CN115880276B - 一种基于多期点云对比的塔杆运行状态评估方法及*** - Google Patents

Abstract

本发明公开了一种基于多期点云对比的塔杆运行状态评估方法及***。获得多期塔杆点云。将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度。根据所述多期塔杆点云建立三维圆锥，得到倾斜角度。根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态。所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络。从正面和侧面使用二维卷积核提取信息和从顶部使用三维卷积核提取信息分别判断塔杆的倾斜程度，使得不但能够从正面核侧面准确得到塔杆形状信息，还能从顶部突破切割角度问题整体判断倾斜程度。构建全部能够包裹三维上的塔杆的圆锥，从而得到准确的倾倒角度。共同结合得到塔杆运行状态。

Description

一种基于多期点云对比的塔杆运行状态评估方法及***

技术领域

本发明涉及计算机技术领域，具体而言，涉及一种基于多期点云对比的塔杆运行状态评估方法及***。

背景技术

目前，输电铁塔/杆塔有架设在公路边的，也有架设于煤矿采空区、沉降区、淤泥区等地基薄弱等地区，这些地区一旦发生倒塔事故，影响输电链中断的同时，威胁人身安全，进而造成不良的社会影响。因此，对线路铁塔进行专业的杆塔倾斜测，重要性可见一斑，而能不能及时发现杆塔倾斜状况，制定解决办法，及时排查，这也考验着电网巡检人员和有关部门。

但是由于塔杆如果采用人力检测倾斜状态会使得耗费大量人力物力，并且由于塔杆的数量过大，几乎不可能操作。所以大部分采用点云获取塔杆状态的方法进行检测，但是由于点云只得到塔杆的形状信息，在检测塔杆和塔杆倾斜角度时，常常无法与周围物体分开，并且无法提取足够的信息，导致检测不准确的情况出现，从而使得塔杆运行状态评估不够准确。

发明内容

本发明的目的在于提供了一种基于多期点云对比的塔杆运行状态评估方法及***，用以解决现有技术中存在的上述问题。

第一方面，本发明实施例提供了一种基于多期点云对比的塔杆运行状态评估方法，包括：

获得多期塔杆点云；所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合；

将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度；

根据所述多期塔杆点云建立三维圆锥，得到倾斜角度；

根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态；

所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络；所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出。

可选的，所述评估神经网络的训练方法，包括：

获得训练集；所述训练集包括多个训练数据和多个标注数据；所述训练数据为历史检测到的塔杆的点云；所述标注数据表示塔杆倾斜程度；

所述塔杆倾斜程度分为9个部分；塔杆倾斜状态程度包括5度倾斜状态、10度倾斜状态、15度倾斜状态、20度倾斜状态、25度倾斜状态、30度倾斜状态、35度倾斜状态、40度倾斜状态、45度倾斜状态；

将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度；

将所述预测塔杆倾斜程度与所述标注数据进行求损失，得到损失值；

获得评估神经网络当前的训练迭代次数以及预先设定的所述评估神经网络训练的最大迭代次数；

当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的评估神经网络。

可选的，所述将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度，包括：

将所述训练数据根据点云的位置构建训练三维数组；

将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据；所述训练数据经过竖直评估神经网络检测后得到的数据；

将所述训练数据进行左右翻转，得到侧翻数组；

将所述侧翻数组输入竖直评估神经网络，得到侧翻竖直输出数据；所述侧翻竖直输出数据为侧翻数组经过竖直评估神经网络检测后得到的数据；

将所述训练数据以底面为正面进行上下翻转，得到翻转数组；

将所述翻转数组输入顶部评估神经网络，得到顶部输出数据；

将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度。

可选的，所述将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据，包括：

将所述训练三维数组与竖直评估卷积核进行相乘；

所述竖直评估卷积核为二维卷积核，用于获取每一层竖直平面的形状信息，得到竖直卷积数据；

通过竖直评估卷积核中多层二维卷积对所述训练三维数组进行卷积，提取每个平面上的形状信息，得到竖直输出数据。

可选的，所述将所述翻转数组输入顶部评估神经网络，得到顶部输出数据，包括：

将所述翻转数组分成多个区域，得到多个翻转区域；

将多个翻转区域分别和三维卷积核相乘，提取区域内物体的形状信息，得到顶部输出数据；

一个三维卷积核与翻转区域中的三维数组相乘，得到一个区域中所有的物体信息。

可选的，所述将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度，包括：

将竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，根据提取的物体的形状信息进行对比，判断是否为塔杆结构；

