CN117809297B - 基于三维重建的输电线路危险源智能识别方法 - Google Patents
基于三维重建的输电线路危险源智能识别方法 Download PDFInfo
- Publication number
- CN117809297B CN117809297B CN202410218200.8A CN202410218200A CN117809297B CN 117809297 B CN117809297 B CN 117809297B CN 202410218200 A CN202410218200 A CN 202410218200A CN 117809297 B CN117809297 B CN 117809297B
- Authority
- CN
- China
- Prior art keywords
- power transmission
- result
- transmission line
- space
- dimensional model
- 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 110
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000011156 evaluation Methods 0.000 claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000007613 environmental effect Effects 0.000 claims abstract description 13
- 238000000605 extraction Methods 0.000 claims description 26
- 238000010276 construction Methods 0.000 claims description 14
- 238000000926 separation method Methods 0.000 claims description 14
- 230000003993 interaction Effects 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000008859 change Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 231100001267 hazard identification Toxicity 0.000 description 3
- 239000000523 sample Substances 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction 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
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于三维重建的输电线路危险源智能识别方法，属于输电线路安全监测领域，包括：建立输电线路的线路信息集，进行输电线路的线路环境评价；根据线路信息集和线路环境评价寻优布设建模摄像机，执行数据采集，建立图像数据集，进行特征轮廓提取，执行主体特征匹配，建立空间三维模型；以空间三维模型作为主体特征，进行环境特征分离，建立时序辅助特征集合；进行基于距离的危险源识别，生成危险源识别结果；进行处理策略决策，完成危险源识别管理。本申请解决了现有技术中对输电线路危险源识别准确率和识别效率低下的技术问题，达到了通过建模摄像机结合三维重建技术，提高对输电线路危险源的识别准确度和效率技术效果。
Description
技术领域
本发明涉及输电线路安全监测领域，具体涉及基于三维重建的输电线路危险源智能识别方法。
背景技术
随着电力***的不断发展，输电线路的规模不断扩大，输电线路的安全稳定运行对人民生活意义重大。现有的输电线路危险源识别主要依靠视频监控技术，但该技术无法获取精确的空间距离信息，导致大量无效重复报警；还有部分输电线路危险源识别使用无人机巡检激光雷达扫描技术，但该技术巡检频次低、对危险源识别不及时。因此，现有技术具有对输电线路危险源识别准确率和识别效率低下的问题。
发明内容
本申请通过提供了基于三维重建的输电线路危险源智能识别方法，旨在解决现有技术中对输电线路危险源识别准确率和识别效率低下的技术问题。
鉴于上述问题，本申请提供了基于三维重建的输电线路危险源智能识别方法。
本申请公开的第一个方面，提供了基于三维重建的输电线路危险源智能识别方法，该方法包括建立输电线路的线路信息集，线路信息集通过执行施工的数据交互构建而成，并同步进行输电线路的线路环境评价；根据线路信息集和线路环境评价寻优布设建模摄像机，通过建模摄像机执行输电线路和环境的数据采集，建立图像数据集；对图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，空间三维模型带有模型波动空间标识；以空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；对空间三维模型和时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；通过危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
本申请公开的另一个方面，提供了基于三维重建的输电线路危险源智能识别***，该***包括：线路环境评价模块，用于建立输电线路的线路信息集，线路信息集通过执行施工的数据交互构建而成，并同步进行输电线路的线路环境评价；摄像机布设模块，用于根据线路信息集和线路环境评价寻优布设建模摄像机，通过建模摄像机执行输电线路和环境的数据采集，建立图像数据集；三维模型建立模块，用于对图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，空间三维模型带有模型波动空间标识；环境特征分离模块，用于以空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；危险源识别模块，用于对空间三维模型和时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；危险源管理模块，用于通过危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
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：
由于采用了通过执行施工的数据交互建立输电线路的线路信息集，并同步进行输电线路的线路环境评价，明确线路基础信息，为布设建模摄像机提供信息基础；根据线路基础信息和线路环境评价，选取合适位置布设建模摄像机，并以此建立图像数据集，支持前端实现高精度空间三维模型的建立；从图像数据集中提取轮廓特征，并以特征轮廓提取结果执行主体特征匹配，以匹配结果和采集数据为基础应用三维重建技术构建输电线路的空间三维模型，实现对输电线路及危险源的精准三维建模；基于获取的空间三维模型，进行环境特征分离，建立时序辅助特征集合，为进行危险源识别提供信息；结合空间三维模型和时序辅助特征集合，基于距离计算判断危险源，得到危险源识别结果，实现对输电线路危险源的识别与定位，得到危险源识别结果；根据识别出的危险源识别结果，决策处理策略，完成输电线路的智能化安全监测与运维管理的技术方案，解决了现有技术中对输电线路危险源识别准确率和识别效率低下的技术问题，达到了通过建模摄像机结合三维重建技术，提高对输电线路危险源的识别准确度和效率技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了基于三维重建的输电线路危险源智能识别方法的一种流程示意图；
图2为本申请实施例提供了基于三维重建的输电线路危险源智能识别方法中获得危险源识别结果的一种流程示意图；
图3为本申请实施例提供了基于三维重建的输电线路危险源智能识别***的一种结构示意图。
附图标记说明：线路环境评价模块11，摄像机布设模块12，三维模型建立模块13，环境特征分离模块14，危险源识别模块15，危险源管理模块16。
具体实施方式
本申请提供的技术方案总体思路如下：
本申请实施例提供了基于三维重建的输电线路危险源智能识别方法。
首先，通过施工数据交互建立输电线路的线路信息集，并进行输电线路的线路环境评价，为布设建模摄像机提供支持。其次，根据线路信息集和线路环境搭建高清晰度的建模摄像机，获取输电线路及周围环境的图像数据集，作为三维建模的视觉输入源，是保证建模与识别质量的基础。然后，基于获取的图像数据集提取特征轮廓提取结果，并执行主体特征匹配，结合三维重建技术对输电线路及周围环境进行三维建模，建立精确的空间三维模型。随后，基于构建的空间三维模型，进行环境特征分离，实现对输电线路的形状、杆塔的状态、周围植被等环境要素的特征分离与提取。之后，分析空间三维模型和时序辅助特征集合，识别杆塔倾斜、树木过密遮挡、线路超载等危险源，形成输电线路的危险源识别结果。接着，根据危险源识别结果，进行处理策略决策，匹配出对应的危险处理措施，得到处理策略决策结果，以此完成危险源识别管理，实现对实际输电线路进行高效准确的危险源监测识别管理，提高输电***的安全性和运维水平。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了基于三维重建的输电线路危险源智能识别方法，该方法包括：
建立输电线路的线路信息集，所述线路信息集通过执行施工的数据交互构建而成，并同步进行所述输电线路的线路环境评价；
在本申请实施例中，在输电线路施工过程中，会产生大量的数据和文档，存放在施工执行数据库中。首先，确定目标输电线路，与施工执行数据库建立数据交互接口，获取数据库中关于目标输电线路的设计图纸和施工数据，提取其中的线路参数数据，如杆塔参数、线路走向、线路规格等，得到输电线路的线路信息集。然后，使用无人机或卫星影像，获取目标输电线路周边地形地貌数据，识别山体、地质灾害、植被等环境要素，评价沿线地质灾害风险、植被覆盖率，获取地物空间分布数据，得到线路环境评价。
通过建立输电线路的线路信息集，并同步进行输电线路的线路环境评价，为后续的布设建模摄像机以构建精准的空间三维模型奠定了基础。
根据线路信息集和所述线路环境评价寻优布设建模摄像机，通过所述建模摄像机执行输电线路和环境的数据采集，建立图像数据集；
在本申请实施例中，首先，分析线路信息集和线路环境评价，根据建模摄像机的性能参数，包括景深范围、支持线路等级等，计算出最优的观测视角，作为建模摄像机的最优布设位置。然后，最优布设位置现场安装建模摄像机，确保其视野可以有效覆盖目标输电线路及周边区域。该建模摄像机内置图像处理与运算芯片，可在边缘端实时进行特征提取、三维重建等处理，实现前端计算，无需上传原始图像，有效减少后端流量占用。该建模摄像机选用超高像素摄像头，像素最低为1200万，以保证采集图像清晰度，并采用工业级设计，工作温度范围为-45℃至70℃，可适应各种恶劣环境，实现全天候不间断工作。在建模摄像机安装在最优布设位置后，启动建模摄像机，实时开启图像数据采集模式，持续采集输电线路及周围环境的图像，对所采集的图像按照采集时间进行存储，得到针对目标输电线路的图像数据集。
对所述图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，所述空间三维模型带有模型波动空间标识；
在本申请实施例中，首先，读取图像数据集，对图像数据集中的图像进行预处理，包括滤波去噪以及图像增强，输出预处理后的图像数据集。其次，利用Sobel、Canny等边缘检测算子对预处理后的图像数据集进行处理，检测出图像中的边缘轮廓，输出包含各类边缘的二值图像，进行连通域分析，移除面积过小的噪声区域，保留主体边缘构成的轮廓区域，得到特征轮廓提取结果。
然后，根据输电线路、杆塔、植被等主体目标的结构特点，设计匹配模板，存放各类主体边缘轮廓的标准特征描述子。接着，将提取的特征轮廓提取结果与匹配模板中的所有标准特征描述子依次进行比较，计算轮廓特征之间的相关度，将被匹配轮廓与相关度最高的标准特征描述子对应上，输出匹配结果，完成对不同主体的识别与匹配。该匹配结果确定特征轮廓提取结果中不同主体目标的类别，标有输电线路、杆塔、周围植被等主体的位置。
随后，根据主体特征的匹配结果，提取主体轮廓的空间坐标信息，作为三维重建的初始数据，结合图像数据集的采集参数，包括建模摄像机的内参、外参等数据，求解空间中主体点的三维坐标。接着，利用三维点云构建算法，以空间中主体点的三维坐标为基础，运用三角剖分法生成三维网格，建立初始三维模型。之后，为初始三维模型中的每个网格顶点设置标识值，记录该点坐标的精度值，反映模型三维点云坐标偏差，作为模型波动空间标识。此后，输出带有模型波动空间标识的三维模型，作为空间三维模型。
以所述空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；
在本申请实施例中，首先，加载空间三维模型，该模型中包含完整的目标输电线路区域信息，并标注有主体特征，包括电线、电塔、电杆、植被等。然后，基于主体特征划定背景环境区域，设置空间计算框，对该空间计算框内的空间三维模型部分进行特征提取，获取其中的背景纹理、颜色、形状等信息，构建环境特征向量。随后，针对相同背景环境区域设置多个时间段的空间计算框，获取时序的环境特征向量集合。接着，利用向量编码或哈希化等方式，建立特征之间的关联索引，使所提取的时序的环境特征向量集合构成时序辅助特征集合。
通过三维场景解析，从复杂的空间三维模型中分离并提取背景环境特征，构建起时序辅助特征集合，为后续的危险识别及管理提供辅助数据源。
对所述空间三维模型和所述时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；
在本申请实施例中，首先，读取构建完成的空间三维模型与时序辅助特征集合，加载数据并进行预处理，包括格式转换、缓存优化等。同时，配置危险源识别的参数，包括危险类别的定义、空间距离阈值、时间匹配窗口等。接着，基于空间三维模型，利用网格分割、区域生长等图像处理算法，提取出危险源的潜在存在区域，输出在空间三维模型上的候选框。随后，针对每个候选框，计算其与空间三维模型中目标输电线路设施点之间的欧式距离、轨迹切线距离等空间距离指标。同时，提取候选框位置周边区域在时序辅助特征集合中存在的周边动态变化序列。之后，基于候选框的空间距离指标和周边动态变化序列，判定为危险源，如杆塔倾斜、树枝挂上电线、输电线路漏电等，得到危险源识别结果。
通过所述危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
在本申请实施例中，首先，加载危险源识别结果，其中包含危险源的类别、精确空间位置、发生时间等信息。然后，根据危险源识别结果中的危险源的类型、影响程度、紧急性等因素，构建决策树模型，以“如果-然后”的业务规则引擎形式定义每个节点的条件分支，通过训练迭代优化决策树，得到处理策略决策模型。在获取危险源识别结果后，将其以处理策略决策模型的输入要求格式进行处理，并输入处理策略决策模型中，进行处理策略决策，得到处理策略决策结果，包括断电、语音报警、人工现场处理等。随后，根据处理策略决策结果对识别到的危险源进行相应处理，实现对危险源的快速识别与处理，提高输电线路的安全性和运维水平。
进一步的，如图2所示，本申请实施例还包括：
建立环境数据集，所述环境数据集通过采集线路关联场景后，通过标识线路场景构建而成；
以所述环境数据集建立场景卷积特征，通过所述场景卷积特征执行所述时序辅助特征集合的特征遍历匹配，通过特征遍历匹配结果建立场景标识；
通过所述场景标识和所述空间三维模型进行相对位置的危险分析，以获得所述危险源识别结果。
在一种可行的实施方式中，首先，分析目标输电线路周边地形地貌特征，确定与线路场景相关的地面、建筑等自然或人为场景。然后，按照场景类型，设定照相位置、视野范围等参数，制定场景图像和视频的数据采集方案。随后，利用高清相机按数据采集方案采集不同视角的场景数据，并在得到的场景数据中筛选出线路设施区域，从而得到环境数据集。
接着，使用卷积神经网络等深度学习模型，以环境样本数据集作为输入，训练网络参数，构建能表征线路场景的卷积特征提取模型。随后，对新采集的环境数据集，利用训练好的卷积特征提取模型生成场景的特征编码表示，得到场景卷积特征。之后，加载时序辅助特征集合，遍历获取时序辅助特征集合中的时序辅助特征，与场景卷积特征进行相似度计算，返回特征的匹配分数，当特征的匹配分数超过预先设置的匹配阈值时，输出对应类别的场景标识结果。
然后，分别读取得到的场景标识结果和空间三维模型，根据场景标识结果中的场景标识，在空间三维模型中确定对应的物理场景区域，分析场景与目标输电线路的空间拓扑关系，计算存在危险源与目标输电线路实体之间的实际空间距离。同时，预先依据目标输电线路设施的电压等级、材质参数等，确定不同方向的安全间距阈值。之后，将实际空间距离与安全间距阈值相比较，评价危险源对线路的潜在危害敏感程度，将危险源的危害敏感程度与空间位置等信息进行集合，得到危险源识别结果，完成对危险源的精确识别。
进一步的，本申请实施例还包括：
基于所述图像数据集进行场景标识的时序稳态评价，生成时序稳态评价结果，其中，所述时序稳态评价结果带有天气数据的映射标识；
通过所述时序稳态评价结果建立场景的极限位置，并通过所述极限位置和所述场景标识、所述空间三维模型执行危险分析，具体包括：
将所述极限位置、所述空间三维模型发送至位置识别网络，生成相对位置危险值；
将所述极限位置、所述相对位置危险值、所述场景标识、所述空间三维模型发送至距离影响网络，获得所述危险源识别结果。
在一种可行的实施方式中，首先，读取存储的不同时间段环境场景图像数据的历史图像数据集，同步调取历史图像数据集对应的历史天气数据，如温度、湿度、风力等数值化记录。同时，预先通过卷积LSTM等深度网络，对历史图像数据集和历史天气数据进行特征学习，输出表征场景时间变化规律的特征表达式，并使用损失函数，通过误差反向传播等方式迭代优化模型参数，得到训练完成的稳定性评价模型。然后，将图像数据集中所有图像按时间顺序输入稳定性评价模型进行评估，输出时序稳态评价结果，该时序稳态评价结果带有天气数据的映射标识。
随后，分析在相同场景中时序稳态评价结果表征中的变化范围，基于变化范围中的最大值，作为场景的极限位置。之后，加载极限位置和空间三维模型，进行标准化和规范化处理，转换为位置识别网络的输入格式，将处理后的极限位置和空间三维模型作为输入，输入到位置识别网络中，针对输入的极限位置，计算其与空间三维模型的相对几何关系，输出相对位置危险值。其中，位置识别网络是基于卷积神经网络构建的深度学习模型，用来处理极限位置在空间三维模型中的空间坐标、几何结构等定位信息，实现对空间物***置关系的识别和理解。之后，读取极限位置、相对位置危险值、场景标识、空间三维模型，预处理成距离影响网络的网络输入格式。距离影响网络通过空间卷积、坐标变换等模块，得到空间特征编码信息，将空间特征编码信息中的空间特征进行分析，输出对不同类型危险源的匹配概率预测，得到危险源识别结果。
进一步的，本申请实施例还包括：
通过距离子单元提取所述极限位置与所述空间三维模型的距离数据，并将所述距离数据发布为共享数据；
对所述极限位置、所述空间三维模型进行影响位置解析，确定危险影响位置；
将所述危险影响位置、所述场景标识输入特征影响网络，生成特征影响结果；
通过所述距离数据对所述特征影响结果更新，并通过所述相对位置危险值对更新结果修正，以获得所述危险源识别结果。
在一种可行的实施方式中，首先，距离子单元利用三角测量算法计算各极限位置与空间三维模型中的线路之间的距离数据，并以标准接口的方式，将距离数据以共享数据的形式发布，使其它网络可直接调用这些距离数据，避免重复提取的计算量浪费。然后，根据极限位置和空间三维模型，模拟危险源的状态演变过程，得到危险源对线路物理实体的空间影响传播，识别出受影响的线路器件或区域，确定危险影响位置。接着，在确定了危险影响位置的基础上，收集危险影响位置和场景标识作为输入数据，导入预先在历史样本上训练好的特征影响网络，该网络综合位置与场景信息，经过深度网络运算，输出特征影响结果。得到的特征影响结果以数值形式表示危险影响的严重程度，其数值越大，表示危险源对线路功能产生损坏的可能性越大。之后，调用共享的距离数据，将其与特征影响结果进行融合，距离数据提供了额外的空间约束，使特征影响结果更加准确。接着，然后，引入预先确定的相对位置危险值作为修正系数，转换并校正更新后的特征影响结果，得到危险源识别结果。
进一步的，本申请实施例还包括：
对所述时序辅助特征集合进行动态特征的存在评价，生成评价结果，并定位敏感空间，建立敏感高度坐标；
配置与所述建模摄像机的关联图像采集设备，并通过所述关联图像采集设备执行数据采集；
通过所述敏感高度坐标执行数据采集结果的高度验证；
基于高度验证结果生成高度预警，基于所述高度预警进行危险源识别管理。
在一种可行的实施方式中，首先，对时序辅助特征集合进行分析，判断易发生危险的时间段或线路位置，即动态特征。例如交通工具活跃时段，或线路与道路交叉口。然后，对这些动态特征进行评价，生成动态风险存在的概率结果，得到评价结果。随后，对动态特征的存在的高概率区域，确认并定位为敏感空间，提取敏感空间在空间三维模型中的高度数据，构建这些敏感空间的敏感高度坐标。
然后，配置与建模摄像机配套的关联图像采集设备，例如视频探头、红外摄像机等，这些关联图像采集设备与核心的建模摄像机设备互补协同，持续进行敏感空间图像数据的获取，执行数据采集。接着，根据数据采集结果，对其中每一个时间点的图像采集结果，判断可能危险目标的空间位置信息，并与敏感高度坐标进行比对，得到高度验证结果。如果危险目标位置低于敏感高度坐标，则表明危险目标距离目标输电线路实体仍较远，不构成实质性威胁，将该采集结果过滤为误报，避免产生大量无效预警。反之，则确认危险目标已经进入敏感空间和安全高度，验证为有效的数据，需进行危险管理。当高度验证结果表示危险目标已进入高度敏感空间时，发出高度预警，包含危险目标类型、空间坐标等信息，反映实时的具体威胁情况。随后，根据高度预警选择最佳的应对策略，针对特定威胁制定防范措施，进行主动干预，实现危险源识别管理，实现对风险的主动感知与响应，减少了动态危险的漏报率。
进一步的，本申请实施例还包括：
读取天气预测数据，通过所述天气预测数据和所述映射标识进行所述时序稳态评价结果的稳态拟合，生成拟合结果；
通过所述拟合结果进行预测预警决策，根据预测预警决策结果执行决策管理。
在一种可行的实施方式中，首先，通过调用气象信息平台的开放接口，获取目标输电线路所在地区未来一周的温度、湿度、风力等天气预测数据。然后，通过统计分析方法，提取历史时序稳态评价结果与天气数据的相关性程度，形成映射标识。接着，以天气预测数据和映射标识，得到未来一周的线路稳态和风险判断的判断结果，作为拟合结果。随后，根据拟合结果判断未来高风险的时间段和场景，形成预测预警，包含可能出现的故障类型、发生时间、影响范围等信息。之后，根据预测预警匹配决策知识库，选择对应预测预警决策，进行主动的决策管理，如断路、减载等。然后，根据预测预警决策，实时调整目标输电线路的工作参数或运行状态，消除预测结果中的风险隐患，执行决策管理，实现预测性维护，提高输电线路的鲁棒性。
进一步的，本申请实施例还包括：
通过所述建模摄像机进行持续时序监督，并通过持续时序监督结果进行所述空间三维模型更新；
根据空间三维模型的时序更新结果进行输电线路的线路异常预警，通过所述线路异常预警进行异常决策管理。
在一种可行的实施方式中，首先，通过建模摄像机，对目标输电线路进行不间断的图像采集，确保时序上无数据缺失，实现持续时序监督，得到持续时序监督结果。然后，以持续时序监督结果实时更新空间三维模型，包括杆塔倾斜角度、导线形状，以及环境状况等，实现空间三维模型的调整与更新，使其保持同步到与实际线路的最新动态状态。
之后，基于持续时间段的三维模型数据集，构建正常状态下的线路设施变化规律，获得线路状态的正常区间。对每一个时刻实时更新的空间三维模型，计算输电线路的变化，与线路状态的正常区间进行对比，当变化超出正常区间的上下限时，触发线路异常预警，提醒可能发生的塔杆倾斜或线路断裂等异常情况。然后，根据异常详情进行快速的决策管理，选择合适的维护、事故应急手段，确保线路的可靠可控运营，实现异常状况的主动检测和控制，提升输电环境的智能化水平。
综上所述，本申请实施例所提供的基于三维重建的输电线路危险源智能识别方法具有如下技术效果：
建立输电线路的线路信息集，该线路信息集通过执行施工的数据交互构建而成，并同步进行输电线路的线路环境评价，旨在获取输电线路的基础数据和环境评估参数，为后续建模分析打下数据基础。根据线路信息集和线路环境评价寻优布设建模摄像机，通过建模摄像机执行输电线路和环境的数据采集，建立图像数据集，获得输电线路及周边环境的视觉输入源，是实现三维建模和特征分析的基础数据来源。对图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，空间三维模型带有模型波动空间标识，以准确还原目标区域的空间结构信息。以空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合，为后续的危险源识别做准备。对空间三维模型和时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果，实现对风险和隐患的主动感知。通过危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理，实现提高对输电线路危险源的识别准确度和效率技术。
实施例二
基于与前述实施例中基于三维重建的输电线路危险源智能识别方法相同的发明构思，如图3所示，本申请实施例提供了基于三维重建的输电线路危险源智能识别***，该***包括：
线路环境评价模块11，用于建立输电线路的线路信息集，所述线路信息集通过执行施工的数据交互构建而成，并同步进行所述输电线路的线路环境评价；
摄像机布设模块12，用于根据线路信息集和所述线路环境评价寻优布设建模摄像机，通过所述建模摄像机执行输电线路和环境的数据采集，建立图像数据集；
三维模型建立模块13，用于对所述图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，所述空间三维模型带有模型波动空间标识；
环境特征分离模块14，用于以所述空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；
危险源识别模块15，用于对所述空间三维模型和所述时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；
危险源管理模块16，用于通过所述危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
进一步的，危险源识别模块15包括以下执行步骤：
建立环境数据集，所述环境数据集通过采集线路关联场景后，通过标识线路场景构建而成；
以所述环境数据集建立场景卷积特征，通过所述场景卷积特征执行所述时序辅助特征集合的特征遍历匹配，通过特征遍历匹配结果建立场景标识；
通过所述场景标识和所述空间三维模型进行相对位置的危险分析，以获得所述危险源识别结果。
进一步的，危险源识别模块15还包括以下执行步骤：
基于所述图像数据集进行场景标识的时序稳态评价，生成时序稳态评价结果，其中，所述时序稳态评价结果带有天气数据的映射标识；
通过所述时序稳态评价结果建立场景的极限位置，并通过所述极限位置和所述场景标识、所述空间三维模型执行危险分析，具体包括：
将所述极限位置、所述空间三维模型发送至位置识别网络，生成相对位置危险值；
将所述极限位置、所述相对位置危险值、所述场景标识、所述空间三维模型发送至距离影响网络，获得所述危险源识别结果。
进一步的，危险源识别模块15还包括以下执行步骤：
通过距离子单元提取所述极限位置与所述空间三维模型的距离数据，并将所述距离数据发布为共享数据；
对所述极限位置、所述空间三维模型进行影响位置解析，确定危险影响位置；
将所述危险影响位置、所述场景标识输入特征影响网络，生成特征影响结果；
通过所述距离数据对所述特征影响结果更新，并通过所述相对位置危险值对更新结果修正，以获得所述危险源识别结果。
进一步的，危险源管理模块16还包括以下执行步骤：
对所述时序辅助特征集合进行动态特征的存在评价，生成评价结果，并定位敏感空间，建立敏感高度坐标；
配置与所述建模摄像机的关联图像采集设备，并通过所述关联图像采集设备执行数据采集；
通过所述敏感高度坐标执行数据采集结果的高度验证；
基于高度验证结果生成高度预警，基于所述高度预警进行危险源识别管理。
进一步的，本申请实施例还包括决策管理模块，该模块包括以下执行步骤：
读取天气预测数据，通过所述天气预测数据和所述映射标识进行所述时序稳态评价结果的稳态拟合，生成拟合结果；
通过所述拟合结果进行预测预警决策，根据预测预警决策结果执行决策管理。
进一步的，本申请实施例还包括线路异常预警模块，该模块包括以下执行步骤：
通过所述建模摄像机进行持续时序监督，并通过持续时序监督结果进行所述空间三维模型更新；
根据空间三维模型的时序更新结果进行输电线路的线路异常预警，通过所述线路异常预警进行异常决策管理。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中，并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法，在此不做多余限制。
进一步的，综上所述的第一或第二可能不止代表次序关系，也可能代表某项特指概念，和/或指的是多个元素之间可单独或全部选择。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (8)
1.基于三维重建的输电线路危险源智能识别方法，其特征在于，所述方法包括：
建立输电线路的线路信息集，所述线路信息集通过执行施工的数据交互构建而成，并同步进行所述输电线路的线路环境评价；
根据线路信息集和所述线路环境评价寻优布设建模摄像机，通过所述建模摄像机执行输电线路和环境的数据采集，建立图像数据集；
对所述图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，所述空间三维模型带有模型波动空间标识；
以所述空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；
对所述空间三维模型和所述时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；
通过所述危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
2.如权利要求1所述的方法，其特征在于，所述方法还包括：
建立环境数据集，所述环境数据集通过采集线路关联场景后，通过标识线路场景构建而成；
以所述环境数据集建立场景卷积特征，通过所述场景卷积特征执行所述时序辅助特征集合的特征遍历匹配，通过特征遍历匹配结果建立场景标识；
通过所述场景标识和所述空间三维模型进行相对位置的危险分析，以获得所述危险源识别结果。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
基于所述图像数据集进行场景标识的时序稳态评价，生成时序稳态评价结果，其中，所述时序稳态评价结果带有天气数据的映射标识；
通过所述时序稳态评价结果建立场景的极限位置，并通过所述极限位置和所述场景标识、所述空间三维模型执行危险分析，具体包括：
将所述极限位置、所述空间三维模型发送至位置识别网络，生成相对位置危险值；
将所述极限位置、所述相对位置危险值、所述场景标识、所述空间三维模型发送至距离影响网络，获得所述危险源识别结果。
4.如权利要求3所述的方法，其特征在于，所述方法还包括：
通过距离子单元提取所述极限位置与所述空间三维模型的距离数据，并将所述距离数据发布为共享数据；
对所述极限位置、所述空间三维模型进行影响位置解析，确定危险影响位置；
将所述危险影响位置、所述场景标识输入特征影响网络，生成特征影响结果；
通过所述距离数据对所述特征影响结果更新，并通过所述相对位置危险值对更新结果修正，以获得所述危险源识别结果。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
对所述时序辅助特征集合进行动态特征的存在评价，生成评价结果，并定位敏感空间，建立敏感高度坐标；
配置与所述建模摄像机的关联图像采集设备，并通过所述关联图像采集设备执行数据采集；
通过所述敏感高度坐标执行数据采集结果的高度验证；
基于高度验证结果生成高度预警，基于所述高度预警进行危险源识别管理。
6.如权利要求3所述的方法，其特征在于，所述方法还包括：
读取天气预测数据，通过所述天气预测数据和所述映射标识进行所述时序稳态评价结果的稳态拟合，生成拟合结果；
通过所述拟合结果进行预测预警决策，根据预测预警决策结果执行决策管理。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过所述建模摄像机进行持续时序监督，并通过持续时序监督结果进行所述空间三维模型更新；
根据空间三维模型的时序更新结果进行输电线路的线路异常预警，通过所述线路异常预警进行异常决策管理。
8.基于三维重建的输电线路危险源智能识别***，其特征在于，用于实施权利要求1-7任意一项所述的基于三维重建的输电线路危险源智能识别方法，所述***包括：
线路环境评价模块，所述线路环境评价模块用于建立输电线路的线路信息集，所述线路信息集通过执行施工的数据交互构建而成，并同步进行所述输电线路的线路环境评价；
摄像机布设模块，所述摄像机布设模块用于根据线路信息集和所述线路环境评价寻优布设建模摄像机，通过所述建模摄像机执行输电线路和环境的数据采集，建立图像数据集；
三维模型建立模块，所述三维模型建立模块用于对所述图像数据集进行特征轮廓提取，并依据特征轮廓提取结果执行主体特征匹配，根据匹配结果和采集数据建立输电线路的空间三维模型，其中，所述空间三维模型带有模型波动空间标识；
环境特征分离模块，所述环境特征分离模块用于以所述空间三维模型作为主体特征，进行特征轮廓提取结果的环境特征分离，建立时序辅助特征集合；
危险源识别模块，所述危险源识别模块用于对所述空间三维模型和所述时序辅助特征集合进行基于距离的危险源识别，生成危险源识别结果；
危险源管理模块，所述危险源管理模块用于通过所述危险源识别结果进行处理策略决策，根据处理策略决策结果完成危险源识别管理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218200.8A CN117809297B (zh) | 2024-02-28 | 2024-02-28 | 基于三维重建的输电线路危险源智能识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410218200.8A CN117809297B (zh) | 2024-02-28 | 2024-02-28 | 基于三维重建的输电线路危险源智能识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117809297A CN117809297A (zh) | 2024-04-02 |
| CN117809297B true CN117809297B (zh) | 2024-05-10 |
Family
ID=90422162
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410218200.8A Active CN117809297B (zh) | 2024-02-28 | 2024-02-28 | 基于三维重建的输电线路危险源智能识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117809297B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111146866A (zh) * | 2018-12-27 | 2020-05-12 | 北京国网富达科技发展有限责任公司 | 一种输电通道控制方法 |
| CN115205466A (zh) * | 2022-07-25 | 2022-10-18 | 江苏濠汉信息技术有限公司 | 一种基于结构光的输电通道三维重建方法和*** |
| 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*** |
| CN116202427A (zh) * | 2023-02-27 | 2023-06-02 | 国网江苏省电力有限公司南京供电分公司 | 基于无人机影像的输电线路测距方法、***、设备及介质 |
| CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907731A (zh) * | 2021-02-20 | 2021-06-04 | 华南理工大学 | 一种油气重大基础设施多灾种事故耦合三维仿真*** |
-
2024
- 2024-02-28 CN CN202410218200.8A patent/CN117809297B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111146866A (zh) * | 2018-12-27 | 2020-05-12 | 北京国网富达科技发展有限责任公司 | 一种输电通道控制方法 |
| CN115205466A (zh) * | 2022-07-25 | 2022-10-18 | 江苏濠汉信息技术有限公司 | 一种基于结构光的输电通道三维重建方法和*** |
| 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*** |
| CN116202427A (zh) * | 2023-02-27 | 2023-06-02 | 国网江苏省电力有限公司南京供电分公司 | 基于无人机影像的输电线路测距方法、***、设备及介质 |
| CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117809297A (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN109738970B (zh) | 基于雷电数据挖掘实现雷电预警的方法、装置和存储介质 | |
| Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
| CN113345019B (zh) | 一种输电线路通道隐患目标测距方法、设备及介质 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和*** | |
| CN116612609B (zh) | 一种基于山体滑坡危害度预测的灾害预警方法及*** | |
| CN113936210A (zh) | 塔吊防撞方法 | |
| CN115825984A (zh) | 一种基于激光点云的输电线路巡检***及巡检方法 | |
| CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN114882410A (zh) | 基于改进定位损失函数的隧道顶灯故障检测方法及*** | |
| CN117409341B (zh) | 基于无人机照明的图像分析方法及*** | |
| CN113963314A (zh) | 降雨量监测方法、装置、计算机设备及存储介质 | |
| CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
| CN117406789A (zh) | 基于图像分析的多无人机桥梁支座巡检航线自动规划方法 | |
| CN117809297B (zh) | 基于三维重建的输电线路危险源智能识别方法 | |
| CN112542800A (zh) | 一种输电线路故障识别的方法及其*** | |
| CN115755088A (zh) | 一种基于激光点云的输电线路工程建造参数自动化量测方法 | |
| CN115641448A (zh) | 一种基于无人机遥感快速识别电力线下树障高度的方法 | |
| CN113223155A (zh) | 一种距离预测方法、装置、设备及介质 | |
| CN117808324B (zh) | 一种无人机视觉协同的建筑进度评估方法 | |
| CN117823741B (zh) | 一种结合智能机器人的管网非开挖修复方法及*** | |
| CN114445395B (zh) | 基于互联网和大数据的配电线路树障智能定位方法和装置 | |
| CN118229037A (zh) | 一种基于物理模型的高速违法监控设施管理方法及*** | |
| CN117830825A (zh) | 光伏板组串提取方法、装置、设备及存储介质 |
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 |