本发明涉及智能化监测领域，尤其涉及一种基于立体化数字模型的电缆线路精细化监测方法及系统。
背景技术：
1、随着智能配网和物联网技术的发展，电缆井不断增多，电缆数量不断增加，缺少电缆环境监测装置，导致电缆详细路径不清、电缆井监测信息缺失等情况，电缆运维工作存在着巡视维护工作量大、人力资源不足、设备隐患增加的问题。
技术实现思路
1、为了解决上述问题，本发明的目的在于提供一种基于立体化数字模型的电缆线路精细化监测方法，能够有效提升电缆线路运行监测的精细化程度，实现电缆及其附属设施的实时、准确监测与智能分析。
2、为实现上述目的，本发明采用以下技术方案：
3、一种基于立体化数字模型的电缆线路精细化监测方法，包括以下步骤：
4、s1:使用激光扫描、无人机、全站仪设备对电缆及其周边环境进行测绘获取三维点云数据、二维图像数据以及空间坐标数据，对获取的二维图像数据和三维点云数据进行预处理；
5、收集基础数据，包括电缆类型、敷设方式、埋深、出入线节点、路径坐标等信息；
6、s2:使用预训练的深度学习模型，对电缆及其附属设施进行目标检测，并基于特征提取模型，提取图像中电缆及其附属设施的深度特征；
7、s3:基于提取图像中电缆及其附属设施的深度特征，通过sfm算法从多视角图像中恢复摄像机的位置并生成三维点云数据；
8、s4:将通过激光扫描和sfm算法生成的点云数据进行整合，统一到一个坐标系中，使用三维可视化工具对整合后的点云数据进行立体化展示，构建精细化三维模型；
9、s5:在关键节点安装传感器，包括温度传感器、湿度传感器、电流传感器、电压传感器，监测电力参数及环境参数,并将数据与三维模型同步;
10、s6：基于机器学习算法，对传感器采集的运行数据进行智能预测，并结合电缆所处环境（如温湿度），动态调整告警阈值，智能化生成告警信息。
11、进一步的，预处理包括采用使用voxel grid filte滤波算法去除三维点云数据中的噪声点，对图像数据进行灰度化处理，并将站仪设备获取的空间坐标数据与三维点云数据进行整合，确保所有数据在统一坐标系中。
12、进一步的，使用预训练的深度学习模型，对电缆及其附属设施进行目标检测，采用yolo3深度学习模型，具体步骤如下：
13、将输入图像的像素值进行归一化处理：
14、
15、其中，为输入图像，no为输入图像的像素值;为归一化后的图像；
16、将输入图像缩放到模型期望的输入尺寸：
17、；
18、其中，resize()表示缩放操作；为缩放后的输入图像；
19、将缩放后的输入图像输入预训练的yolov3模型，yolov3 将输入图像分割为 s×s网格单元，每个网格单元预测 b 个边界框，每个边界框包含以下信息：边界框中心相对于网格单元的偏移量 （t x ,t y ），边界框宽度和高度的对数调整值 （t w ,t h ）； 边界框置信度pc，类别概率分布pclass；
20、利用 yolov3 模型输出的边界框参数（tx,ty，tw,th）及网格单元的位置信息（cx,cy），将其解码为实际图像的边界框：
21、采用 sigmoid 函数将网络输出偏移量 （t x ,t y ） 转化为相对位置，然后加上网格单元位置得到实际坐标 （b x ,b y ）：
22、；
23、；
24、采用指数函数将网络输出的 （t w ,t h ） 转化为实际宽度和高度 （b w ,b h ） ：
25、;
26、;
27、其中， （p w ,p h ）为先验框的宽度和高度;
28、将上一步得到的实际坐标和宽高转化为图像中的实际坐标：
29、;
30、;
31、;
32、;
33、其中， （x min ,y min ）为边界框左下角的实际坐标， （x max ,y max ）为边界框右上角的实际坐标；
34、根据边界框置信度pc 和非极大值抑制筛选出有效的边界框,并输出边界框坐标和类别信息。
35、进一步的，特征提取模型采用vgg16，基于输出的电缆及其附属设施边界框坐标和类别信息，提取图像中电缆及其附属设施的深度特征，具体如下：
36、对于每个检测出的目标，提取对应的图像区域：
37、；
38、根据 vgg 模型的要求，对图像进行预处理，包括：
39、标准化操作：
40、
41、其中，是标准化后的图像，μ 是训练集中 rgb 颜色通道的均值，σ 为标准差；
42、将图像调整到 vgg16 所需的固定尺寸：
43、；
44、其中，为预处理后的图像；
45、将预处理后的图像输入vgg模型，提取图像的低到中级特征：
46、；
47、；
48、其中，conv1-1，conv1-2..,conv1-k表示不同层次的卷积操作，f1、f2...fk表示对应层卷积层的输出特征映射；max表示池化操作；p1表示池化层的输出特征映射;
49、重复上述卷积和池化操作，直至最后的全连接层，在全连接层，特征向量被展平为一个一维向量；
50、最终，从 vgg16 模型的倒数第二层全连接层提取出深度特征。
51、进一步的，步骤s3具体为：
52、基于步骤s2对多视角图像进行特征提取，提取出的特征点，并使用深度特征点进行匹配：
53、;
54、其中， 表示匹配的特征点对；表示第 幅图像的特征；表示第 幅图像的特征；
55、使用ransac算法对匹配特征点进行鲁棒估计，得到基础矩阵：
56、；
57、其中，是匹配的特征点集合；函数表示通过最小二乘法或其他稳健估计方法，从匹配特征点集合中估计基础矩阵
58、将基础矩阵与相机内参矩阵结合，得到本质矩阵：
59、;
60、其中，k1和k2是相机的内参矩阵；
61、从本质矩阵分解得到相机的旋转矩阵 和位移向量：
62、;
63、其中，decomposeessentialmatrix函数通过奇异值分解本质矩阵 e，提取出相机之间的旋转矩阵 和平移向量 ；
64、使用多视角图像中的匹配点进行三角化，恢复三维点：
65、;
66、其中，p1和p2是相机投影矩阵:
67、
68、其中，i是单位矩阵；
69、triangulatepoints函数利用多视角几何中的三角测量法，通过两幅图像中的匹配点对和相机的投影矩阵计算三维点的坐标。
70、进一步的，步骤s4具体为：
