本发明专利技术公开了电力系统监控和维护技术领域的一种电力系统的巡检方法，旨在解决巡检结果的全面性和准确性受到限制的技术问题。其包括：首先获取目标物体的原始点云数据，并通过原始点云数据获取初步检测置信度，快速过滤掉明显不符合要求的目标，从而提高了整体巡检的效率；根标据目标物体的图像数据获取每个目标物体的第二次检测置信度，二次过滤掉明显不符合要求的目标，再次提高了整体巡检的效率，并且图像数据与原始点云数据的性质不容，提高了筛选的全面性；使用卷积神经网络对多类图像进行融合，能够结合点云数据和图像数据的优点，能够适应不同的巡检场景和需求；从而降低了设备故障和事故的风险，进而满足了巡检结果的全面性和准确性要求。
【技术实现步骤摘要】
本专利技术涉及一种电力系统的巡检方法，属于电力系统监控和维护。
技术介绍
1、变电站作为电力系统的重要组成部分，其安全稳定运行对保障电网可靠性至关重要。传统的变电站巡检方式主要依赖人工进行，不仅耗时耗力，而且由于人力资源的限制，难以实现对变电站全面和细致的检查，容易遗漏潜在的故障点。
2、随着技术的发展，自动化巡检技术开始被应用于变电站的日常维护中，以期提高巡检效率和准确性。然而，现有的自动化巡检技术往往只依赖于单一的信息源，如仅使用图像数据进行故障诊断，这限制了巡检结果的全面性和准确性。
技术实现思路
1、本公开的目的在于克服现有技术中的不足，提供一种提高巡检结果的全面性和准确性的电力系统的巡检方法。
2、为达到上述目的，本公开是采用下述技术方案实现的：
3、第一方面，本公开提供一种电力系统的巡检方法，包括：
4、获取待巡检电力系统场景中目标物体的原始点云数据，对所述原始点云数据进行特征检测获取每个目标物体的初步检测置信度；
5、响应于初步检测置信度达到第一阈值，获取目标物体的图像数据，根标据目标物体的图像数据的特征检测结果获取每个目标物体的第二次检测置信度；
6、响应于第二次检测置信度达到第二阈值，采用预构建并训练好的卷积神经网络对目标物体的多类图像进行融合，生成目标物体的融合特征图；所述多类图像至少包括点云数据和图像数据；
7、使用训练好的识别模型对融合特征图进行行为识别，从而获取巡检结果。</p>8、在第一方面的一些实施例中，所述根据所述原始点云数据获取每个目标物体的初步检测置信度，包括，
9、对所述原始点云数据进行过滤；
10、利用dbscan聚类算法将过滤后的点云数据分割成不同的点云聚类簇，每个点云聚类簇代表一个目标物体；
11、使用pointnet++模型提取点云聚类簇的特征；
12、根据每个点云聚类簇的特征标记所述目标物体的初步检测置信度。
13、在第一方面的一些实施例中，所述响应于初步检测置信度达到第一阈值，获取目标物体的图像数据，包括：
14、根据点云聚类簇的特征将每个目标物体分类到相应的类别中；
15、连续扫描分类后的目标物体并获得运动轨迹；
16、使用无迹卡尔曼滤波融合所述运动轨迹中不同时间的过滤后的点云数据来估计目标物体的初始轨迹；
17、采用滑动窗口平均法对初始轨迹进行优化；
18、根据优化轨迹估计目标物体的新位置；
19、根据所述目标物体的新位置，获取目标物体的图像数据。
20、在第一方面的一些实施例中，所述利用dbscan聚类算法将过滤后的点云数据分割成不同的点云聚类簇，包括，
21、通过自适应密度半径算法找到最适聚类半径和最小点数；
22、根据所述最适聚类半径和所述最小点数获取不同的点云聚类簇；
23、其中：所述通过自适应密度半径算法找到最适聚类半径和最小点数，包括：
24、从过滤后的点云数据中获取核心对象，通过计算核心对象到最近邻点云数据点的平均距离获取所述最适聚类半径；
25、采用基于核密度估计的方法计算每个核心对象的局部密度，局部密度计算式如下：
26、 ；
27、式中，为第i个核心对象，i为核心对象的计数序号，为第i个核心对象的局部密度，j为核心对象所在点云聚类簇内其他非核心对象点云数据点的计数序号，为第j个非核心对象点云数据点，为第i个核心对象的最适聚类半径，n为核心对象所在点云聚类簇内其他非核心对象点云数据点的数量；
28、将最小点数设置为与局部密度相关的函数，最小点数的获取式如下：
29、 ；
30、其中，为最小点数基于与局部密度相关的获取函数，为用于控制局部密度的变化大小的常数，以使最小点数与局部密度正相关。
31、在第一方面的一些实施例中，所述使用pointnet++模型提取点云聚类簇的特征之前，
32、根据点云密度与密度阈值的比较结果来调控卷积核尺寸；
33、使用金字塔卷积，使pointnet++模型感知不同范围内的点云结构；
34、采用加权平均将不同尺度的卷积结果进行融合。
35、在第一方面的一些实施例中，所述采用预构建并训练好的卷积神经网络对目标物体的多类图像进行融合，生成目标物体的融合特征图，包括，
36、获取每一类图像的原始特征图，每一类图像的原始特征图通过独立的卷积通道提取融合特征；
37、从卷积通道提取的融合特征中获取空间位置特征；
38、将空间位置特征映射为权重；
39、将每一类图像的原始特征图与对应的权重进行加权融合，生成融合特征图。
40、在第一方面的一些实施例中，所述采用滑动窗口平均法对初始轨迹进行优化，包括，
41、获取预先设置的滑动窗口的尺寸；
42、将初始轨迹中初始轨迹点输入滑动窗口，获取平均轨迹点，根据平均轨迹点获取优化轨迹；
43、其中，获取平均轨迹点的获取式为：
44、 ；
45、式中，为平均轨迹点，k为预先设置的滑动窗口的尺寸，m为滑动窗口的范围，；ig为轨迹点的计数序号，jj为滑动窗口内的计数，为滑动窗口内的初始轨迹点。
46、在第一方面的一些实施例中，所述从过滤后的点云数据中获取核心对象，包括，
47、从整个过滤后的点云数据的边界框开始，创建一个树的根节点，根节点递归地分割为八个子节点，每个子节点代表一个八分之一的子空间；
48、持续分割，直到每个叶子节点所包含的点云数据点低于设定值或达到设定的深度；
49、将每个点云数据点分配到所属的叶子节点；
50、使用叶子节点内点的数量和平均值来表示非叶子节点；
51、构建网格结构，其中每个网格单元对应八叉树的一个叶子节点；
52、遍历过滤后的点云数据并检查每个点云数据点所属的叶子节点；
53、找到点数最大的叶子节点用k邻近算法搜索定核心对象。
54、在第一方面的一些实施例中，所述卷积神经网络采用由多层卷积和单层卷积的形式构建的残差路径；
55、所述每一类图像的原始特征图通过独立的卷积通道提取融合特征，包括采用下述表达式提取融合特征：
56、 ；
57、式中，为融合特征，为激活函数，为原始特征图经过多层卷积路径的特征输出，为原始特征图经过单层卷积的特征输出，i为过滤后的点云数据中核心对象的计数序号。
58、第二方面，本公开还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面任一项实施例所述电力系统的巡检方法的步骤。
59、与现有技术相比，本公开所达到的本文档来自技高网
...
【技术保护点】
1.一种电力系统的巡检方法，其特征是，包括：
2.根据权利要求1所述电力系统的巡检方法，其特征是，所述根据所述原始点云数据获取每个目标物体的初步检测置信度，包括，
3.根据权利要求2所述电力系统的巡检方法，其特征是，所述响应于初步检测置信度达到第一阈值，获取目标物体的图像数据，包括：
4.根据权利要求2所述电力系统的巡检方法，其特征是，所述利用DBSCAN聚类算法将过滤后的点云数据分割成不同的点云聚类簇，包括，
5.根据权利要求2所述电力系统的巡检方法，其特征是，所述使用PointNet++模型提取点云聚类簇的特征之前，
6.根据权利要求2所述电力系统的巡检方法，其特征是，所述采用预构建并训练好的卷积神经网络对目标物体的多类图像进行融合，生成目标物体的融合特征图，包括，
7.根据权利要求3所述电力系统的巡检方法，其特征是，所述采用滑动窗口平均法对初始轨迹进行优化，包括，
8.根据权利要求4所述电力系统的巡检方法，其特征是，所述从过滤后的点云数据中获取核心对象，包括，
9.根据权利要求6所述电力系统的巡检方法，其特征是，所述卷积神经网络采用由多层卷积和单层卷积的形式构建的残差路径；
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至9任一项所述电力系统的巡检方法的步骤。
...
【技术特征摘要】
1.一种电力系统的巡检方法，其特征是，包括：
2.根据权利要求1所述电力系统的巡检方法，其特征是，所述根据所述原始点云数据获取每个目标物体的初步检测置信度，包括，
3.根据权利要求2所述电力系统的巡检方法，其特征是，所述响应于初步检测置信度达到第一阈值，获取目标物体的图像数据，包括：
4.根据权利要求2所述电力系统的巡检方法，其特征是，所述利用dbscan聚类算法将过滤后的点云数据分割成不同的点云聚类簇，包括，
5.根据权利要求2所述电力系统的巡检方法，其特征是，所述使用pointnet++模型提取点云聚类簇的特征之前，
6.根据权利要求2所述电力系统的巡...
【专利技术属性】
技术研发人员：戴金林，赵明明，苗林，杨全全，黄家才，薛源，包光旋，高芳征，
申请(专利权)人：齐丰科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。