若为塔杆结构，根据形状判断倾斜角度，得到预测塔杆倾斜程度。

可选的，所述根据所述多期塔杆点云建立三维圆锥，得到倾斜角度，包括：

将所述塔杆点云构建三维数组，得到三维塔杆数组；

将所述三维塔杆数组进行分割，得到多个二维塔杆数组；

根据二维塔杆数组中塔杆形状检测塔杆；

根据二维数组中塔杆的位置拟合直线，得到倾斜线；

根据所述倾斜线，得到倾斜角度。

可选的，所述根据所述倾斜线，得到倾斜角度，包括：

通过对多个二维数组进行聚类得到倾斜线，得到圆锥母线；所述圆锥母线为倾斜角度大于其他倾斜线的倾斜线；

根据圆锥母线构建圆锥，判断圆锥是否能够将塔杆完全包含的圆锥；

将圆锥的倾斜角度增大，直到找到能够将塔杆完全包含的塔杆圆锥，得到倾斜角度；所述倾斜角度为所述塔杆圆锥的母线和轴线相交的夹角。

可选的，所述根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态，包括：

若所述倾斜角度在塔杆倾斜程度内，或，所述倾斜角度不在塔杆倾斜程度内且大于塔杆倾斜程度的度数，将倾斜状态设置为倾斜角度；

若所述倾斜角度不在塔杆倾斜程度内且小于塔杆倾斜程度的度数，将倾斜状态设置为塔杆倾斜程度中的边界度数；所述边界度数为大于塔杆倾斜程度中其他度数的度数；

将多个塔杆倾斜程度中两两相邻时间检测的塔杆倾斜程度相减，得到多个塔杆下落速度；

根据多个所述塔杆下落速度的比值，得到塔杆运行状态。

第二方面，本发明实施例提供了一种基于多期点云对比的塔杆运行状态评估***，包括：

获取模块：获得多期塔杆点云；所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合；

神经网络模块：将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度；

圆锥模块：根据所述多期塔杆点云建立三维圆锥，得到倾斜角度；

运行状态模块：根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态；所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络；所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出。

相较于现有技术，本发明实施例达到了以下有益效果：

本发明实施例还提供了一种基于多期点云对比的塔杆运行状态评估方法和***，所述方法包括：获得多期塔杆点云。所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合。将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度。根据所述多期塔杆点云建立三维圆锥，得到倾斜角度。根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态。所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络。所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出。

通过上述方法，从正面和侧面使用二维卷积核提取信息和从顶部使用三维卷积核提取信息分别判断塔杆的倾斜程度，使得不但能够从正面核侧面准确得到塔杆形状信息，还能从顶部突破切割角度问题整体判断倾斜程度。能够使用神经网络构建方便、快速且准确判断判断塔杆形状，从而判断倾斜程度。因为塔杆可以朝向360度各个方向倾倒，构建全部能够包裹三维上的塔杆的圆锥，依次增长角度，从而得到准确的倾倒角度。使用准确识别塔杆位置和形状，从而准确率高的神经网络检测，与检测准确率较低但度数检测准确的圆锥判断方法，共同结合能够得到在一定时间点塔杆的下落速率，从而能够根据下落速度判断是否需要对齐进行检修。

附图说明

图1是本发明实施例提供的一种基于多期点云对比的塔杆运行状态评估方法流程图。

图2是本发明实施例提供的一种电子设备的方框结构示意图。

图中标记：总线500；接收器501；处理器502；发送器503；存储器504；总线接口505。

具体实施方式

下面结合附图，对本发明作详细的说明。

实施例1

如图1所示，本发明实施例提供了一种基于多期点云对比的塔杆运行状态评估方法，所述方法包括：

S101：获得多期塔杆点云。所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合。

其中，所述多期塔杆点云表示不同时间点检测到的塔杆的点云。

其中，所述点云为塔杆构建位置的点云，不但包括塔杆位置的点云，还包括塔杆周围环境的点云。

S102：将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度。

其中，所述评估神经网络为训练好的神经网络。

其中，所述多个对应的塔杆倾斜程度表示不同时间点测到的塔杆的点云通过评估神经网络得到的在不同时间点塔杆的倾斜。

S103：将所述多期塔杆点云进行三维建立圆锥，得到倾斜角度。

S104：根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态。

所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络；所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出。

通过上述方法，将点云输入评估神经网络，根据神经网络的方便、快速且准确判断的优势，判断塔杆形状，从而判断倾斜程度。之后通过倾斜速度判断塔杆运行状态从而判断是否需要对塔杆采取相应措施。