71、将激光扫描直接输出三维点云数据，表示为plidar，sfm算法输出多视角图像生成的三维点云数据，表示为psfm；
72、使用icp算法计算变换矩阵 ticp，使得psfm 与plidar 对齐；
73、;
74、将计算得到的icp变换矩阵应用到psfm ,得到与plidar 对齐的点云；
75、；
76、将对齐后的点云数据进行整合，形成统一的点云数据：
77、；
78、将整合后的点云数据加载到三维可视化工具中，设置渲染参数，并进行立体化展示，构建精细化三维模型。
79、进一步的，使用icp算法计算变换矩阵 ticp，使得psfm 与plidar 对齐，具体如下：
80、根据两组点云数据和 ；使用最近邻搜索找到psfm 中每个点的最接近点在 plidar 中的对称点；
81、在每次迭代中，进行以下步骤：
82、①分别计算两个点云的质心：
83、；
84、其中，n为点云数量；
85、②将点云转换至质心坐标系：
86、；
87、其中，为去除质心后的 psfm 点云的点；为去除质心后的 plidar点云的点；
88、③构建协方差矩阵：
89、；
90、其中，上标t表示转置；
91、④对协方差矩阵进行svd分解：
92、；
93、其中，u 和 v为协方差矩阵 h 的奇异值分解的正交矩阵；σ 是一个对角矩阵；
94、⑤计算旋转矩阵：
95、；
96、⑥计算旋转矩阵：
97、；
98、⑦应用旋转和平移更新 psfm ：
99、；
100、⑧若变换矩阵的变化量小于设定的阈值，则认为收敛，否则返回步骤①继续迭代；
101、icp迭代结束后，得到的刚性变换矩阵 ticp表示为：
102、。
103、进一步的，s6具体为：
104、s61：对传感器数据进行预处理，并对预处理后的数据进行特征提取，提取时间和频域特征，结合环境数据进行存储；
105、s62：根据历史数据训练深度神经网络得到预测模型，并利用交叉验证和超参数优化提高模型性能；
106、s63：获取实时传感器数据，基于训练后的深度神经网络进行实时预测；
107、s64：基于环境数据计算动态阈值，并根据预测结果和动态阈值生成告警信息；
108、s65：将告警信息和实时数据同步到三维模型，提供实时可视化展示和查询功能。
109、进一步的，利用交叉验证和超参数优化提高模型性能，具体如下：
110、将历史数据分为k个互斥的子集，每次使用k-1个子集进行训练，剩下的1个子集进行验证；
111、重复k次，每次选不同的子集作为验证集，最终取得平均性能:
112、;
113、其中，为交叉验证得分；表示评估当前模型在第折中的性能；表示在k折交叉验证的第折中，使用k-1个子集进行训练得到的模型；表示在k折交叉验证的第 折中，用于验证的第个子集数据集；
114、并采用网格搜索，在预定义的网格上进行穷举搜索，找到最佳超参数组合。
115、一种基于立体化数字模型的电缆线路精细化监测系统，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如上所述的一种基于立体化数字模型的电缆线路精细化监测方法中的步骤。
116、一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如上所述的方法步骤。
117、本发明具有如下有益效果：
118、1、本发明能够有效提升电缆线路运行监测的精细化程度，实现电缆及其附属设施的实时、准确监测与智能分析；
119、2、本发明通过sfm算法，从多视角图像中恢复摄像机位置并生成三维点云，实现高精度立体模型重建，并融合激光扫描和sfm算法生成的点云数据，统一到一个坐标系中，保证数据一致性和模型完整性，最后使用可视化工具对整合后的点云数据进行立体展示，构建精细化的三维模型，为监测和分析提供直观的视觉支持；
120、3、本发明基于机器学习算法对传感器采集的运行数据进行智能预测并结合电缆所处环境（如温湿度）动态调整告警阈值，智能生成告警信息，减少误报和漏报，提高告警系统的智能化水平。
1.一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述预处理包括采用voxel grid filte滤波算法去除三维点云数据中的噪声点，对图像数据进行灰度化处理，并将全站仪设备获取的空间坐标数据与三维点云数据进行整合，确保所有数据在统一坐标系中。
3.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述使用预训练的深度学习模型，对电缆及其附属设施进行目标检测，采用yolo3深度学习模型，具体步骤如下：
4.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述特征提取模型采用vgg16，基于输出的电缆及其附属设施边界框坐标和类别信息，提取图像中电缆及其附属设施的深度特征，具体如下：
5.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述步骤s3具体为：
6.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述步骤s4具体为：
7.根据权利要求6所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述使用icp算法计算变换矩阵 ticp，使得psfm 与plidar 对齐，具体如下：
8.根据权利要求1所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，所述s6具体为：
9.根据权利要求8所述的一种基于立体化数字模型的电缆线路精细化监测方法，其特征在于，利用交叉验证和超参数优化提高模型性能，具体如下：
10.一种基于立体化数字模型的电缆线路精细化监测系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-9任一项所述的一种基于立体化数字模型的电缆线路精细化监测方法中的步骤。
