一种用于电力走廊的导线模型的结构化建模方法和装置

1.本发明属于计算机技术领域，特别涉及一种用于电力走廊的导线模型的结构化建模的方法和装置。


背景技术：

2.电网作为重要的基础设施，保障电力传输线的正常工作是关乎能源安全问题的一大要事，故而电力走廊内的巡检工作具有重大意义。传统依靠人力的线路巡检操作难以获取准确的检测结果，并且效率低下、作业风险高。目前，电网建设的投资规模仍在不断扩大，面对大规模的电力网络及相应的电力通信网络，在电网安全管理及维护、电力光纤电缆网络安全管理与维护等诸多方面的实际问题中，亟需一套更为高效的方案以满足时代需要。
3.激光雷达技术作为一种高效的空间探测技术，其通过对空间场景主动发射扫描激光束能够快速灵活地获取空间物体表面的结构、弱纹理信息，可实现三维空间点云数据的实时获取。得益于激光雷达相较于传统二维成像方法所表现出巨大优势，以及无人机技术的普及，以无人机搭载激光雷达的新型遥感技术正在电网运维领域获得快速推广。然而相较于硬件系统性能和指标方面取得的进展，如何对获取到的海量点云数据进行有效及时的分析仍是当前电网智能巡检系统待解决的问题。


技术实现要素：

4.有鉴于此，本发明提供一种用于电力走廊的导线模型的结构化建模的方法和装置，主要目的在于实现将电力走廊的导线点云数据集中的点云数据抽象为可解析的几何模型，便于将来对导线状态进行快速分析，使电网管理和维护更为精细化。
5.依据本发明的第一个方面，提供了一种用于电力走廊的导线模型的结构化建模方法，包括：
6.获取电力走廊的导线点云数据集；
7.对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；
8.根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型。
9.依据本发明的第二个方面，提供了一种用于电力走廊的导线模型的结构化建模装置，包括：
10.导线点云数据集获取模块，用于获取所述电力走廊的导线点云数据集；
11.聚类结果获取模块，用于对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；
12.结构化模型生成模块，用于根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型。
13.依据本发明的第三个方面，提供了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，所述计算机程序被处理器执行时实现上述所述的方法的步骤。
14.依据本发明的第四个方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述所述的方法的步骤。
15.借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
16.本发明提供的一种用于电力走廊的三维场景的导线模型的结构化建模的方法和装置，与现有技术相比，通过对导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；再根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型，实现将电力走廊的导线点云数据集中的点云数据抽象为可解析的几何模型，便于对电力走廊的导线进行分析，进而便于对电网的管理和维护更为精细化。
附图说明
17.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
18.图1示出了本发明实施例提供的一种用于电力走廊的导线模型的结构化建模方法的应用场景示意图；
19.图2示出了本发明实施例提供的一种用于电力走廊的导线模型的结构化建模方法流程图；
20.图3示出了本发明实施例提供的另一种用于电力走廊的导线模型的结构化建模方法流程图；
21.图4示出了本发明实施例提供的再一种用于电力走廊的导线模型的结构化建模方法流程图；
22.图5示出了本发明实施例提供的另又一种用于电力走廊的导线模型的结构化建模方法流程图；
23.图6示出了本发明实施例提供的再又一种用于电力走廊的导线模型的结构化建模方法流程图；
24.图7示出了本发明实施例提供的又另一种用于电力走廊的导线模型的结构化建模方法流程图；
25.图8示出了本发明实施例提供的又再一种用于电力走廊的导线模型的结构化建模方法流程图；
26.图9示出了本发明实施例提供的一种用于电力走廊的导线模型的结构化建模装置框架图；
27.图10是用来实施本发明实施例的方法的电子设备的框图。
具体实施方式
28.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
29.在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
30.应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”。
31.下面将结合附图详细描述本公开的实施例。
32.图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
33.在本公开的实施例中，服务器120可以运行使得能够执行用于电力走廊的导线模型的结构化建模方法的一个或多个服务或软件应用。
34.在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(saas)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
35.在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。
36.用户可以使用客户端设备101、102、103、104、105和/或106来接收第一分类结果。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。
37.客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如microsoft windows、apple ios、类unix操作系统、linux或类linux操作系统(例如google chrome os)；或包括各种移动操作系统，例如microsoft windowsmobile os、ios、windows phone、android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(pda)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执
