本发明涉及电路巡检领域，特别涉及一种电力巡检小车多重采样巡轨数据处理模型。
背景技术：
1、电力线路巡检是保障电力系统安全和可靠运行的重要手段之一。在传统巡检方式中，巡检人员需要爬上电杆或者使用人字梯来进行巡检，存在高空坠落和恶劣天气等安全隐患，同时也无法对电力线路进行全面、细致的检查。在这种技术背景下，为了解决传统电力线路巡检所存在的问题并提高巡检效率，人工智能技术被广泛应用于电力线巡检领域。随着设备状态全息感知、倒闸操作远程一键顺控、机器替代人工巡检等诸多前沿的人工智能技术发展迅速，新的思路、算法和技术逐渐应用于电力线路巡检作业之中，并实质性的提高了电力线路故障或缺陷的识别精确度、识别效率和智能化水平。
2、与此相应，随着上述技术的进步与发展，越来越多的电力公司开始引入智能化巡检设备并基于固定摄像头、全景采集等图像采集设备对电力线路和电力设备进行图像采集。其中，尤为突出的是无人机巡检技术路线。可以说，目前无人机巡检技术在电力线路巡检已经被广泛应用。无人机巡检能够高空无死角地观察地面情况，灵活调整观察角度和位置，同时无人机还可以远程操控，降低人工巡检的风险和成本。在恶劣环境或高风险任务中，无人机可以替代人工进行巡检，降低了安全风险。
3、但与此同时，无人机巡检还有一些不足，如在一些特殊环境，如大风、雨雪等恶劣天气条件下，无人机的飞行稳定性和巡检效果会受到严重影响。同时，在无人机电力线路巡检的应用实践中，无人机在飞行过程中经常受到电磁干扰等因素的影响，尤其是考虑到电力线路巡检路径上存在大量呈现为电磁干扰源的电力设备，这个问题往往非常严重且难以有效克服和消解。还有一点也严重的制约着无人机在广域电力线路巡检中的应用，即禁飞区的存在，由于种种原因，广域且长距离的电力线路巡检往往在部分区域会存在禁飞限制，使得无人机无法在这些区域进行巡检。
4、因此，由于无人机巡检的上述缺陷，使得地面电力巡检设备(即电力线路巡检小车，学术和应用上有时亦称作电力巡检机器人)逐渐受到重视并发展为电力线路智能巡检的主导技术路线之一。目前，地面电力巡检设备的主导技术路线是，安装摄像头的电力巡检小车采用拍摄图片进行图像采集，采集到大量的电力设备图像或视频，然后再基于内置的图像识别算法和故障识别数据模型进行电力线路和电力设备故障风险的识别、排除或预检，识别结果最终报送至数据中心并最终由电力工程师或其他作业人员进行人工查验。
5、一般而言，上述地面电力巡检设备中装载和预构建的电力设备图像识别算法，往往对图像特征提取的能力不足且识别精度较差，从而导致电力线路和电力设备故障识别效率和精度较差。关于这一点，往往通过后期的人工校正予以解决，随着技术的进步，设备识别的效率和精度逐渐提高，对应人工后期校正的工作量越来越小。
6、然而，除了上述关于识别的效率和精度的问题，还有一个十分重要的问题，即：电力线路巡检小车为了能够进行自动巡检，首先需要自动识别和规划电力巡游轨迹。在这个问题上，现有的计算模型一般是以电线及其延伸方向作为依据，将电力巡检小车所采集的图像中的电线，以及电线的走向识别出来，然后以此为基础自动构建和规划电力巡游轨迹并实时调整。具体的，现有计算模型一般是将电线视作标准的直线对待，坐标化之后其图形的解析表达式具有一次函数的特征，这样，对于电力巡检小车所采集的图像，计算模型通过识别其中跨越整个视野的一次解析表达式(并将其继续延伸至视野之外)，即可进行电线和电线走向的动态的建模规划，并以此为基础规划巡轨和进行自动电力线路巡检。
7、然而，上述计算模型当中存在一些严重的缺陷，简单来说就是对于电力巡检小车所采集的图像，其视野当中往往存在诸多长直线图形要素，例如电线杆、树干、建筑外立面的长直条纹等，使得对于真实电线的识别经常出现错误。尤其是考虑到由于巡检小车的动态移动和颠簸跳动和抖动问题，加之存在大量的电线与树木、建筑等背景复杂交织的情况，电线识别错误及由此导致的巡轨规划差误时有发生。这种差误的发生，究其根本在于现有计算模型采用的一次解析函数识别算法太过简单，其仅仅考虑了电线作为长直线的几何特征，而没有进一步对于电线在局部的弯曲程度、凹凸性或对称性等细节化特征进行算法规划和数据建模。
8、因此，开发一个兼容电力线路的线性延伸特性，同时纳入其局部曲率特征和曲率分布结构的算法模型，对于提升地面电力巡检设备的自动化巡游能力显得尤为重要。
技术实现思路
1、本发明要解决的技术问题是提供一种电力巡检小车多重采样巡轨数据处理模型，在考虑电力线路线性延伸特性的基础上，同时将其局部曲率特征和曲率分布结构纳入到所构建的算法模型中，以提升地面电力巡检设备的自动化巡游能力。
2、为实现上述目的，本发明所采用的技术方案如下：
3、一种电力巡检小车多重采样巡轨数据处理模型，其特征在于，该数据处理模型在数据底层逻辑上将电线及其延伸指向作为电力巡检小车自动巡检的巡轨，基于地面电力巡检设备上自带的图像或视频，基于电力巡检小车上的摄像头采集周围环境的图形化数据，结合数学和图像处理技术进行数据算法构建，准确分析和识别电线的状态，使得电力巡检小车基于电线及其延伸指向进行高精度自动巡游。
4、进一步的，该数据处理模型对于电力巡检小车所采集周围环境图片或视频中的电线及其延伸指向的识别，构成电力巡检小车自动巡检的数据基础；其基础算法框架为：在全局数据坐标上，将电线作为一次解析直线进行算法识别，由此将电力巡检设备所采集图像或视频中具有一次解析表达式的图形要素视作潜在的电线和潜在的自动巡游轨迹；其核心算法框架为：在局部的精细化的数据坐标上，在真实物理空间中将电线及塔杆进行数据交叉化处理，基于电线及塔杆的数据交叉及其特有解析曲线特征，排除潜在电线和潜在自动巡游轨迹中的干扰图形要素，实现基于电线及其延伸指向的高精度自动巡轨的识别。
5、进一步的，在核心算法框架中，所述电线及塔杆的数据交叉及其特有解析曲线特征包括：a、电线或其解析曲线在两组电力塔杆之间区间上的局部非线性曲率变异特征，b、电线或其解析曲线在任一电力塔杆附近的局部非线性曲率变异特征。
6、进一步的，所述电线或其解析曲线在两组电力塔杆之间区间上的局部非线性曲率变异特征，可选的包括：电线的解析曲线在两组电力塔杆之间构成连续、光滑、单凹性、对称性曲线；其中，a-α，连续对应的数据特征为：电线的解析曲线具有一阶有限导数；a-β，光滑对应的数据特征为电线的解析曲线具有二阶及以上导数；a-γ，单凹形曲线对应的数据特征包括：a-γ-ω在两组电力塔杆之间的电线的解析曲线上有且仅具有一个极值点，即一阶导数为零的点，且此极值点构成局部的最值点；a-γ-ψ在两组电力塔杆之间的电线的解析曲线上没有拐点，即二阶导数为零的点；a-γ-χ在两组电力塔杆之间的电线的解析曲线上，以其极值点为中点，其两侧任意两点的连线高于其极值点；a-δ，对称性对应的数据特征为：电线的解析曲线依照某一中间点具有左右等值对称性；任选其中一组或几组局部非线性曲率变异特征在局部精细化坐标上进行电线的高精度识别；同时兼容后续新增其他局部曲率特征进行数据模型的拓展和改进。
7、进一步的，所述电线或其解析曲线在任一电力塔杆附近的局部非线性曲率变异特征，可选的包括：b-α，电线的解析曲线在任一电力塔杆附近达到局部最值；b-β，电线的解析曲线在任一电力塔杆附近的非光滑性；b-γ，电线的解析曲线在任一电力塔杆附近仅具有单边导数，即，b-γ-ω，在电力塔杆左侧的电线解析曲线仅具有左导数，b-γ-ψ，在电力塔杆侧的电线解析曲线仅具有右导数；任选其中一组或几组局部非线性曲率变异特征在局部精细化坐标上进行电线的高精度识别；同时兼容后续新增其他局部曲率特征进行数据模型的拓展和改进。
8、进一步的，在数据处理上，基础的，将电力巡检小车摄像头采样得到的疑似电线的线段数据化为函数曲线，其解析几何表达式记为f(x),考察函数曲线的变化率、函数曲线的弯曲程度及函数的凹凸性。
9、进一步的，可选的数据处理进程包括：
10、a.对函数曲线f(x)求一阶微分df/dx，得到斜率特征函数p(x)；
11、b.对函数曲线f(x)求二阶微分d2f/dx2，得到弯曲程度的数据表征函数g(x)；
12、c.分析函数曲线f(x)的极值点，分析潜在电线图像曲线的最小值点；
13、d.分析潜在电线图像曲线的凹凸性；
14、e.分析潜在电线图像曲线的对称性，判断其是否关于某一中点x0对称；
15、f.依照坐标轴或其他规范参照对函数曲线f(x)的旋转操作。
16、进一步的，所述分析函数曲线f(x)的极值点，包括解方程df/dx＝0，并通过两组塔杆区间范围内的极值点对比确定电线图像曲线的最小值点，并按需确定电线图像曲线的最小值点位置。
17、进一步的，所述分析潜在电线图像曲线的凹凸性，包括对电线图像曲线f(x)在两组塔杆区间范围求二阶导数，确认其二阶导数具有全区间的符号一致性，即二阶导数在全区间均为正或负，则潜在电线图像曲线表现为单凹性/单凸性。
18、进一步的，所述确认电线图像曲线的对称性，判断其是否关于某一中点x0对称包括选取电线图像曲线f(x)的自变量区间中点x0，验证左右区间内对应点的函数值是否相等。
19、本发明与现有技术相比，所取得的技术进步在于：
20、总体上，本发明有效提升了地面电力巡检设备的自动化巡游能力，能够基于电力线路及其延伸指向自动构建和规划电力线路巡检路线，解决了现有技术中的简单线性算法模型识别误差和动态环境适应性差的问题，为电力线路智能巡检提供了更加可靠和精确的技术支持。
21、在算法路径上，本发明的基础算法框架在全局数据坐标上，将电线作为一次解析直线进行算法识别，将具有一次解析表达式的图形要素视作潜在的电线和自动巡游轨迹。进一步，核心算法框架在局部精细化的数据坐标上，基于电线及塔杆的数据交叉及其特有解析曲线特征，排除干扰图形要素，实现了高精度自动巡轨识别。
22、核心算法框架在数据特征处理上，主要基于电力线路的局部非线性曲率变异特征，包括电线在两组电力塔杆之间的连续、光滑、单凹性、对称性曲线特征，以及在任一电力塔杆附近的局部最值、非光滑性、单边导数特征。基于这些局部非线性特征的分析可以构建相应的数据处理进程(坐标化之后图形对应的解析几何表达式)：对函数曲线f(x)进行一阶微分、二阶微分，分析极值点、凹凸性和对称性等，通过这些特征(图形解析表达函数的数据特征)的分析即可确保对电线进行精准的动态识别。
23、另外，本发明构建的算法模型兼容后续新增的局部曲率特征，具有良好的拓展性和改进空间。
24、本发明的技术细节及其详细的技术效果，可同时参考下文的具体实施示例。