CN107680102A - 一种基于空间约束的机载点云数据电力杆塔自动提取方法 - Google Patents
一种基于空间约束的机载点云数据电力杆塔自动提取方法 Download PDFInfo
- Publication number
- CN107680102A CN107680102A CN201710750964.1A CN201710750964A CN107680102A CN 107680102 A CN107680102 A CN 107680102A CN 201710750964 A CN201710750964 A CN 201710750964A CN 107680102 A CN107680102 A CN 107680102A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- elevation
- radius
- tower
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title claims description 14
- 230000011731 head segmentation Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims description 23
- 238000005457 optimization Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009545 invasion Effects 0.000 claims description 6
- 229910052705 radium Inorganic materials 0.000 claims description 3
- HCWPIIXVSYCSAN-UHFFFAOYSA-N radium atom Chemical compound [Ra] HCWPIIXVSYCSAN-UHFFFAOYSA-N 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims 1
- 239000000284 extract Substances 0.000 abstract description 5
- 239000000203 mixture Substances 0.000 abstract 1
- 230000005540 biological transmission Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 2
- 238000000205 computational method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 235000013618 yogurt Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于空间约束从机载点云数据中自动提取电力杆塔的方法；包括由电力走廊特征图像生成、高差和投影密度特征约束、小半径约束的杆塔脚基高程计算、膨胀半径法杆塔基部覆盖半径计算、多半径约束的高程分布特征图计算、空间特征约束的塔头分割高程计算等过程组成，通过以上步骤，完成电力走廊机载激光点云数据中完整的、不受植被干扰的电力杆塔点云数据的自动提取工作，可应用到电力走廊三维场景中杆塔单体化展示、智能诊断环节塔特征要素提取。
Description
技术领域
本发明涉及一种基于空间约束的机载点云数据电力杆塔自动提取方法；特别涉及到杆塔基部脚点高程和覆盖半径的计算，杆塔塔头分割高程计算。
背景技术
随着我国经济社会快速发展，电力系统建设不断扩容，电网规模越来越大，电网的安全运行维护及监测工作显得日益重要。而电网运行设备分布广，架空电力线路大部分处于农村或野外，电力杆塔等设备处于山川河流丘陵等复杂地形之上，目前电网运检工作中纯粹依赖人工巡视、计划检修、事后处置的方式，工作效率低，耗费大量的人力物力，并且很难做到及时全面地评估和预警，也导致相应的应急处理措施不够完善，阻碍坚强智能电网的发展。
基于机载激光扫描技术，可快速、准确的采集电力走廊内电力设备与地物的真三维场景数据，对于丘陵和山区等复杂地形区域的架空线路来说意义尤其重大，正被逐渐应用到输电线路运行维护中，因此机载激光点云数据进行要素地物的提取具有重要的研究价值和非常重要的现实意义。
电力杆塔作为输电设备的重要组成部分，且担负着输电线路的支撑和挂载职责，提取出电力杆塔部位的完整点云数据和特征参数，在输电线路三维场景展示和智能诊断领域有着重要意义。
而以往使用人工交互采集的方式，进行机载电力走廊点云数据中杆塔定位和分割工作，工作效率低且分割的杆塔数据中有植被等噪点侵入。
发明内容
本发明解决了以上工作方法中存在的不足，在分析输电线路中电力杆塔空间分布特点的基础上，提出一种首先利用点云投影二维格网特征图像，自动定位杆塔坐标并分割出杆塔区域内点云，然后基于杆塔脚点部位在地面处的空间分布特征，确定杆塔脚点高程和杆塔分割半径，最后基于塔头和挂载电力线的形态特征，确定塔头部位分割高程值，最终得到完整的没有植被点入侵的杆塔点云数据的自动提取方法。能有效的提高工作效率，且提取出完整的没有植被等噪点侵入的杆塔点云数据。为实现上述目标，本发明采用如下技术方案。
