一种电力线路的分类方法及装置与流程

本发明涉及电力巡检领域，具体而言，涉及一种电力线路的分类方法及装置。

背景技术：

在电力巡检的过程中，通常要以电力线路所包括的电力线和杆塔为基础，来进行危险点检测和各种工况的模拟分析，因此电力线和杆塔相关的信息获取与分类显得尤为重要。在实践中发现，目前的电力线和杆塔分类方法通常采用的是人工分类的方法，然而，人工分类的方法虽然精度较高，但是该方法的效率较低，无法实现海量数据处理。

技术实现要素：

鉴于上述问题，本发明提供了一种电力线路的分类方法及装置，能够提高电力线路的分类精度，提高电力线路的分类效率，并且实现海量的数据处理。

为了实现上述目的，本发明采用如下的技术方案：

第一方面，本发明提供了一种电力线路的分类方法，包括：

获取包括电力线数据和杆塔数据的电力线路数据；

处理所述电力线路数据得到电力线路图，并根据所述电力线路图生成与所述电力线路数据相对应的包括多个子栅格图像的三维栅格图像；

获取包括子栅格图像对应的类别属性标签的类别属性对照表；

以预设的三维卷积神经网络和所述类别属性对照表为依据，对所述三维栅格图像进行分析，得到与所述三维栅格图像对应的类别属性数据集；

组合所述电力线路数据和所述类别属性数据集，得到与所述电力线路数据对应的分类数据。

作为一种可选的实施方式，所述组合所述电力线路数据和所述类别属性数据集，得到与所述电力线路数据对应的分类数据的步骤之后，所述方法还包括：

以预设的搜索算法对所述分类数据进行优化处理，得到分类优化数据。

作为一种可选的实施方式，所述获取包括电力线数据和杆塔数据的电力线路数据的步骤包括：

控制激光雷达向包括电力线和杆塔的电力线路发射探测信号；

接收所述电力线路反射的回波信号；

对所述探测信号和所述回波信号进行信号处理，得到包括电力线数据和杆塔数据的激光雷达点云数据；

将所述激光雷达点云数据确定为电力线路数据。

作为一种可选的实施方式，所述处理所述电力线路数据，得到包括多个子栅格图像的三维栅格图像的步骤包括：

处理所述电力线路数据得到电力线路图；

以预设基准面为依据，对所述电力线路图进行切片处理，得到切片图像；

按照预设划分方式对所述切片图像进行划分，得到多个子栅格图像，并获取与所述多个子栅格图像一一对应的多个灰度值；

组合所述切片图像和所述多个灰度值，得到三维栅格图像。

作为一种可选的实施方式，所述获取包括每个子栅格图像对应的类别属性标签的类别属性对照表的步骤包括：

对所述三维栅格图像包括的所述多个子栅格图像进行采样，得到样本数据；

以预设的标签嵌入标准为依据，对所述样本数据进行类别属性标签的嵌入，得到包括子栅格图像对应的类别属性标签的类别属性对照表。

第二方面，本发明提供了一种电力线路的分类装置，包括获取模块、处理模块、分析模块以及组合模块，其中，

所述获取模块用于获取包括电力线数据和杆塔数据的电力线路数据；

所述处理模块用于处理所述电力线路数据得到电力线路图，并根据所述电力线路图生成与所述电力线路数据相对应的包括多个子栅格图像的三维栅格图像；

所述获取模块还用于获取包括子栅格图像对应的类别属性标签的类别属性对照表；

所述分析模块用于以预设的三维卷积神经网络和所述类别属性对照表为依据，对所述三维栅格图像进行分析，得到与所述三维栅格图像对应的类别属性数据集；

所述组合模块用于组合所述电力线路数据和所述类别属性数据集，得到与所述电力线路数据对应的分类数据。

作为一种可选的实施方式，所述处理模块还用于以预设的搜索算法对所述分类数据进行优化处理，得到分类优化数据。

作为一种可选的实施方式，所述获取模块包括采样单元以及嵌入单元，其中，

所述采样单元用于对所述三维栅格图像包括的所述多个子栅格图像进行采样，得到样本数据；

所述嵌入单元以预设的标签嵌入标准为依据，对所述样本数据进行类别属性标签的嵌入，得到包括子栅格图像对应的类别属性标签的类别属性对照表。

第三方面，本发明提供了一种计算机设备，所述计算机设备包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述计算机设备执行本发明第一方面所述的一种电力线路的分类方法。

第四方面，本发明提供了一种计算机可读存储介质，其存储有本发明第三方面所述的计算机设备中所使用的计算机程序。

根据本发明提供的电力线路的分类方法及装置，可以优先获取包括电力线数据和杆塔数据的电力线路数据，并对该电力线路数据进行处理，得到三维栅格图像；同时，获取类别属性对照表，以便于该分类装置根据上述类别属性对照表和人工智能的神经网络两者对上述三维栅格图像进行分析，得到相应的类别属性数据集；最后结合电力线路数据和所述类别属性数据集，得到电力线路数据对应的总的分类数据。可见，实施这种实施方式，能够对电力线路数据进行处理得到对应的三维栅格图像并获取上述的类别属性对照表，以使该方法能够通过人工智能的神经网络对上述三维栅格图像进行分析分类，从而得到电力线路数据的分类数据。因此，该方法能够通过人工智能的神经网络进行分析来提高电力线路的分类精度和分类效率，并且通过数据的自动化获取与处理实现海量的数据处理。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。

图1是本发明第一实施例提供的一种电力线路的分类方法的流程示意图；

图2是本发明第二实施例提供的一种电力线路的分类方法的流程示意图；

图3是本发明第三实施例提供的一种电力线路的分类装置的结构示意图。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

针对现有技术中的问题，本发明提供了一种电力线路的分类方法，该电力线路的分类方法可以优先获取包括电力线数据和杆塔数据的电力线路数据，并对该电力线路数据进行处理，得到三维栅格图像；同时，获取类别属性对照表，以便于该分类装置根据上述类别属性对照表和人工智能的神经网络两者对上述三维栅格图像进行分析，得到相应的类别属性数据集；最后结合电力线路数据和所述类别属性数据集，得到电力线路数据对应的总的分类数据。可见，实施这种实施方式，能够对电力线路数据进行处理得到对应的三维栅格图像并获取上述的类别属性对照表，以使该方法能够通过人工智能的神经网络对上述三维栅格图像进行分析分类，从而得到电力线路数据的分类数据。因此，该方法能够通过人工智能的神经网络进行分析来提高电力线路的分类精度和分类效率，并且通过数据的自动化获取与处理实现海量的数据处理。下面通过实施例进行描述。

其中，上述的技术方法还可以采用相关的软件或硬件加以实现，对此本实施例中不再多加赘述。针对该电力线路的分类方法及装置，下面通过实施例进行描述。

实施例1

请参阅图1，是本实施例提供的一种电力线路的分类方法的流程示意图，该电力线路的分类方法包括以下步骤：

s101、获取包括电力线数据和杆塔数据的电力线路数据。

本实施例中，电力线数据可以包括电力线路中电力传输线的分布数据和电力传输线规格数据等所有与电力传输相关的数据信息。在这其中，电力传输线是指在发电厂、变电站和电力用户间用于传送电能的线路，该电力传输线是供电系统中的重要组成部分，担负着输送和分配电能的任务。

本实施例中，电力传输线是将变、配电所与各电能用户或用电设备联接起来，由电源端(变、配电所)向负荷端(电能用户或用电设备)输送和分配电能的导体回路。并且，电力传输线可以按电压的高低加以区分，即高压线路和低压线路，其中，高压线路指1kv及以上电压的电力传输线，低压线路指1kv以下的电力传输线。同时，也有的将1kv至10kv(或35kv)的电力传输线称为中压线路，35kv以上至110kv(或220kv)的电力传输线称为高压线路，而将220kv(或330kv)以上的电力传输线称为超高压线路。

本实施例中，电力传输线应具有供电安全可靠、操作方便以及运行灵活等基本效果。

本实施例中，电力传输线按结构形式可以分为架空线路、电缆线路和室内线路等，对于电力传输线的结构形式本实施例中不作任何限定。

本实施例中，杆塔是架空输电线路中用来支撑电力传输线的支撑物，其中杆塔多由钢材或钢筋混凝土制成，是架空输电线路的主要支撑结构。

本实施例中，杆塔数据包括杆塔的结构、杆塔的类别以及杆塔的用途等与杆塔相关的所有数据信息。

作为一种可选的实施方式，电力线路数据在包括电力线数据和杆塔数据还可以包括有关电力传输的其他结构或部件的数据。

实施这种实施方式，可以进一步完善电力线路数据，从而使得该方法可以获得更多的数据(或特征)，进而实现对电力线路分类精度的提高。

s102、处理所述电力线路数据得到电力线路图，并根据所述电力线路图生成与所述电力线路数据相对应的包括多个子栅格图像的三维栅格图像。

本实施例中，电力线路数据可以是通过激光雷达技术获取到的点云数据。

本实施例中，电力线路数据可以为具有多个像素点的位图数据，且每个像素点具有其独特的灰度值，其中，该位图本就可以认为是栅格图像，只是该栅格图像是二维的，灰度值作为三维补充存在。

实施这种实施方式，可以将获取到的数据转换成相应的图像，并对图像继续后续处理，从而是数据显示地更加直观，同时也有利于后续的处理。

作为一种可选的实施方式，处理所述电力线路数据得到电力线路图，并根据所述电力线路图生成与所述电力线路数据相对应的包括多个子栅格图像的三维栅格图像的步骤可以包括：

处理电力线路数据得到电力线路图，获取电力线路数据中的像素灰度值，均匀划分该电力线路图，并组合划分后的电力线路图和上述像素灰度值，从而得到包括多个子栅格图像的三维栅格图像；其中多个子栅格图像是上述均匀划分该电力线路图的步骤划分出来的，另外该划分并非将电力线路图切割开来，仅仅是对电力线路图的区域划分。

实施这种实施方式，可以具体化三维栅格图像的获取方式，使得三维栅格图像在机器直接生成之外，还可以通过实施上述步骤得到。

本实施例中，多个子栅格图像是从三维栅格图像中划分出来的，可以理解为多个子栅格图像是三维栅格图像的一部分。

本实施例中，三维栅格图像是具有平面两个维度和灰度值第三维度的三维栅格图像，在数据处理中，该三维栅格图像可以通过三阶矩阵进行相应处理。

s103、获取包括子栅格图像对应的类别属性标签的类别属性对照表。

本实施例中，类别属性对照表包括多种子栅格图像以及与多种子栅格图像一一对应的类别属性标签。其中，该类别属性标签可以是人为标注的，也可以是机器存储的，对此本实施例中不作任何限定。

本实施例中，类别属性对照表用于匹配得到子栅格图像对应的类别属性。

本实施例中，类别属性对照表因其单独被处理(被人工进行标注或机器单独标注)，而具有特征(标签)数量多、特征(标签)内容详细等优势，便于提高后续步骤的分类精度。

举例来说，子栅格图像为一个杆塔，其类别属性则是说明该子栅格图像是一个什么样的杆塔，具有什么作用等。

s104、以预设的三维卷积神经网络和类别属性对照表为依据，对三维栅格图像进行分析，得到与三维栅格图像对应的类别属性数据集。

本实施例中，三维卷积神经网络可以包括输入层、硬线层、第一卷积层、降采样层、第二卷积层、降采样层以及第三卷积层。

本实施例中，电力线路的分类装置获取类别属性对照表中的所有特征(如类别、属性等)，并将所有特征输入到三维卷积神经网络的输入层中，以使三维卷积神经网络对所有特征进行黑盒处理，从而得到大量的用于对比三维栅格图像中子栅格图像具有何种特征的数据集合。

本实施例中，对三维栅格图像进行分析是指通过人工智能(三维卷积神经网络)获取到的结果对三维栅格图像进行分析。其中，通过人工智能(三维卷积神经网络)获取到的结果是大量的子栅格图像与类别属性对应的对照表。

s105、组合电力线路数据和类别属性数据集，得到与电力线路数据对应的分类数据。

本实施例中，组合电力线路数据和类别属性数据集可以使得电力线路数据中每一部分都叠加有相应的类别属性，从而使得电力线路数据分类完成，得到相应的分类数据。

在图1所描述的电力线路的分类方法中，电力线路的分类方法，该电力线路的分类方法可以优先获取包括电力线数据和杆塔数据的电力线路数据，并对该电力线路数据进行处理，得到三维栅格图像；同时，获取类别属性对照表，以便于该分类装置根据上述类别属性对照表和人工智能的神经网络两者对上述三维栅格图像进行分析，得到相应的类别属性数据集；最后结合电力线路数据和所述类别属性数据集，得到电力线路数据对应的总的分类数据。可见，实施图1所描述的电力线路的分类方法，能够对电力线路数据进行处理得到对应的三维栅格图像并获取上述的类别属性对照表，以使该方法能够通过人工智能的神经网络对上述三维栅格图像进行分析分类，从而得到电力线路数据的分类数据。因此，该方法能够通过人工智能的神经网络进行分析来提高电力线路的分类精度和分类效率，并且通过数据的自动化获取与处理实现海量的数据处理。

实施例2

请参阅图2，图2是本实施例提供的一种电力线路的分类方法的流程示意图。如图2所示，该电力线路的分类方法包括以下步骤：

s201、控制激光雷达向包括电力线和杆塔的电力线路发射探测信号。

本实施例中，激光雷达是一种用激光器作为发射光源，采用光电探测技术手段的主动遥感设备。具体来说，激光雷达是激光技术与现代光电探测技术结合的先进探测方式，该探测方式由发射系统、接收系统、信息处理等部分组成。其中，发射系统是各种形式的激光器，如二氧化碳激光器、掺钕钇铝石榴石激光器、半导体激光器及波长可调谐的固体激光器以及光学扩束单元等组成；接收系统采用望远镜和各种形式的光电探测器，如光电倍增管、半导体光电二极管、雪崩光电二极管、红外和可见光多元探测器件等组合。同时，激光雷达采用脉冲或连续波两种工作方式，探测方法按照探测的原理不同可以分为米散射、瑞利散射、拉曼散射、布里渊散射、荧光等。

s202、接收电力线路反射的回波信号。

本实施例中，所述回波信号可以是上述探测信号被改变后得到的，其中，两个信号本是同一信号，只是受到外界的干扰被改变了而已。

s203、对探测信号和回波信号进行信号处理，得到包括电力线数据和杆塔数据的激光雷达点云数据。

作为一种可选的实施方式，对探测信号和回波信号进行信号处理可以包括：

获取探测信号和回波信号之间的差别特征，并对差别特征进行匹配，得到相应的数据，从而完成处理。

实施这种实施方式，可以具体化处理方式，避免黑盒工作带来的不确定性，从而提高处理精度和处理准确程度。

s204、将激光雷达点云数据确定为电力线路数据。

s205、处理电力线路数据得到电力线路图。

s206、以预设基准面为依据，对电力线路图进行切片处理，得到切片图像。

本实施例中，以预设基准面为依据，对电力线路数据进行切片处理可以理解为分别沿着水平方向和垂直方向对样本数据进行切片，其中水平方向和垂直方向是预先设定好的。

本实施例中，基准面可以为水平面。

本实施例中，切片图像可以是位图(像素图)。

s207、按照预设划分方式对切片图像进行划分，得到多个子栅格图像，并获取与多个子栅格图像一一对应的多个灰度值。

本实施例中，灰度值是子栅格图像中每个像素点的特定属性。

s208、组合切片图像和多个灰度值，得到三维栅格图像。

实施这种实施方式，可以在二维图像中叠加第三维度，得到三维数据(三维栅格图像)。

s209、对三维栅格图像包括的多个子栅格图像进行采样，得到样本数据。

s210、以预设的标签嵌入标准为依据，对样本数据进行类别属性标签的嵌入，得到包括子栅格图像对应的类别属性标签的类别属性对照表。

实施步骤s209～s210可以得知，类别属性对照表是通过三维栅格图像的采样图像获取到的，可见，该类别属性表与三维栅格图像本是局部对应的，也正是因此，两个具有同一性，从而可以提高数据对照与处理的效率，同时还可以提高分类的精度。

s211、以预设的三维卷积神经网络和类别属性对照表为依据，对三维栅格图像进行分析，得到与三维栅格图像对应的类别属性数据集。

s212、组合电力线路数据和类别属性数据集，得到与电力线路数据对应的分类数据。

s213、以预设的搜索算法对分类数据进行优化处理，得到分类优化数据。

本实施例中，预设的搜索算法是可以是枚举算法、深度优先搜索、广度优先搜索、a*算法、回溯算法、蒙特卡洛树搜索、散列函数、局部搜索算法、邻域搜索算法以及变邻域搜索算法等算法中的一种或多种。

作为一种可选的实施方式，预设的搜索算法为邻域搜索算法。

本实施例中，使用搜索算法对分类数据进行优化处理可以降低搜索规模、根据问题的约束条件进行剪枝、利用搜索过程中的中间解并避免重复计算的优势。

举例来说，本方法可以从待处理的激光雷达点云数据中选择一部分样本，并标记样本中的电力线和杆塔类别；分别沿着水平和垂直方向对样本数据进行切片，生成栅格图像，获取栅格的灰度值，并记录每个栅格的类别属性；对待处理数据沿着水平和垂直方向进行切片，生成栅格图像，获取栅格的灰度值；通过3d-cnn算法对待处理数据进行分析，对每个栅格赋予一个类别属性；根据栅格的水平垂直坐标找到对应的点云，将栅格对应的类别属性赋予对应的点云；对已分为电力线和杆塔类别的点云进行邻域搜索，优化分类结果。

实施这种实施方式，可以通过深度学习算法进行电力线和杆塔分类，并随着样本的丰富，提高其分类精度。

在图2所描述的电力线路的分类方法中，电力线路的分类方法，该电力线路的分类方法可以优先获取包括电力线数据和杆塔数据的电力线路数据，并对该电力线路数据进行处理，得到三维栅格图像；同时，获取类别属性对照表，以便于该分类装置根据上述类别属性对照表和人工智能的神经网络两者对上述三维栅格图像进行分析，得到相应的类别属性数据集；最后结合电力线路数据和所述类别属性数据集，得到电力线路数据对应的总的分类数据。可见，实施图2所描述的电力线路的分类方法，能够对电力线路数据进行处理得到对应的三维栅格图像并获取上述的类别属性对照表，以使该方法能够通过人工智能的神经网络对上述三维栅格图像进行分析分类，从而得到电力线路数据的分类数据。因此，该方法能够通过人工智能的神经网络进行分析来提高电力线路的分类精度和分类效率，并且通过数据的自动化获取与处理实现海量的数据处理。

实施例3

请参阅图3，是本实施例提供的一种电力线路的分类装置的装置结构示意图。

如图3所示，该电力线路的分类装置包括获取模块310、处理模块320、分析模块330以及组合模块340，其中，

获取模块310用于获取包括电力线数据和杆塔数据的电力线路数据；

处理模块320用于处理电力线路数据得到电力线路图，并根据电力线路图生成与电力线路数据相对应的包括多个子栅格图像的三维栅格图像；

获取模块310还用于获取包括子栅格图像对应的类别属性标签的类别属性对照表；

分析模块330用于以预设的三维卷积神经网络和类别属性对照表为依据，对三维栅格图像进行分析，得到与三维栅格图像对应的类别属性数据集；

组合模块340用于组合电力线路数据和类别属性数据集，得到与电力线路数据对应的分类数据。

作为一种可选的实施方式，处理模块320还用于以预设的搜索算法对分类数据进行优化处理，得到分类优化数据。

作为一种可选的实施方式，获取模块310包括采样单元311以及嵌入单元312，其中，

采样单元311用于对三维栅格图像包括的多个子栅格图像进行采样，得到样本数据；

嵌入单元312以预设的标签嵌入标准为依据，对样本数据进行类别属性标签的嵌入，得到包括子栅格图像对应的类别属性标签的类别属性对照表。

可见，使用图3所描述的电力线路的分类装置，能够对电力线路数据进行处理得到对应的三维栅格图像并获取上述的类别属性对照表，以使该方法能够通过人工智能的神经网络对上述三维栅格图像进行分析分类，从而得到电力线路数据的分类数据。因此，该方法能够通过人工智能的神经网络进行分析来提高电力线路的分类精度和分类效率，并且通过数据的自动化获取与处理实现海量的数据处理

此外，本发明还提供了另外一种计算机设备，该计算机设备可以包括智能电话、平板电脑、车载电脑、智能穿戴设备等。该计算机设备包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行上述计算机程序，从而使计算机设备执行上述方法或者上述装置中的各个单元的功能。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本实施例还提供了一种计算机存储介质，用于储存上述计算机设备中使用的计算机程序。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、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，上述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动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。

另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

所描述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所描述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的内容，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。