CN117671603B - 用于三维立体测距装置的输电线路多维环境监测方法 - Google Patents
用于三维立体测距装置的输电线路多维环境监测方法 Download PDFInfo
- Publication number
- CN117671603B CN117671603B CN202410137763.4A CN202410137763A CN117671603B CN 117671603 B CN117671603 B CN 117671603B CN 202410137763 A CN202410137763 A CN 202410137763A CN 117671603 B CN117671603 B CN 117671603B
- Authority
- CN
- China
- Prior art keywords
- dangerous
- ranging
- dimensional
- information
- sample
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 137
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000004927 fusion Effects 0.000 claims abstract description 82
- 230000007613 environmental effect Effects 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims description 46
- 230000006399 behavior Effects 0.000 claims description 43
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000010276 construction Methods 0.000 claims description 15
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 6
- 230000003542 behavioural effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了用于三维立体测距装置的输电线路多维环境监测方法,涉及数据处理技术领域,方法包括:通过三维立体测距装置内的图像采集单元获得多个输电线路图像,通过测距单元获得多个测距信息集合,获得多个识别危险源信息集合,根据其与多个危险源的位置对应关系,构建多个时间点内的多个三维威胁模型,根据多个环境信息对测距精度的影响误差系数进行补偿融合获得融合三维威胁模型,结合多个危险度进行危险等级分析对融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果,解决现有技术中缺乏对危险源的识别管控,导致线路存在安全隐患的技术问题,实现有效地识别和管理潜在危险源,提高线路安全性和可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及用于三维立体测距装置的输电线路多维环境监测方法。
背景技术
随着电网建设的飞速发展,输电线路区域存在点多面广,环境复杂的特点,由于输电线路区域内的环境不断变化,导致输电线路区域内的安全性存在不稳定性,如今,在现有技术中存在缺乏对输电线路区域内的危险源进行精准的识别与管控,从而出现导致输电线路存在安全隐患的技术问题。
发明内容
本申请提供了用于三维立体测距装置的输电线路多维环境监测方法,用于解决现有技术中存在的缺乏对危险源的识别管控,导致线路存在安全隐患的技术问题。
鉴于上述问题,本申请提供了用于三维立体测距装置的输电线路多维环境监测方法。
第一方面,本申请提供了用于三维立体测距装置的输电线路多维环境监测方法,所述方法包括:通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果。
第二方面,本申请提供了用于三维立体测距装置的输电线路多维环境监测***,所述***包括:第一图像获取模块,所述第一图像获取模块用于通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;测距模块,所述测距模块用于通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;识别分割模块,所述识别分割模块用于对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;第一模型构建模块,所述第一模型构建模块用于根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;模型补偿模块,所述模型补偿模块用于根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;第一标识模块,所述第一标识模块用于根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果。
第三方面,本申请提供了一种电子设备包括: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上述第一方面中任一项所述方法的步骤。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请提供的用于三维立体测距装置的输电线路多维环境监测方法,涉及数据处理技术领域,解决了现有技术中存在缺乏对危险源的识别管控,导致线路存在安全隐患的技术问题,实现了有效地识别和管理潜在的危险源,提高线路的安全性和可靠性。
附图说明
图1为本申请提供了用于三维立体测距装置的输电线路多维环境监测方法流程示意图;