可选的，所述评估神经网络的训练方法，包括：

获得训练集。所述训练集包括多个训练数据和多个标注数据。所述训练数据为历史检测到的塔杆的点云。所述标注数据表示塔杆倾斜程度。

所述塔杆倾斜程度分为9个部分。塔杆倾斜状态程度包括5度倾斜状态、10度倾斜状态、15度倾斜状态、20度倾斜状态、25度倾斜状态、30度倾斜状态、35度倾斜状态、40度倾斜状态、45度倾斜状态。

所述5度倾斜状态表示塔杆倾斜在0-5度，所述10度倾斜状态表示塔杆倾斜在5-10度，所述 15度倾斜状态表示塔杆倾斜在10-15度，所述20度倾斜状态表示塔杆倾斜在15-20度，所述25度倾斜状态表示塔杆倾斜在20-25度，所述30度倾斜状态表示塔杆倾斜在25-30度，所述35度倾斜状态表示塔杆倾斜在30-35度，所述40度倾斜状态表示塔杆倾斜在35-40度，所述45度倾斜状态表示塔杆倾斜在45度-90度。

其中，所述倾斜度为以竖直方向为偏移中心，竖直方向为倾斜0度，水平方向为倾斜90度。

将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度。

其中，所述预测塔杆倾斜程度为评估神经网络预测得到的塔杆倾斜程度。

将所述预测塔杆倾斜程度与所述标注数据进行求损失，得到损失值。

其中，通过交叉熵损失函数进行求取损失。

获得评估神经网络当前的训练迭代次数以及预先设定的所述评估神经网络训练的最大迭代次数。

其中，所述预先设定的所述评估神经网络训练的最大迭代次数为20000次。

当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的评估神经网络。

通过上述方法，一方面神经网络虽然能够准确的识别出，但是只能够进行分类识别出程度，程度分类过于细化会导致网络中数据的数量太大运行时间过长。所以需要结合其他数据一起进行判断。

可选的，所述将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度，包括：

其中，塔杆的位置已经确认得到。

将所述训练数据根据点云的位置构建训练三维数组。

其中，所述训练数组中点云存在的位置为1，点云不存在的位置为0。

将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据。所述训练数据经过竖直评估神经网络检测后得到的数据。

其中，所述竖直评估神经网络用于检测正面或侧面的塔杆信息。

将所述训练三维数组进行左右翻转，得到侧翻数组。

将所述侧翻数组输入竖直评估神经网络，得到侧翻竖直输出数据。所述侧翻竖直输出数据为侧翻数组经过竖直评估神经网络检测后得到的数据。

其中，侧翻数组输入竖直评估神经网络的检测过程与训练三维数组输入竖直评估神经网络检测过程相同。

将所述训练数据以底面为正面进行上下翻转，得到翻转数组。

将所述翻转数组输入顶部评估神经网络，得到顶部输出数据。

其中，所述顶部评估神经网络用于检测俯视状态下顶部所观测到的塔杆信息。

将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度。

通过上述方法，将每个点云张每个点构用0或1的形式表达，从而构成0、1数组的形式，不但能够得到点云所包括的形象，而且能够获取点云所携带的形状信息便于通过神经网络检测出塔杆当前状态。由于点云只有形状信息没有纹理信息，所以多个角度的信息进行判断，能够更加准确的获取塔杆信息。点云是3D点云，多个点云输入评估神经网络会造成数量过多，并且无法单纯用一维卷积和二维卷积进行判断。使用三维卷积时由于是三维的点构成，而不是像素点构成，所以需要进行转换才能使用神经网络进行评估。

可选的，所述将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据，包括：

将所述训练三维数组与竖直评估卷积核进行相乘；

所述竖直评估卷积核为二维卷积核，用于获取每一层竖直平面的形状信息，得到竖直卷积数据；

其中，所述二维卷积核获取对应平面的数据。一个二维卷积核按照顺序依次与三维数组中一个二维数组相乘。

通过竖直评估卷积核中多层二维卷积对所述训练三维数组进行卷积，提取每个平面上的形状信息，得到竖直输出数据。

通过上述方法，因为无法确定塔杆朝那个方向倾斜，所以从正面和侧面分别判断塔杆的倾斜程度。将点云看成一张张图像进行判断。

可选的，所述将所述翻转数组输入顶部评估神经网络，得到顶部输出数据，包括：

将所述翻转数组分成多个区域，得到多个翻转区域。

将多个翻转区域分别和三维卷积核相乘，提取区域内物体的形状信息，得到顶部输出数据。

一个三维卷积核与翻转区域中的三维数组相乘，得到一个区域中所有的物体信息。

通过上述方法，从顶部判断塔杆的倾斜方向，能够突破切割角度问题整体判断倾斜程度。

可选的，所述将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度，包括：

将竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，根据提取的物体的形状信息进行对比，判断是否为塔杆结构。

