CN115547003A - 一种输电线路的防外破报警方法和*** - Google Patents

Abstract

本发明公开一种输电线路的防外破报警方法和***，其中，输电线路的防外破报警方法包括：使用无人机载雷达扫描监测设备的安装周边环境，得到底图三维点云；根据底图三维点云对监测设备进行安装位置标定，得到监测设备的位置姿态信息；根据位置姿态信息，激光雷达和视频相机分别摄取安装周边环境的点云数据和视频图像；根据点云数据中前景点云，判断安装周边环境中是否存在可疑故障目标；若是则根据可疑故障目标与输电线路坐标之间移动距离的报警等级距离范围进行分级报警；对可疑故障目标的视频图像进行深度学习，得到障碍类型。本发明的技术方案能解决现有技术中防外破检测效率较低，防外破风险的判断准确性较差的问题。

Description

一种输电线路的防外破报警方法和***

技术领域

本发明涉及电力***技术领域，尤其涉及一种输电线路的防外破报警方法和***。

背景技术

在电力设施的运行过程中，很多输电线路会因外力破坏而出现断线和跳闸等问题，这就给电力设备的安全运行造成很大威胁。随着城市用电量的增长，输电线路也愈加复杂，相应的，输电线路的外力破坏事件频发，为了保证用电安全，输电线路的防外力破坏（简称防外破）能力已成为线路运行工作的重中之重。

目前，针对电网运行中的防外破方式主要采用人工巡检的方式，这种方式工作量大且效率低下；为了解决上述问题，现有技术提供了一种输电线路激光雷达点云采集和防外破实时监测方法，该方法通过远距离对准待监测的输电线路通道；然后激光雷达多次扫描获取输电线路通道的点云数据，得到高密度的点云数据；分离出输电线点云数据和非输电线路点云数据并进行数据保存；激光雷达扫描输电线路通道，实时获取输电线路通道点云数据；再根据输电线点云数据，取单根输电导线的点云数据，沿导线架设方向，以用户设定的间隔距离查找安全范围内是否有其他点云数据，判断输电线路是否存在外破风险。

然而上述方法主要采用深度学习得到点云处理模型，采用激光雷达点云方式处理，其利用深度学习进行检测，对模型训练及场景要求较高，并且并不能真实模拟点云对应的地理信息。因此上述防外破方式会导致防外破监测效率低下，防外破风险的判断准确度较差等问题。

发明内容

本发明提供一种电力设施的防外破报警方案，旨在解决现有技术提供的输线路的防外破监测方法，存在防外破检测效率较低，防外破风险的判断准确性较差的问题。

为实现上述目的，根据本发明的第一方面，本发明提出了一种输电线路的防外破报警方法，该方法用于输电线路的防外破报警***，防外破报警***包括监测设备，以及搭载在监测设备的激光雷达和视频相机；防外破报警方法包括：

使用无人机载雷达扫描监测设备的安装周边环境，得到底图三维点云，其中，底图三维点云包含安装周边环境中输电线路坐标；

根据底图三维点云对监测设备进行安装位置标定，得到监测设备的位置姿态信息；

根据所述监测设备的位置姿态信息，使用激光雷达摄取安装周边环境的点云数据，并且使用视频相机摄取安装周边环境的视频图像；

根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标；

当判定安装周边环境中存在可疑故障目标时，根据可疑故障目标与输电线路坐标之间移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警；

对视频图像中可疑故障目标的图像区域进行深度学习，检测得到可疑故障目标对应的障碍类型。

优选的，上述防外破报警方法中，根据底图三维点云对监测设备进行安装位置标定的步骤，包括：

使用RTK技术对监测设备的安装位置进行打点操作，得到安装位置对应的地理坐标；

使用监测设备的激光雷达采集安装周边环境的点云数据；

根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息。

优选的，防外破报警方法，根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息的步骤，包括：

根据安装位置对应的地理坐标，对点云数据进行旋转平移，以使点云数据与底图三维点云位置吻合；

提取点云数据的变换矩阵；

对点云数据与底图三维点云的重叠部分点云进行ICP配准，得到新的变换矩阵；

使用新的变换矩阵计算得到监测设备的位置姿态信息。

优选的，防外破报警方法，在对可疑故障目标进行分级报警的步骤之后，方法还包括：

使用监测设备的位置姿态信息和视频相机摄取的安装周边环境的视频图像，建立监测设备的地理信息；

保存并显示监测设备的地理信息。

优选的，防外破报警方法，根据可疑故障目标与输电线路坐标之间的移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警的步骤，包括：

