁信号信息和滤波后声音信号信息；
根据所述滤波后电磁信号信息和所述滤波后声音信号信息，生成电磁瞬时能量图和声音瞬时能量图；
分别确定所述电磁瞬时能量图和所述声音瞬时能量图的目标峰值对应的时间，得到电磁峰值时间和声音峰值时间；
根据所述电磁峰值时间、所述声音峰值时间和所述电缆敷设信息，确定电缆故障位置信息，作为电缆故障信息。
7.一种配网电缆机器人控制装置，包括：
第一控制单元，被配置成控制数据采集装置集，以对配网电缆进行全景数据采集，得到电缆全景图像集和电缆点云数据集；
数据融合单元，被配置成对所述电缆全景图像集和所述电缆点云数据集进行数据融合处理，得到电缆融合数据集；
三维模型构建单元，被配置成对所述电缆融合数据集进行电缆三维模型构建，得到配网电缆全景三维模型；
模型渲染单元，被配置成对所述配网电缆全景三维模型进行模型渲染处理，得到目标电缆全景三维模型；
电缆故障检测单元，被配置成对所述配网电缆进行电缆故障检测，得到所述配网电缆的电缆故障信息；
三维数据标绘单元，被配置成根据所述电缆故障信息，对所述目标电缆全景三维模型进行三维数据标绘，得到电缆标绘三维全景模型，以及对所述电缆标绘三维全景模型进行可视化显示；
第二控制单元，被配置成根据所述电缆标绘三维全景模型，生成配网电缆机器人的巡检路径，以及根据所述巡检路径，控制所述配网电缆机器人对所述配网电缆进行巡检。
8.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390437.4A CN117974913B (zh) | 2024-04-02 | 2024-04-02 | 配网电缆机器人控制方法、装置、电子设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410390437.4A CN117974913B (zh) | 2024-04-02 | 2024-04-02 | 配网电缆机器人控制方法、装置、电子设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117974913A true CN117974913A (zh) | 2024-05-03 |
| CN117974913B CN117974913B (zh) | 2024-06-11 |
Family
ID=90861649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410390437.4A Active CN117974913B (zh) | 2024-04-02 | 2024-04-02 | 配网电缆机器人控制方法、装置、电子设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974913B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334561A (zh) * | 2024-06-13 | 2024-07-12 | 国网湖北省电力有限公司武汉供电公司 | 一种高压电缆的智慧全景巡检监测方法及系统 |
| CN118397051A (zh) * | 2024-06-27 | 2024-07-26 | 广东电网有限责任公司广州供电局 | 基于遥感影像的网格化配网预警方法、装置、电子设备 |
| CN118397197A (zh) * | 2024-06-27 | 2024-07-26 | 广东电网有限责任公司广州供电局 | 电缆温度数据展示方法、装置、电子设备和可读介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60208192A (ja) * | 1984-04-02 | 1985-10-19 | Hitachi Denshi Ltd | Ｃａｔｖシステムにおける障害検知方式 |
| CN102122844A (zh) * | 2011-03-01 | 2011-07-13 | 江苏省电力设计院 | 基于传感器通信网络和专家系统的智能变电站 |
| CN114037555A (zh) * | 2021-10-19 | 2022-02-11 | 国网浙江宁波市鄞州区供电有限公司 | 多维信息感知的三维可视化电缆通道全景管控平台及装置 |
| CN116089625A (zh) * | 2022-12-14 | 2023-05-09 | 海南电网有限责任公司三亚供电局 | 一种基于多维信息感知的电缆通道全景管控系统 |
| US20230160939A1 (en) * | 2021-03-24 | 2023-05-25 | Cangzhou Power Supply Company, State Grid Hebei Electric Power Co., Ltd. | Fault diagnosis method and apparatus for submarine cable, and device |
| CN116205399A (zh) * | 2023-02-15 | 2023-06-02 | 厦门亿力吉奥信息科技有限公司 | 电缆通道资源管理系统 |
-
2024
- 2024-04-02 CN CN202410390437.4A patent/CN117974913B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60208192A (ja) * | 1984-04-02 | 1985-10-19 | Hitachi Denshi Ltd | Ｃａｔｖシステムにおける障害検知方式 |
| CN102122844A (zh) * | 2011-03-01 | 2011-07-13 | 江苏省电力设计院 | 基于传感器通信网络和专家系统的智能变电站 |