图2为本申请提供了用于三维立体测距装置的输电线路多维环境监测***结构示意图;
图3为本申请示例性电子设备的结构示意图。
附图标记说明:第一图像获取模块1,测距模块2,识别分割模块3,第一模型构建模块4,模型补偿模块5,第一标识模块6。
具体实施方式
本申请通过提供用于三维立体测距装置的输电线路多维环境监测方法,用于解决现有技术中存在缺乏对危险源的识别管控,导致线路存在安全隐患的技术问题。
实施例一
如图1所示,本申请实施例提供了用于三维立体测距装置的输电线路多维环境监测方法,所述方法应用于一三维立体测距装置,所述三维立体测距装置内包括图像采集单元和测距单元,该方法包括:
步骤A100:通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;
在本申请中,本申请实施例提供的用于三维立体测距装置的输电线路多维环境监测方法应用于一三维立体测距装置,所述三维立体测距装置内包括图像采集单元,该图像采集单元可以包含摄像头、传感器、存储设备、电源供应、网络连接、控制***等配置,用于进行输电线路环境图像参数的采集。
首先可以通过地图或GPS对目标输电线路的位置和预设范围进行划分确定,再通过多个时间点对目标输电线路附近预设范围内的图像进行采集,多个时间点可以是选择每天的特定时间段或者其他频率对采集时间点进行设定,从而对在预设范围内所采集到目标输电线路附近的图像记作多个输电线路图像进行输出,多个输电线路图像内可以包含目标输电线路及其相关设施,如电线、杆塔、绝缘子等、目标输电线路所处的环境条件,如天气情况、季节变化等、输电线路周围是否存在潜在的危险或安全隐患,如树木、建筑物或其他可能干扰线路的物体等,为后期实现基于三维立体测距装置进行输电线路多维环境的监测作为重要参考依据。
步骤A200:通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;
在本申请中,基于测距单元在上述所划分的多个时间点内对目标输电线路的附近预设范围内进行距离测量,且该测距单元被包含于三维立体测距装置内,该测距单元可以使用但不仅限于激光测距仪、雷达测距、超声波测距、光电测距等,用于进行环境内距离参数的采集,进一步的,基于多个时间点以及多个时间点内所包含的多个环境信息,其中,多个环境信息与多个时间点存在对应关系,即不同的时间点所对应目标输电线路附近预设范围内可能存在不同环境,继而若使用激光测距仪,则是通过使用激光束测量目标物体到测量仪的距离,可以快速、准确地获取目标输电线路与附近物体的距离数据,若使用雷达测距,则是利用发射无线电波并接收反射信号来测量目标物体的距离,可以在不同的天气条件下对目标输电线路与附近的物体进行测距,并实时监测目标物体的运动,若通过超声波测距,则是利用发射超声波脉冲并接收反射信号来测量目标输电线路与目标物体的距离,适用于短距离测量,例如测量目标输电线路上的树木或其他障碍物与线路的距离,若通过光电测距,则是利用发射光信号并接收反射信号来测量目标输电线路与目标物体之间的距离,适用于室内环境或者需要测量较短距离的情况,在此基础上对多个测距信息进行汇总后记作多个测距信息集合,进而为实现基于三维立体测距装置进行输电线路多维环境的监测做保障。
步骤A300:对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;
进一步而言,本申请步骤A300还包括:
步骤A310:基于目标输电线路的环境监测日志数据,获取样本输电线路图像集合;
步骤A320:对每个样本输电线路图像内的多个样本危险源进行识别和分割标识,获得样本危险源分割结果集合;
步骤A330:基于语义分割,构建编码器和解码器,采用所述样本输电线路图像集合和样本危险源分割结果集合进行训练至收敛,获得危险源识别器;
步骤A340:基于所述危险源识别器,对所述多个输电线路图像进行识别分割,获得多个危险源分割结果,根据每个危险源分割结果内的多种危险源,获得多个识别危险源信息集合并统计交集,获得所述多个危险源;
步骤A350:基于多个危险源分割结果,进行多个危险源的危险度识别,获得所述多个危险度。
进一步而言,本申请步骤A350包括:
步骤A351:获取所述多个危险源分割结果内的多种危险源的分割图像,获得多个危险源分割图像集合;
步骤A352:基于多种样本危险源,采集多个样本危险源分割图像集合,并获取多个样本危险度集合,构建多个危险度识别分支,获得危险度识别器;
步骤A353:基于所述危险度识别器,对所述多个危险源分割图像集合进行识别,获得多个危险度集合,并计算获得所述多个危险度。
在本申请中,为了更精准的通过三维立体测距装置对输电线路进行多维环境的监测,则需要对目标输电线路附近的危险源进行准确识别,因此首先以上述采集所获的多个输电线路图像作为参照基础,进行危险源的识别与分割,是指按照目标输电线路的环境监测日志数据提取环境监测数据,确定目标输电线路的环境特征对多个输电线路图像进行样本标识,根据所标识的样本图像生成样本输电线路图像集合,进一步的,对每个样本输电线路图像内的多个样本危险源进行识别和分割标识,是指分别对每个样本输电线路图像进行预处理,可以是进行图像大小的调整、图像降噪、增强图像对比度等,再通过使用目标检测算法对预处理过后的样本输电线路图像集合进行危险源识别,所识别的危险源可以包含树木图像、建筑物图像、动物图像等,根据所识别的危险源在样本输电线路图像集合内进行定位并标记,基于语义分割算法将样本输电线路图像集合内图像中的每个像素分配至不同的类别,是指将标记为危险源的像素归类至危险源分割结果,将未标记的像素进行其他归类,从而获得样本危险源分割结果集合,基于语义分割,构建编码器和解码器,采用样本输电线路图像集合和样本危险源分割结果集合进行训练至收敛,是指首先将样本输电线路图像集合和对应的样本危险源分割结果集合作为训练数据,确保每个图像都有对应的标注分割结果,进而确定一个预训练的卷积神经网络,例如VGG、ResNet等作为编码器,并将其前面的部分作为特征提取器,继而构建一个解码器网络,用于将编码器提取到的特征映射转换回原始图像大小的分割结果,进一步的,将编码器和解码器连接起来,形成完整的编码器-解码器模型,通过定义交叉熵损失函数来度量模型输出与真实分割结果之间的差异,通过优化损失函数,逐步调整样本输电线路图像集合和样本危险源分割结果集合进行训练,在此基础上完成危险源识别器的构建。