当移动距离处于第一报警等级距离范围时，提示可疑故障目标；

当移动距离处于第二报警等级距离范围时，上传可疑故障目标的点云数据和视频图像；

当移动距离处于第三报警等级距离范围时，将监测设备的设备信息上传至服务器。

优选的，防外破报警方法，对视频图像中可疑故障目标的图像区域进行深度学习的步骤，包括：

建立深度学习网络分类模型；

使用故障目标训练集训练深度学习网络分类模型，直至深度学习网络分类模型的损失函数收敛；

将可疑故障目标的图像区域输入至损失函数收敛的深度学习网络分类模型，输出可疑故障目标的障碍类型。

优选的，防外破报警方法，根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标的步骤之前，方法还包括：

对点云数据进行去噪处理，得到去噪后的点云图案；

使用底图三维点云或历史点云数据与去噪后的点云图案进行重叠区域对比；

将去噪后的点云图案与底图三维点云或历史点云数据存在重叠区域的部分标记为背景点云；

将去噪后的点云图案与底图三维点云或历史点云数据不存在重叠区域的部分标记为前景点云；

提取去噪后的点云图案中的前景点云，并将点云图案添加至历史点云数据中。

优选的，防外破报警方法，根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标的步骤，包括：

对前景点云进行大小过滤和近邻搜索，剔除前景点云中的孤立噪点和微小噪点，得到过滤后的可疑障碍目标；

以过滤后的可疑障碍目标为种子，在前景点云中进行区域增长，从前景点云中提取得到有效可疑故障目标对应特征的点云区域。

根据本发明的第二方面，本发明还提供了一种输电线路的防外破报警***，包括无人机载雷达和监测设备，以及搭载在监测设备的激光雷达和视频相机；其中，

无人机载雷达，用于扫描监测设备的安装周边环境，得到底图三维点云，其中，底图三维点云包含安装周边环境中输电线路坐标；

激光雷达，还用于摄取安装周边环境的点云数据，

视频相机，用于摄取安装周边环境的视频图像；

监测设备，用于根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标；

监测设备，还用于当判定安装周边环境中存在可疑故障目标时，根据可疑故障目标与输电线路坐标之间移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警；

监测设备，还用于对视频图像中可疑故障目标的图像区域进行深度学习，检测得到可疑故障目标对应的障碍类型。

优选的，防外破报警***还包括：

监测设备，还用于使用RTK技术对监测设备的安装位置进行打点操作，得到安装位置对应的地理坐标；

激光雷达，还用于采集安装周边环境的点云数据；

监测设备，还用于根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息。

综上，本发明提供的输电线路的防外破报警方案，首先使用无人机载雷达扫描监测设备的安装周边环境，从而得到该安装周边环境的底图三维点云，该底图三维点云包括安装周边环境中的输电线路坐标；然后使用监测设备的激光雷达摄取安装周边环境中的点云数据，同时使用视频相机摄取该安装周边环境中的视频图像，根据点云数据中的前景点云判断安装周边环境中是否存在可疑故障目标，当存在可疑故障目标时根据该可疑故障目标与输电线路坐标之间移动距离对应的报警等级范围对可疑故障目标进行分级报警，这样通过点云坐标的方式就能够快速检测出输电线路与可疑故障目标之间的距离。上述防外破报警方式能够解决背景技术提供的使用深度学习得到点云处理模型的方式存在的检测效率较低，防外破风险的判断准确度较差的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，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示出的结构获得其他的附图。

