CN107832849A - 一种基于知识库的电力线廊道三维信息提取方法及装置 - Google Patents
一种基于知识库的电力线廊道三维信息提取方法及装置 Download PDFInfo
- Publication number
- CN107832849A CN107832849A CN201711058328.9A CN201711058328A CN107832849A CN 107832849 A CN107832849 A CN 107832849A CN 201711058328 A CN201711058328 A CN 201711058328A CN 107832849 A CN107832849 A CN 107832849A
- Authority
- CN
- China
- Prior art keywords
- power line
- cloud data
- shaft tower
- feature
- gallery
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000000605 extraction Methods 0.000 claims abstract description 54
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 6
- 239000007787 solid Substances 0.000 claims description 5
- 230000000875 corresponding effect Effects 0.000 claims 2
- 244000062793 Sorghum vulgare Species 0.000 claims 1
- 230000002596 correlated effect Effects 0.000 claims 1
- 235000019713 millet Nutrition 0.000 claims 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 abstract description 6
- 238000003066 decision tree Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000002592 echocardiography Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法及装置，其中方法包括：获取点云数据并对点云数据进行预处理；根据预处理后的点云数据构建电力线杆塔知识库；根据电力线杆塔知识库对电力线廊道进行三维信息提取，从而完整提取电力线，与周围地物区分清楚准确，并准确提取杆塔，解决了现有电力线廊道三维信息提取方法仍需要结合人工后续分类，丢失数据从而影响提取精度的技术问题。
Description
技术领域
本发明涉及电力线廊道技术领域，尤其涉及一种基于知识库的电力线廊道三维信息提取方法及装置。
背景技术
传统的输电线路巡检方式是依靠地面交通工具或徒步行走、利用普通仪器或肉眼来巡查设施、处理设备缺陷，劳动力强度大、工作条件艰苦、效率低。机载激光雷达测量技术能同时采集高分辨率的航空数码影像和线路走廊高精度高密度三维激光点云数据，进而快速获得高精度三维线路走廊地形地貌、线路设施设备，以及走廊地物的精确三维空间信息和三维模型。自动化程度高而且定位准确。目前存在的激光点云分类方法很多，这些方法能基本区分出地面点和非地面点，但是分类的精度还不是很高。
从LiDAR电力线扫描数据的高程特点出发，利用高程自动阈值分割法，剔除地面点，这种方法在郊区没有复杂地物如建筑物、植被的情况下方便易行，但是在有高大建筑物的城市环境中，建筑物比电力线还要高，或者电力线穿插在植被中，这种方法就不能精确提取出电力线点云，要精确提取电力线线点云，还需要进行后续处理。
现有电力线廊道三维信息提取方法还存在很多问题，如点云分类结果不是很精确，仍需要结合人工后续分类，花费大量时间；提取电力的部分算法仍先转化到二维空间中，会丢失部分数据信息，虽然点云数量庞大，但丢失的数据也会影响提取的精度等。因此不利于实际生产应用。
发明内容
本发明实施例提供了一种基于知识库的电力线廊道三维信息提取方法及装置，用于解决现有电力线廊道三维信息提取方法仍需要结合人工后续分类，丢失数据从而影响提取精度的技术问题。
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法，包括：
S1：获取点云数据并对点云数据进行预处理；
S2：根据预处理后的点云数据构建电力线杆塔知识库；
S3：根据电力线杆塔知识库对电力线廊道进行三维信息提取。
优选地，所述步骤S1具体包括：
S101：对获取到的点云数据执行去噪处理；
S102：通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
S103：通过回波信息对滤波处理后的点云数据进行去除植被的处理；
S104：对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM。
优选地，所述步骤S102具体包括：
A1：获取去噪处理后的点云数据并进行粗差剔除；
A2：选取粗差剔除后的点云数据中的种子点并建立初始三角网；
A3：查找待添加点所在的三角形并根据距离阈值与角度阈值加密三角网并记录迭代次数加一；
A4：若迭代次数达到预设次数，则标记三角网中的顶点为地面点，否则返回步骤A3。
优选地，所述步骤S103具体包括：
B1：根据滤波处理后的点云数据生成差异模型FLDM；
B2：根据差异模型FLDM及预设的高差阈值dh_theshold，当高程之差dh大于高差阈值dh_theshold时，则判断相应的格网为植被脚点，二值化矩阵中取值为1；当高程之差小于高差阈值dh_theshold，则对应的格网为实体表面脚点，二值化矩阵中取值为0，判断公式如下：
B3：根据二值化矩阵中取值结果获得二值化影像图。
优选地，所述步骤S2包括：
S201：根据预处理后的点云数据提取电力线杆塔特征；
S202：对提取到的电力线杆塔特征进行特征优选；
S203：根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
优选地，所述步骤S201包括：
C1：对预处理后的点云数据进行FNEA分割；
C2：基于分割结果根据预设的特征提取计算条件提取电力线杆塔的范围、形状、坡度和高度特征。
优选地，所述步骤S202具体为：
通过随机森林算法对提取到的电力线杆塔特征进行特征选择，获得最小最优特征和全相关特征。
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取装置，包括：
预处理模块，用于获取点云数据并对点云数据进行预处理；
知识库构建模块，用于根据预处理后的点云数据构建电力线杆塔知识库；
三维信息提取模块，用于根据电力线杆塔知识库对电力线廊道进行三维信息提取。
优选地，所述预处理模块包括：
去噪处理单元，用于对获取到的点云数据执行去噪处理；
滤波处理单元，用于通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
植被去除单元，用于通过回波信息对滤波处理后的点云数据进行去除植被的处理；
数字地表模型生成单元，用于对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM。
优选地，所述滤波处理单元具体包括：
粗差剔除子单元，用于获取去噪处理后的点云数据并进行粗差剔除；
初始三角网建立子单元，用于选取粗差剔除后的点云数据中的种子点并建立初始三角网；
三角网加密子单元，用于查找待添加点所在的三角形并根据距离阈值与角度阈值加密三角网并记录迭代次数加一；
迭代输出子单元，用于若迭代次数达到预设次数，则标记三角网中的顶点为地面点，否则返回执行三角网加密子单元。
优选地，所述植被去除单元具体包括：
差异模型生成子单元，用于根据滤波处理后的点云数据生成差异模型FLDM；
二值化取值子单元，用于根据差异模型FLDM及预设的高差阈值dh_theshold，当高程之差dh大于高差阈值dh_theshold时，则判断相应的格网为植被脚点，二值化矩阵中取值为1；当高程之差小于高差阈值dh_theshold，则对应的格网为实体表面脚点，二值化矩阵中取值为0，判断公式如下：
二值化影像图获取子单元，用于根据二值化矩阵中取值结果获得二值化影像图。
优选地，所述知识库构建模块包括：
特征提取单元，用于根据预处理后的点云数据提取电力线杆塔特征；
特征优选单元，用于对提取到的电力线杆塔特征进行特征优选；
电力线杆塔知识库构建单元，用于根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
优选地，所述特征提取单元包括：
分割子单元，用于对预处理后的点云数据进行FNEA分割；
特征提取子单元，用于基于分割结果根据预设的特征提取计算条件提取电力线杆塔的范围、形状、坡度和高度特征。
优选地，所述特征优选单元具体用于：
通过随机森林算法对提取到的电力线杆塔特征进行特征选择，获得最小最优特征和全相关特征。
从以上技术方案可以看出，本发明实施例具有以下优点：
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法及装置，包括：获取点云数据并对点云数据进行预处理；根据预处理后的点云数据构建电力线杆塔知识库；根据电力线杆塔知识库对电力线廊道进行三维信息提取，从而完整提取电力线，与周围地物区分清楚准确，并准确提取杆塔，解决了现有电力线廊道三维信息提取方法仍需要结合人工后续分类，丢失数据从而影响提取精度的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个实施例的示意图；
图2为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例的示意图；
图3为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例中滤波处理的流程示意图；
图4为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例中电力线廊道信息提取知识库框架设计图；
图5为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个应用例中的原始点云数据图；
图6为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个应用例中的地面点云数据图；
图7为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个应用例中的多次回波约束下并去除电力线和杆塔后的非地面点数据图；
图8为本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个应用例中的电力线和杆塔的分类结果图。
具体实施方式
本发明实施例提供了一种基于知识库的电力线廊道三维信息提取方法及装置，用于解决现有电力线廊道三维信息提取方法仍需要结合人工后续分类，丢失数据从而影响提取精度的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参阅图1，本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的一个实施例，包括：
101：获取点云数据并对点云数据进行预处理；
需要说明的是，获取点云数据后，对点云数据进行预处理。
102：根据预处理后的点云数据构建电力线杆塔知识库；
需要说明的是，预处理后的点云数据可用于构建电力线杆塔知识库，通过分析、提取预处理后的点云数据中各个数据的特征。
103：根据电力线杆塔知识库对电力线廊道进行三维信息提取。
需要说明的是，构建形成电力线杆塔知识库后，根据知识库的常规使用手段，可进行对电力线廊道进行三维信息提取。
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法，包括：获取点云数据并对点云数据进行预处理；根据预处理后的点云数据构建电力线杆塔知识库；根据电力线杆塔知识库对电力线廊道进行三维信息提取，从而完整提取电力线，与周围地物区分清楚准确，并准确提取杆塔，解决了现有电力线廊道三维信息提取方法仍需要结合人工后续分类，丢失数据从而影响提取精度的技术问题。
以下将对本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例进行详细的描述。
请参阅图2，本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例，包括：
首先，获取点云数据并对点云数据进行预处理，这其中包括步骤201、步骤202、步骤203、步骤204；
需要说明的是，获取点云数据后，对点云数据进行预处理。
201：对获取到的点云数据执行去噪处理；
点云数据去噪处理：由于噪声点云对后续数据处理与分类识别会产生较大影响，因此利用手工交互方式对原始点云数据进行去噪处理，保证数据无明显噪声点云。
202：通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
点云数据滤波：利用渐进式三角网加密滤波算法对地面点和非地面点进行滤波处理。
203：通过回波信息对滤波处理后的点云数据进行去除植被的处理；
利用回波信息去除植被：由于点云在植被区域、电力线、地面断裂线等处会产生至少2次回波数据，因此差异模型中高差与地物高度具有对应关系，首、尾2次回波高程之差反映了地物脚点的分布情况。
204：对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM；
DSM生成，利用商业软件TerraScan生成DSM。将DSM用二值化影像掩膜处理，得到候选电力线/杆塔影像的数字表面模型。
请参阅图3，步骤202具体包括：
A1：获取去噪处理后的点云数据并进行粗差剔除；
A2：选取粗差剔除后的点云数据中的种子点并建立初始三角网；
A3：查找待添加点所在的三角形并根据距离阈值与角度阈值加密三角网并记录迭代次数加一；
A4：若迭代次数达到预设次数，则标记三角网中的顶点为地面点，否则返回步骤A3。
步骤203为对差异模型FLDM进行分析，具体包括：
B1：根据滤波处理后的点云数据生成差异模型FLDM；
B2：根据差异模型FLDM及预设的高差阈值dh_theshold，当高程之差dh大于高差阈值dh_theshold时，则判断相应的格网为植被脚点，二值化矩阵中取值为1；当高程之差小于高差阈值dh_theshold，则对应的格网为实体表面脚点，二值化矩阵中取值为0，判断公式如下：
B3：根据二值化矩阵中取值结果获得二值化影像图。
需要说明的是，步骤203中可设定dh_theshold为5米，得到二值化影像图为去除植被的候选电力线/杆塔影像。
然后根据预处理后的点云数据构建电力线杆塔知识库，这其中包括步骤205、步骤206、步骤207；
需要说明的是，预处理后的点云数据可用于构建电力线杆塔知识库，通过分析、提取预处理后的点云数据中各个数据的特征。
205：根据预处理后的点云数据提取电力线杆塔特征；
206：对提取到的电力线杆塔特征进行特征优选；
207：根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
需要说明的是，电力线/杆塔知识库构建：通过特征优选形成电力线/杆塔的定量知识描述，包括电力线/杆塔提取的最佳特征和最佳阈值，进而构建电力线/杆塔提取的知识库。定量知识描述即构建知识库过程中知识提取的结果，可用于构建知识库。构建的知识库框架如图4所示，包括电力线廊道地物、地面点、非地面点、植被、电力线杆塔、电力线杆塔的范围、形状、高度、坡度等。
步骤205包括：
C1：对预处理后的点云数据进行FNEA分割；
首先对预处理的结果进行FNEA分割。
C2：基于分割结果根据预设的特征提取计算条件提取电力线杆塔的范围、形状、坡度和高度特征。
利用Ecognition软件基于分割结果提取电力线/杆塔的范围、形状、坡度和高度等特征。具体预设的特征提取计算条件如下：
表1：电力线廊道提取特征
步骤206具体为：
通过随机森林算法对提取到的电力线杆塔特征进行特征选择，获得最小最优特征和全相关特征。
电力线/杆塔特征优选：为了构建电力线/杆塔提取的知识库，需要进行特征选择，实现最小最优特征和全相关特征的选择。利用随机森林预测输入特征变量的分类解释能力—随机森林是由一组分类决策树构成，每个决策树对分类结果进行投票，根据投票结果确定最终的类别，也就是确定变量重要性VI：Mean Decrease in Accuracy(MDA),MeanDecrease in Gini(MDG)。利用随机森林进行特征优选需要确定两个参数：分类决策树的数量和结点分叉处的输入变量数。
步骤207：根据电力线杆塔知识库对电力线廊道进行三维信息提取。
需要说明的是，构建形成电力线杆塔知识库后，根据知识库的常规使用手段，可进行对电力线廊道进行三维信息提取。利用创建好的知识库对电力线廊道进行信息提取。
本发明实施例同样也适用林业三维信息提取，高速公路勘察以及建筑物提取与三维重建等，本方法不进行限定。
以下将会对本发明实施例提供的一种基于知识库的电力线廊道三维信息提取方法的另一个实施例应用于实际的一个应用例进行详细的描述。
请参阅图5，图5为原始点云数据图，点云数据包含地面点、植被点、塔杆点以及电力线点等，所以需要对这些数据进行分类提取。
请参阅图6，图6为进行了步骤202滤波处理之后的地面点云数据图，利用渐进式三角网加密滤波算法对地面点和非地面点进行滤波处理，该方法可较好分离地面点和非地面点。
请参阅图7，图7为进行步骤203，利用回波信息区分植被点和非植被点得到的结果，即多次回波约束下并去除电力线和杆塔后的非地面点数据。通过激光雷达的多回波特性，可以同时获取电力线、电力设施、植被、地表地物等三维坐标。
请参阅图8，图8为进行步骤207，利用创建好的知识库对电力线廊道进行信息提取后的电力线和杆塔的分类结果图。图中，空心箭头所指部分为杆塔，连接杆塔的线条为电力线。可以看出，本专利方法能完整提取电力线，与周围地物区分清楚准确，并准确提取杆塔。
以下将对本发明实施例提供的一种基于知识库的电力线廊道三维信息提取装置的一个实施例进行详细的描述。
本发明实施例提供的一种基于知识库的电力线廊道三维信息提取装置的一个实施例，包括：
预处理模块，用于获取点云数据并对点云数据进行预处理；
知识库构建模块，用于根据预处理后的点云数据构建电力线杆塔知识库；
三维信息提取模块，用于根据电力线杆塔知识库对电力线廊道进行三维信息提取。
预处理模块包括：
去噪处理单元，用于对获取到的点云数据执行去噪处理；
滤波处理单元，用于通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
植被去除单元，用于通过回波信息对滤波处理后的点云数据进行去除植被的处理；
数字地表模型生成单元，用于对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM。
滤波处理单元具体包括：
粗差剔除子单元，用于获取去噪处理后的点云数据并进行粗差剔除；
初始三角网建立子单元，用于选取粗差剔除后的点云数据中的种子点并建立初始三角网；
三角网加密子单元，用于查找待添加点所在的三角形并根据距离阈值与角度阈值加密三角网并记录迭代次数加一；
迭代输出子单元，用于若迭代次数达到预设次数，则标记三角网中的顶点为地面点，否则返回执行三角网加密子单元。
植被去除单元具体包括：
差异模型生成子单元，用于根据滤波处理后的点云数据生成差异模型FLDM；
二值化取值子单元，用于根据差异模型FLDM及预设的高差阈值dh_theshold，当高程之差dh大于高差阈值dh_theshold时，则判断相应的格网为植被脚点，二值化矩阵中取值为1；当高程之差小于高差阈值dh_theshold，则对应的格网为实体表面脚点，二值化矩阵中取值为0，判断公式如下：
二值化影像图获取子单元，用于根据二值化矩阵中取值结果获得二值化影像图。
知识库构建模块包括：
特征提取单元，用于根据预处理后的点云数据提取电力线杆塔特征；
特征优选单元，用于对提取到的电力线杆塔特征进行特征优选；
电力线杆塔知识库构建单元，用于根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
特征提取单元包括：
分割子单元，用于对预处理后的点云数据进行FNEA分割；
特征提取子单元，用于基于分割结果根据预设的特征提取计算条件提取电力线杆塔的范围、形状、坡度和高度特征。
特征优选单元具体用于：
通过随机森林算法对提取到的电力线杆塔特征进行特征选择，获得最小最优特征和全相关特征。
以上所述，以上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。
Claims (10)
1.一种基于知识库的电力线廊道三维信息提取方法，其特征在于，包括：
S1：获取点云数据并对点云数据进行预处理；
S2：根据预处理后的点云数据构建电力线杆塔知识库；
S3：根据电力线杆塔知识库对电力线廊道进行三维信息提取。
2.根据权利要求1所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S1具体包括：
S101：对获取到的点云数据执行去噪处理；
S102：通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
S103：通过回波信息对滤波处理后的点云数据进行去除植被的处理；
S104：对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM。
3.根据权利要求2所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S102具体包括：
A1：获取去噪处理后的点云数据并进行粗差剔除；
A2：选取粗差剔除后的点云数据中的种子点并建立初始三角网；
A3：查找待添加点所在的三角形并根据距离阈值与角度阈值加密三角网并记录迭代次数加一；
A4：若迭代次数达到预设次数，则标记三角网中的顶点为地面点，否则返回步骤A3。
4.根据权利要求2所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S103具体包括：
B1：根据滤波处理后的点云数据生成差异模型FLDM；
B2：根据差异模型FLDM及预设的高差阈值dh_theshold，当高程之差dh大于高差阈值dh_theshold时，则判断相应的格网为植被脚点，二值化矩阵中取值为1；当高程之差小于高差阈值dh_theshold，则对应的格网为实体表面脚点，二值化矩阵中取值为0，判断公式如下：
B3：根据二值化矩阵中取值结果获得二值化影像图。
5.根据权利要求1所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S2包括：
S201：根据预处理后的点云数据提取电力线杆塔特征；
S202：对提取到的电力线杆塔特征进行特征优选；
S203：根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
6.根据权利要求5所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S201包括：
C1：对预处理后的点云数据进行FNEA分割；
C2：基于分割结果根据预设的特征提取计算条件提取电力线杆塔的范围、形状、坡度和高度特征。
7.根据权利要求5所述的一种基于知识库的电力线廊道三维信息提取方法，其特征在于，所述步骤S202具体为：
通过随机森林算法对提取到的电力线杆塔特征进行特征选择，获得最小最优特征和全相关特征。
8.一种基于知识库的电力线廊道三维信息提取装置，其特征在于，包括：
预处理模块，用于获取点云数据并对点云数据进行预处理；
知识库构建模块，用于根据预处理后的点云数据构建电力线杆塔知识库；
三维信息提取模块，用于根据电力线杆塔知识库对电力线廊道进行三维信息提取。
9.根据权利要求8所述的一种基于知识库的电力线廊道三维信息提取装置，其特征在于，所述预处理模块包括：
去噪处理单元，用于对获取到的点云数据执行去噪处理；
滤波处理单元，用于通过渐进式三角网加密滤波算法对去噪处理后的点云数据中的地面点和非地面点进行滤波处理；
植被去除单元，用于通过回波信息对滤波处理后的点云数据进行去除植被的处理；
数字地表模型生成单元，用于对去除植被后的点云数据进行掩膜处理，生成候选电力线杆塔影像的数字地表模型DSM。
10.根据权利要求8所述的一种基于知识库的电力线廊道三维信息提取装置，其特征在于，所述知识库构建模块包括：
特征提取单元，用于根据预处理后的点云数据提取电力线杆塔特征；
特征优选单元，用于对提取到的电力线杆塔特征进行特征优选；
电力线杆塔知识库构建单元，用于根据特征优选结果形成电力线杆塔的定量知识描述，并构建电力线杆塔知识库。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058328.9A CN107832849B (zh) | 2017-11-01 | 2017-11-01 | 一种基于知识库的电力线廊道三维信息提取方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711058328.9A CN107832849B (zh) | 2017-11-01 | 2017-11-01 | 一种基于知识库的电力线廊道三维信息提取方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107832849A true CN107832849A (zh) | 2018-03-23 |
| CN107832849B CN107832849B (zh) | 2021-03-12 |
Family
ID=61650427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711058328.9A Active CN107832849B (zh) | 2017-11-01 | 2017-11-01 | 一种基于知识库的电力线廊道三维信息提取方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107832849B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647607A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于输变电工程的地物识别方法 |
| CN108765446A (zh) * | 2018-05-30 | 2018-11-06 | 湖北大学 | 基于随机场和随机森林的电力线点云分割方法及系统 |
| CN109492699A (zh) * | 2018-11-21 | 2019-03-19 | 国网江苏省电力有限公司扬州供电分公司 | 输电通道三维测量方法及装置 |
| CN109633674A (zh) * | 2018-12-17 | 2019-04-16 | 云南电网有限责任公司带电作业分公司 | 基于激光点云数据的输电巡视三维航迹自动规划方法 |
| CN110060256A (zh) * | 2019-03-08 | 2019-07-26 | 广东工业大学 | 一种基于机载LiDAR点云的杆塔提取技术 |
| CN111080536A (zh) * | 2019-11-13 | 2020-04-28 | 武汉华中天经通视科技有限公司 | 一种机载激光雷达点云的自适应滤波方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106340061A (zh) * | 2016-08-31 | 2017-01-18 | 中测新图(北京)遥感技术有限责任公司 | 一种山区点云滤波方法 |
| US20170053438A1 (en) * | 2014-06-13 | 2017-02-23 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for reconstructing a three-dimensional model of point clouds |
| 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 |
| CN107238844A (zh) * | 2017-06-30 | 2017-10-10 | 贵州电网有限责任公司输电运行检修分公司 | 基于激光点云雷达数据进行输电线路通道断面图制作方法 |
-
2017
- 2017-11-01 CN CN201711058328.9A patent/CN107832849B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170053438A1 (en) * | 2014-06-13 | 2017-02-23 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for reconstructing a three-dimensional model of point clouds |