若为塔杆结构，根据形状判断倾斜角度，得到预测塔杆倾斜程度。

其中，整体评估网络输出为特征向量，所述特征向量中的一个元素表示是否为塔杆结构，所述特征向量中的九个元素表示预测塔杆倾斜程度。

通过上述方法，先判断检测到塔杆位置，后得到塔杆的倾斜。

可选的，所述根据所述多期塔杆点云建立三维圆锥，得到倾斜角度，包括：

将所述塔杆点云构建三维数组，得到三维塔杆数组。

其中，所述三维塔杆数组的底面为以东为横坐标，以北为纵坐标，以高度为竖坐标所构建的三维数组，纵坐标上数据为一维，横坐标上数据为二维，竖坐标上数据为三维。

将所述三维塔杆数组进行分割，得到多个二维塔杆数组。

其中，将三维塔杆数组从正面和侧面进行分割。

根据二维塔杆数组中塔杆形状检测塔杆。

其中，由于塔杆的形状是细长的圆柱结构，所以通过位置和形状对比，能够大致得到塔杆的形状。

根据二维数组中塔杆的位置拟合直线，得到倾斜线。

根据所述倾斜线，得到倾斜角度。

通过上述方法，平面上检测到的塔杆倾斜角度不一定是最大的倾斜角度，因为塔杆可以朝向360度各个方向倾倒，不止往分割的二维平面中的四个方向倒，所以需要用圆锥来判断，找到全部能够包裹的圆锥，并且能够多次倾倒，所以倾倒方向不能够靠一个平面的倾倒角度进行判断。

