一种杆塔实时防碰撞监测方法

1.本发明涉及电力设备的安全性监测技术领域，特别涉及一种杆塔实时防碰撞监测方法。


背景技术：

2.在输电线路中，杆塔是用来支撑架空输电线路导线和架空地线并使它们之间以及与地面之间保持一定距离。通常需要在道路边或路口转角处设置杆塔，而在路边或路口转角处的杆塔容易发生车辆撞杆的外力破坏事件。当杆塔被撞遭受外力破坏时，不仅影响电力输送的正常运转，而且往往还伴随着杆塔翻落压坏撞杆车辆以及人员伤亡的严重后果。目前采取的杆塔防撞措施主要包括在杆塔上粘贴防撞标志以提醒驾驶员以及加装防撞墩等。粘贴防撞标志是一种事故发生前的警示，对于驾驶人员的注意力与反应力都提出了较高的要求；加装防撞墩是一种事故发生后的减小损失的手段，防撞墩的防碰撞能力总是有限的，很难应对速度快、吨位重、动量大的大型作业车辆撞杆的情况。因此找到一种对杆塔周围环境的安全性实时监测的方法，可以在一定程度上防止碰撞事故的发生。
3.深度相机的应用越来越广泛，给三维目标检测的工业界应用带来了很多新的可能。深度相机不仅可以获得常规的图像信息，还可以获得深度信息，有利于提升目标识别与检测的准确度，这对于防碰撞是至关重要的。
4.为了对输电线路杆塔周围环境进行准确的监测，本发明提出了一种面向杆塔的基于深度相机的实时防碰撞监测方法。该方法通过深度相机获取杆塔周围环境的图像信息进行目标识别，再根据深度信息计算移动物体与杆塔之间的距离，据此向外界发出警报，并将监测信息反馈给监测中心。该方法能够提高监测移动目标的准确度，在一定程度上降低碰撞事故发生的概率，从而提高电力系统的安全监管能力。


技术实现要素：

5.本发明的目的在于针对现有技术的不足，提供一种杆塔实时防碰撞监测方法，该方法基于深度相机实现。
6.为解决该技术问题，本发明采用的技术方案为：
7.一种杆塔实时防碰撞监测方法，包括：
8.1)设置深度相机用于实时监测杆塔与其周围环境，由深度相机获得场景中的图像数据与点云数据；
9.2)在初始状态即相机视野中无移动物体时，基于深度相机采集的点云数据识别杆塔与地面，分别获得杆塔的点云数据及地面的点云数据；当相机视野中存在移动物体时，识别移动物体的类型，并获得移动物体的点云数据；
10.3)基于移动物体的点云数据及杆塔的点云数据，计算移动物体与杆塔之间的距离；
11.4)将移动物体的类型和步骤3)得到的距离信息反馈到监测系统中，由监测系统进
行判断并控制警报。
12.上述技术方案中，进一步的，步骤2)中在初始状态时，从采集的点云数据中首先基于地面目标识别与分割方法识别出地面部分的点云数据，再从整体的点云数据中减去地面的点云数据，获得杆塔的点云数据。
13.进一步的，采用faster r-cnn的方法识别移动物体的类型，并根据图像中移动物体的区域对应关系，将实时点云数据与在初始状态时获得的点云数据即背景点云数据进行对比获得差异点云数据，即得到移动物体的点云数据。
14.进一步的，步骤3)中在计算移动物体与杆塔之间的距离之前，需先采用包围盒法对杆塔的点云数据进行精减。比较移动物体的点云数据与杆塔的精减点云数据，计算杆塔点云的每个点到移动物体点云的距离，计算出移动物体与杆塔的最小距离，将移动物体的类型和所得到的最小距离信息反馈到监测系统中，如果移动物体的类型为预设的易造成破坏的物体类型，且所述最小距离在预设的距离范围内，则监测系统控制发出警报信息。
15.与现有的技术相比，本发明的优势如下：
16.本发明提出的一种基于深度相机的实时的移动物体检测方法，可以获得移动物体的图像信息，也可以获得深度信息，从而能够判断移动物体的类型，又能够计算移动物体到杆塔的距离，针对性更好，准确性更高。
附图说明
17.图1：深度相机安装示意图；
具体实施方式
18.下面结合附图和具体实例对本发明的方法做进一步的详细说明。
19.步骤1：将深度相机安装在杆塔上，用于实时监测杆塔局部与其周围环境。深度相机安装在杆塔上方3米～6米的高度(见图1)，相机的视角朝向外来物体碰撞杆塔可能性最大的方向，并且杆塔前下方部分落在相机的视野中。为了实现监测环境全覆盖，可以装配多个相机。
20.步骤2：利用深度相机采集周围环境，获得场景中的图像数据与点云数据。深度相机采集的深度图需要配准，以生成配准深度图，即点云数据。配准的目的是让深度图和彩色图重合在一起，即将深度图的坐标系转换到彩色图的坐标系下。配准可采用ndt算法或icp算法。ndt算法可参考“p.biber,w.strasser,the normal distributions transform:a new approach to laser scan matching,proceedings2003ieee/rsj international conference on intelligent robots and systems”(p.biber,w.strasser,正态分布变换：一种激光扫描匹配的新方法,2003年ieee/rsj智能机器人与系统国际会议论文集)。icp算法可参考“g.c.sharp,s.w.lee,d.k.wehe,icp registration using invariant features，ieee transactions on pattern analysis and machine intelligence，2002”(g.c.sharp,s.w.lee,d.k.wehe,利用不变特征的icp注册方法，ieee模式分析与机器智能学报，2002)。
21.步骤3：在初始状态时(即相机视野中无移动物体时)，基于采集的点云数据(即背景点云数据)，识别杆塔与地面，分别获得杆塔与地面的点云数据。可以采用一种地面目标
识别与分割的方法识别地面的点云数据，该方法可参见“katsuya ogura，yuma yamada，shugo kajita，hirozumi yamaguchi，teruo higashino，mineo takai，ground object recognition and segmentation from aerial image-based3d point cloud，computational intelligence,2019”(katsuya ogura，yuma yamada，shugo kajita，hirozumi yamaguchi，teruo higashino，mineo takai，基于航空图像的三维点云的地面目标识别与分割，计算智能,2019)。识别出地面的点云数据后，从整体点云数据中减去地面的点云，获得杆塔部分的点云数据。
22.为了便于后面快速计算移动物体与杆塔的距离，采用包围盒方法对杆塔的点云进行精减。包围盒方法的工作原理为：构建一个包含所有点云数据的包围盒,并将其分解成若干均匀大小的小包围盒，选取最靠近中心的点来代替小包围盒所有的点以达到精简点云数据的目的，并通过控制小包围盒的大小来控制精简结果。
23.步骤4：当视野中存在移动物体时，实时识别移动物体的类型，并获得移动物体的点云数据。可以采用faster r-cnn的方法识别移动物体的类型，该方法可参见“shaoqing ren，kaiming he，ross girshick，jian sun,faster r-cnn:towards real-time object detection with region proposal networks,ieee transactions on pattern analysis and machine intelligence.2017，39(6):1137-1149”(shaoqing ren，kaiming he，ross girshick，jian sun,更快的r-cnn:利用区域提案网络实现实时目标检测，模式分析和机器智能学报，2017，39(6):1137-1149)中。识别移动物体的类型后，根据图像中移动物体的区域对应关系，将实时点云数据与背景点云数据对比获得差异点云数据，即得到移动物体的点云数据。
24.步骤5：比较移动物体的点云数据与杆塔的精减点云，计算杆塔点云的每个点到移动物体点云的距离，计算出移动物体与杆塔的最小距离。
25.步骤6：将移动物体的类别和距离信息反馈到监测系统中。如果移动物体的类型为易造成破坏的物体，并且它与杆塔的距离小于一定程度，则发出警报信息。