图1是本发明实施例提供的第一种输电线路的防外破报警方法的流程示意图；

图2是本发明实施例提供的一种监测设备的安装位置标定方法的流程示意图；

图3是图2所示实施例提供的一种监测设备的位置姿态信息的获取方法的流程示意图；

图4是本发明实施例提供的第二种输电线路的防外破报警方法的流程示意图；

图5是图1所示实施例提供的一种可疑故障目标的分级报警方法的流程示意图；

图6是图1所示实施例提供的一种可疑故障目标的图像区域的深度学习方法的流程示意图；

图7是本发明实施例提供的第三种输电线路的防外破报警方法的流程示意图；

图8是图1所示实施例提供的一种可以故障目标的判断方法的流程示意图；

图9是本发明实施例提供的一种监测设备的地理信息的结构示意图；

图10是本发明实施例提供的一种输电线路的防外破报警***的结构示意图。

本发明目的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明实施例的主要解决的技术问题是：

现有技术中提供的输电线路的激光雷达点云采集和防外破实时监测方法，主要采用深度学习得到点云处理模型，采用激光雷达点云方式处理，其利用深度学习进行检测，对模型训练及场景要求较高，并且并不能真实模拟点云对应的地理信息。因此上述防外破方式会导致防外破监测效率低下，防外破风险的判断准确度较差等问题。

为了解决上述问题，本发明下述实施例提供了一种输电线路的防外破报警方案，通过搭载在监测设备上的激光雷达及相机设备，对周边环境进行监控，当检测到危险的可疑障碍物时，将报警信息传输至后台服务器，进行报警、汇总、展示和提醒等服务，从而达到提高防外破检测效率，提高防外破风险的判断准确性，及时进行防外破报警提醒的目的。

为实现上述目的，具体参见图1，图1是本发明实施例提供的一种输电线路的防外破报警方法的流程示意图。如图1所示，该输电线路的防外破报警方法，该方法用于输电线路的防外破报警***，防外破报警***包括监测设备，以及搭载在监测设备的激光雷达和视频相机；防外破报警方法包括：

S110：使用无人机载雷达扫描监测设备的安装周边环境，得到底图三维点云，其中，底图三维点云包含安装周边环境中输电线路坐标。激光雷达和视频相机都是搭载在监测设备上的，并且监测设备直接监测输电线路，因此激光雷达扫描监测设备的安装周边环境，能够获取包括监测设备和输电线路等在内的环境图像。该底图三维点云还能用于与之后激光雷达扫描的激光点云进行对比，查找可疑故障目标。

另外，在激光雷达扫描监测设备的安装周边环境的步骤之后还使用监测设备的激光雷达获取点云数据，结合上述无人机载雷达获取的底图三维点云进行特征物的位置坐标匹配，从而对监测设备进行安装位置标定，得到监测设备的位置姿态信息。通过提取需要监控的输电线路坐标，然后对监测设备进行安装标定，就能够得到监测设备的位置姿态新，进而建立当前监测设备所采集数据的地理信息，从而将包括监测设备、激光雷达、视频相机和输电线路在内的地理图景以视频图像的形式进行反馈。这种基于地理信息建立的浏览查看方式能够直观地定位到监测设备端，从而方便上位机对多台监测设备进行统一管理查看。

S120：根据监测设备的位置姿态信息，使用激光雷达摄取安装周边环境的点云数据，并且使用视频相机摄取安装周边环境的视频图像。激光雷达和视频相机都安装在监测设备上，因此在获取监测设备的位置姿态信息后，能够精确调整激光雷达和视频相机的坐标位置，控制激光雷达和视频相机按照提前设置好的工作模式进行数据采集，将采集的点云数据进行预处理，并且使用视频相机摄取安装周边环境的视频图像，这样使用点云数据和视频图像进行对比验证，判断是否存在可疑故障目标，提高可疑故障目标的检验精度。

S130：根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标。本申请实施例提供的点云数据中，背景点云即实时采集的点云数据与历史点云或上述底图三维点云之间的重叠部分，而前景点云则覆盖于原有的重叠部分，即覆盖历史点云或底图三维点云中原有背景点云的部分，该前景点云反映了安装周边环境中移入的覆盖原有环境的物体。若点云数据中存在前景点云，那么使用该前景点云就能准确判定安装周边环境存在可疑故障目标。

S140：当判定安装周边环境中存在可疑故障目标时，根据可疑故障目标与输电线路坐标之间移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警。通过对可疑故障目标的三维点云的三维坐标与输电线路的三维坐标相减，就能够计算可疑故障目标与输电线路之间的移动距离，使用该移动距离对应的报警等级距离范围就能够对可疑故障目标进行分级报警。降低输电线路的防外破风险。

S150：对视频图像中可疑故障目标的图像区域进行深度学习，检测得到可疑故障目标对应的障碍类型。

综上，本申请实施例提供的输电线路的防外破报警方法，首先使用激光雷达扫描监测设备的安装周边环境，从而得到该安装周边环境的底图三维点云，该底图三维点云包括安装周边环境中的输电线路坐标；然后使用激光雷达摄取安装周边环境中的点云数据，同时使用视频相机摄取该安装周边环境中的视频图像，根据点云数据中的前景点云判断安装周边环境中是否存在可疑故障目标，当存在可疑故障目标时根据该可疑故障目标与输电线路坐标之间移动距离对应的报警等级范围对可疑故障目标进行分级报警，这样通过点云坐标的方式就能够快速检测出输电线路与可疑故障目标之间的距离。上述防外破报警方式能够解决背景技术提供的使用深度学习得到点云处理模型的方式存在的检测效率较低，防外破风险的判断准确度较差的问题。

其中，如图2所示，上述根据底图三维点云对监测设备进行安装位置标定的步骤，包括：

S111：使用RTK技术对监测设备的安装位置进行打点操作，得到安装位置对应的地理坐标。RTK技术即实时动态测量技术，该技术基于载波相位观测值的实时动态定位技术，能够给实时提供测站点在指定坐标系中的三维定位结果，并达到厘米级别精度。通过使用RTK技术对监测设备的安装位置进行打点操作，能够得到监测设备准确的安装位置对应的地理坐标，进而获取准确的检测设备的位置姿态信息。

S112：使用监测设备的激光雷达采集安装周边环境的点云数据。在对监测设备的安装位置进行打点，得到安装位置对应的地理坐标后，再使用激光雷达采集该安装周边环境的点云数据，能够准确获取监测设备的安装周边环境的位置坐标，从而对监测设备的安装周边环境进行坐标标定。

S113：根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息。

本申请实施例提供的技术方案中，获取监测设备的安装位置对应的地理坐标，使用激光雷达采集安装周边环境的点云数据，然后根据该安装位置对应的地理坐标匹配点云数据和上述底图三维点云，能够更加精确地获取监测设备的位置姿态信息，从而更精确地对监测设备进行定位并对监测设备的安装周边环境进行坐标标定，以更高的精度对该安装周边环境中输电线路与入侵障碍物进行三维坐标的计算。

其中，作为一种优选的实施例，如图3所示，上述防外破报警方法中，步骤S113：根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息的步骤具体包括：

S1131：根据安装位置对应的地理坐标，对点云数据进行旋转平移，以使点云数据与底图三维点云位置吻合。

S1132：提取点云数据的变换矩阵。

S1133：对点云数据与底图三维点云的重叠部分点云进行ICP配准，得到新的变换矩阵。

S1134：使用新的变换矩阵计算得到监测设备的位置姿态信息。

本申请实施例提供的技术方案中，监测设备上电会采集至少一组点云数据，对采集的点云数据和底图三维点云进行手动粗配准和ICP精确配准，能够获取监测设备的精确的位置姿态信息，具体提取监测设备采集的点云数据，并对该点云数据进行降采样处理，然后使用RTK技术获取监测设备的安装位置，对相对坐标的点云数据进行旋转平移，将该点云数据配准至和底图三维点云基本吻合的位置，得到对应的变换矩阵。对该点云数据和底图三维点云的重叠部分进行ICP配准，能够得到新的变换矩阵，从而得到监测设备精确的位置姿态信息。

另外，作为一种优选的实施例，如图4所示，上述防外破报警方法，在步骤S140：对可疑故障目标进行分级报警的步骤之后，还包括：

S160：使用监测设备的位置姿态信息和视频相机摄取的安装周边环境的视频图像，建立监测设备的地理信息。

S170：保存并显示监测设备的地理信息。

本申请实施例提供的技术方案中，通过使用监测设备的位置姿态信息和视频相机摄取的安装周边环境的视频图像，从而建立包含监测设备和输电线路在内的地理信息。这样如图9所示，保存并显示该监测设备的地理信息，就能够基于地理信息建立浏览查看方式，以更直观的方式定位到监测设备端，从而对多台监测设备进行统一管理查看。

另外，作为一种优选的实施例，如图5所示，上述防外破报警方法中，步骤S140：根据可疑故障目标与输电线路坐标之间的移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警，具体包括：

S141：当移动距离处于第一报警等级距离范围时，提示可疑故障目标。具体，可采用扬声器、光源和蜂鸣器等进行声光报警，提示存在障碍目标，避免可疑故障目标对输电线路造成破坏。

S142：当移动距离处于第二报警等级距离范围时，上传可疑故障目标的点云数据和视频图像。通过上传可疑故障目标的点云数据和视频图像以及相关的报警信息到服务器，服务器能够对报警结果进行存档，方便后期调阅查询。

S143：当移动距离处于第三报警等级距离范围时，将监测设备的设备信息上传至服务器。该监测设备的设备信息包括监测设备的供电电量、温度和设备***的相关参数等信息，对于存在异常状况的监测设备，服务器及时发送报警信息至报警值班人员处理，能够避免设备因异常情况不公正造成的监控失效问题。

本申请实施例提供的技术方案，在对各故障目标进行距离计算后，能够获得可疑故障目标与邻近输电线路之间的移动距离，然后根据设定的报警等级距离范围进行分级报警处理，从而在可疑故障目标与输电线路距离越近时，报警等级越高。

另外，作为一种优选的实施例，如图6所示，上述防外破报警方法中，步骤S150：对视频图像中可疑故障目标的图像区域进行深度学习，具体包括：

S151：建立深度学习网络分类模型。

S152：使用故障目标训练集训练深度学习网络分类模型，直至深度学习网络分类模型的损失函数收敛。

S153：将可疑故障目标的图像区域输入至损失函数收敛的深度学习网络分类模型，输出可疑故障目标的障碍类型。

本申请实施例提供的技术方案，通过建立深度学习网络分类模型，该分类模型能够对可疑故障目标的图像进行卷积，进而进行特征分析和分类，准确输出该可疑故障目标对应的障碍类型。

另外，作为一种优选的实施例，如图7所示，上述防外破报警方法中，步骤S130：根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标的步骤之前还包括：

S310：对点云数据进行去噪处理，得到去噪后的点云图案。其中去噪处理能够包括点云格网抽稀、阳光噪点去除和水滴噪点去除等方式。

S320：使用底图三维点云或历史点云数据与去噪后的点云图案进行重叠区域对比。

S330：将去噪后的点云图案与底图三维点云或历史点云数据存在重叠区域的部分标记为背景点云。

S340：将去噪后的点云图案与底图三维点云或历史点云数据不存在重叠区域的部分标记为前景点云。

S350：提取去噪后的点云图案中的前景点云，并将点云图案添加至历史点云数据中。

本申请实施例提供的技术方案中，通过对比激光雷达采集的实时点云图案和底图三维点云，能够分离点云图案中的前景点云和背景点云；或者对比激光雷达采集的实时点云图案和历史点云数据，分离点云图案中的前景点云和背景点云。上述前景点云和背景点云的分离方式主要采用邻域搜索方式，栅格化点云后，检测两组点云的重叠区域，若两组点云存在重叠区域则判断该重叠区域为背景点云，否则判断非重叠的区域可能为前景点云。将分离的前景点云和背景点云更新到历史点云数据中，为下一次判断作准备。

另外，作为一种优选的实施例，如图8所示，本申请实施例提供的技术方案中，上述步骤S130：根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标的步骤，具体包括：

S131：对前景点云进行大小过滤和近邻搜索，剔除前景点云中的孤立噪点和微小噪点，得到过滤后的可疑障碍目标。其中微小噪点如数量为2*2的点。

S132：以过滤后的可疑障碍目标为种子，在前景点云中进行区域增长，从前景点云中提取得到有效可疑故障目标对应特征的点云区域。

本申请实施例提供的技术方案，对过滤后的点云数据进行聚类分析，从而提取出有效故障目标，具体地，首先对候选的可疑故障目标进行大小过滤及近邻搜索，剔除前景点云中的孤立较小的噪点；然后利用区域增长方式，以该检测障碍物为种子，在原始点云上进行区域增长，从而提取到有效故障目标下具有更多丰富特征的点云，将该可疑障碍目标对应的点云区域作为报警障碍物准备上传。

基于上述方法实施例的同一构思，本发明实施例还提供了输电线路的防外破报警***，用于实现本发明的上述方法，由于该***实施例解决问题的原理与方法相似，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。

参见图10，图10为本发明还提供了一种输电线路的防外破报警***的结构示意图。如图10所示，该输电线路的防外破报警***包括：监测设备100，以及搭载在监测设备100的激光雷达200和视频相机300；另外，还包括无人机载雷达（图中未标记）；其中，

无人机载雷达，用于扫描监测设备100的安装周边环境，得到底图三维点云，其中，底图三维点云包含安装周边环境中输电线路坐标；

激光雷达200，还用于摄取安装周边环境的点云数据，

视频相机300，用于摄取安装周边环境的视频图像；

监测设备100，用于根据点云数据中的前景点云，判断安装周边环境中是否存在可疑故障目标；

监测设备100，还用于当判定安装周边环境中存在可疑故障目标时，根据可疑故障目标与输电线路坐标之间移动距离对应的报警等级距离范围，对可疑故障目标进行分级报警；

监测设备100，还用于对视频图像中可疑故障目标的图像区域进行深度学习，检测得到可疑故障目标对应的障碍类型。

综上，本申请实施例提供的输电线路的防外破报警***，首先使用无人机载雷达扫描监测设备100的安装周边环境，从而得到该安装周边环境的底图三维点云，该底图三维点云包括安装周边环境中的输电线路坐标；然后使用激光雷达200摄取安装周边环境中的点云数据，同时使用视频相机300摄取该安装周边环境中的视频图像，根据点云数据中的前景点云判断安装周边环境中是否存在可疑故障目标，当存在可疑故障目标时根据该可疑故障目标与输电线路坐标之间移动距离对应的报警等级范围对可疑故障目标进行分级报警，这样通过点云坐标的方式就能够快速检测出输电线路与可疑故障目标之间的距离。上述防外破报警方式能够解决背景技术提供的使用深度学习得到点云处理模型的方式存在的检测效率较低，防外破风险的判断准确度较差的问题。

另外，作为一种优选的实施例，如图10所示，上述防外破报警***中：

监测设备100，还用于使用RTK技术对监测设备的安装位置进行打点操作，得到安装位置对应的地理坐标；

激光雷达200，还用于采集安装周边环境的点云数据；

监测设备100，还用于根据安装位置对应的地理坐标，匹配点云数据和底图三维点云，得到监测设备的位置姿态信息。

本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种输电线路的防外破报警方法，其特征在于，所述方法用于输电线路的防外破报警***，所述防外破报警***包括监测设备，以及搭载在所述监测设备的激光雷达和视频相机；所述防外破报警方法包括：

使用无人机载雷达扫描所述监测设备的安装周边环境，得到底图三维点云，其中，所述底图三维点云包含所述安装周边环境中输电线路坐标；

根据所述底图三维点云对所述监测设备进行安装位置标定，得到所述监测设备的位置姿态信息；

根据所述监测设备的位置姿态信息，使用所述激光雷达摄取所述安装周边环境的点云数据，并且使用所述视频相机摄取所述安装周边环境的视频图像；

根据所述点云数据中的前景点云，判断所述安装周边环境中是否存在可疑故障目标；

当判定所述安装周边环境中存在可疑故障目标时，根据所述可疑故障目标与所述输电线路坐标之间移动距离对应的报警等级距离范围，对所述可疑故障目标进行分级报警；

对所述视频图像中可疑故障目标的图像区域进行深度学习，检测得到所述可疑故障目标对应的障碍类型。

2.根据权利要求1所述的防外破报警方法，其特征在于，所述根据所述底图三维点云对所述监测设备进行安装位置标定，得到所述监测设备的位置姿态信息的步骤，包括：

使用RTK技术对所述监测设备的安装位置进行打点操作，得到所述安装位置对应的地理坐标；

使用所述监测设备的激光雷达采集所述安装周边环境的点云数据；

根据所述安装位置对应的地理坐标，匹配所述点云数据和所述底图三维点云，得到所述监测设备的位置姿态信息。

3.根据权利要求2所述的防外破报警方法，其特征在于，所述根据所述安装位置对应的地理坐标，匹配所述点云数据和所述底图三维点云，得到所述监测设备的位置姿态信息的步骤，包括：

根据所述安装位置对应的地理坐标，对所述点云数据进行旋转平移，以使所述点云数据与所述底图三维点云位置吻合；

提取所述点云数据的变换矩阵；

对所述点云数据与所述底图三维点云的重叠部分点云进行ICP配准，得到新的所述变换矩阵；

使用所述新的变换矩阵计算得到所述监测设备的位置姿态信息。

4.根据权利要求2所述的防外破报警方法，其特征在于，在对所述可疑故障目标进行分级报警的步骤之后，所述方法还包括：

使用所述监测设备的位置姿态信息和所述视频相机摄取的所述安装周边环境的视频图像，建立所述监测设备的地理信息；

保存并显示所述监测设备的地理信息。

5.根据权利要求1所述的防外破报警方法，其特征在于，所述根据所述可疑故障目标与所述输电线路坐标之间移动距离对应的报警等级距离范围，对所述可疑故障目标进行分级报警的步骤，包括：

当所述移动距离处于第一报警等级距离范围时，提示所述可疑故障目标；

当所述移动距离处于第二报警等级距离范围时，上传所述可疑故障目标的点云数据和视频图像；

当所述移动距离处于第三报警等级距离范围时，将所述监测设备的设备信息上传至服务器。

6.根据权利要求1所述的防外破报警方法，其特征在于，所述对所述视频图像中可疑故障目标的图像区域进行深度学习的步骤，包括：

建立深度学习网络分类模型；

使用故障目标训练集训练所述深度学习网络分类模型，直至所述深度学习网络分类模型的损失函数收敛；

将所述可疑故障目标的图像区域输入至损失函数收敛的所述深度学习网络分类模型，输出所述可疑故障目标的障碍类型。

7.根据权利要求1所述的防外破报警方法，其特征在于，所述根据所述点云数据中的前景点云，判断所述安装周边环境中是否存在可疑故障目标的步骤之前，所述方法还包括：

对所述点云数据进行去噪处理，得到去噪后的点云图案；

使用所述底图三维点云或历史点云数据与所述去噪后的点云图案进行重叠区域对比；

将所述去噪后的点云图案与所述底图三维点云或历史点云数据存在重叠区域的部分标记为背景点云；

将所述去噪后的点云图案与所述底图三维点云或历史点云数据不存在重叠区域的部分标记为前景点云；

提取所述去噪后的点云图案中的前景点云，并将所述点云图案添加至所述历史点云数据中。

8.根据权利要求7所述的防外破报警方法，其特征在于，所述根据所述点云数据中的前景点云，判断所述安装周边环境中是否存在可疑故障目标的步骤，包括：

对所述前景点云进行大小过滤和近邻搜索，剔除所述前景点云中的孤立噪点和微小噪点，得到过滤后的所述可疑障碍目标；

以所述过滤后的可疑障碍目标为种子，在所述前景点云中进行区域增长，从所述前景点云中提取得到有效可疑故障目标对应特征的点云区域。

9.一种输电线路的防外破报警***，其特征在于，包括无人机载雷达和监测设备，所述监测设备搭载有激光雷达和视频相机；其中，

所述无人机载雷达，用于扫描所述监测设备的安装周边环境，得到底图三维点云，其中，所述底图三维点云包含所述安装周边环境中输电线路坐标；

所述激光雷达，用于摄取所述安装周边环境的点云数据，

所述视频相机，用于摄取所述安装周边环境的视频图像；

所述监测设备，用于根据所述点云数据中的前景点云，判断所述安装周边环境中是否存在可疑故障目标；

所述监测设备，还用于当判定所述安装周边环境中存在可疑故障目标时，根据所述可疑故障目标与所述输电线路坐标之间移动距离对应的报警等级距离范围，对所述可疑故障目标进行分级报警；

所述监测设备，还用于对所述视频图像中可疑故障目标的图像区域进行深度学习，检测得到所述可疑故障目标对应的障碍类型。

10.根据权利要求9所述的防外破报警***，其特征在于，还包括：

所述监测设备，还用于使用RTK技术对所述监测设备的安装位置进行打点操作，得到所述安装位置对应的地理坐标；

所述激光雷达，还用于采集所述安装周边环境的点云数据；

所述监测设备，还用于根据所述安装位置对应的地理坐标，匹配所述点云数据和所述底图三维点云，得到所述监测设备的位置姿态信息。

Images