可选的，所述根据所述倾斜线，得到倾斜角度，包括：

通过对多个二维数组进行聚类得到倾斜线，得到圆锥母线。所述圆锥母线为倾斜角度大于其他倾斜线的倾斜线。

其中，所述圆锥母线表示平面上得到的塔杆检测到的最大倾斜角度。

根据圆锥母线构建圆锥，判断圆锥是否能够将塔杆完全包含的圆锥。

其中，所述能够将塔杆完全包含的圆锥为母线平行于最大倾倒角度的圆锥。

将圆锥的倾斜角度增大，直到找到能够将塔杆完全包含的塔杆圆锥，得到倾斜角度；所述倾斜角度为所述塔杆圆锥的母线和轴线相交的夹角。

其中倾斜角度按照1度增长的趋势进行递增。

其中，将所述塔杆圆锥的母线和轴线相交。

通过上述方法，建立圆锥能够判断各个方向的倾倒角度，依次增长角度，从而得到准确的倾倒角度。

可选的，所述根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态，包括：

若所述倾斜角度在塔杆倾斜程度内，或，所述倾斜角度不在塔杆倾斜程度内且大于塔杆倾斜程度的度数，将倾斜状态设置为倾斜角度；

若所述倾斜角度不在塔杆倾斜程度内且小于塔杆倾斜程度的度数，将倾斜状态设置为塔杆倾斜程度中的边界度数；所述边界度数为大于塔杆倾斜程度中其他度数的度数；

将多个塔杆倾斜程度中两两相邻时间检测的塔杆倾斜程度相减，得到多个塔杆下落速度。

根据多个所述塔杆下落速度的比值，得到塔杆运行状态。

通过上述方法，能够得到在一定时间点塔杆的下落速率，从而能够根据下落速度判断是否需要对齐进行检修。

通过上述方法，创造点在于：1.神经网络构建2.结合准确判断的倾斜程度（二维）3.圆形判断点。将每个点云张每个点构用0或1的形式表达，从而构成0、1数组的形式，不但能够得到点云所包括的形象，而且能够获取点云所携带的形状信息便于通过神经网络检测出塔杆当前状态。将点云输入评估神经网络，根据神经网络的方便、快速且准确判断的优势，判断塔杆形状，从而判断倾斜程度。之后通过倾斜速度判断塔杆运行状态从而判断是否需要对塔杆采取相应措施。一方面神经网络虽然能够准确的识别出，但是只能够进行分类识别出程度，程度分类过于细化会导致网络中数据的数量太大运行时间过长。由于点云只有形状信息没有纹理信息，所以多个角度的信息进行判断，能够更加准确的获取塔杆信息。因为无法确定塔杆朝那个方向倾斜，所以从正面和侧面分别判断塔杆的倾斜程度。将点云看成一张张图像进行判断。从顶部判断塔杆的倾斜方向，能够突破切割角度问题整体判断倾斜程度。先判断检测到塔杆位置，后得到塔杆的倾斜。平面上检测到的塔杆倾斜角度不一定是最大的倾斜角度，因为塔杆可以朝向360度各个方向倾倒，不止往分割的二维平面中的四个方向倒，所以需要用圆锥来判断，找到全部能够包裹的圆锥，并且能够多次倾倒，所以倾倒方向不能够靠一个平面的倾倒角度进行判断。建立圆锥能够判断各个方向的倾倒角度，依次增长角度，从而得到准确的倾倒角度。能够得到在一定时间点塔杆的下落速率，从而能够根据下落速度判断是否需要对齐进行检修。

实施例2

基于上述的一种基于多期点云对比的塔杆运行状态评估方法，本发明实施例还提供了一种基于多期点云对比的塔杆运行状态评估***，所述***包括获取模块、神经网络模块、圆锥模块和运行状态模块。

获取模块用于获得多期塔杆点云；所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合。

神经网络模块用于将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度。

圆锥模块用于根据所述多期塔杆点云建立三维圆锥，得到倾斜角度。

运行状态模块用于根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态。所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络。所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出。

在此关于上述实施例中的***，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

本发明实施例还提供了一种电子设备，如图2所示，包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序，所述处理器502执行所述程序时实现前文所述一种基于多期点云对比的塔杆运行状态评估方法的任一方法的步骤。

其中，在图2中，总线架构（用总线500来代表），总线500可以包括任意数量的互联的总线和桥，总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理，而存储器504可以被用于存储处理器502在执行操作时所使用的数据。

本发明实施例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，该程序被处理器执行时实现前文所述一种基于多期点云对比的塔杆运行状态评估方法的任一方法的步骤以及上述的所涉及的数据。

在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述，构造这类***所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（DSP）来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。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元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元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。

Claims (8)

1.一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，包括：

获得多期塔杆点云；所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合；

将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度；

根据所述多期塔杆点云建立三维圆锥，得到倾斜角度；

根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态；

所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络；所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出；

所述评估神经网络的训练方法，包括：

获得训练集；所述训练集包括多个训练数据和多个标注数据；所述训练数据为历史检测到的塔杆的点云；所述标注数据表示塔杆倾斜程度；

所述塔杆倾斜程度分为9个部分；塔杆倾斜状态程度包括5度倾斜状态、10度倾斜状态、15度倾斜状态、20度倾斜状态、25度倾斜状态、30度倾斜状态、35度倾斜状态、40度倾斜状态、45度倾斜状态；

将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度；

将所述预测塔杆倾斜程度与所述标注数据进行求损失，得到损失值；

获得评估神经网络当前的训练迭代次数以及预先设定的所述评估神经网络训练的最大迭代次数；

当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的评估神经网络；

所述将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度，包括：

将所述训练数据根据点云的位置构建训练三维数组；

将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据；所述训练数据经过竖直评估神经网络检测后得到的数据；

将所述训练数据进行左右翻转，得到侧翻数组；

将所述侧翻数组输入竖直评估神经网络，得到侧翻竖直输出数据；所述侧翻竖直输出数据为侧翻数组经过竖直评估神经网络检测后得到的数据；

将所述训练数据以底面为正面进行上下翻转，得到翻转数组；

将所述翻转数组输入顶部评估神经网络，得到顶部输出数据；

将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度。

2.根据权利要求1所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据，包括：

将所述训练三维数组与竖直评估卷积核进行相乘；

所述竖直评估卷积核为二维卷积核，用于获取每一层竖直平面的形状信息，得到竖直卷积数据；

通过竖直评估卷积核中多层二维卷积对所述训练三维数组进行卷积，提取每个平面上的形状信息，得到竖直输出数据。

3.根据权利要求1所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述将所述翻转数组输入顶部评估神经网络，得到顶部输出数据，包括：