基于危险源识别器,对多个输电线路图像进行与上述同理的识别分割,获得多个危险源分割结果,进一步的根据每个危险源分割结果内的多种危险源,进行危险源的类别划分,获得多个识别危险源信息集合并统计交集,对应确定多个危险源,基于多个危险源分割结果,进行多个危险源的危险度识别,是指首先对多个危险源分割结果内的多种危险源的分割图像进行获取,每种危险源的分割图像均对应一种危险源的类别,继而将所有危险源的分割图像进行汇总后记作多个危险源分割图像集合,进一步的对多个危险源分割图像集合以多种样本危险源作为基础参照特征数据进行样本提取,获得多个样本危险源分割图像集合,并获取多个样本危险度集合,其中,多个样本危险度集合与多个样本危险源分割图像集合存在一一对应的关系,从而根据每个危险源及其所对应的危险度构建一个与之对应的危险度识别分支,同时将多个危险度识别分支进行汇总生成获得危险度识别器,最终通过危险度识别器,依次对多个危险源分割图像集合内的每个危险源分割图像进行危险度的识别,将每个危险源分割图像标识所对应的危险度,获得多个危险度集合,分别对多个危险源所对应的多个危险度集合的均值进行计算,将其作为多个危险度进行输出,为后续实现基于三维立体测距装置进行输电线路多维环境的监测夯实基础。
步骤A400:根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;
进一步而言,本申请步骤A400还包括:
步骤A410:根据所述多个测距信息集合内每个测距信息的测距坐标,结合所述多个危险源的危险源坐标,构建位置对应关系;
步骤A420:根据所述位置对应关系,结合所述多个危险源和多个测距信息集合,分别构建获得多个时间点内的多个三维威胁模型,不同的三维威胁模型内同一危险源的测距信息不同。
在本申请中,为了提升通过三维立体测距装置对目标输电线路的多维环境内危险源的威胁监测效率,则需要基于通过测距单元所获的多个测距信息集合与多个危险源之间位置的对应关系,是指可以通过以区域边缘位置作为初始原点,在目标输电线路区域内建立平面直角坐标系,同时提取多个测距信息集合内所包含的每个测距信息在直角坐标系内的测距坐标,同时与多个危险源在坐标系内的危险源坐标进行结合,从而构建多个测距信息集合与多个危险源位置之间的对应关系,该位置之间的对应关系可以包含前方位置、后方位置、左方位置、右方位置、上方位置、下方位置等,进一步的,基于位置对应关系,将多个危险源内的危险源与多个测距信息集合内的距离信息相结合,从而分别构建获得多个时间点内的多个三维威胁模型,可以通过基于点云三维重建算法构建目标输电线路及其附近范围的三维数据,进一步的,基于采集多个时间点内目标危险源的位置及其测距信息使用点云分割算法将三维重建后的数据与危险源进行分割,对于每个时间点,利用分割结果构建三维威胁模型,将多个时间点内的威胁模型进行融合,获取多个三维威胁模型,且不同的三维威胁模型内同一危险源的测距信息不相同,实现基于三维立体测距装置进行输电线路多维环境的监测有着限定的作用。
步骤A500:根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;
进一步而言,本申请步骤A500还包括:
步骤A510:基于测距单元的测距数据日志,获取样本环境信息集合,并获取样本影响误差系数集合,其中,每个样本环境信息包括空气湿度和光照强度;
步骤A520:采用所述样本环境信息集合和样本影响误差系数集合,基于决策树,构建测距误差分类器,对所述多个环境信息进行分类,获得多个影响误差系数;
步骤A530:采用多个应误差系数,对所述多个三维威胁模型内多个危险源的测距信息进行补偿,获得多个补偿三维威胁模型,每个补偿三维威胁模型内包括多个危险源的测距信息区间;
步骤A540:根据多个补偿三维威胁模型,融合获取所述融合三维威胁模型。
进一步而言,本申请步骤A540包括:
步骤A541:根据所述多个补偿三维威胁模型,获取每个危险源的多个测距信息区间,获得多个测距信息区间集合;
步骤A542:分别判断所述多个测距信息区间集合内是否存在交集;
步骤A543:若是,则提取获得交集测距信息区间,并选取所述交集测距信息区间的中点值作为危险源的融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型;
步骤A544:若否,则分别提取多个测距信息区间集合内的最大值和最小值,构建融合测距信息区间,将所述融合测距信息区间内的中点值作为融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型。
在本申请中,由于目标输电线路的环境存在实时动态变化的影响,因此会对测距精度存在一定的测量影响误差,因此首先可以通过根据多个环境信息获取测距精度的影响误差系数,再基于该影响误差系数对多个三维威胁模型进行补偿,是指根据环境信息内的光照和湿度,分析获得影响误差系数(比如误差为5%),采用该影响误差系数,通过提取测距单元的测距数据日志获取样本环境信息集合,测距数据日志是指对测距单元进行测距的实时测距信息按照时间节点进行记录并存储,继而按照测距数据日志中的测距信息的测距时间节点确定阈值对应的环境信息,从而确定样本环境信息集合,且在样本环境信息集合内的每个样本环境信息均包括空气湿度和光照强度,从收集到的样本环境信息集合中提取环境信息,例如天气、时间、地点等,并将其编码为特征向量或者标签,使用样本环境信息集合和环境信息特征集合进行训练,预测样本在不同环境下的影响误差系数,从而对样本影响误差系数集合进行获取。