第一步、基于电力走廊激光点云数据，生成二维格网高差和投影密度特征图像，迭代法自动定位杆塔坐标位置并分割杆塔区域点云。电力走廊机载点云数据特征图计算公式如下：高差约束的投影密度特征图计算公式如下：迭代提取投影密度特征图中密度最大值处像素位置并将最优格网周围width内像素值归零：
第二步、基于杆塔区域点云和杆塔坐标，以过杆塔坐标的铅垂线为中心轴，小半径范围约束分割杆塔中心圆柱区域的点云数据，并按高程分段统计包含点数目，包含点数目大于规定阈值的高程段即包含地面点的高程段，该高程作为杆塔脚点初始高程值，再对该高程段进行细分包含点数目分析从而优化脚点高程值。
小半径范围约束分层高程内点数目统计方法如下：
从小到大逐个读取高程段内包含的点数目值Cps，通过两步获取杆塔脚点的初始高程值Zinit：
i.先判别记录Cps_i>0的高程段，标志高程段已经到达地面位置；
ii.继续向上判别记录Cps_i＝0的高程段，记录该高程段为杆塔脚点的初始高程值
Zinit＝i*Zstep+Zmin。
杆塔脚点高程初始值优化方法如下：
以初始高程值Zinit为起始高程，Zstep_fine为细分高程间隔，从上向下逐个细分高程段进行统计小半径Rmin内包含的点数目。
遍历统计结束后，从上到下逐细分高程段统计包含点数目，记录Cps_j>0的高程段即杆塔脚点优化的高程值Zfine＝Zinit-j*Zstep_fine。
第三步。基于优化的脚点高程值，使用逐步膨胀半径的方法，计算杆塔基部覆盖区域的最优分割半径。膨胀半径法计算杆塔基部最优分割半径计算方法如下：
考虑杆塔处在山坡等复杂地形中的情况，选择两个高程平面:杆塔脚点高程Zfine和高出脚点位置一个高程段的Zfine_up＝Zfine+Zstep高程平面，因为Zfine_up高程平面内可以保证没有因为地面起伏干扰而混入的地面或者植被噪点。基于这两个高程平面内膨胀半径圆环中包含点个数，确定杆塔脚点覆盖最优分割半径的步骤如下：
i.统计Zfine_up高程平面内，膨胀半径圆环中包含点数目最大max{Counti}的半径索引值i，该半径可认为已到达杆塔位置；
ii.在Zfine_up高程平面内，从半径Ri开始，膨胀查询圆环中包含点数目Countj＝0的半径索引值j，该半径可认为达杆塔外边界位置；
iii.在Zfine杆塔脚点高程平面内，从半径Rj开始，膨胀查询圆环中包含点数目Countk＝0的半径索引值k，该半径即杆塔脚点覆盖最优半径Rfine＝Rstep*k+Rmin。
第四步。基于上述最优分割半径，生成不包含电力杆塔塔身的多半径点云高程维度空间分布特征图。先基于阈值半径范围特征图，获取塔头分割高程初始值，再基于大半径范围特征图优化分割高程值，最终获得完整的无植被点云入侵的电力杆塔点云数据。
这里选择两个半径范围来生成高程分布图，设阈值半径Rthr＝2*Rfine，分别为Rfine～Rthr圆环范围、Rthr～Rmax圆环范围。规定Rfine～Rthr圆环范围内点云数据生成的高程分布图称为阈值半径高程分布图，用于定位塔头分割高程的初始值。Rthr～Rmax圆环范围内点云数据生成大半径高程分布图，用于优化得到的塔头分割高程初始值。塔头分割高程初始值计算方法如下：
i.从高程特征分布图底部开始，统计每一行中非0像素值的总数Numr，判别并记录首个Numi>0的行数i，认为到达地面点像素行；
ii.从第i行开始，判别并记录Numj＝0的行数j，认为到达植被顶端像素行；
iii.从第j行开始，判别并记录Numk>0的行数k，并同时判断k～k+Nthr行内的像素个数是否都满足Num>0或者Sum{Numk，Numk+Nthr}>Numthr，如果满足则到达塔头底部位置，记录塔头分割高程初始值为ZHinit＝k*Czstep+Zmin。否则，此处为中间植被噪点，递归步骤i。
塔头分割高程初始值的优化计算，从初始像素行k开始，向下判别并记录Numm＝0的行数m即可，优化后的塔头分割高程ZHfine＝m*Czstep+Zmin。基于该高程值，对杆塔区域点云数据进行高程阈值约束Zp>ZHfine，即可分割完整的塔头和挂载的电力线点云数据。
通过该提出算法，证明能满足性能与效果的要求，自动提取杆塔点云数据的完整度和剔除侵入植被等噪点效果都较为理想。
附图说明
图1电力杆塔自动提取流程图。
具体实施方式
一种基于空间约束的机载点云数据电力杆塔自动提取方法，如图1所示，主要包括如下步骤：
(1)基于电力走廊激光点云数据，生成二维格网高差和投影密度特征图像，自动定位杆塔坐标位置并分割杆塔区域点云。
(2)基于杆塔区域点云和杆塔坐标，以过杆塔坐标的铅垂线为中心轴，小半径范围约束分割杆塔中心圆柱区域的点云数据，并按高程分段统计包含点数目，包含点数目大于规定阈值的高程段即包含地面点的高程段，该高程作为杆塔脚点初始高程值，再对该高程段进行细分包含点数目分析从而优化脚点高程值。
(3)基于优化的脚点高程值，使用逐步膨胀半径的方法，计算杆塔基部覆盖区域的最优分割半径。
(4)基于上述最优分割半径，生成不包含电力杆塔塔身的多半径点云高程维度空间分布特征图。
(5)基于阈值半径范围特征图，获取塔头分割高程初始值，再基于大半径范围特征图优化分割高程值，最终获得完整的无植被点云入侵的电力杆塔点云数据。
其中，针对电力走廊机载激光点云数据中无法自动定位杆塔坐标的问题，提出了一种基于点云高差和投影密度特征约束的，自动定位杆塔坐标的方法。这种方法基于高差阈值约束，顾及电力走廊区域内地形起伏变化，可快速准确的剔除地面、植被、建筑物等干扰要素点，在投影密度约束下迭代完成杆塔坐标的自动提取工作；算法为：
电力走廊机载点云数据特征图计算
高差约束的投影密度特征图计算
迭代提取投影密度特征图中密度最大值处像素位置并将最优格网周围width内像素值归零
针对分割的电力杆塔区域点云数据中，在基部存在地面点尤其存在被植被包围的问题，提出了一种小半径范围内分层高程点数目约束的杆塔脚点高程计算，并在脚点高程处膨胀半径计算杆塔基部最优分割半径的方法。算法为：
小半径范围约束分层高程内点数目统计算法
膨胀半径法计算杆塔基部最优分割半径
针对电力杆塔的塔头部位覆盖半径明显增大且有导线、绝缘子等要素挂载，在剔除植被等干扰噪点的同时还要保证杆塔塔头部位点云数据的完整性问题，提出了一种基于剔除塔身的多半径点云高程维度空间分布特征图的，塔头分割半径计算方法。这种方法首先基于阈值半径范围特征图，获取塔头分割高程初始值，再基于大半径范围特征图优化分割高程值，最终获得完整的无植被点云入侵的电力杆塔点云数据。算法为：
塔头分割高程值计算，
i.从高程特征分布图底部开始，统计每一行中非0像素值的总数Numr，判别并记录首个Numi>0的行数i，认为到达地面点像素行；
ii.从第i行开始，判别并记录Numj＝0的行数j，认为到达植被顶端像素行；
从第j行开始，判别并记录Numk>0的行数k，并同时判断k～k+Nthr行内的像素个数是否都满足Num>0或者Sum{Numk，Numk+Nthr}>Numthr，如果满足则到达塔头底部位置，记录塔头分割高程初始值为ZHinit＝k*Czstep+Zmin。否则，此处为中间植被噪点，递归步骤i。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于空间约束的机载点云数据电力杆塔自动提取方法，其特征在于：包括如下步骤：
(1)基于电力走廊激光点云数据，生成二维格网高差约束和投影密度特征图像，迭代法自动定位杆塔坐标位置并分割杆塔区域点云；
(2)基于杆塔区域点云和杆塔坐标，以过杆塔坐标的铅垂线为中心轴，小半径范围约束分割杆塔中心圆柱区域的点云数据，并按高程分段统计包含点数目，包含点数目大于规定阈值的高程段即包含地面点的高程段，该高程作为杆塔脚点初始高程值，再对该高程段进行细分包含点数目分析从而优化脚点高程值；
(3)基于优化的脚点高程值，使用逐步膨胀半径的方法，计算杆塔基部覆盖区域的最优分割半径；
(4)基于上述最优分割半径，生成不包含电力杆塔塔身的多半径点云高程维度空间分布特征图；
(5)基于阈值半径范围特征图，获取塔头分割高程初始值，再基于大半径范围特征图优化分割高程值，最终获得完整的无植被点云入侵的电力杆塔点云数据。
2.根据权利要求1所述的一种基于空间约束的机载点云数据电力杆塔自动提取方法，其特征在于，步骤(1)中，电力走廊机载点云数据特征图计算公式如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>c</mi>
<mi>s</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>-</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>c</mi>
<mi>s</mi>
<mi>g</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>v</mi>
<mi>a</mi>
<mi>l</mi>
<mo>=</mo>
<mi>Z</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
高差约束的投影密度特征图计算公式如下：
迭代提取投影密度特征图中密度最大值处像素位置并将最优格网周围width内像素值归零：
3.根据权利要求1所述的一种基于空间约束的机载点云数据电力杆塔自动提取方法，其特征在于，步骤(2)中，
小半径范围约束分层高程内点数目统计方法如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>z</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>z</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>z</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>R</mi>
<mi>min</mi>
</msub>
<mo>*</mo>
<msub>
<mi>R</mi>
<mi>min</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
从小到大逐个读取高程段内包含的点数目值Cps，通过两步获取杆塔脚点的初始高程值Zinit：
i.先判别记录Cps_i>0的高程段，标志高程段已经到达地面位置；
ii.继续向上判别记录Cps_i＝0的高程段，记录该高程段为杆塔脚点的初始高程值Zinit＝i*Zstep+Zmin；
杆塔脚点高程初始值优化方法如下：
以初始高程值Zinit为起始高程，Zstep_fine为细分高程间隔，从上向下逐个细分高程段进行统计小半径Rmin内包含的点数目；
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mo>_</mo>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<msub>