将所述翻转数组分成多个区域，得到多个翻转区域；

将多个翻转区域分别和三维卷积核相乘，提取区域内物体的形状信息，得到顶部输出数据；

一个三维卷积核与翻转区域中的三维数组相乘，得到一个区域中所有的物体信息。

4.根据权利要求1所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度，包括：

将竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，根据提取的物体的形状信息进行对比，判断是否为塔杆结构；

若为塔杆结构，根据形状判断倾斜角度，得到预测塔杆倾斜程度。

5.根据权利要求1所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述根据所述多期塔杆点云建立三维圆锥，得到倾斜角度，包括：

将所述塔杆点云构建三维数组，得到三维塔杆数组；

将所述三维塔杆数组进行分割，得到多个二维塔杆数组；

根据二维塔杆数组中塔杆形状检测塔杆；

根据二维数组中塔杆的位置拟合直线，得到倾斜线；

根据所述倾斜线，得到倾斜角度。

6.根据权利要求5所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述根据所述倾斜线，得到倾斜角度，包括：

通过对多个二维数组进行聚类得到倾斜线，得到圆锥母线；所述圆锥母线为倾斜角度大于其他倾斜线的倾斜线；

根据圆锥母线构建圆锥，判断圆锥是否能够将塔杆完全包含的圆锥；

将圆锥的倾斜角度增大，直到找到能够将塔杆完全包含的塔杆圆锥，得到倾斜角度；所述倾斜角度为所述塔杆圆锥的母线和轴线相交的夹角。

7.根据权利要求1所述的一种基于多期点云对比的塔杆运行状态评估方法，其特征在于，所述根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态，包括：

若所述倾斜角度在塔杆倾斜程度内，或，所述倾斜角度不在塔杆倾斜程度内且大于塔杆倾斜程度的度数，将倾斜状态设置为倾斜角度；

若所述倾斜角度不在塔杆倾斜程度内且小于塔杆倾斜程度的度数，将倾斜状态设置为塔杆倾斜程度中的边界度数；所述边界度数为大于塔杆倾斜程度中其他度数的度数；

将多个塔杆倾斜程度中两两相邻时间检测的塔杆倾斜程度相减，得到多个塔杆下落速度；

根据多个塔杆下落速度的比值，得到塔杆运行状态。

8.一种基于多期点云对比的塔杆运行状态评估***，其特征在于，包括：

获取模块：获得多期塔杆点云；所述多期塔杆点云表示塔杆与所处位置的表面的点数据集合；

神经网络模块：将所述多期塔杆点云输入评估神经网络，得到多个对应的塔杆倾斜程度；

圆锥模块：根据所述多期塔杆点云建立三维圆锥，得到倾斜角度；

运行状态模块：根据倾斜角度和多个塔杆倾斜程度，得到塔杆运行状态；所述评估神经网络包括竖直评估神经网络、顶部评估神经网络和整体评估网络；所述整体评估网络的输入为所述竖直评估神经网络的输出和所述顶部评估神经网络的输出；

所述评估神经网络的训练方法，包括：

获得训练集；所述训练集包括多个训练数据和多个标注数据；所述训练数据为历史检测到的塔杆的点云；所述标注数据表示塔杆倾斜程度；

所述塔杆倾斜程度分为9个部分；塔杆倾斜状态程度包括5度倾斜状态、10度倾斜状态、15度倾斜状态、20度倾斜状态、25度倾斜状态、30度倾斜状态、35度倾斜状态、40度倾斜状态、45度倾斜状态；

将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度；

将所述预测塔杆倾斜程度与所述标注数据进行求损失，得到损失值；

获得评估神经网络当前的训练迭代次数以及预先设定的所述评估神经网络训练的最大迭代次数；

当所述损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练，得到训练好的评估神经网络；

所述将所述训练数据输入评估神经网络，得到预测塔杆倾斜程度，包括：

将所述训练数据根据点云的位置构建训练三维数组；

将所述训练三维数组输入竖直评估神经网络，得到竖直输出数据；所述训练数据经过竖直评估神经网络检测后得到的数据；

将所述训练数据进行左右翻转，得到侧翻数组；

将所述侧翻数组输入竖直评估神经网络，得到侧翻竖直输出数据；所述侧翻竖直输出数据为侧翻数组经过竖直评估神经网络检测后得到的数据；

将所述训练数据以底面为正面进行上下翻转，得到翻转数组；

将所述翻转数组输入顶部评估神经网络，得到顶部输出数据；

将所述竖直输出数据和所述侧翻竖直输出数据输入整体评估网络，得到预测塔杆倾斜程度。

Images