| US20230160939A1 (en) * | 2021-03-24 | 2023-05-25 | Cangzhou Power Supply Company, State Grid Hebei Electric Power Co., Ltd. | Fault diagnosis method and apparatus for submarine cable, and device |
| CN114037555A (zh) * | 2021-10-19 | 2022-02-11 | 国网浙江宁波市鄞州区供电有限公司 | 多维信息感知的三维可视化电缆通道全景管控平台及装置 |
| CN116089625A (zh) * | 2022-12-14 | 2023-05-09 | 海南电网有限责任公司三亚供电局 | 一种基于多维信息感知的电缆通道全景管控系统 |
| CN116205399A (zh) * | 2023-02-15 | 2023-06-02 | 厦门亿力吉奥信息科技有限公司 | 电缆通道资源管理系统 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118334561A (zh) * | 2024-06-13 | 2024-07-12 | 国网湖北省电力有限公司武汉供电公司 | 一种高压电缆的智慧全景巡检监测方法及系统 |
| CN118334561B (zh) * | 2024-06-13 | 2024-09-06 | 国网湖北省电力有限公司武汉供电公司 | 一种高压电缆的智慧全景巡检监测方法及系统 |
| CN118397051A (zh) * | 2024-06-27 | 2024-07-26 | 广东电网有限责任公司广州供电局 | 基于遥感影像的网格化配网预警方法、装置、电子设备 |
| CN118397197A (zh) * | 2024-06-27 | 2024-07-26 | 广东电网有限责任公司广州供电局 | 电缆温度数据展示方法、装置、电子设备和可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117974913B (zh) | 2024-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117974913B (zh) | 配网电缆机器人控制方法、装置、电子设备和介质 | |
| CN109285220B (zh) | 一种三维场景地图的生成方法、装置、设备及存储介质 | |
| US10970864B2 (en) | Method and apparatus for recovering point cloud data | |
| EP4050562A1 (en) | Method and device for detecting vehicle pose | |
| EP4116935B1 (en) | High-definition map creation method and device, and electronic device | |
| CN114758337B (zh) | 一种语义实例重建方法、装置、设备及介质 | |
| CN110349212B (zh) | 即时定位与地图构建的优化方法及装置、介质和电子设备 | |
| EP3904829B1 (en) | Method and apparatus for generating information, device, medium and computer program product | |
| CN113607185A (zh) | 车道线信息显示方法、装置、电子设备和计算机可读介质 | |
| US11521357B1 (en) | Aerial cable detection and 3D modeling from images | |
| CN112258568B (zh) | 一种高精度地图要素的提取方法及装置 | |
| CN115068140B (zh) | 牙齿模型的获取方法、装置、设备及介质 | |
| CN112580428A (zh) | 一种配电网设计方法及装置 | |
| CN117746133B (zh) | 目标检测方法、模型训练方法、装置、设备及存储介质 | |
| CN114581871A (zh) | 一种目标物体的检测方法和装置 | |
| CN116188583B (zh) | 相机位姿信息生成方法、装置、设备和计算机可读介质 | |
| CN112150491B (zh) | 图像检测方法、装置、电子设备和计算机可读介质 | |
| CN117910258A (zh) | 一种基于地质灾害的输电线路数字孪生体建模方法及系统 | |
| CN117994482A (zh) | 基于图像进行三维模型重建的方法、装置、介质和设备 | |
| CN115620264B (zh) | 车辆定位方法、装置、电子设备和计算机可读介质 | |
| CN110363863A (zh) | 一种神经网络的输入数据生成方法和系统 | |
| CN115937449A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
| CN114925076A (zh) | 地图数据的更新方法、装置、电子设备和存储介质 | |
| CN113514053A (zh) | 生成样本图像对的方法、装置和更新高精地图的方法 | |
| CN118397194B (zh) | 基于三维城市模型的电路故障告警方法、装置和电子设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |