[0001] 本发明涉及电路巡检领域，特别涉及一种电力巡检小车多重采样巡轨数据处理模型。

[0002] 电力线路巡检是保障电力系统安全和可靠运行的重要手段之一。在传统巡检方式中，巡检人员需要爬上电杆或者使用人字梯来进行巡检，存在高空坠落和恶劣天气等安全隐患，同时也无法对电力线路进行全面、细致的检查。在这种技术背景下，为了解决传统电力线路巡检所存在的问题并提高巡检效率，人工智能技术被广泛应用于电力线巡检领域。随着设备状态全息感知、倒闸操作远程一键顺控、机器替代人工巡检等诸多前沿的人工智能技术发展迅速，新的思路、算法和技术逐渐应用于电力线路巡检作业之中，并实质性的提高了电力线路故障或缺陷的识别精确度、识别效率和智能化水平。

[0003] 与此相应，随着上述技术的进步与发展，越来越多的电力公司开始引入智能化巡检设备并基于固定摄像头、全景采集等图像采集设备对电力线路和电力设备进行图像采集。其中，尤为突出的是无人机巡检技术路线。可以说，目前无人机巡检技术在电力线路巡检已经被广泛应用。无人机巡检能够高空无死角地观察地面情况，灵活调整观察角度和位置，同时无人机还可以远程操控，降低人工巡检的风险和成本。在恶劣环境或高风险任务中，无人机可以替代人工进行巡检，降低了安全风险。

[0004] 但与此同时，无人机巡检还有一些不足，如在一些特殊环境，如大风、雨雪等恶劣天气条件下，无人机的飞行稳定性和巡检效果会受到严重影响。同时，在无人机电力线路巡检的应用实践中，无人机在飞行过程中经常受到电磁干扰等因素的影响，尤其是考虑到电力线路巡检路径上存在大量呈现为电磁干扰源的电力设备，这个问题往往非常严重且难以有效克服和消解。还有一点也严重的制约着无人机在广域电力线路巡检中的应用，即禁飞区的存在，由于种种原因，广域且长距离的电力线路巡检往往在部分区域会存在禁飞限制，使得无人机无法在这些区域进行巡检。

[0005] 因此，由于无人机巡检的上述缺陷，使得地面电力巡检设备(即电力线路巡检小车，学术和应用上有时亦称作电力巡检机器人)逐渐受到重视并发展为电力线路智能巡检的主导技术路线之一。目前，地面电力巡检设备的主导技术路线是，安装摄像头的电力巡检小车采用拍摄图片进行图像采集，采集到大量的电力设备图像或视频，然后再基于内置的图像识别算法和故障识别数据模型进行电力线路和电力设备故障风险的识别、排除或预检，识别结果最终报送至数据中心并最终由电力工程师或其他作业人员进行人工查验。

[0006] 一般而言，上述地面电力巡检设备中装载和预构建的电力设备图像识别算法，往往对图像特征提取的能力不足且识别精度较差，从而导致电力线路和电力设备故障识别效率和精度较差。关于这一点，往往通过后期的人工校正予以解决，随着技术的进步，设备识别的效率和精度逐渐提高，对应人工后期校正的工作量越来越小。

[0007] 然而，除了上述关于识别的效率和精度的问题，还有一个十分重要的问题，即：电力线路巡检小车为了能够进行自动巡检，首先需要自动识别和规划电力巡游轨迹。在这个问题上，现有的计算模型一般是以电线及其延伸方向作为依据，将电力巡检小车所采集的图像中的电线，以及电线的走向识别出来，然后以此为基础自动构建和规划电力巡游轨迹并实时调整。具体的，现有计算模型一般是将电线视作标准的直线对待，坐标化之后其图形的解析表达式具有一次函数的特征，这样，对于电力巡检小车所采集的图像，计算模型通过识别其中跨越整个视野的一次解析表达式(并将其继续延伸至视野之外)，即可进行电线和电线走向的动态的建模规划，并以此为基础规划巡轨和进行自动电力线路巡检。

[0008] 然而，上述计算模型当中存在一些严重的缺陷，简单来说就是对于电力巡检小车所采集的图像，其视野当中往往存在诸多长直线图形要素，例如电线杆、树干、建筑外立面的长直条纹等，使得对于真实电线的识别经常出现错误。尤其是考虑到由于巡检小车的动态移动和颠簸跳动和抖动问题，加之存在大量的电线与树木、建筑等背景复杂交织的情况，电线识别错误及由此导致的巡轨规划差误时有发生。这种差误的发生，究其根本在于现有计算模型采用的一次解析函数识别算法太过简单，其仅仅考虑了电线作为长直线的几何特征，而没有进一步对于电线在局部的弯曲程度、凹凸性或对称性等细节化特征进行算法规划和数据建模。

[0009] 因此，开发一个兼容电力线路的线性延伸特性，同时纳入其局部曲率特征和曲率分布结构的算法模型，对于提升地面电力巡检设备的自动化巡游能力显得尤为重要。

[0034] 以下实施例详细说明了本发明。在以下实施例的描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

[0035] 另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

[0036] 实施例0、技术概述

[0037] 无人机巡检在实际应用中的诸多限制，如禁飞区域等没有迂回解决空间的问题及其他几个技术障碍，使得地面电力巡检设备逐渐受到重视并发展为电力线路智能巡检的主导技术路线之一。

[0038] 现有的电力巡检小车主要依赖于对电线及其延伸方向的识别和规划来实现自动巡检(规划自动巡检路线)。一般是将电线视为标准的直线，并通过识别图像中的电线及其走向来构建和规划巡游轨迹。然而，这种方法存在显著的缺陷，由于算法逻辑是电线视为标准直线，容易将电线杆、树干、建筑外立面的长直条纹等误识别为电线，而巡检小车在动态移动过程中可能会出现颠簸和抖动，以及电线与树木、建筑等背景复杂交织，导致电线识别错误频繁发生。现有模型仅考虑电线的几何特征而未能纳入电线的局部弯曲程度、凹凸性或对称性等细节特征，而这也是导致巡轨规划不准确的根本性原因，也是本研究进行巡轨算法改进的基础。

[0039] 鉴于此，本发明在考虑电力线路线性延伸特性的基础上，同时将其局部曲率特征和曲率分布结构纳入到所构建的算法模型中，以提升地面电力巡检设备的自动化巡游能力。基础算法框架为：在全局数据坐标上，将电线作为一次解析直线进行算法识别，将具有一次解析表达式的图形要素视作潜在的电线和自动巡游轨迹；核心算法框架为：在局部精细化的数据坐标上，基于电线及塔杆的数据交叉及其特有解析曲线特征，排除干扰图形要素，实现高精度自动巡轨识别。

[0040] 在核心算法框架中，电线及塔杆的数据交叉及其特有解析曲线特征包括：A、电线或其解析曲线在两组电力塔杆之间区间上的局部非线性曲率变异特征，具体包括：电线的解析曲线在两组电力塔杆之间构成连续、光滑、单凹性、对称性曲线；其中，连续对应的数据特征为：电线的解析曲线具有一阶有限导数；光滑对应的数据特征为电线的解析曲线具有二阶及以上导数；单凹形曲线对应的数据特征包括：ω在两组电力塔杆之间的电线的解析曲线上有且仅具有一个极值点，即一阶导数为零的点，且此极值点构成局部的最值点；ψ在两组电力塔杆之间的电线的解析曲线上没有拐点，即二阶导数为零的点；χ在两组电力塔杆之间的电线的解析曲线上，以其极值点为中点，其两侧任意两点的连线高于其极值点；对称性对应的数据特征为：电线的解析曲线依照某一中间点具有左右等值对称性；任选其中一组或几组局部非线性曲率变异特征在局部精细化坐标上进行电线的高精度识别；同时兼容后续新增其他局部曲率特征进行数据模型的拓展和改进；B、电线或其解析曲线在任一电力塔杆附近的局部非线性曲率变异特征，具体包括：电线的解析曲线在任一电力塔杆附近达到局部最值；电线的解析曲线在任一电力塔杆附近的非光滑性；电线的解析曲线在任一电力塔杆附近仅具有单边导数，即在电力塔杆左侧的电线解析曲线仅具有左导数，在电力塔杆侧的电线解析曲线仅具有右导数。

[0041] 在模型的算法构建上，可以任选其中一组或几组局部非线性曲率变异特征在局部精细化坐标上进行电线的高精度识别；即，基于电线在两组电力塔杆之间的连续、光滑、单凹性、对称性曲线特征，以及在任一电力塔杆附近的局部最值、非光滑性、单边导数特征等，构建对应的数据处理进程，如对函数曲线f(x)进行一阶微分、二阶微分，分析极值点、凹凸性和对称性，等，通过这些特征(图形解析表达函数的数据特征)的分析即可确保对电线进行精准的动态识别。

[0042] 当然，还可以根据电线的在电力线路上的真实物理状态，拓展新的曲率特征及其分布特征，由此还可以后续新增其他局部曲率特征进行数据模型的拓展和改进。

[0043] 下述实施例给出了基于上述所列局部非线性曲率变异特征，进行算法模型构建的几个实例。

[0044] 实施例1、原始数据处理

[0045] 将电力巡检小车摄像头采集的电线图像拍下的疑似电线的线段嵌入二维平面，建立二维坐标系xoy，提取电线图像特征，拟合成电线图像曲线，记为f(x)以极限差值大的方向为自变量x，得电线图像曲线f(x)。

[0046] 实施例2、电线图像曲线模型准备

[0047] 在上述函数曲线的基础上，经过多个作业部门和数据专家的联合开发构建了一种全新的电力巡检小车巡轨图像识别算法模型，该图像识别算法模型首先考察上述拟合函数曲线f(x)在每一点处的变化率，即对函数曲线f(x)求一阶微分df/dx，由此得到初始函数曲线在考察点的斜率如何变化的这样一个数据表征函数p(x)，即电线图像曲线的斜率特征；第二步，继续考察所求的函数曲线的斜率是如何变化的，即所测函数曲线f(x)的弯曲程度，对f(x)求二阶微分，由此得到函数曲线f(x)弯曲程度的数据表征函数g(x)，即电线图像曲线的弯曲程度特征。

[0048] 实施例3、电线图像曲线特征处理

[0049] 极值点分析：对电线图像曲线f(x)求一阶微分，解df/dx＝0，得零解有且仅有一个x0，即函数局部最值点只有一个，最小值点在整体电线曲线上只有一个，即函数的局部最小值点为整体最小值点，电线图像曲线在自然状态下，只有一个局部最值点且为最小值点，此段电线有且仅有一个水平最低点，是电线图像曲线的一个函数特征。

[0050] 最值点分析：该电线图像曲线为连续函数，且不具有不可导点，即极值点为最值点，对电线图像曲线f(x)求一阶微分，即电线图像曲线的斜率函数p(x)，记p＝p(x),解p＝0,得零解有且仅有一个x＝x0,且当x大于x0，p>0，即曲线向正方向延展时，函数值增大，电线高度增大，x小于x0，p<0，曲线向负方向延展时，函数值增大，电线高度增大。此外电线图像曲线为连续函数，且不具有不可导点，以上所述皆证明该零点x0为最小值点，即电线图像曲线最小值点。此段电线有且仅有一个水平最低点，是电线图像曲线的一个函数特征。

[0051] 实施例4、电线函数性质分析

[0052] 函数变化率分析：根据电线曲线在自然状态下，对电线图像曲线的变化率这一图像特征进行函数模型分析，对电线图像曲线f(x)求一阶微分，即电线图像曲线的斜率函数p(x)，记p＝p(x),x大于x0，p>0，即曲线向正方向延展时，函数值增大，电线高度增大，x小于x0，p<0，曲线向负方向延展时，函数值增大，电线高度增大。具体表现为电线曲线在最低点处向左向右延申都是严格单增的。

[0053] 斜率变化率分析：根据电线曲线在自然状态下，对电线图像曲线的弯曲程度这一2
图像特征进行函数模型分析，对电线图像曲线f(x)求二阶微分，g(x)＝df,记g＝g(x)，即电线图像曲线弯曲程度的数据表征函数g(x)，x>x0部分,g>0,x0，极值点x0处左右两边二阶微分值符号相同，没有拐点，即电线曲线在自然状态下,任意两点之间的连线都在电线图像曲线弧段的上方，具体表现为电线图像曲线增大的速度越来越大。

[0054] 函数凹凸性分析：提取电线曲线在自然状态下，电线图像曲线凹凸性这一图像特2
征，以x0为分界点，对电线图像曲线f(x)求二阶微分，g(x)＝df,记g＝g(x)，左右子区间都为凸性区间，电线曲线的图像特征包括任意两点之间的连线都在电线曲线弧段的上方。且满足对于区间上任意三点x1x1>x2>x3,满足不等式f(x2)‑f(x1)/x2‑x1≤f(x3)‑f(x2)/x3‑x2。具体表现为电线图像曲线凸性区间任意两点之间的变化率恒增。

[0055] 函数的对称性分析：若在电杆结构型式、水平高度相同，则函数对称性性质好，电线曲线在自然状态下，对电线图像曲线对称性这一图像特征进行函数模型分析，对电线图像曲线自变量的区间取中点x，x的左右区间函数值完全相等，电线图像曲线关于x＝x1对称，即左右区间内任意到x1的距离一致的点，电线图像曲线因变量(高度)一致，具体表现为电线图像曲线关于x＝x1轴是完全镜像的两部分曲线。

[0056] 实施例5，由电线图像曲线在自然状态下的图像特征，电线图像曲线极值点有且仅有一个。

[0057] 实施例6，由电线图像曲线在自然状态下的图像特征，电线图像曲线的极值点为极小值点，且该极小值点同为最小值点。

[0058] 实施例7，若在电杆结构型式、水平高度相同，电线图像曲线在自然状态下自变量区间中点x1＝x0。

[0059] 综上实施例可见，在应用端，可以选择其中一组或几组局部非线性曲率变异特征在局部精细化坐标上进行电线的高精度识别；即，基于电线在两组电力塔杆之间的连续、光滑、单凹性、对称性曲线特征，以及在任一电力塔杆附近的局部最值、非光滑性、单边导数特征等，构建对应的数据处理进程，如对函数曲线f(x)进行一阶微分、二阶微分，分析极值点、凹凸性和对称性，等，通过这些特征(图形解析表达函数的数据特征)的分析即可确保对电线进行精准的动态识别。在技术效果上，上述实施例通过将电线的局部曲率特征和曲率分布结构纳入算法模型，能够更准确地识别电线及其延伸方向，减少误识别率；在基础算法框架上，进一步引入电线在两组电力塔杆之间的局部非线性曲率变异特征和在任一电力塔杆附近的局部非线性曲率变异特征，使得电线识别更加精细化；基于高精度的电线识别结果，能够实现更准确的自动巡轨规划，提升地面电力巡检设备的自动化巡游能力。

[0060] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。在各个实施例中，技术的硬件实现可以直接采用现有的智能设备，包括但不限于工控机、PC机、智能手机、手持单机、落地式单机等。其输入设备优选采用屏幕键盘，其数据存储和计算模块采用现有的存储器、计算器、控制器，其内部通信模块采用现有的通信端口和协议，其远程通信采用现有的gprs网络、万维互联网等。

[0061] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、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单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

[0062] 以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。