| CN106340061A (zh) * | 2016-08-31 | 2017-01-18 | 中测新图(北京)遥感技术有限责任公司 | 一种山区点云滤波方法 |
| 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 |
| CN107238844A (zh) * | 2017-06-30 | 2017-10-10 | 贵州电网有限责任公司输电运行检修分公司 | 基于激光点云雷达数据进行输电线路通道断面图制作方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杨晓云 等: "基于LiDAR点云的城市地区植被提取算法研究", 《广西科技大学学报》 * |
| 麦晓明 等: "输电线路走廊三维可视化技术和系统设计", 《中国电力》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647607A (zh) * | 2018-04-28 | 2018-10-12 | 国网湖南省电力有限公司 | 用于输变电工程的地物识别方法 |
| CN108765446A (zh) * | 2018-05-30 | 2018-11-06 | 湖北大学 | 基于随机场和随机森林的电力线点云分割方法及系统 |
| CN109492699A (zh) * | 2018-11-21 | 2019-03-19 | 国网江苏省电力有限公司扬州供电分公司 | 输电通道三维测量方法及装置 |
| CN109633674A (zh) * | 2018-12-17 | 2019-04-16 | 云南电网有限责任公司带电作业分公司 | 基于激光点云数据的输电巡视三维航迹自动规划方法 |
| CN110060256A (zh) * | 2019-03-08 | 2019-07-26 | 广东工业大学 | 一种基于机载LiDAR点云的杆塔提取技术 |
| CN111080536A (zh) * | 2019-11-13 | 2020-04-28 | 武汉华中天经通视科技有限公司 | 一种机载激光雷达点云的自适应滤波方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107832849B (zh) | 2021-03-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107832849A (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
| CN106815847B (zh) | 基于激光雷达点云的树木分割方法及单棵树提取方法 | |
| CN106529469A (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
| CN112381861B (zh) | 一种基于地基激光雷达的林地点云数据配准和分割方法 | |
| CN107085710B (zh) | 一种基于多光谱LiDAR数据的单木自动提取方法 | |
| CN113034689A (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
| CN107092020A (zh) | 融合无人机LiDAR和高分影像的路面平整度监测方法 | |
| CN103646246A (zh) | 一种基于决策树模型的多光谱遥感影像河流信息提取方法 | |
| CN103390169A (zh) | 一种车载激光扫描点云数据的城市地物分类方法 | |
| CN106157309A (zh) | 一种基于虚拟种子点的机载LiDAR地面点云滤波方法 | |
| CN104502919A (zh) | 利用机载激光雷达点云提取城市植被三维覆盖的方法 | |
| CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
| CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
| JP6347064B2 (ja) | レーザー計測結果解析システム | |
| CN107392133A (zh) | 利用面向对象多源信息融合的荒漠植物遥感识别方法 | |
| CN104155638A (zh) | 一种基于LiDAR伪垂直波形模型的树种分类方法 | |
| CN109766824B (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
| 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 | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| CN106485718A (zh) | 一种过火迹地识别方法及装置 | |
| Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
| CN116129262A (zh) | 一种面向宜机化改造的耕地适宜性评价方法及系统 | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| Tan et al. | Discriminating forest leaf and wood components in TLS point clouds at single-scan level using derived geometric quantities | |
| CN117197677A (zh) | 一种基于激光雷达点云数据的热带雨林乔灌分离方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |