输电线路的缺陷隐患检测方法、装置、存储介质及计算机设备与流程

本技术涉及输电线路，尤其涉及一种输电线路的缺陷隐患检测方法、装置、存储介质及计算机设备。

背景技术：

1、随着供电区域的不断扩大，越来越多的架空输电线路分布在山地地区、丘陵地区和高原地区，加大了日常运维中人工巡检的巡检难度并提高了运维成本。基于此，现有技术提出了用于远程实时监控输电线路缺陷隐患的视频在线监测系统，从而可实现视频巡检，以在提高架空输电线路运行安全性的前提下降低巡检人员的现场工作强度，进而可有效降低巡检成本并提高巡检效率。目前，视频在线监测系统已在应对复杂环境和自然灾害方面发挥了重要作用。例如，在跨越河流、湖泊等复杂地形的区域内，输电线路容易受到自然灾害的影响并发生损坏，而应用视频在线监测系统能实时监测输电线路的线路状态，并及时发现输电线路的缺陷隐患，使得检修人员可及时介入处理，进而可保障电力供应的稳定。

2、然而，经发明人研究发现，现有的输电线路缺陷隐患检测方法存在检测精准性低的问题。

技术实现思路

1、本技术的目的旨在至少能解决上述的技术缺陷之一，特别是现有技术中检测精准性低的技术缺陷。

2、第一方面，本技术实施例提供了一种输电线路的缺陷隐患检测方法，所述方法包括：

3、获取待检测输电线路的三维模型数据和视频图像数据，所述三维模型数据包括目标三维点云数据，所述目标三维点云数据的采集时刻与所述视频图像数据的采集时刻之间的时间间隔小于预设间隔；

4、对所述目标三维点云数据和所述视频图像数据进行融合处理，并得到融合特征集；

5、将所述融合特征集输入至预先训练得到的缺陷隐患检测模型中，以得到所述待检测输电线路的缺陷隐患检测结果。

6、在其中一个实施例中，所述对所述目标三维点云数据和所述视频图像数据进行融合处理，并得到融合特征集，包括：

7、从所述目标三维点云数据中提取所述待检测输电线路的各个形态特征点云；

8、从所述视频图像数据中提取所述待检测输电线路的视觉特征数据；

9、基于空间对齐算法对各个所述形态特征点云和所述视觉特征数据进行融合处理，并得到所述融合特征集。

10、在其中一个实施例中，所述基于空间对齐算法对各个所述形态特征点云和所述视觉特征数据进行融合处理，并得到所述融合特征集，包括：

11、分别确定每一所述形态特征点云对应图像特征点的目标空间距离；所述目标空间距离为将形态特征点云投影到所述视频图像数据的距离；

12、对各个所述目标空间距离进行归一化处理，以得到各个归一化距离；

13、根据预设距离取值区间和各个所述归一化距离，在各个所述形态特征点云中筛选得到各个目标点云；其中，每一所述目标点云对应的归一化距离落入所述预设距离取值区间；

14、基于所述空间对齐算法对各个所述目标点云和所述视觉特征数据进行融合处理，并得到所述融合特征集。

15、在其中一个实施例中，所述缺陷隐患检测模型包括多尺度特征提取网络、中继网络和上下文信息融合网络，所述多尺度特征提取模块包括n层依次连接的特征提取卷积层，n为大于1的正整数；

16、所述将所述融合特征集输入至预先训练得到的缺陷隐患检测模型中，以得到所述待检测输电线路的缺陷隐患检测结果，包括：

17、将所述融合特征集输入至所述多尺度特征提取网络中，以分别得到每个所述特征提取卷积层提取的缺陷隐患候选区域特征图；

18、将除首个特征图以外的各个所述缺陷隐患候选区域特征图作为目标特征图；其中，所述首个特征图为由第一层特征提取卷积层输出的缺陷隐患候选区域特征图；

19、针对每一所述目标特征图，采用所述中继网络将该目标特征图的维度尺寸扩大为第m-1层特征提取卷积层对应的特征图维度尺寸，以得到扩大特征图，并采用所述上下文信息融合网络，将所述扩大特征图与第m-1层特征提取卷积层输出的缺陷隐患候选区域特征图进行特征融合，且基于特征融合结果和所述上下文信息融合网络，得到初始缺陷隐患预测结果，其中，m为输出该目标特征图的特征提取卷积层在所述多尺度特征提取网络中的排列顺序；

20、基于各个所述初始缺陷隐患预测结果，得到所述待检测输电线路的缺陷隐患检测结果。

21、在其中一个实施例中，每一所述特征提取卷积层包括多个输入通道；

22、所述将所述融合特征集输入至所述多尺度特征提取网络中，以分别得到每个所述特征提取卷积层提取的缺陷隐患候选区域特征图，包括：

23、针对每一所述特征提取卷积层，分别采用不同的卷积核对该特征提取卷积层对应的各个输入通道的输入数据进行深度卷积，以得到各个深度卷积结果，基于1x1的卷积核对各个所述深度卷积结果进行卷积，得到该特征提取卷积层对应的缺陷隐患候选区域特征图。

24、在其中一个实施例中，所述中继网络包括反卷积层；

25、所述针对每一所述目标特征图，采用所述中继网络将该目标特征图的维度尺寸扩大为第m-1层特征提取卷积层对应的特征图维度尺寸，以得到扩大特征图，包括：

26、针对每一所述目标特征图，基于所述反卷积层对该目标特征图进行反卷积处理，以将该目标特征图的维度尺寸扩大为第m-1层特征提取卷积层对应的特征图维度尺寸并得到所述扩大特征图。

27、第二方面，本技术实施例提供了一种输电线路的缺陷隐患检测装置，所述装置包括：

28、数据获取模块，用于获取待检测输电线路的三维模型数据和视频图像数据，所述三维模型数据包括目标三维点云数据，所述目标三维点云数据的采集时刻与所述视频图像数据的采集时刻之间的时间间隔小于预设间隔；

29、融合模块，用于对所述目标三维点云数据和所述视频图像数据进行融合处理，并得到融合特征集；

30、检测模块，用于将所述融合特征集输入至预先训练得到的缺陷隐患检测模型中，以得到由所述缺陷隐患检测模型输出的所述待检测输电线路的缺陷隐患检测结果。

31、在其中一个实施例中，所述融合模块包括：

32、形态特征提取单元，用于从所述目标三维点云数据中提取所述待检测输电线路的各个形态特征点云；

33、视觉特征提取单元，用于从所述视频图像数据中提取所述待检测输电线路的视觉特征数据；

34、特征融合单元，用于基于空间对齐算法对各个所述形态特征点云和所述视觉特征数据进行融合处理，并得到所述融合特征集。

35、第三方面，本技术实施例提供了一种存储介质，该存储介质中存储有计算机可读指令，该计算机可读指令被一个或多个处理器执行时，使得一个或多个处理器执行上述任一实施例所述输电线路的缺陷隐患检测方法的步骤。

36、第四方面，本技术实施例提供了一种计算机设备，该计算机设备包括：一个或多个处理器，以及存储器；

37、所述存储器中存储有计算机可读指令，所述计算机可读指令被所述一个或多个处理器执行时，执行上述任一实施例所述输电线路的缺陷隐患检测方法的步骤。

38、在本技术一些实施例提供的输电线路的缺陷隐患检测方法、装置、存储介质及计算机设备中，可融合输电线路的三维点云数据和视频图像数据，并基于融合得到的融合特征集进行输电线路的缺陷隐患检测。如此，可基于多数据源的数据特征融合来提高数据分析的精准性，以便于更为精准地确定输电线路的缺陷隐患情况。