本发明实施例公开了一种电力线和杆塔进行特征提取处理方法、系统及存储介质，其中方法包括预先构建深度学习模型；深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；利用训练好的深度学习模型，实时获取输入的点云(即单帧点云)，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率；通过上述方式可以快速实现目标点云的特征提取处理。
1.一种电力线和杆塔进行特征提取处理方法，其特征在于，包括：
步骤S100,预先构建深度学习模型；所述深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；
步骤S200,利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；
其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率；
步骤S101,采用UNet卷积神经网络预先人工采集主网和配网中不同场景的输电线路上的点云数据，然后对点云数据中电力线、杆塔和背景进行标注，构建初始训练集；
步骤S102,同时获取初始训练集的点云数据的实际标注结果；将初始训练集中的点云数据进行分类结果输出；
步骤S103,不断对初始训练集的分类结果与实际标注结果进行分类误差反向传播迭代，强化训练得到最终的目标训练集，根据目标训练集进行训练最后得到深度学习模型；
在步骤S200执行过程中,利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出，具体包括：步骤S201，实时获取输入的点云，对当前输入的点云进行目标特征提取，所述深度学习模型根据提取的目标特征输出当前点云属于输电线点的概率为a,输出当前点云属于杆塔点的概率为b和输出当前点云属于背景点的概率为c,且满足满足a+b+c＝1；
步骤S202，对当前输入的点云构建kdtree，所述kdtree用于对当前点云的特征向量进行近邻邻域检索并在当前空间内快速索引到与当前点云的特征向量近似的其他点云，以当前点云与特征向量近似的其他点云集合作为目标点云；
步骤S203，预设设置目标点云综合概率阈值p，针对当前点云进行概率判断，如果当前点云是满足条件当前点云属于输电线点的概率a+当前点云属于杆塔点的概率b>p的点，则判定当前点云为所需要的电力线点和杆塔点的目标点；
步骤S204，预设设置电力线点最低标准概率阈值为Kb以及设置杆塔点最低标准概率阈值为Ka；针对当前点云进行概率判断，如果当前点云满足当前点云属于输电线点的概率a>Kb则判定当前点云为电力线点；如果当前点云满足当前点云属于杆塔点的概率b>Ka情况，则判定当前点云为杆塔点；
步骤S205，针对当前点云中不符合大于p的条件的点云以及不符合大于Kb、以及不符合大于Ka的点云为不确定点云，构建不确定点云集合；
在步骤S200执行过程中,还包括对不确定点云集合中当前点云进一步识别操作；
步骤S206，调用步骤S204中所述kdtree，对不确定点云集合中的当前点云邻域半径为d内的所有点云进行获取；
步骤S207，计算当前点云邻域半径为d内的所有特征向量近似的点云内的点云密度，即目标点云的点云密度；
步骤S208，获取电力线点密度标准阈值pl，根据当前点云邻域半径为d内的目标点云的点云密度与pl进行比较判断，如果判断当前点云邻域半径为d内的目标点云的点云密度与pl之差在标准范围内，则判定当前目标点云集合中的目标点云为电力线点。
2.根据权利要求1所述的一种电力线和杆塔进行特征提取处理方法，其特征在于，在所述步骤S207之后，在对当前点云进行识别处理后，还包括对当前点云的识别结果进行存储。
3.根据权利要求2所述的一种电力线和杆塔进行特征提取处理方法，其特征在于，对当前点云的识别结果进行存储，包括如下操作：步骤S209，将当前点云的分类后识别结果保存到所述kdtree中，并且在获取在下一帧点云时进行当前下一帧点云的识别结果输出；所述kdtree用于当前点云的分类后的识别结果；
步骤S210，在对当前下一帧点云的识别结果输出时，对具有近似向量特征的近邻邻域检索的点云进行分类结果识别，如果识别邻域内的点云为杆塔点则认定当前下一帧点云为杆塔点；如果识别邻域内的点云为背景点则认定当前下一帧点云为背景点。
4.一种计算机可读存储介质，其特征在于，包括：其存储有计算机程序，在所述计算机程序被执行时，实施根据如权利要求1‑3任一项所述的一种电力线和杆塔进行特征提取处理方法。
电力线和杆塔进行特征提取处理方法、系统及存储介质
技术领域
[0001] 本发明涉及输电线路巡检技术领域，尤其涉及一种电力线和杆塔进行特征提取处理方法、系统及存储介质。
背景技术
[0002] 输电线路巡检是保障电力系统稳定运行基本措施，开发稳定可靠输电线路巡检系统具有重大意义。目前，采用机载LiDAR的巡检过程之后可以获得大量的数据点云，然而如何快速实现目标点云的特征提取处理是本领域技术人员需要的技术问题。
发明内容
[0003] 有鉴于此，本发明实施例提出一种电力线和杆塔进行特征提取处理方法、系统及存储介质，用以解决背景技术中指出的问题。
[0004] 本发明的一实施例提出一种电力线和杆塔进行特征提取处理方法，包括：
[0005] 步骤S100,预先构建深度学习模型；所述深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；
[0006] 步骤S200,利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；
[0007] 其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率。
[0008] 优选的，作为一种可实施方案；所述预先构建深度学习模型，包括：
[0009] 步骤S101,采用UNet卷积神经网络预先人工采集主网和配网中不同场景的输电线路上的点云数据，然后对点云数据中电力线、杆塔和背景进行标注，构建初始训练集；
[0010] 步骤S102,同时获取初始训练集的点云数据的实际标注结果；将初始训练集中的点云数据进行分类结果输出；
[0011] 步骤S103,不断对初始训练集的分类结果与实际标注结果进行分类误差反向传播迭代，强化训练得到最终的目标训练集，根据目标训练集进行训练最后得到深度学习模型。
[0012] 优选的，作为一种可实施方案；在步骤S200执行过程中,利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出，具体包括：
[0013] 步骤S201，实时获取输入的点云，对当前输入的点云进行目标特征提取，所述深度学习模型根据提取的目标特征输出当前点云属于输电线点的概率为a,输出当前点云属于杆塔点的概率为b和输出当前点云属于背景点的概率为c,且满足满足a+b+c＝1；
[0014] 步骤S202，对当前输入的点云构建kdtree，所述kdtree用于对当前点云的特征向量进行近邻邻域检索并在当前空间内快速索引到与当前点云的特征向量近似的其他点云，以当前点云与特征向量近似的其他点云集合作为目标点云；
[0015] 步骤S203，预设设置目标点云综合概率阈值p，针对当前点云进行概率判断，如果当前点云是满足条件当前点云属于输电线点的概率a+当前点云属于杆塔点的概率b>p的点，则判定当前点云为所需要的电力线点和杆塔点的目标点；
[0016] 步骤S204，预设设置电力线点最低标准概率阈值为Kb以及设置杆塔点最低标准概率阈值为Ka；针对当前点云进行概率判断，如果当前点云满足当前点云属于输电线点的概率a>Kb则判定当前点云为电力线点；如果当前点云满足当前点云属于杆塔点的概率b>Ka情况，则判定当前点云为杆塔点；
[0017] 步骤S205，针对当前点云中不符合大于p的条件的点云以及不符合大于Kb、以及不符合大于Ka的点云为不确定点云，构建不确定点云集合。
[0018] 优选的，作为一种可实施方案；在步骤S200执行过程中,还包括对不确定点云集合中当前点云进一步识别操作；
[0019] 步骤S206，调用步骤S204中所述kdtree，对不确定点云集合中的当前点云邻域半径为d内的所有点云进行获取；
[0020] 步骤S207，计算当前点云邻域半径为d内的所有特征向量近似的点云内的点云密度，即目标点云的点云密度；
[0021] 步骤S208，获取电力线点密度标准阈值pl，根据当前点云邻域半径为d内的目标点云的点云密度与pl进行比较判断，如果判断当前点云邻域半径为d内的目标点云的点云密度与pl之差在标准范围内，则判定当前目标点云集合中的目标点云为电力线点。
[0022] 优选的，作为一种可实施方案；在所述步骤S207之后，在对当前点云进行识别处理后，还包括对当前点云的识别结果进行存储。
[0023] 优选的，作为一种可实施方案；对当前点云的识别结果进行存储，包括如下操作：
[0024] 步骤S209，将当前点云的分类后识别结果保存到所述kdtree中，并且在获取在下一帧点云时进行当前下一帧点云的识别结果输出；所述kdtree用于当前点云的分类后的识别结果；
[0025] 步骤S210，在对当前下一帧点云的识别结果输出时，对具有近似向量特征的近邻邻域检索的点云进行分类结果识别，如果识别邻域内的点云为杆塔点则认定当前下一帧点云为杆塔点；如果识别邻域内的点云为背景点则认定当前下一帧点云为背景点。
[0026] 本发明提供了一种处理系统，包括：构建单元、识别处理单元；
[0027] 构建单元,用于预先构建深度学习模型；所述深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；
[0028] 识别处理单元,用于利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率。
[0029] 本发明提供一种计算机可读存储介质，包括：其存储有计算机程序，在所述计算机程序被执行时，实施根据所述一种电力线和杆塔进行特征提取处理方法。
[0030] 与现技术相比，本发明至少存在如下方面的技术效果：
[0031] 本发明实施例提出的方法；预先构建深度学习模型；深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；利用训练好的深度学习模型，实时获取输入的点云(即单帧点云)，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率；通过上述方式可以快速实现目标点云的特征提取处理。
附图说明
[0032] 为了更清楚地说明本发明的技术方案，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保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。
[0033] 图1示出了本发明实施例一提供的一种电力线和杆塔进行特征提取处理方法的主要流程图；
[0034] 图2示出了本发明实施例二提供的一种处理系统结构示意图。
[0035] 主要元件符号说明：构建单元10、识别处理单元20。
具体实施方式
[0036] 为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通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，都属于本申请保护的范围。
[0037] 在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本申请的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
[0038] 实施例一
[0039] 参照图1，本发明实施例一提供了一种电力线和杆塔进行特征提取处理方法包括：
[0040] 步骤S100,预先构建深度学习模型；所述深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；
[0041] 步骤S200,利用训练好的深度学习模型，实时获取输入的点云(即单帧点云)，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；
[0042] 其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率。
[0043] 需要说明的是，(即当前点云所属类别(电力线，杆塔，背景点)的概率以及标签)，由于模型可能存在一定的误判，因此在模型计算好结果后，再额外对模型输出结果进行统计分析，假设每个点分类后被分为电力系，杆塔以及背景的类别分别a，b，c，满足a+b+c＝1，计算过程如下：
[0044] 优选的，作为一种可实施方案；所述预先构建深度学习模型，包括：
[0045] 步骤S101,采用UNet卷积神经网络预先人工采集主网和配网中不同场景的输电线路上的点云数据，然后对点云数据中电力线、杆塔和背景进行标注，构建初始训练集；
[0046] 步骤S102,同时获取初始训练集的点云数据的实际标注结果；将初始训练集中的点云数据进行分类结果输出；
[0047] 步骤S103,不断对初始训练集的分类结果与实际标注结果进行分类误差反向传播迭代，强化训练得到最终的目标训练集，根据目标训练集进行训练最后得到深度学习模型。
[0048] 需要说明的是，不断对初始训练集的分类结果与实际标注结果进行分类误差反向传播迭代(属于公知技术，对此不做赘述)可以强化该训练，得到最终的目标训练集；然后再根据目标训练集进行训练最后得到深度学习模型。
[0049] 优选的，作为一种可实施方案；在步骤S200执行过程中,利用训练好的深度学习模型，实时获取输入的点云(即单帧点云)，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出，具体包括：
[0050] 步骤S201，实时获取输入的点云，对当前输入的点云进行目标特征提取，所述深度学习模型根据提取的目标特征输出当前点云属于输电线点的概率为a,输出当前点云属于杆塔点的概率为b和输出当前点云属于背景点的概率为c,且满足满足a+b+c＝1；
[0051] 步骤S202，对当前输入的点云构建kdtree，所述kdtree用于对当前点云的特征向量进行近邻邻域检索并在当前空间内快速索引到与当前点云的特征向量近似的其他点云，以当前点云与特征向量近似的其他点云集合作为目标点云；
[0052] 步骤S203，预设设置目标点云综合概率阈值p，针对当前点云进行概率判断，如果当前点云是满足条件当前点云属于输电线点的概率a+当前点云属于杆塔点的概率b>p的点，则判定当前点云为所需要的电力线点和杆塔点的目标点(此时背景点被过滤，相当于只要不是背景点即可)；
[0053] 步骤S204，预设设置电力线点最低标准概率阈值为Kb以及设置杆塔点最低标准概率阈值为Ka；针对当前点云进行概率判断，如果当前点云满足当前点云属于输电线点的概率a>Kb则判定当前点云为电力线点；如果当前点云满足当前点云属于杆塔点的概率b>Ka情况，则判定当前点云为杆塔点；
[0054] 步骤S205，针对当前点云中不符合大于p的条件的点云以及不符合大于Kb、以及不符合大于Ka的点云为不确定点云，构建不确定点云集合。
[0055] 优选的，作为一种可实施方案；在步骤S200执行过程中,还包括对不确定点云集合中当前点云进一步识别操作；
[0056] 步骤S206，调用步骤S204中所述kdtree，对不确定点云集合中的当前点云邻域半径为d内的所有点云进行获取；
[0057] 步骤S207，计算当前点云邻域半径为d内的所有特征向量近似的点云内的点云密度，即目标点云的点云密度；
[0058] 步骤S208，获取电力线点密度标准阈值pl，根据当前点云邻域半径为d内的目标点云的点云密度与pl进行比较判断，如果判断当前点云邻域半径为d内的目标点云的点云密度与pl之差在标准范围内，则判定当前目标点云集合中的目标点云为电力线点。
[0059] 优选的，作为一种可实施方案；在所述步骤S207之后，在对当前点云进行识别处理后，还包括对当前点云的识别结果进行存储。
[0060] 优选的，作为一种可实施方案；对当前点云的识别结果进行存储，包括如下操作：
[0061] 步骤S209，将当前点云的分类后识别结果保存到所述kdtree中，并且在获取在下一帧点云时进行当前下一帧点云的识别结果输出；所述kdtree用于当前点云的分类后的识别结果；
[0062] 步骤S210，在对当前下一帧点云的识别结果输出时，对具有近似向量特征的近邻邻域检索的点云进行分类结果识别，如果识别邻域内的点云为杆塔点则认定当前下一帧点云为杆塔点；如果识别邻域内的点云为背景点则认定当前下一帧点云为背景点。
[0063] 需要说明的是，在步骤S205中剩余的不确定性的点，在步骤S202中进行查找并计算领域半径d内点的密度，设定电力线点密度阈值为pl，则点密度小于pl的点为电力线点。杆塔点密度与背景点密度较难区分，因此，在上一帧结果中，搜索邻域内一定范围的点是否为杆塔点，若为杆塔点，则设定为杆塔点，否则为背景点。
[0064] 实施例二
[0065] 本发明实施例二提供了一种节点管理测试系统，包括：构建单元10、识别处理单元20；
[0066] 构建单元10,用于预先构建深度学习模型；所述深度学习模型用于将点云分割为不同的类别并针对每个类别的点云附带类别标签；所述点云附带类别标签包括：输电线点、杆塔点和背景点；
[0067] 识别处理单元20,用于利用训练好的深度学习模型，实时获取输入的点云，深度学习模型对输入的点云进行识别测试，并进行识别结果的输出；其中，输出的所述识别结果为当前点云所属的点云附带类别标签以及对应概率。
[0068] 需要说明的是；采集原始点云数据先对数据进行标注分类；将分类好的数据进行预处理，包括点云数据归一化，空间位置量化以及体素化，裁切等操作；将预处理后点云输入网络中进行特征学习与提取；将学习到的特征输入到全连接层并提取每个点所属的类别的概率，达到分类效果；根据分类结果与实际标注结果计算分类误差反向传播迭代，实现训练网络；
[0069] 本发明提供了一种计算机可读存储介质，包括：其存储有计算机程序，在所述计算机程序被执行时，实施根据上述电力线和杆塔进行特征提取处理方法。
[0070] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0071] 所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0072] 以上所述，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。