进一步的,采用样本环境信息集合和样本影响误差系数集合,基于决策树,构建测距误差分类器,测量每个样本的真实测距值和测距误差记作测距误差标签,以测距误差标签作为目标变量根据提取样本的环境信息特征集合、影响误差系数集合利用决策树算法进行特征选择和节点划分,获取测距误差分类器,通过测距误差分类器对多个环境信息按照测距误差进行分类,将存在测距误差的环境信息进行误差影响评估获得多个影响误差系数,并基于多个应误差系数,对多个三维威胁模型内多个危险源的测距信息进行补偿,是指对原本的三维威胁模型在距离上进行了补偿扩充的三维威胁模型,对三维威胁模型内的危险源的距离信息进行补偿后,生成一个补偿距离区间,基于多个危险源的距离区间,形成补偿三维威胁模型,示例性的,一个车辆在原始的三维威胁模型内距离是10米,补偿后距离区间是9.5米至10.5米,在补偿后的补偿三维威胁模型内,车辆在9.5米至10.5米的位置内分布,在此基础上获得多个补偿三维威胁模型,且每个补偿三维威胁模型内均包括多个危险源的测距信息区间,进一步的,根据多个补偿三维威胁模型,获取每个危险源之间测距信息,确定每个危险源的多个测距信息区间,将所有测距信息区间进行汇总后记作多个测距信息区间集合,继而分别对多个测距信息区间集合内是否存在交集进行判断,若多个测距信息区间集合内存在交集,将存在交集的测距信息区间进行记录并提取,进一步的,在所提取的交集测距信息区间内选取交集测距的距离中点值作为危险源的融合测距信息,继而将每个交集测距区间的中点值进行整合汇总后记作多个融合测距信息,同时根据多个融合测距信息通过融合算法进行信息融合,将多个测距信息合并为一个融合后的测距值,从融合后的测距信息中提取与威胁模型相关的特征,该特征可以包括目标位置、速度、大小等,最终基于深度学习算法对特征提取的结果进行训练,完成融合三维威胁模型的构建,若多个测距信息区间集合内不存在交集,则分别对多个测距信息区间集合内的距离最大值和距离最小值进行提取,根据距离最大值以及距离最小值作为边界数据对融合测距信息区间进行划分构建,继而选取融合测距信息区间内的中点值作为融合测距信息,并将融合测距信息区间内的所有重点值进行整合汇总后获得多个融合测距信息,同理完成融合三维威胁模型的构建,以便为后期基于三维立体测距装置进行输电线路多维环境的监测时作为参照数据。
步骤A600:根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果。
进一步而言,本申请步骤A600还包括:
步骤A610:获取所述融合三维威胁模型内多个危险源的多个融合距离;
步骤A620:根据所述目标输电线路的环境监测日志数据,获取多个样本危险源的样本距离信息集合、样本危险度集合,并获取样本危险等级集合;
步骤A630:采用距离和危险度作为决策特征,基于决策树,采用所述样本距离信息集合、样本危险度集合和样本危险等级集合,构建危险等级分类器;
步骤A640:基于所述危险等级分类器,对所述多个融合距离和多个危险度进行决策分类,获得多个危险等级;
步骤A650:采用所述多个危险等级,对所述融合三维威胁模型进行标识。
在本申请中,为了对目标输电线路的多维环境通过三维立体测距装置进行更准确的监测,则通过根据上述所构建的融合三维威胁模型内所包含的多个危险源的多个融合距离,与上述所获的多个危险度结合进行危险等级的分析,多个融合距离是基于融合三维威胁模型选入多个危险源之间距离的中点距离,继而根据目标输电线路的环境监测日志数据,提取多个样本危险源的样本距离信息集合、样本危险度集合,样本距离信息集合包含多个样本危险源内的样本危险源之间的距离信息,样本危险度集合包含多个样本危险源内危险源的危险等级,从而将样本距离信息集合与样本危险度集合按照危险源位置进行匹配,获取样本危险等级集合,进一步的,采用距离和危险度作为决策特征,基于决策树,采用样本距离信息集合、样本危险度集合和样本危险等级集合,构建危险等级分类器,其过程可以是通过样本距离信息集合、样本危险度集合、样本危险等级集合提取距离、危险度以及危险等级作为特征,对特征进行标准化或归一化,确保不同特征之间的数量级相同,同时划分为训练集和测试集,将样本距离信息集合、样本危险度集合和样本危险等级集合作为决策特征,采用决策树算法将训练完成的训练集与测试集进行数据验证,由此构建危险等级分类器,将多个融合距离以及多个危险度输入至危险等级分类器内进行决策分类,获得多个危险等级,其中,多个危险等级可以分为低、中、高三个等级,最终通过采用多个危险等级对融合三维威胁模型内的多个危险源的危险等级进行标识,根据危险等级标识结果进行输出作为目标输电线路的环境监测结果,提高后期实现基于三维立体测距装置进行输电线路多维环境的监测的准确率。
进一步而言,本申请步骤A700还包括:
步骤A710:根据所述多个三维威胁模型内所述多个危险源的测距信息,构建多个测距信息序列;
步骤A720:通过危险源行为预测器,对所述多个测距信息序列进行预测,获得多个预测危险源行为,其中,所述危险源行为预测器通过采用样本危险源集合、样本测距信息序列集合和样本危险源行为集合构建;
步骤A730:根据所述多个预测危险源行为,分类获得多个行为危险度;
步骤A740:将所述多个行为危险度加入所述多个危险度。
在本申请中,为了可以根据不同的危险源行为与不同的行为危险度进行对应,则将多个三维威胁模型内所包含的多个危险源的测距信息按照预构建映射关系进行映射分类,基于映射分类的映射关联性进行降序的序列化处理,生成多个测距信息序列,进而通过危险源行为预测器对多个测距信息序列进行预测,危险源行为预测器是一个通过分析样本危险源集合、样本测距信息序列集合和样本危险源行为集合的构建过程来进行预测的工具,是用于识别和预测危险源的行为,以便及时采取措施来避免潜在的危险,首先基于实际的危险源场景或者通过模拟实验采集目标输电线路内的一组危险源样本,再通过传感器、测量设备等对与每个危险源样本相关的测距信息序列集合进行对应获取,继而通过观察和记录实际场景中的危险源行为采集危险源的运动轨迹、特定的动作模式、或者其他与危险源行为相关的信息,将其记作与每个危险源样本相关的行为集合,最终利用机器学习算法训练危险源行为预测器,危险源行为预测器可以对新的危险源样本和测距信息序列进行分析,并同时预测危险源可能的行为,进一步的,依次按照多个测距信息序列进行危险源的行为预测,获得多个预测危险源行为,根据多个预测危险源行为进行危险等级分析,分类获得多个行为危险度,对于在多个预测危险源行为内具有移动的危险源,示例性的,危险源可以是在目标输电线路的区域中所堆放的易燃物,随着易燃物的逐渐增多且距离缩短靠近目标输电线路,从而增加危险源的危险等级,同时不仅需要对危险源在多个时间点内的综合距离进行分析,还需要对该危险源的动作进行预测,在此基础上对危险源的危险等级进行确定,其中危险等级与多个行为危险度为正比关系,即危险等级越高则所对应的行为危险度就越高,最终将多个行为危险度加入多个危险度进行完善,以此保证后期基于三维立体测距装置更好的进行输电线路多维环境的监测。
综上所述,本申请实施例提供的用于三维立体测距装置的输电线路多维环境监测方法,至少包括如下技术效果,实现了有效地识别和管理潜在危险源,提高线路安全性和可靠性。
实施例二
基于与前述实施例中用于三维立体测距装置的输电线路多维环境监测方法相同的发明构思,如图2所示,本申请提供了用于三维立体测距装置的输电线路多维环境监测***,***包括:
第一图像获取模块1,所述第一图像获取模块1用于通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;
测距模块2,所述测距模块2用于通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;
识别分割模块3,所述识别分割模块3用于对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;
第一模型构建模块4,所述第一模型构建模块4用于根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;
模型补偿模块5,所述模型补偿模块5用于根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;
第一标识模块6,所述第一标识模块6用于根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果。
进一步而言,***还包括:
第二图像获取模块,所述第二图像获取模块用于基于目标输电线路的环境监测日志数据,获取样本输电线路图像集合;
第二标识模块,所述第二标识模块用于对每个样本输电线路图像内的多个样本危险源进行识别和分割标识,获得样本危险源分割结果集合;
第一训练模块,所述第一训练模块用于基于语义分割,构建编码器和解码器,采用所述样本输电线路图像集合和样本危险源分割结果集合进行训练至收敛,获得危险源识别器;
第三标识模块,所述第三标识模块用于基于所述危险源识别器,对所述多个输电线路图像进行识别分割,获得多个危险源分割结果,根据每个危险源分割结果内的多种危险源,获得多个识别危险源信息集合并统计交集,获得所述多个危险源;
第一识别模块,所述第一识别模块用于基于多个危险源分割结果,进行多个危险源的危险度识别,获得所述多个危险度。
进一步而言,***还包括:
第三图像获取模块,所述第三图像获取模块用于获取所述多个危险源分割结果内的多种危险源的分割图像,获得多个危险源分割图像集合;
分支构建模块,所述分支构建模块用于基于多种样本危险源,采集多个样本危险源分割图像集合,并获取多个样本危险度集合,构建多个危险度识别分支,获得危险度识别器;
第二识别模块,所述第二识别模块用于基于所述危险度识别器,对所述多个危险源分割图像集合进行识别,获得多个危险度集合,并计算获得所述多个危险度。
进一步而言,***还包括:
第一坐标模块,所述第一坐标模块用于根据所述多个测距信息集合内每个测距信息的测距坐标,结合所述多个危险源的危险源坐标,构建位置对应关系;
第二模型构建模块,所述第二模型构建模块用于根据所述位置对应关系,结合所述多个危险源和多个测距信息集合,分别构建获得多个时间点内的多个三维威胁模型,不同的三维威胁模型内同一危险源的测距信息不同。
进一步而言,***还包括:
环境信息获取模块,所述环境信息获取模块用于基于测距单元的测距数据日志,获取样本环境信息集合,并获取样本影响误差系数集合,其中,每个样本环境信息包括空气湿度和光照强度;
分类模块,所述分类模块用于采用所述样本环境信息集合和样本影响误差系数集合,基于决策树,构建测距误差分类器,对所述多个环境信息进行分类,获得多个影响误差系数;
第一补偿模块,所述第一补偿模块用于采用多个应误差系数,对所述多个三维威胁模型内多个危险源的测距信息进行补偿,获得多个补偿三维威胁模型,每个补偿三维威胁模型内包括多个危险源的测距信息区间;
融合模块,所述融合模块用于根据多个补偿三维威胁模型,融合获取所述融合三维威胁模型。
进一步而言,***还包括:
区间获取模块,所述区间获取模块用于根据所述多个补偿三维威胁模型,获取每个危险源的多个测距信息区间,获得多个测距信息区间集合;
第一判断模块,所述第一判断模块用于分别判断所述多个测距信息区间集合内是否存在交集;
第二判断模块,所述第二判断模块用于若是,则提取获得交集测距信息区间,并选取所述交集测距信息区间的中点值作为危险源的融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型;
第三判断模块,所述第三判断模块用于若否,则分别提取多个测距信息区间集合内的最大值和最小值,构建融合测距信息区间,将所述融合测距信息区间内的中点值作为融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型。
进一步而言,***还包括:
距离获取模块,所述距离获取模块用于获取所述融合三维威胁模型内多个危险源的多个融合距离;
集合确定模块,所述集合确定模块用于根据所述目标输电线路的环境监测日志数据,获取多个样本危险源的样本距离信息集合、样本危险度集合,并获取样本危险等级集合;
分类器构建模块,所述分类器构建模块用于采用距离和危险度作为决策特征,基于决策树,采用所述样本距离信息集合、样本危险度集合和样本危险等级集合,构建危险等级分类器;
决策分类模块,所述决策分类模块用于基于所述危险等级分类器,对所述多个融合距离和多个危险度进行决策分类,获得多个危险等级;
第四标识模块,所述第四标识模块用于采用所述多个危险等级,对所述融合三维威胁模型进行标识。
进一步而言,***还包括:
序列构建模块,所述序列构建模块用于根据所述多个三维威胁模型内所述多个危险源的测距信息,构建多个测距信息序列;
预测模块,所述预测模块用于通过危险源行为预测器,对所述多个测距信息序列进行预测,获得多个预测危险源行为,其中,所述危险源行为预测器通过采用样本危险源集合、样本测距信息序列集合和样本危险源行为集合构建;
行为分类模块,所述行为分类模块用于根据所述多个预测危险源行为,分类获得多个行为危险度;
加入模块,所述加入模块用于将所述多个行为危险度加入所述多个危险度。
示例性电子设备
下面参考图3来描述本申请的电子设备:
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图3中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备,或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的用于三维立体测距装置的输电线路多维环境监测方法。
说明书通过前述基于框架的多程序用户访问权限管理方法的详细描述,本领域技术人员可以清楚地知识本实施例中基于框架的多程序用户访问权限管理***,对于实施例公开的***而言,由于其与实施例公开装置相对应,所以描述得比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其他实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.用于三维立体测距装置的输电线路多维环境监测方法,其特征在于,所述方法应用于一三维立体测距装置,所述三维立体测距装置内包括图像采集单元和测距单元,所述方法包括:
通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;
通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;
对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;
根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;
根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;
根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果;
基于测距单元的测距数据日志,获取样本环境信息集合,并获取样本影响误差系数集合,其中,每个样本环境信息包括空气湿度和光照强度;
采用所述样本环境信息集合和样本影响误差系数集合,基于决策树,构建测距误差分类器,对所述多个环境信息进行分类,获得多个影响误差系数;
采用多个影响误差系数,对所述多个三维威胁模型内多个危险源的测距信息进行补偿,获得多个补偿三维威胁模型,每个补偿三维威胁模型内包括多个危险源的测距信息区间;
根据多个补偿三维威胁模型,融合获取所述融合三维威胁模型;
根据所述多个补偿三维威胁模型,获取每个危险源的多个测距信息区间,获得多个测距信息区间集合;
分别判断所述多个测距信息区间集合内是否存在交集;
若是,则提取获得交集测距信息区间,并选取所述交集测距信息区间的中点值作为危险源的融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型;
若否,则分别提取多个测距信息区间集合内的最大值和最小值,构建融合测距信息区间,将所述融合测距信息区间内的中点值作为融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型。
2.根据权利要求1所述的方法,其特征在于,对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度,包括:
基于目标输电线路的环境监测日志数据,获取样本输电线路图像集合;
对每个样本输电线路图像内的多个样本危险源进行识别和分割标识,获得样本危险源分割结果集合;
基于语义分割,构建编码器和解码器,采用所述样本输电线路图像集合和样本危险源分割结果集合进行训练至收敛,获得危险源识别器;
基于所述危险源识别器,对所述多个输电线路图像进行识别分割,获得多个危险源分割结果,根据每个危险源分割结果内的多种危险源,获得多个识别危险源信息集合并统计交集,获得所述多个危险源;
基于多个危险源分割结果,进行多个危险源的危险度识别,获得所述多个危险度。
3.根据权利要求2所述的方法,其特征在于,基于多个危险源分割结果,进行多个危险源的危险度识别,包括:
获取所述多个危险源分割结果内的多种危险源的分割图像,获得多个危险源分割图像集合;
基于多种样本危险源,采集多个样本危险源分割图像集合,并获取多个样本危险度集合,构建多个危险度识别分支,获得危险度识别器;
基于所述危险度识别器,对所述多个危险源分割图像集合进行识别,获得多个危险度集合,并计算获得所述多个危险度。
4.根据权利要求1所述的方法,其特征在于,根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型,包括:
根据所述多个测距信息集合内每个测距信息的测距坐标,结合所述多个危险源的危险源坐标,构建位置对应关系;
根据所述位置对应关系,结合所述多个危险源和多个测距信息集合,分别构建获得多个时间点内的多个三维威胁模型,不同的三维威胁模型内同一危险源的测距信息不同。
5.根据权利要求1所述的方法,其特征在于,根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,包括:
获取所述融合三维威胁模型内多个危险源的多个融合距离;
根据所述目标输电线路的环境监测日志数据,获取多个样本危险源的样本距离信息集合、样本危险度集合,并获取样本危险等级集合;
采用距离和危险度作为决策特征,基于决策树,采用所述样本距离信息集合、样本危险度集合和样本危险等级集合,构建危险等级分类器;
基于所述危险等级分类器,对所述多个融合距离和多个危险度进行决策分类,获得多个危险等级;
采用所述多个危险等级,对所述融合三维威胁模型进行标识。
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:
根据所述多个三维威胁模型内所述多个危险源的测距信息,构建多个测距信息序列;
通过危险源行为预测器,对所述多个测距信息序列进行预测,获得多个预测危险源行为,其中,所述危险源行为预测器通过采用样本危险源集合、样本测距信息序列集合和样本危险源行为集合构建;
根据所述多个预测危险源行为,分类获得多个行为危险度;
将所述多个行为危险度加入所述多个危险度。
7.用于三维立体测距装置的输电线路多维环境监测***,其特征在于,所述***包括:
第一图像获取模块,所述第一图像获取模块用于通过三维立体测距装置内的图像采集单元,在多个时间点,采集目标输电线路附近预设范围内的图像,获得多个输电线路图像;
测距模块,所述测距模块用于通过测距单元,在所述多个时间点,对所述目标输电线路附近预设范围内进行测距,获得多个测距信息集合,其中,所述多个时间点内包括多个环境信息;
识别分割模块,所述识别分割模块用于对所述多个输电线路图像内的危险源进行识别分割,获得多个识别危险源信息集合,并统计获得多个危险源和多个危险度;
第一模型构建模块,所述第一模型构建模块用于根据所述多个测距信息集合、多个危险源的位置对应关系,构建获得多个时间点内的多个三维威胁模型;
模型补偿模块,所述模型补偿模块用于根据所述多个环境信息对测距精度的影响误差系数,对所述多个三维威胁模型进行补偿,并融合获得融合三维威胁模型;
第一标识模块,所述第一标识模块用于根据所述融合三维威胁模型内多个危险源的多个融合距离,结合所述多个危险度进行危险等级分析,根据多个危险等级对所述融合三维威胁模型进行标识,输出为目标输电线路的环境监测结果;
系数集合获取模块,所述系数集合获取用于基于测距单元的测距数据日志,获取样本环境信息集合,并获取样本影响误差系数集合,其中,每个样本环境信息包括空气湿度和光照强度;
分类器构建模块,所述分类器构建模块用于采用所述样本环境信息集合和样本影响误差系数集合,基于决策树,构建测距误差分类器,对所述多个环境信息进行分类,获得多个影响误差系数;
数据补偿模块,所述数据补偿模块用于采用多个影响误差系数,对所述多个三维威胁模型内多个危险源的测距信息进行补偿,获得多个补偿三维威胁模型,每个补偿三维威胁模型内包括多个危险源的测距信息区间;
模型融合模块,所述模型融合模块用于根据多个补偿三维威胁模型,融合获取所述融合三维威胁模型;
区间获取模块,所述区间获取模块用于根据所述多个补偿三维威胁模型,获取每个危险源的多个测距信息区间,获得多个测距信息区间集合;
交集判断模块,所述交集判断模块用于分别判断所述多个测距信息区间集合内是否存在交集;
第二模型构建模块,所述第二模型构建模块用于若是,则提取获得交集测距信息区间,并选取所述交集测距信息区间的中点值作为危险源的融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型;
第三模型构建模块,所述第三模型构建模块用于若否,则分别提取多个测距信息区间集合内的最大值和最小值,构建融合测距信息区间,将所述融合测距信息区间内的中点值作为融合测距信息,获得多个融合测距信息,构建获得所述融合三维威胁模型。
8.一种电子设备,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1-6任一项方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137763.4A CN117671603B (zh) | 2024-02-01 | 2024-02-01 | 用于三维立体测距装置的输电线路多维环境监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410137763.4A CN117671603B (zh) | 2024-02-01 | 2024-02-01 | 用于三维立体测距装置的输电线路多维环境监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117671603A CN117671603A (zh) | 2024-03-08 |
CN117671603B true CN117671603B (zh) | 2024-04-16 |
Family
ID=90081108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410137763.4A Active CN117671603B (zh) | 2024-02-01 | 2024-02-01 | 用于三维立体测距装置的输电线路多维环境监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117671603B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103143984A (zh) * | 2013-04-09 | 2013-06-12 | 重庆大学 | 基于激光跟踪仪的机床误差动态补偿方法 |
CN111998823A (zh) * | 2020-08-26 | 2020-11-27 | 吉林大学 | 基于双目异光源测距装置的目标测距方法 |
CN114894091A (zh) * | 2022-05-09 | 2022-08-12 | 上海倍肯智能科技有限公司 | 一种双目视觉测距功能的线路监控装置及*** |
CN115620239A (zh) * | 2022-11-08 | 2023-01-17 | 国网湖北省电力有限公司荆州供电公司 | 一种点云和视频结合的输电线路在线监测方法和*** |
-
2024
- 2024-02-01 CN CN202410137763.4A patent/CN117671603B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103143984A (zh) * | 2013-04-09 | 2013-06-12 | 重庆大学 | 基于激光跟踪仪的机床误差动态补偿方法 |
CN111998823A (zh) * | 2020-08-26 | 2020-11-27 | 吉林大学 | 基于双目异光源测距装置的目标测距方法 |
CN114894091A (zh) * | 2022-05-09 | 2022-08-12 | 上海倍肯智能科技有限公司 | 一种双目视觉测距功能的线路监控装置及*** |
CN115620239A (zh) * | 2022-11-08 | 2023-01-17 | 国网湖北省电力有限公司荆州供电公司 | 一种点云和视频结合的输电线路在线监测方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN117671603A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sánchez-Rodríguez et al. | Automated detection and decomposition of railway tunnels from Mobile Laser Scanning Datasets | |
CN113705478B (zh) | 一种基于改进YOLOv5的红树林单木目标检测方法 | |
Niemeyer et al. | Classification of urban LiDAR data using conditional random field and random forests | |
CN110942072A (zh) | 基于质量评估的质量分、检测模型训练、检测方法及装置 | |
CN110705115B (zh) | 一种基于深度置信网络的气象预报方法和*** | |
CN114596555B (zh) | 障碍物点云数据筛选方法、装置、电子设备及存储介质 | |
CN111160270B (zh) | 一种基于智能视频识别的桥梁监测方法 | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN111652835A (zh) | 基于深度学习与聚类的输电线路绝缘子缺失的检测方法 | |
CN112163496A (zh) | 一种基于语义分割的嵌入式终端水库水位预警方法 | |
KR20230171966A (ko) | 이미지 프로세싱 방법 및 장치 및 컴퓨터 판독 가능 저장 매체 | |
CN115600513A (zh) | 一种岩溶塌陷监测预警及防控一体化信息化模拟研判*** | |
CN115830399A (zh) | 分类模型训练方法、装置、设备、存储介质和程序产品 | |
CN116413740B (zh) | 一种激光雷达点云地面检测方法及装置 | |
CN117671603B (zh) | 用于三维立体测距装置的输电线路多维环境监测方法 | |
CN117456342A (zh) | 一种基于街景影像的交通事故风险评估方法及*** | |
CN117056722A (zh) | 一种规划地块人口数量预测方法及*** | |
Li et al. | Street tree crown detection with mobile laser scanning data using a grid index and local features | |
CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与*** | |
Zhao et al. | The grey theory and the preliminary probe into information acquisition technology | |
CN116777814A (zh) | 图像处理方法、装置、计算机设备、存储介质及程序产品 | |
CN113569954A (zh) | 一种野生动物智能分类识别方法 | |
CN117272840B (zh) | 一种高速公路恶劣天气预警方法及*** | |
CN117269011B (zh) | 基于激光光路测量***的气象能见度判断方法 | |
CN115578598B (zh) | 一种基于卷积神经网络的骨髓细胞识别方法及其*** |
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 |