行各种不同的应用程序，例如各种与internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(sms)应用程序，并且可以使用各种通信协议。
38.网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于tcp/ip、sna、ipx等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(lan)、基于以太网的网络、令牌环、广域网(wan)、因特网、虚拟网络、虚拟专用网络(vpn)、内部网、外部网、公共交换电话网(pstn)、红外网络、无线网络(例如蓝牙、wifi)和/或这些和/或其他网络的任意组合。
39.服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如pc(个人计算机)服务器、unix服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
40.服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括http服务器、ftp服务器、cgi服务器、java服务器、数据库服务器等。
41.在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。
42.在一些实施方式中，服务器120可以为分布式系统的服务器，或者是结合了区块链的服务器。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(vps，virtual private server)服务中存在的管理难度大、业务扩展性弱的缺陷。
43.系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如音频文件和对象文件的信息。数据存储库130可以驻留在各种位置。例如，由服务器120使用的数据存储库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据存储库130可以是不同的类型。在某些实施例中，由服务器120使用的数据存储库可以是数据库，例如关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
44.在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。
45.图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。
46.根据本公开的另一方面，还公开了一种用于电力走廊的导线模型的结构化建模方
法，如图2所示，方法200包括如下步骤：
47.201、获取电力走廊的导线点云数据集。
48.这里，电力走廊的导线点云数据集是通过对电力走廊的三维点云场景的点云数据集进行分割得到，分割方法优选采用的是网络模型的方式，即在将待场景分割的点云数据集输入到分割模型后，会得到各场景标签信息的点云语义预测数据集，从其中提取带有语义标签信息为导线标签信息的点云语义预测数据集，这里提取到的点云数据均标注有导线标签信息，因此，得到的点云语义预测数据集即为导线点云数据集。电力走廊的三维点云场景的点云数据集是通过无人机搭载激光雷达对电力走廊的探测获得的，该点云数据集包含着电力走廊场景中全部的环境信息。
49.参看图3，获取电力走廊的导线点云数据集，步骤201包括：
50.2014、将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集。
51.其中，点云语义预测数据集中的各个点云数据分别对应至少一个语义标签信息。
52.这里，通过对待场景分割的点云数据集进行分割，从分割的结果中提取与导线标签信息对应的点云语义预测数据集，通过对导线标签信息对应的点云语义预测数据集模型的结构化建模，可以获得电线及电力光缆的实际几何信息的目的。由此可见，本技术基于机载激光雷达点云数据，可为电网管理和维护提供更为精细化、科学化、高效化的支持。
53.在一些实施方式中，将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集，可以包括：将待场景分割的点云数据集中的点云数据在xy平面上进行方格划分，得到多个方格点云数据集；对各个方格点云数据集中的点云数据进行有放回采样，得到采样训练集；将各个方格点云数据集中的点云数据、以及采样训练集中的点云数据进行整合，得到用于输入到分割模型中的输入样本集；将输入样本集输入到分割模型，得到点云语义预测数据集。
54.具体的，为了使待场景分割的点云数据集中的每一个点云数据都能被输入分割模型后，各个点云数据分别得到预测的语义标签信息，通过将待场景分割的点云数据集中的点云数据在xy平面上划分成小方格完成方格划分，得到多个方格点云数据集；再对每个方格点云数据集内的所有的点云数据再加上部分经过有放回采样获得的采样训练集，以恰好构成整数个大小一致的模型输入样本。每当采集到新的电力走廊点云，在通过预处理步骤之后按上述方式送入训练好的分割模型中，分割模型输出的结果中的每个点云数据均被附上了预测得到的语义标签信息。
55.在一些实施方式中，在将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集之前，参见图4，还包括：
56.2011、获取电力走廊的三维点云场景的点云数据集。
57.需要说明的是，该步骤中的电力走廊为训练网络模型(分割模型)用到的电力走廊，与步骤201中的电力走廊并不是同一个电力走廊，步骤201中的电力走廊为待预测的电力走廊，并不用于网络模型的训练。三维点云场景的点云数据集中的各个点云数据均包含采样点的三维坐标及色彩信息。
58.进一步的，本技术还对获取到的点云数据集进行预处理，以保证后续步骤算法的数值的稳定性、收敛性和准确性。获取电力走廊的三维点云场景的点云数据集，可以包括：
对点云数据集中的各个点云数据进行中心化处理，得到中心点位于坐标原点的零均值点云数据；和/或采用统计学滤波方法对点云数据集中的各个点云数据进行处理，得到滤波点云数据；和/或对点云数据集中的各个点云数据进行体素栅格化处理，获得精简点云数据。
59.具体的，通过对三维点云场景的点云数据集中的各个点云数据进行中心化处理，计算点云数据集的中心点的坐标值，随后将点云数据集中的每个点云数据减去这个中心点的坐标值，得到中心点位于坐标原点的零均值点云数据集，该步骤可保证后续算法的数值稳定与收敛性。
60.由于，机载激光雷达点云数据中包含的离群点和混杂噪声可能为后续算法造成误差，因此，本技术采用统计学滤波方法对点云数据集中的各个点云数据进行处理，能够对离群点和混杂噪声进行消除，以保证后续算法的数据准确性。又由于，激光雷达的扫描精度与覆盖率高，在一个场景下获取的三维点云数据量往往比较庞大，存在一定的数据冗余，造成不必要的算力消耗。因此，本技术对点云数据集中的各个点云数据进行体素栅格化处理，这里使用体素栅格(voxel grid)下采样方式用每个体素栅格的中心点代替其内部的所有点云数据，从而降低点云数据密度，在保证每个点云数据的基本特征和性质不变的情况下，提高后续算法的运算效率。
61.2012、对三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集。
62.需要说明的是，语义标签信息包括导线标签信息，还可以包括电塔标签信息、地面标签信息和地物标签信息中的至少一个。
63.电力走廊的三维点云场景的点云数据包含着电力走廊场景中全部的环境信息，为了方便后续进行更具针对性的数据分析，这里，通过人工观察点云数据集中的各个点云数据后，按场景的功能信息的不同对电力走廊的点云数据进行结构化划分，其中，场景的功能信息包括导线标签信息、电塔标签信息、地面标签信息和地物标签信息等，与前述的语义标签信息对应。
64.这里，通过对三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，能够使后续步骤中对该点云数据的语义分析能够基于标记的语义标签信息，生成能够对待分割的点云数据集根据上述语义标签信息分割的分割模型。其中，这里可以通过手动的方式为各个点云数据赋予语义标签信息。
65.为了能够实现场景数据特征，对点云数据集中的各个点云数据进行采样划分，在一些实施方式中，对三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集，可以包括：在三维点云场景的点云数据集中确定目标点云数据，并将目标点云数据作为中心点；对三维点云场景的点云数据集中的与中心点之间的距离不大于预设邻域阈值的点云数据进行筛选，得到与中心点对应的邻域点集；根据预设抽取阈值对邻域点集中的点云数据进行随机抽取，获得点云训练数据集。
66.具体的，由于点云数据具有无序性，因此，本技术通过随机的方式在三维点云场景的点云数据集中选取点云中的某个点作为目标点云数据，并将该目标点云数据作为中心点；再寻找到中心点的空间距离不大于预设邻域阈值，即为到该中心点为预设邻域阈值距离范围内的点云数据，并将寻找到的点云数据聚集为邻域点集，然后这个邻域集合内随机抽取与预设抽取阈值的数目相同的点云数据作为后续步骤中的网络训练时的点云训练数
据集，通过上述方法能够实现场景数据特征，完成对点云数据集中的各个点云数据的随机采样。
67.在对点云训练数据集训练前，通过对点云数据集的预先估计，确定出各个语义标签信息对应的点云数据的占比，这里，能够发现地面标签信息和地物点云数据所占比例要明显高于导线标签信息、电塔标签信息，这明显不利于后续步骤中的网络对导线、电塔特征的学习，因此，为了避免不同语义标签信息所对应的点云数据的数量不均衡的问题，因此，进一步的，根据预设抽取阈值对邻域点集中的点云数据进行随机抽取，获得点云训练数据集，可以包括：根据语义标签信息对邻域点集内的点云数据进行分类，得到与各个语义标签信息分别对应的点云子数据集；根据预设的语义标签占比和预设抽取阈值，对各个点云子数据集中的点云数据进行有放回的随机采样，完成对邻域点集中的点云数据的随机抽取。
68.在训练过程中，本技术通过随机抽取点云数据生成样本的方式，并结合加入采样权重的方式，改善样本分布不均衡问题。这里，在根据预设抽取阈值对邻域点集中的点云数据进行随机抽取之前，将邻域点集内的所有点云数据按语义标签信息进行分类，得到与各个语义标签信息分别对应的点云子数据集，再利用预设的语义标签占比和预设抽取阈值，对各个点云子数据集中的点云数据进行有放回的随机采样，以提高数量占比低的语义标签信息(导线、电塔)对应的的采样个数，降低占比高的语义标签信息的采样个数，从而改善各个点云子数据集的样本分布不均衡问题。
69.2013、将点云训练数据集输入到语义分割网络模型进行训练，生成分割模型。
70.需要说明的是，本技术是基于pytorch搭建出pointnet语义分割网络模型。
71.在一些实施方式中，将点云训练数据集输入到语义分割网络模型进行训练，生成分割模型，可以包括：根据预设的比例阈值对点云训练数据集中的点云数据进行划分，得到点云训练子集和点云测试子集；将点云训练子集输入到语义分割网络模型进行训练，得到目标分割模型；将点云测试子集输入到目标分割模型中，对目标分割模型进行性能评估；根据性能评估结果，确定目标分割模型是否为最终的分割模型。
72.例如，预设的比例阈值为5:1，则按5:1的比例将点云训练数据集划分为点云训练子集和点云测试子集，点云训练子集用于为语义分割网络模型学习更新参数，点云测试子集用于评估语义分割网络模型的性能。这里，训练参数设置：批量大小batch＝16，轮次epoch＝32，初始学习率0.001，点云训练数据集的输入样本的采样个数4096。
73.2015、将点云语义预测数据集中的带有语义标签信息为导线标签信息的点云数据进行提取，得到导线点云数据集。
74.这里，通过获取电力走廊的三维点云场景的点云数据集；再对点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集；将点云训练数据集输入到语义分割网络模型进行训练，生成分割模型；将待场景分割的点云数据集输入到分割模型，得到点云语义预测数据集，以实现将待场景分割的点云数据集输入到分割模型中完成预测，能够自动把不同语义标签信息对应的点云语义预测数据集分割出来，进而便于对获取到的待场景分割的点云数据集的快速分析。
75.202、对导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集。
76.由于，步骤201中得到的导线点云数据集中的点云数据可能来自电力走廊内的多
根导线，因此，通过该导线点云数据集无法直接用来对导线进行模型的结构化建模；又由于导线对应的点云数据在空间上具有密度分布上的连通性，因此，在本技术中通过聚类算法对导线点云数据集中的点云数据进行聚类，其中，聚类算法优选为dbscan聚类算法，通过使用dbscan聚类算法对导线点云数据集中的点云数据进行聚类，以完成对多根导线各自对应的点云数据的提取，进而得到所有导线各自对应的导线点云子数据集。这里，dbscan聚类是一种基于密度的无监督聚类算法，考虑聚类对象的空间分布特征以及运算效率，采取的一种简化的算法实现，因此，通过dbscan聚类算法对导线点云数据集中的点云数据进行聚类，能够实现对导线的空间分布特征进行聚类，进而提高后续步骤的运算效率。需要说明的是：该多根导线可以是电力走廊的所有导线，还可以是电力走廊的部分导线，本实施例对此不进行限定，在应用中可以视具体情况而定。
77.在一些实施方式中，对导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集，参见图5，包括如下步骤：
78.2021、将在导线点云数据集中随机选取尚未访问的点云数据作为种子点，并确定出种子点在预设距离范围内对应的邻域点。
79.这里通过随机选取的方式选取导线点云数据集中的尚未访问的点云数据作为种子点，并计算出种子点∈-距离内的邻域，确定出种子点在预设距离范围内的邻域点。
80.2022、若种子点对应的邻域点的个数大于预设的数量阈值，则将种子点归作为核心点。
81.这里，将预设的数量阈值设定为minpt，若种子点的邻域点的个数大于minpt，则该种子点将被归为新的一类聚类，此时将该种子点作为核心点；若种子点的邻域点的个数小于minpt，则将该种子点视为噪声。
82.2023、将核心点对应的邻域点加入与该核心点对应的簇中，得到核心点对应的临时聚类簇。
83.2024、将临时聚类簇中的各个邻域点分别作为新的种子点，并确定出新的种子点在预设距离范围内的邻域点。
84.这里，将聚类簇中的各个邻域点分别作为新的种子点，实现了通过递归遍历的方式对步骤2022中的核心点所对应的临时聚类簇中的每一个邻域点进行访问，再计算作为新的种子点的各个邻域点的邻域点。
85.2025、若新的种子点对应的邻域点的个数大于预设的数量阈值，则将新的种子点归作为核心点。
86.需要说明的是，如果新的种子点的邻域点的个数同样大于minpt，则该新的种子点将被归为新的一类聚类，此时将该种子点作为核心点；若该新的种子点的邻域点的个数小于minpt，则将该新的种子点视为噪声。
87.2026、跳转至“将核心点对应的邻域点加入与该核心点各自对应的簇中”的步骤，直至不再有新的种子点对应的邻域点的个数大于预设的数量阈值为止，并将临时聚类簇确定为单根导线对应的聚类簇。
88.具体的，首先跳转至步骤2023，即为将核心点对应的邻域点加入与该核心点对应的簇中，得到核心点对应的临时聚类簇；再跳转至步骤2024，即为将临时聚类簇中的各个邻域点分别作为新的种子点，并确定出新的种子点在预设距离范围内的邻域点；又跳转回步
骤2023，即为若新的种子点对应的邻域点的个数大于预设的数量阈值，则将新的种子点归作为核心点；直至不再有新的种子点对应的邻域点的个数大于预设的数量阈值为止，再将临时聚类簇确定为单根导线对应的聚类簇，以完成对该聚类簇所对应的点云数据的归类。
89.当步骤2023中的临时聚类簇中所有邻域点均已访问结束，且不再有新的种子点加入临时聚类簇时，则递归遍历结束，此时这个临时聚类簇的扩展完成，其聚类出的最终聚类簇对应空间中一段连续的单根导线的点云数据。
90.2027、若不再有新的种子点对应的邻域点的个数大于预设的数量阈值，则跳转至“将在导线点云数据集中随机选取尚未访问的点云数据作为种子点”的步骤，直至导线点云数据集中的所有点云数据均被访问为止，以确定导线点云数据集中的各个点云数据的聚类簇的类别。
91.具体的，当不再有新的种子点对应的邻域点的个数大于预设的数量阈值时，跳转至步骤2021，并重复步骤2021至步骤2023，直至导线点云数据集中的所有点云数据均被访问为止，以确定导线点云数据集中的各个点云数据的聚类簇的类别。这里，在确定导线点云数据集中的各个点云数据的聚类簇的类别后，则能够找出多根导线的所对应的导线点云子数据集。
92.2028、将相同类别的聚类簇对应的导线点云数据集中的点云数据进行提取，得到多根导线各自对应的导线点云子数据集。
93.这里，所获得的导线点云子数据集中的点云数据所对应的聚类簇的类别均相同，例如，导线1对应的导线点云子数据集中的点云数据对应导线1在空间中的一段连续的点云数据。
94.203、根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型。
95.需要说明的是，样条曲线是计算机辅助设计、生成三维模型领域里最强大的一种方法，而贝塞尔曲线则是样条曲线当中最为基础的一类模型。贝塞尔曲线最大的优点是其自由度高，且局部可任意细分：用贝塞尔曲线来描述一条空间任意曲线的表达式简洁直观，方便进行插值、对曲线上的任意点进行访问。本技术中的架空输电导线的理想物理模型为一条仅在两端受力的悬链线，通过实验观察发现，使用阶次为4的贝塞尔曲线，即可较为精确地拟合出架空输电导线的空间姿态。因此，本技术以贝塞尔曲线模型为导线的结构化模型，由最小二乘法从导线的导线点云子数据集中拟合出贝塞尔曲线的控制点坐标。
96.在一些实施方式中，根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型，参见图6，步骤203可以包括如下步骤：
97.2031、将导线点云子数据集中的点云数据进行线性尺度缩放，得到各个导线与目标尺寸各自对应的导线点云缩放数据集。
98.这里，为保证数值稳定性，在对各个导线各自对应的点云数据进行拟合前，对各个导线各自对应的点云数据进行线性尺度缩放，并将经线性尺度缩放后的导线点云子数据集中的点云数据作为导线对应的导线点云缩放数据集。
99.需要说明的是，将聚类得到的各个导线各自对应的点云数据进行线性尺度缩放时，对各个导线各自对应的点云数据进行归一化处理，可保证后续算法的收敛性。其中，归一化处理的计算公式为：
[0100][0101]
经过上述变换后的点云数据的坐标值将分布在[0，1]区间。其中，为了方便后续尺度还原，需要记录下缩放参数x.min()和x.max()。
[0102]
2032、根据各个导线点云缩放数据集和贝塞尔曲线模型，得到导线初始模型。
[0103]
在一些实施方式中，根据各个导线点云缩放数据集和贝塞尔曲线模型，得到导线初始模型，参见图7，步骤2032包括如下步骤：
[0104]
20321、根据导线点云缩放数据集中的各个点云数据在x轴的坐标值，确定导线点云缩放数据集中的各个点云数据分别对应的贝塞尔曲线参数。
[0105]
需要说明的是，一条n阶贝塞尔的曲线矩阵定义式为：p(t)＝(t)(c)(v)。
[0106]
其中，(t)是参数t所构成的范德蒙矩阵，t∈[0，1]：(t)＝(tnt
n-1
···
1)；(c)是贝塞尔曲线的系数矩阵，其只取决于贝塞尔曲线的阶次。这里，采用类似杨辉三角的计算技巧能够节省冗余的组合数运算。对于4阶贝塞尔的曲线矩阵，其参数矩阵如下：
[0107][0108]
(v)是控制点所构成的矩阵(v
0 v1ꢀ…vn
)，一条n阶贝塞尔曲线需要n+1个控制点。这里，只要确定了控制点，就唯一确定了一条贝塞尔曲线，则完整的贝塞尔曲线就可以通过对参数t插值的方式获得，因此，所希望拟合的目标就是控制点矩阵(v)。
[0109]
这里，给定各个导线点云缩放数据集中的点云数据构成的测量矩阵(d)，这里的拟合过程就是用标准的最小二乘方法对如下的超定线性方程组进行求解：(t)(c)(v)＝(d)。在拟合过程中对于、导线点云缩放数据集中的各个点云数据需要提前给定参数t。但由于贝塞尔曲线自由度很高，则参数t只需要大致给定即可。
[0110]
20322、基于随机梯度下降法，确定导线对应的贝塞尔曲线模型的控制点矩阵。
[0111]
由于步骤2031对聚类得到的各个导线各自对应的点云数据进行线性尺度缩放处理，则该导线的点云数据在x轴上的坐标值均在[0，1]区间内，因此，这里直接令贝塞尔曲线参数t等于每个点云数据的x轴坐标值。基于随机梯度下降法求解该最小二乘问题，批量大小设置为150，学习率设置为1
×
10-3
，当误差小于1
×
10-3
或者收敛时终止。
[0112]
需要说明的是，在关于控制点矩阵中，由于根据贝塞尔曲线的定义，控制点矩阵的起始点是参数t等于0时计算出来的点，控制点矩阵的终止点是参数t等于1时所计算出来的点，因此，控制点矩阵的起始点和终止点分别为贝塞尔曲线上的两个端点。同时，控制点矩阵的起始点和终止点还是贝塞尔曲线的两个控制点，由此可见，这里的贝塞尔曲线的两个端点也是贝塞尔曲线的控制点。
[0113]
由于，这里预先指定了导线点云缩放数据集中的两个端点(即起始点和终止点)对应的点云数据所对应的贝塞尔曲线参数t分别为0和1，因此，在计算控制点矩阵的结果中，即可将贝塞尔曲线的两个端点作为两个控制点。这里，可以说贝塞尔曲线的这两个控制点(即起始点和终止点)是通过指定参数t而在预先就隐式确定的，剩下的控制点则是计算得
到的。
[0114]
20323、根据控制点矩阵、以及预设的贝塞尔曲线的系数矩阵，得到导线初始模型。
[0115]
本技术通过随机梯度下降得到了导线对应的贝塞尔曲线模型的控制点矩阵(v)，也就可以由这个矩阵和预设的贝塞尔曲线的系数矩阵，得到完整的导线初始模型。
[0116]
进一步的，在根据所述控制点矩阵、以及预设的贝塞尔曲线的系数矩阵，得到所述导线初始模型之后，参见图8，步骤2032还包括如下步骤：
[0117]
20324、对贝塞尔曲线参数进行插值处理，获得导线初始模型上的任意一点所对应的坐标信息。
[0118]
由于经过了线性尺度缩放，现在导线的点云数据的x轴坐标值应当均在[0，1]区间内，因此，可直接令贝塞尔曲线参数t等于每个点的x轴的坐标值，这里，在区间[0，1]中进行插值，生成参数矩阵(t)；然后通过导线初始模型就可以计算出位于该条导线对应的导线初始模型上的一系列点的坐标信息，进而获得该导线初始模型上的任意一点所对应的坐标信息。
[0119]
需要说明的是，通过对贝塞尔曲线参数进行插值处理，能够快速计算出导线初始模型上的任意一点所对应的坐标信息，使原本无序且数据量庞大的导线点云数据集中的点云数据可以被一个简单的控制点矩阵取代，实现对导线点云缩放数据集中的点云数据存储和表达上的高效性；又由于，控制点矩阵无法直接反映导线的实体信息，因此，对贝塞尔曲线参数进行插值处理，就可以实现对导线上任意一点的空间坐标信息的快速访问。
[0120]
20325、根据导线初始模型上的任意一点所对应的坐标信息，得到导线空间几何姿态信息、以及导线与外物之间的距离信息。
[0121]
其中，导线空间几何姿态信息包括位于导线上的任意一点所对应曲率信息。
[0122]
因此，通过对贝塞尔曲线参数进行插值处理，所获得到的导线初始模型上的任意一点所对应的坐标信息是最终实现“导线空间几何姿态信息的高效表达”不可缺少的一步骤。通过该方法能够访问导线上任意一点的空间坐标信息，从而可以自动计算导线与外物距离，并且可以进一步计算出导线在任意一点的曲率，以便推倒其张力或拉力等直接安全参数。
[0123]
20326、根据导线初始模型上的任意一点所对应的坐标信息对导线结构模型进行可视化处理，得到导线对应的贝塞尔曲线模型。
[0124]
这里，通过获得导线初始模型上的任意一点所对应的坐标信息还能够生成还可以用来还原一整根导线对应的贝塞尔曲线模型，以实现对模型的结构化建模结果的可视化。
[0125]
2033、根据对点云数据线性尺度缩放时的缩放参数对导线初始模型进行尺寸还原，得到导线的结构化模型。
[0126]
这里，根据对点云数据线性尺度缩放时的缩放参数对导线初始模型进行尺寸还原，得到导线的结构化模型，以将所获得的导线的结构化模型还原到真实世界尺度，进而便于对电力走廊的导线进行分析，以便于对电网的管理和维护更为精细化。
[0127]
需要说明的是，利用之前缩放时所依据的缩放参数对控制点矩阵(v)进行尺度还原，就可以得到真实场景尺度下的贝塞尔曲线模型，从而实现了导线的模型的结构化建模，并从建模获得的导线的模型自动测量出各个导线到地面的距离、以及相邻的两根导线之间的间距。
[0128]
本发明提供的一种用于电力走廊的导线模型的结构化建模方法，通过对导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；再根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型，实现将电力走廊的导线点云数据集中的点云数据抽象为可解析的几何模型，便于对电力走廊的导线进行分析，进而便于对电网的管理和维护更为精细化。
[0129]
进一步的，作为对上述图2所示方法的实现，本发明实施例提供了一种用于电力走廊的导线模型的结构化建模装置，如图9所示，该装置包括：
[0130]
导线点云数据集获取模块91，用于获取所述电力走廊的导线点云数据集；
[0131]
聚类结果获取模块92，用于对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；
[0132]
结构化模型生成模块93，用于根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型。
[0133]
进一步的，导线点云数据集获取模块91包括：
[0134]
分割模型生成单元，用于将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集；
[0135]
导线点云数据集获取单元，用于将点云语义预测数据集中的带有语义标签信息为导线标签信息的点云数据进行提取，得到导线点云数据集。
[0136]
其中，所述点云语义预测数据集中的各个点云数据分别对应至少一个语义标签信息。
[0137]
进一步的，点云语义预测数据集获取单元包括：
[0138]
方格点云数据集获取子单元，用于将待场景分割的点云数据集中的点云数据在xy平面上进行方格划分，得到多个方格点云数据集；
[0139]
采样训练集获取子单元，用于对各个所述方格点云数据集中的点云数据进行有放回采样，得到采样训练集；
[0140]
输入样本集获取子单元，用于将各个方格点云数据集中的点云数据、以及采样训练集中的点云数据进行整合，得到用于输入到分割模型中的输入样本集；
[0141]
点云语义预测数据集获取子单元，用于将所述输入样本集输入到所述分割模型，得到点云语义预测数据集。
[0142]
进一步的，导线点云数据集获取模块91还包括：
[0143]
点云数据集获取单元，用于获取电力走廊的三维点云场景的点云数据集；
[0144]
点云训练数据集获取单元，用于对三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集；
[0145]
分割模型生成单元，用于将所述点云训练数据集输入到语义分割网络模型进行训练，生成所述分割模型。
[0146]
进一步的，语义标签信息包括导线标签信息、电塔标签信息、地面标签信息和地物标签信息中的至少一个；点云训练数据集获取单元包括：
[0147]
中心点确定子单元，用于在三维点云场景的点云数据集中确定目标点云数据，并将目标点云数据作为中心点；
[0148]
邻域点集确定子单元，用于对三维点云场景的点云数据集中的与中心点之间的距
离不大于预设邻域阈值的点云数据进行筛选，得到与中心点对应的邻域点集；
[0149]
点云训练数据集获取子单元，用于根据预设抽取阈值对邻域点集中的点云数据进行随机抽取，获得点云训练数据集。
[0150]
进一步的，点云训练数据集获取单元包括：
[0151]
点云子数据集获取子单元，用于根据语义标签信息对邻域点集内的点云数据进行分类，得到与各个语义标签信息分别对应的点云子数据集；
[0152]
随机抽取子单元，用于根据预设的语义标签占比和预设抽取阈值，对各个点云子数据集中的点云数据进行有放回的随机采样，完成对邻域点集中的点云数据的随机抽取。
[0153]
进一步的，分割模型生成单元包括：
[0154]
划分子单元，用于根据预设的比例阈值对点云训练数据集中的点云数据进行划分，得到点云训练子集和点云测试子集；
[0155]
目标分割模型获取子单元，用于将点云训练子集输入到语义分割网络模型进行训练，得到目标分割模型；
[0156]
性能评估子单元，用于将点云测试子集输入到目标分割模型中，对目标分割模型进行性能评估；
[0157]
分割模型确定子单元，用于根据性能评估结果，确定目标分割模型是否为最终的分割模型；
[0158]
进一步的，点云语义预测数据集获取单元包括：
[0159]
方格点云数据集获取子单元，用于将待场景分割的点云数据集中的点云数据在xy平面上进行方格划分，得到多个方格点云数据集；
[0160]
采样训练集获取子单元，用于对各个所述方格点云数据集中的点云数据进行有放回采样，得到采样训练集；
[0161]
输入样本集获取子单元，用于将各个方格点云数据集中的点云数据、以及采样训练集中的点云数据进行整合，得到用于输入到分割模型中的输入样本集。
[0162]
进一步的，聚类结果获取模块92包括：
[0163]
第一邻域点确定单元，用于将在所述导线点云数据集中随机选取尚未访问的点云数据作为种子点，并确定出所述种子点在预设距离范围内对应的邻域点；
[0164]
第一核心点确定单元，用于若所述种子点对应的所述邻域点的个数大于预设的数量阈值，则将所述种子点归作为核心点；
[0165]
临时聚类簇获得单元，用于将所述核心点对应的所述邻域点加入与该所述核心点对应的簇中，得到所述核心点对应的临时聚类簇；
[0166]
第二邻域点确定单元，用于将所述临时聚类簇中的各个所述邻域点分别作为新的种子点，并确定出所述新的种子点在预设距离范围内的邻域点；
[0167]
第二核心点确定单元，用于若所述新的种子点对应的所述邻域点的个数大于预设的数量阈值，则将所述新的种子点归作为核心点；
[0168]
单根导线聚类簇确定单元，用于跳转至“将所述核心点对应的所述邻域点加入与该所述核心点各自对应的簇中”的步骤，直至不再有新的种子点对应的邻域点的个数大于所述预设的数量阈值为止，并将所述临时聚类簇确定为单根导线对应的聚类簇；
[0169]
递归遍历单元，用于若不再有新的种子点对应的邻域点的个数大于所述预设的数
量阈值，则跳转至“将在所述导线点云数据集中随机选取尚未访问的点云数据作为种子点”的步骤，直至所述导线点云数据集中的所有所述点云数据均被访问为止，以确定所述导线点云数据集中的各个所述点云数据的聚类簇的类别；
[0170]
导线点云子数据集获取单元，用于将相同类别的所述聚类簇对应的所述导线点云数据集中的点云数据进行提取，得到所有所述导线各自对应的导线点云子数据集。
[0171]
进一步的，结构化模型生成模块93包括：
[0172]
导线点云缩放数据集获取单元，用于将导线点云子数据集中的点云数据进行线性尺度缩放，得到各个导线与目标尺寸各自对应的导线点云缩放数据集；
[0173]
第一导线初始模型获得单元，用于根据各个导线点云缩放数据集和贝塞尔曲线模型，得到导线初始模型；
[0174]
结构化模型获得单元，用于根据对点云数据线性尺度缩放时的缩放参数对导线初始模型进行尺寸还原，得到导线的结构化模型。
[0175]
进一步的，结构化模型生成模块93包括：
[0176]
贝塞尔曲线参数确定单元，用于根据导线点云缩放数据集中的各个点云数据在x轴的坐标值，确定导线点云缩放数据集中的各个点云数据分别对应的贝塞尔曲线参数；
[0177]
控制点矩阵确定单元，用于基于随机梯度下降法，确定导线对应的贝塞尔曲线模型的控制点矩阵；
[0178]
第二导线初始模型获取单元，用于根据控制点矩阵、以及预设的贝塞尔曲线的系数矩阵，得到导线初始模型。
[0179]
进一步的，结构化模型生成模块93还包括：
[0180]
坐标信息获取单元，用于对贝塞尔曲线参数进行插值处理，获得导线初始模型上的任意一点所对应的坐标信息；
[0181]
信息获取单元，用于根据导线初始模型上的任意一点所对应的坐标信息，得到导线空间几何姿态信息、以及导线与外物之间的距离信息；或
[0182]
可视化处理单元，用于根据导线初始模型上的任意一点所对应的坐标信息对导线结构模型进行可视化处理，得到导线对应的贝塞尔曲线模型。
[0183]
本发明提供的一种用于电力走廊的导线模型的结构化建模装置，通过对导线点云数据集中的点云数据进行聚类，得到所有导线各自对应的导线点云子数据集；再根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型，实现将电力走廊的导线点云数据集中的点云数据抽象为可解析的几何模型，便于对电力走廊的导线进行分析，进而便于对电网的管理和维护更为精细化。
[0184]
需要说明的是：上述实施例提供的用于电力走廊的导线模型的结构化建模装置在实现导线模型的结构化建模时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的导线模型的结构化建模装置与导线模型的结构化建模方法实施例属于同一构思，其具体实现过程详见方法实施例，此处不再一一赘述。
[0185]
根据本公开的另一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现根据本公开所述的方法的步骤。
[0186]
根据本公开的另一方面，还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序被处理器执行时实现根据本公开所述的方法的步骤。
[0187]
参考图10，现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图，其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0188]
如图10所示，电子设备1000包括计算单元1001，其可以根据存储在只读存储器(rom)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(ram)1003中的计算机程序，来执行各种适当的动作和处理。在ram 1003中，还可存储电子设备1000操作所需的各种程序和数据。计算单元1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
[0189]
电子设备1000中的多个部件连接至i/o接口1005，包括：输入单元1006、输出单元1007、存储单元1008以及通信单元1009。输入单元1006可以是能向电子设备1000输入信息的任何类型的设备，输入单元1006可以接收输入的数字或字符信息，以及产生与电子设备的用户设置和/或功能控制有关的键信号输入，并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1007可以是能呈现信息的任何类型的设备，并且可以包括但不限于显示器、扬声器、对象/音频输出终端、振动器和/或打印机。存储单元1008可以包括但不限于磁盘、光盘。通信单元1009允许电子设备1000通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据，并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组，例如蓝牙tm设备、802.11设备、wifi设备、wimax设备、蜂窝通信设备和/或类似物。
[0190]
计算单元1001可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1001的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元1001执行上文所描述的各个方法和处理，例如方法200。例如，在一些实施例中，方法200可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元1008。在一些实施例中，计算机程序的部分或者全部可以经由rom 1002和/或通信单元1009而被载入和/或安装到电子设备1000上。当计算机程序加载到ram 1003并由计算单元1001执行时，可以执行上文描述的方法200的一个或多个步骤。备选地，在其他实施例中，计算单元1001可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200。
[0191]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、复杂可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算
机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0192]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0193]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0194]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0195]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0196]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0197]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0198]
虽然已经参照附图描述了本公开的实施例或示例，但应理解，上述的方法、系统和设备仅仅是示例性的实施例或示例，本发明的范围并不由这些实施例或示例限制，而是仅
由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外，可以通过不同于本公开中描述的次序来执行各步骤。进一步地，可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进，在此描述的很多要素可以由本公开之后出现的等同要素进行替换。

技术特征：
1.一种用于电力走廊的导线模型的结构化建模方法，其特征在于，包括：获取电力走廊的导线点云数据集；对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型。2.根据权利要求1所述的方法，其特征在于，所述获取电力走廊的导线点云数据集，包括：将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集；其中，所述点云语义预测数据集中的各个点云数据分别对应至少一个语义标签信息；将所述点云语义预测数据集中的带有语义标签信息为导线标签信息的点云数据进行提取，得到所述导线点云子数据集。3.根据权利要求2所述的方法，其特征在于，所述将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集，包括：将所述待场景分割的点云数据集中的点云数据在xy平面上进行方格划分，得到多个方格点云数据集；对各个所述方格点云数据集中的点云数据分别进行有放回采样，得到采样训练集；将各个所述方格点云数据集中的点云数据、以及所述采样训练集中的点云数据进行整合，得到输入样本集；将所述输入样本集输入到所述分割模型，得到所述点云语义预测数据集。4.根据权利要求2所述的方法，其特征在于，在所述将待场景分割的点云数据集输入到预先训练完成的分割模型，得到点云语义预测数据集之前，还包括：获取所述电力走廊的三维点云场景的点云数据集；对所述三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集；将所述点云训练数据集输入到语义分割网络模型进行训练，生成所述分割模型。5.根据权利要求4所述的方法，其特征在于，所述语义标签信息包括导线标签信息、电塔标签信息、地面标签信息和地物标签信息中的至少一个；所述对所述三维点云场景的点云数据集中的各个点云数据根据各自对应的语义标签信息分别进行标记，获得点云训练数据集，包括：在所述三维点云场景的点云数据集中确定目标点云数据，并将所述目标点云数据作为中心点；对所述三维点云场景的点云数据集中的与所述中心点之间的距离不大于预设邻域阈值的点云数据进行筛选，得到与所述中心点对应的邻域点集；根据预设抽取阈值对所述邻域点集中的点云数据进行随机抽取，获得点云训练数据集。6.根据权利要求5所述的方法，其特征在于，所述根据预设抽取阈值对所述邻域点集中的点云数据进行随机抽取，获得点云训练数据集，包括：根据所述语义标签信息对所述邻域点集内的点云数据进行分类，得到与各个所述语义标签信息分别对应的点云子数据集；
根据预设的语义标签占比和所述预设抽取阈值，对各个所述点云子数据集中的点云数据进行有放回的随机采样，完成对所述邻域点集中的点云数据的随机抽取。7.根据权利要求4所述的方法，其特征在于，所述将所述点云训练数据集输入到语义分割网络模型进行训练，生成所述分割模型，包括：根据预设的比例阈值对所述点云训练数据集中的点云数据进行划分，得到点云训练子集和点云测试子集；将所述点云训练子集输入到所述语义分割网络模型进行训练，得到目标分割模型；将所述点云测试子集输入到所述目标分割模型中，对所述目标分割模型进行性能评估；根据性能评估结果，确定所述目标分割模型是否为最终的所述分割模型。8.根据权利要求1所述的方法，其特征在于，所述对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集，包括：将在所述导线点云数据集中随机选取尚未访问的点云数据作为种子点，并确定出所述种子点在预设距离范围内对应的邻域点；若所述种子点对应的所述邻域点的个数大于预设的数量阈值，则将所述种子点归作为核心点；将所述核心点对应的所述邻域点加入与该所述核心点对应的簇中，得到所述核心点对应的临时聚类簇；将所述临时聚类簇中的各个所述邻域点分别作为新的种子点，并确定出所述新的种子点在预设距离范围内的邻域点；若所述新的种子点对应的所述邻域点的个数大于预设的数量阈值，则将所述新的种子点归作为核心点；跳转至“将所述核心点对应的所述邻域点加入与该所述核心点各自对应的簇中”的步骤，直至不再有新的种子点对应的邻域点的个数大于所述预设的数量阈值为止，并将所述临时聚类簇确定为单根导线对应的聚类簇；若不再有新的种子点对应的邻域点的个数大于所述预设的数量阈值，则跳转至“将在所述导线点云数据集中随机选取尚未访问的点云数据作为种子点”的步骤，直至所述导线点云数据集中的所有所述点云数据均被访问为止，以确定所述导线点云数据集中的各个所述点云数据的聚类簇的类别；将相同类别的所述聚类簇对应的所述导线点云数据集中的点云数据进行提取，得到多根所述导线各自对应的导线点云子数据集。9.根据权利要求1所述的方法，其特征在于，所述根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型，包括：将所述导线点云子数据集中的点云数据进行线性尺度缩放，得到各个所述导线与目标尺寸各自对应的导线点云缩放数据集；根据各个所述导线点云缩放数据集和贝塞尔曲线模型，得到导线初始模型；根据对所述点云数据线性尺度缩放时的缩放参数对所述导线初始模型进行尺寸还原，得到所述导线的结构化模型。10.根据权利要求9所述的方法，其特征在于，所述根据各个所述导线点云缩放数据集
和贝塞尔曲线模型，得到导线初始模型，包括：根据所述导线点云缩放数据集中的各个点云数据在x轴的坐标值，确定所述导线点云缩放数据集中的各个点云数据分别对应的贝塞尔曲线参数；基于随机梯度下降法，确定所述导线对应的贝塞尔曲线模型的控制点矩阵；根据所述控制点矩阵、以及预设的贝塞尔曲线的系数矩阵，得到所述导线初始模型。11.根据权利要求10所述的方法，其特征在于，在所述根据所述控制点矩阵、以及预设的贝塞尔曲线的系数矩阵，得到所述导线初始模型之后，还包括：对所述贝塞尔曲线参数进行插值处理，获得所述导线初始模型上的任意一点所对应的坐标信息；根据所述导线初始模型上的任意一点所对应的坐标信息，得到导线空间几何姿态信息、以及所述导线与外物之间的距离信息；或根据所述导线初始模型上的任意一点所对应的坐标信息对所述导线结构模型进行可视化处理，得到所述导线对应的贝塞尔曲线模型。12.一种用于电力走廊的导线模型的结构化建模装置，其特征在于，包括：导线点云数据集获取模块，用于获取电力走廊的导线点云数据集；聚类结果获取模块，用于对所述导线点云数据集中的点云数据进行聚类，得到多根导线各自对应的导线点云子数据集；结构化模型生成模块，用于根据所述导线点云子数据集和贝塞尔曲线模型，得到所述导线的结构化模型。13.一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，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。14.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至11中任一项所述的方法的步骤。

技术总结
本发明公开了一种用于电力走廊的导线模型的结构化建模方法和装置，其中，方法包括：获取电力走廊的导线点云数据集；对导线点云数据集中的点云数据进行聚类，得到多跟导线各自对应的导线点云子数据集；根据导线点云子数据集和贝塞尔曲线模型，得到导线的结构化模型。本发明能够实现将电力走廊的导线点云数据集中的点云数据抽象为可解析的几何模型，便于对电力走廊的导线进行分析，进而便于对电网的管理和维护更为精细化。和维护更为精细化。和维护更为精细化。


技术研发人员：叶翰樵 申抒含
受保护的技术使用者：中国科学院自动化研究所
技术研发日：2023.03.21
技术公布日：2023/7/19