<mi>Z</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
<msub>
<mi>Z</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>_</mo>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>N</mi>
<mi>u</mi>
<mi>m</mi>
<mo>_</mo>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>Z</mi>
<mrow>
<mi>i</mi>
<mi>n</mi>
<mi>i</mi>
<mi>t</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>Z</mi>
<mi>p</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>Z</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
<mo>_</mo>
<mi>f</mi>
<mi>i</mi>
<mi>n</mi>
<mi>e</mi>
</mrow>
</msub>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
遍历统计结束后，从上到下逐细分高程段统计包含点数目，记录Cps_j>0的高程段即杆塔脚点优化的高程值Zfine＝Zinit-j*Zstep_fine。
4.根据权利要求1所述的一种基于空间约束的机载点云数据电力杆塔自动提取方法，其特征在于，步骤(3)中，膨胀半径法计算杆塔基部最优分割半径计算方法如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>C</mi>
<mi>o</mi>
<mi>u</mi>
<mi>n</mi>
<mi>t</mi>
<mo>_</mo>
<mi>r</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>e</mi>
<mi>p</mi>
</mrow>
</msub>
<mo>*</mo>
<mi>i</mi>
<mo>+</mo>
<msub>
<mi>R</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>*</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>Y</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>D</mi>
<mi>i</mi>
<mi>s</mi>
<mo><</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
<mo>*</mo>
<msub>
<mi>R</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
考虑杆塔处在山坡等复杂地形中的情况，选择两个高程平面:杆塔脚点高程Zfine和高出脚点位置一个高程段的Zfine_up＝Zfine+Zstep高程平面，因为Zfine_up高程平面内可以保证没有因为地面起伏干扰而混入的地面或者植被噪点；基于这两个高程平面内膨胀半径圆环中包含点个数，确定杆塔脚点覆盖最优分割半径的步骤如下：
i.统计Zfine_up高程平面内，膨胀半径圆环中包含点数目最大max{Counti}的半径索引值i，该半径可认为已到达杆塔位置；
ii.在Zfine_up高程平面内，从半径Ri开始，膨胀查询圆环中包含点数目Countj＝0的半径索引值j，该半径可认为达杆塔外边界位置；
在Zfine杆塔脚点高程平面内，从半径Rj开始，膨胀查询圆环中包含点数目Countk＝0的半径索引值k，该半径即杆塔脚点覆盖最优半径Rfine＝Rstep*k+Rmin。
5.根据权利要求1所述的一种基于空间约束的机载点云数据电力杆塔自动提取方法，其特征在于，步骤(5)中，先基于阈值半径范围特征图，获取塔头分割高程初始值，再基于大半径范围特征图优化分割高程值，最终获得完整的无植被点云入侵的电力杆塔点云数据；
这里选择两个半径范围来生成高程分布图，设阈值半径Rthr＝2*Rfine，分别为Rfine～Rthr圆环范围、Rthr～Rmax圆环范围；规定Rfine～Rthr圆环范围内点云数据生成的高程分布图称为阈值半径高程分布图，用于定位塔头分割高程的初始值；Rthr～Rmax圆环范围内点云数据生成大半径高程分布图，用于优化得到的塔头分割高程初始值；塔头分割高程初始值计算方法如下：
i.从高程特征分布图底部开始，统计每一行中非0像素值的总数Numr，判别并记录首个Numi>0的行数i，认为到达地面点像素行；
ii.从第i行开始，判别并记录Numj＝0的行数j，认为到达植被顶端像素行；
iii.从第j行开始，判别并记录Numk>0的行数k，并同时判断k～k+Nthr行内的像素个数是否都满足Num>0或者如果满足则到达塔头底部位置，记录塔头分割高程初始值为ZHinit＝k*Czstep+Zmin；否则，此处为中间植被噪点，递归步骤i；
塔头分割高程初始值的优化计算，从初始像素行k开始，向下判别并记录Numm＝0的行数m即可，优化后的塔头分割高程ZHfine＝m*Czstep+Zmin；基于该高程值，对杆塔区域点云数据进行高程阈值约束Zp>ZHfine，即可分割完整的塔头和挂载的电力线点云数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710750964.1A CN107680102A (zh) | 2017-08-28 | 2017-08-28 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710750964.1A CN107680102A (zh) | 2017-08-28 | 2017-08-28 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107680102A true CN107680102A (zh) | 2018-02-09 |
Family
ID=61135274
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710750964.1A Pending CN107680102A (zh) | 2017-08-28 | 2017-08-28 | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107680102A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473225A (zh) * | 2019-08-22 | 2019-11-19 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
| CN111242799A (zh) * | 2019-12-10 | 2020-06-05 | 国网通用航空有限公司 | 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质 |
| CN111487619A (zh) * | 2020-04-22 | 2020-08-04 | 云南电网有限责任公司电力科学研究院 | 利用sar-x高分辨率聚束模检测输电杆塔地面倾角的方法 |
| CN112132900A (zh) * | 2020-09-29 | 2020-12-25 | 凌美芯（北京）科技有限责任公司 | 一种视觉重定位方法及系统 |
| CN112945198A (zh) * | 2021-02-02 | 2021-06-11 | 贵州电网有限责任公司 | 一种基于激光lidar点云的输电线路铁塔倾斜自动检测方法 |
| CN112991303A (zh) * | 2021-03-22 | 2021-06-18 | 武汉大学 | 一种基于三维点云的电塔绝缘子串自动提取方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002163679A (ja) * | 2000-11-24 | 2002-06-07 | Fukuoka Prefecture | 三次元物体モデル生成装置及び三次元物体モデル生成方法 |
| US6420698B1 (en) * | 1997-04-24 | 2002-07-16 | Cyra Technologies, Inc. | Integrated system for quickly and accurately imaging and modeling three-dimensional objects |
| US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
| WO2011120152A1 (en) * | 2010-03-31 | 2011-10-06 | Ambercore Software Inc. | System and method for extracting features from data having spatial coordinates |
| US20120169498A1 (en) * | 2010-12-30 | 2012-07-05 | Vesa Johannes Leppanen | Method for locating vegetation having a potential to impact a structure |
| CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
| CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
| CN104050715A (zh) * | 2014-06-23 | 2014-09-17 | 华北电力大学 | 输电线路及走廊的高精度三维重建方法 |
| WO2014188225A1 (en) * | 2013-05-23 | 2014-11-27 | Mta Számitástechnikai És Automatizálási Kutató Intézet | Method and system for generating a three-dimensional model |
| CN104484882A (zh) * | 2014-12-24 | 2015-04-01 | 哈尔滨工业大学 | 一种基于机载LiDAR数据的城市区域电力线检测方法 |
| CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
| CN106526610A (zh) * | 2016-11-04 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种基于无人机激光点云的电塔自动定位方法及装置 |
| CN106650809A (zh) * | 2016-12-20 | 2017-05-10 | 福州大学 | 一种车载激光点云目标分类方法和系统 |
| CN106709946A (zh) * | 2016-12-16 | 2017-05-24 | 武汉大学 | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 |
-
2017
- 2017-08-28 CN CN201710750964.1A patent/CN107680102A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6420698B1 (en) * | 1997-04-24 | 2002-07-16 | Cyra Technologies, Inc. | Integrated system for quickly and accurately imaging and modeling three-dimensional objects |
| JP2002163679A (ja) * | 2000-11-24 | 2002-06-07 | Fukuoka Prefecture | 三次元物体モデル生成装置及び三次元物体モデル生成方法 |
| US20090310867A1 (en) * | 2008-06-12 | 2009-12-17 | Bogdan Calin Mihai Matei | Building segmentation for densely built urban regions using aerial lidar data |
| WO2011120152A1 (en) * | 2010-03-31 | 2011-10-06 | Ambercore Software Inc. | System and method for extracting features from data having spatial coordinates |
| US20120169498A1 (en) * | 2010-12-30 | 2012-07-05 | Vesa Johannes Leppanen | Method for locating vegetation having a potential to impact a structure |
| CN102915560A (zh) * | 2012-09-21 | 2013-02-06 | 中国石油大学(华东) | 一种阈值无关的机载激光雷达点云滤波方法及装置 |
| WO2014188225A1 (en) * | 2013-05-23 | 2014-11-27 | Mta Számitástechnikai És Automatizálási Kutató Intézet | Method and system for generating a three-dimensional model |
| CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
| CN104050715A (zh) * | 2014-06-23 | 2014-09-17 | 华北电力大学 | 输电线路及走廊的高精度三维重建方法 |
| CN104484882A (zh) * | 2014-12-24 | 2015-04-01 | 哈尔滨工业大学 | 一种基于机载LiDAR数据的城市区域电力线检测方法 |
| CA2995850A1 (en) * | 2015-08-31 | 2017-03-09 | Ryan Kottenstette | Systems and methods for analyzing remote sensing imagery |
| CN106526610A (zh) * | 2016-11-04 | 2017-03-22 | 广东电网有限责任公司电力科学研究院 | 一种基于无人机激光点云的电塔自动定位方法及装置 |
| CN106709946A (zh) * | 2016-12-16 | 2017-05-24 | 武汉大学 | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 |
| CN106650809A (zh) * | 2016-12-20 | 2017-05-10 | 福州大学 | 一种车载激光点云目标分类方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 彭向阳;宋爽;钱金菊;陈驰;王柯;杨钰琪;郑晓光;: "无人机激光扫描作业杆塔位置提取算法" * |
| 王和平;夏少波;谭弘武;王成;习晓环;: "电力巡线中机载激光点云数据处理的关键技术" * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110473225A (zh) * | 2019-08-22 | 2019-11-19 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
| CN110473225B (zh) * | 2019-08-22 | 2023-06-06 | 哈尔滨工业大学 | 一种非均匀照度沥青混合料颗粒识别方法 |
| CN111242799A (zh) * | 2019-12-10 | 2020-06-05 | 国网通用航空有限公司 | 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质 |
| CN111242799B (zh) * | 2019-12-10 | 2024-01-16 | 国网电力空间技术有限公司 | 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质 |
| CN111487619A (zh) * | 2020-04-22 | 2020-08-04 | 云南电网有限责任公司电力科学研究院 | 利用sar-x高分辨率聚束模检测输电杆塔地面倾角的方法 |
| CN112132900A (zh) * | 2020-09-29 | 2020-12-25 | 凌美芯（北京）科技有限责任公司 | 一种视觉重定位方法及系统 |
| CN112945198A (zh) * | 2021-02-02 | 2021-06-11 | 贵州电网有限责任公司 | 一种基于激光lidar点云的输电线路铁塔倾斜自动检测方法 |
| CN112945198B (zh) * | 2021-02-02 | 2023-01-31 | 贵州电网有限责任公司 | 一种基于激光lidar点云的输电线路铁塔倾斜自动检测方法 |
| CN112991303A (zh) * | 2021-03-22 | 2021-06-18 | 武汉大学 | 一种基于三维点云的电塔绝缘子串自动提取方法 |
| CN112991303B (zh) * | 2021-03-22 | 2023-08-18 | 武汉大学 | 一种基于三维点云的电塔绝缘子串自动提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107680102A (zh) | 一种基于空间约束的机载点云数据电力杆塔自动提取方法 | |
| CN105513127B (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
| CN106526610B (zh) | 一种基于无人机激光点云的电塔自动定位方法及装置 | |
| CN106845399B (zh) | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 | |
| CN107909582A (zh) | 一种机载LiDAR塔头电力线自动检测分割方法 | |
| CN107273902B (zh) | 一种从机载LiDAR数据自动提取电塔点云的方法 | |
| CN117836667A (zh) | 一种基于路侧感知单元的静态和非静态物体点云识别方法 | |
| Bienert et al. | Voxel space analysis of terrestrial laser scans in forests for wind field modelling | |
| CN108037514A (zh) | 一种使用激光点云进行树障安全检测方法 | |
| CN104484882A (zh) | 一种基于机载LiDAR数据的城市区域电力线检测方法 | |
| CN107610128A (zh) | 一种油位计的巡检方法和装置 | |
| CN113177744A (zh) | 一种城市绿地系统碳汇量估算方法及系统 | |
| CN114463403A (zh) | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 | |
| CN113569915B (zh) | 一种基于激光雷达的多策略轨道交通障碍物识别方法 | |
| CN107194827A (zh) | 一种电力网络管理方法 | |
| CN111091079A (zh) | 基于tls的高寒脆弱区植被优势单株结构参数测定方法 | |
| CN104765903A (zh) | 一种融合多源遥感和气候环境信息的综合性城市气候环境评估方法 | |
| CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
| CN117132915B (zh) | 一种基于点云自动分类的输电线路树障隐患分析方法 | |
| You et al. | Segmentation of individual mangrove trees using UAV-based LiDAR data | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN109814123A (zh) | 基于格网划分的电力杆塔位置提取方法 | |
| CN109697710A (zh) | 一种基于分层格网的滤波处理算法 | |
| CN116256771A (zh) | 一种基于无人机激光点云树障分析方法 | |
| CN110018490A (zh) | 一种行道树姿态自动识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180209 |