一种基于卷积自编码网络的杆塔点云数据自动分类方法与流程

本发明涉及一种基于卷积自编码网络的杆塔点云数据自动分类方法，属于电力调度自动化技术领域。

背景技术：

目前由于电力资源分布和经济发展的不平衡性，需要使用输电线路系统实现对电能资源的远距离输送；输电线路上的部件大多数都暴露自然环境下，这样导致输电线路上的部件非常容易发生各式各样的缺陷，为了保证电网系统的安全稳定运行，就必须对电网系统进行高密度的巡检。杆塔是输电线路上重要部分起着支撑性的作用，杆塔上面存在许多细小的部件，每一个部件都有着其特定的作用，在自动化巡检过程中可以通过杆塔来定位这些细小的部件。目前输电线路巡检方法主要以人工巡检为主直升机巡检为辅，通过人工的方式寻找和分类输电线路中的杆塔点云数据存在工作效率低下，操作方法复杂费力。本发明专利提出了基于卷积自编码网络的杆塔点云数据自动分类方法，该方法实现了对杆塔点云数据进行方向校正、侧面投影获取杆塔点云图像；通过无监督的机器学习方法实现对杆塔点云图像的特征提取；最后使用均值最大化算法实现对杆塔点云图像特征进行自动分类。

技术实现要素：

一种基于卷积自编码网络的杆塔点云数据自动分类方法的发明内容包括以下三个方面：

4)杆塔点云图像的获取；

5)图像特征自动提取；

6)图像特征自动分类。

进一步地，本发明包括：

1)杆塔点云图像的获取

杆塔点云数据由世界坐标系到图像坐标系的投影公式如下所示：

其中x,y,v分别代表的时图像坐标系中的宽、高和像素值，x,y,z分别代表点云数据在世界坐标系中的坐标。

2)图像特征自动提取

使用收集的大量杆塔投影图像对cae网络进行训练，然后使用自编码网络部分对输入的投影图像进行降维得到分类特征向量。

3)图像特征自动分类

假设每一个杆塔投影图像的编码向量v服从某一高斯分布，通过输入的向量v与已有的杆塔投影图像向量高斯分布进行欧式距离匹配，寻找匹配距离小于杆塔的实际边长和距离最小的分布作为匹配结果，如果没有满足匹配条件的杆塔分布存在那么就以当前输入的向量作为均值，产生一个新的分布即找到一个新的杆塔类别。

本发明的有益效果

在本发明专利中采用直升机搭载的激光雷达获取输电线路杆塔点云数据，对其进行侧面投影获取到杆塔点云图像；利用杆塔点云图像对卷积自编码网络(cae)进行训练并分离出编码器部分；通过编码器部分对杆塔点云图像实现特征提取最后使用均值最大化算法(em)实现对杆塔点云图像特征进行自动化分类。本发明实现一种通过无监督机器学习技术进行自动化杆塔点云数据分类的方法，有效的减少了自动分类算法对人工标注数据的依赖，大大的提高了杆塔点云数据的分类精度和效率；同时也降低了巡检人员后期数据处理的劳动强度，提高了目前输电线路巡检的效率。

附图说明

图1是杆塔点云数据自动分类算法流程图。

图2是杆塔点云数据在xy平面内的投影图像及旋转平移后的图像。

图3是杆塔投影图像的自动特征提取算法流程图。

具体实施方式

一种基于卷积自编码网络的杆塔点云数据自动分类方法的发明内容包括以下三个方面：

7)杆塔点云图像的获取；

8)图像特征自动提取；

9)图像特征自动分类。

进一步地，本发明包括：

4)杆塔点云图像的获取

深度神经网络参数过多不适合处理大规模的点云数据，在发明所提出的算法中采用的方法是将三维的点云数据投影成图像。由于激光雷达在扫描杆塔的时候，不能保证扫描平面都是平行于杆塔的正面，故杆塔点云与世界坐标系之间存在夹角，需要将杆塔点云的坐标进行旋转平移使杆塔点云外接椭球的各轴与世界坐标系的各轴近似平行。

杆塔点云数据由世界坐标系到图像坐标系的投影公式如下所示：

其中x,y,v分别代表的时图像坐标系中的宽、高和像素值，x,y,z分别代表点云数据在世界坐标系中的坐标。在激光雷达对户外的杆塔进行扫描时不可避免的带入噪声，如杆塔底部的基座，这将对的后期分类带来干扰，为了消除这种干扰对v值进行了截断。使用投影图像中的前景像素点拟合直线，用直线的倾角来代表杆塔投影图像的方向如图2左图中红色直线所示，图2右图为旋转后的投影图像。

5)图像特征自动提取

激光雷达获取到的输电线路点云数据是海量的无标注数据，这些数据无法使用监督学习的方法进行处理，故在本文中提出了通过无监督分类的算法对其进行处理。为了提取到好的图像分类特征采用了卷积自编码神经网络，使用收集的大量杆塔投影图像对cae网络进行训练，然后使用自编码网络部分对输入的投影图像进行降维得到分类特征向量。杆塔投影图像的自动特征提取算法流程图如图3所示。

6)图像特征自动分类

正态分布(normaldistribution)是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量x服从一个数学期望为μ、标准方差为σ²的高斯分布，记为：

x～n(μ,σ²)；

则其概率密度函数为：

正态分布的期望值μ决定了其位置，其标准差σ决定了分布的幅度。假设每一个杆塔投影图像的编码向量v服从某一高斯分布，通过输入的向量v与已有的杆塔投影图像向量高斯分布进行欧式距离匹配，寻找匹配距离小于杆塔的实际边长和距离最小的分布作为匹配结果，如果没有满足匹配条件的杆塔分布存在那么就以当前输入的向量作为均值，产生一个新的分布即找到一个新的杆塔类别。

技术特征：

1.一种基于卷积自编码网络的杆塔点云数据自动分类方法，其特征在于包括以下步骤：

1)杆塔点云图像的获取；

2)图像特征自动提取；

3)图像特征自动分类；

所述步骤1)杆塔点云图像的获取包括：

杆塔点云数据由世界坐标系到图像坐标系的投影公式：

其中x,y,v分别代表的时图像坐标系中的宽、高和像素值，x,y,z分别代表点云数据在世界坐标系中的坐标；

所述的2)图像特征自动提取包括：

使用收集的大量杆塔投影图像对cae网络进行训练，然后使用自编码网络部分对输入的投影图像进行降维得到分类特征向量；

所述的步骤3)图像特征自动分类包括：

每一个杆塔投影图像的编码向量v服从某一高斯分布，通过输入的向量v与已有的杆塔投影图像向量高斯分布进行欧式距离匹配，寻找匹配距离小于杆塔的实际边长和距离最小的分布作为匹配结果，如果没有满足匹配条件的杆塔分布存在那么就以当前输入的向量作为均值，产生一个新的分布即找到一个新的杆塔类别。

2.根据权利要求1所述的基于卷积自编码网络的杆塔点云数据自动分类方法，其特征在于：

通过采用深度卷积自编码神经网络模型(cae)对杆塔点云投影图像进行自监督训练实现对点云图像的自动特征提取。

3.根据权利要求1或2所述的基于卷积自编码网络的杆塔点云数据自动分类方法，其特征在于：采用编码网络的编码部分(ae)对输入的点云投影图像实现特征提取，并利用均值最大化分类算法(em)实现对输入特征的自动分类。

技术总结
本发明公开了一种基于卷积自编码网络的杆塔点云数据自动分类方法，包括输电线路杆塔点云数据的获取，通过在x、y平面内的投影计算出点云数据的偏转方向，然后对点云数据进行旋转校正和侧面投影生成杆塔点云的图像；使用杆塔点云的投影图像对卷积自编码网络(CAE)进行训练，分离出自编码部分用于对杆塔点云图像进行特征提取；最后利用均值最大化分类算法(EM)对杆塔点云图像特征实现自动分类。解决了目前通过人工手段进行输电线路杆塔点云数据分类中存在的耗时、费力缺点；在自动杆塔点云数据分类的过程中，采用了无监督学习方法‑‑‑卷积自编码网络实现对杆塔点云数据的自动特征提取，的方法不需要大量的人工标注数据，有效的减少了算法对人工的依赖大大的提高杆塔分类过程的自动化程度。

技术研发人员：罗艺;钱海;王乾龙;李鹏祥;石利荣
受保护的技术使用者：昆明能讯科技有限责任公司
技术研发日：2020.05.11
技术公布日：2020.08.25