CN109063789A - 杆塔和电力线的分类方法、装置和系统 - Google Patents
杆塔和电力线的分类方法、装置和系统 Download PDFInfo
- Publication number
- CN109063789A CN109063789A CN201811049735.8A CN201811049735A CN109063789A CN 109063789 A CN109063789 A CN 109063789A CN 201811049735 A CN201811049735 A CN 201811049735A CN 109063789 A CN109063789 A CN 109063789A
- Authority
- CN
- China
- Prior art keywords
- point
- data
- power line
- classification
- shaft 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种杆塔和电力线的分类方法、装置和系统,该方法应用于云端服务器,方法包括:获取目标区域内的待分类的点云数据;将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。本发明通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
Description
技术领域
本发明涉及电力巡检技术领域,尤其是涉及一种杆塔和电力线的分类方法、装置和系统。
背景技术
输电线路是电网的重要组成部分,快速高效的巡检电力线附近的植被和其它地物的状况,对电力部门实现对电力系统的实时监测,快速评估和科学预测具有深远意义。在电力巡线的过程中,无人机激光雷达可以应用于地质复杂的区域,节约了人工时间,减少了人工巡检的危险性;解决了有些森林、山崖等地方的线路无法用人工巡检的问题,满足了电力公司提出的各项需求,是电力巡线解决方案新的发展趋势。
基于无人机激光雷达进行电力巡检得到的激光雷达点云数据,进行输电线路通道树障、交跨线、建筑物以及其他危险点检测的方法大幅提高了通道巡视的效率和精度,但是现有的激光雷达点云数据处理方法都是单机运行,有效率低,样本库更新不及时等弊端。
发明内容
有鉴于此,本发明的目的在于提供一种杆塔和电力线的分类方法、装置和系统,以提高杆塔和电力线的分类的准确率和效率。
第一方面,本发明实施例提供了一种杆塔和电力线的分类方法,上述方法应用于云端服务器,上述方法包括:获取目标区域内的待分类的点云数据;将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。
进一步地,上述分类器具体通过下述方式建立:获取训练样本;训练样本包括样本点云数据、样本点云数据中各数据点对应的类别标识和地面点标识;对样本点云数据中,每个数据点进行特征提取处理,得到数据点对应的特征数据;建立分类器的初始模型结构;将数据点对应的特征数据、类别标识和地面点标识输入至初始模型结构中进行训练,得到分类器。
进一步地,上述对样本点云数据中,每个数据点进行特征提取处理,得到数据点对应的特征数据的步骤,包括:获取每个数据点的邻域点;根据数据点和邻域点的数量或组成的形状,提取数据点和邻域点的特征数据。
进一步地,上述方法还包括:如果数据点和邻域点的数量为K,构建数据点和邻域点的协方差矩阵,根据协方差矩阵计算特征值;如果数据点和邻域点组成的形状为网格,计算网格邻域范围内,上一个网格中数据点的高程最大值与下一个网格数据点高程最小值的差值。如果数据点和邻域点组成的形状为圆柱形,根据预设的高度对点云分层,统计每层的数据点的数量和中心点坐标,通过下述公式计算特征值:其中,N为总层数,Ni为第i层的点数,Hi为第i层中心点的高度,V1为特征值;如果数据点和邻域点组成的形状为球形,计算邻域点之间的高程方差。
进一步地,上述修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果的步骤,包括:根据用户输入的杆塔位置,将初始分类结果中超出杆塔位置的被分类为塔杆的数据点剔除;将初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除;将初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。
进一步地,上述修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果的步骤之前,方法还包括:对初始分类结果进行散斑合并处理。
第二方面,本发明实施例提供了一种杆塔和电力线的分类装置,该装置应用于云端服务器,装置包括:数据采集模块,用于获取目标区域内的待分类的点云数据;数据分类模块,用于将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;数据分类结果修改及剔除模块,用于修改所述初始分类结果中被错误分类的所述点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。
进一步地,上述数据数据分类结果修改及剔除模块还用于:根据用户输入的杆塔位置,将初始分类结果中超出杆塔位置的被分类为塔杆的数据点剔除;将初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除;将初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。
进一步地,上述装置还包括:处理模块,用于对初始分类结果进行散斑合并处理。
第三方面,本发明实施例提供了一种杆塔和电力线的分类系统,系统运行在云端服务器;系统包括数据管理模块、模型管理模块和分类服务模块;上述任一项的装置设置于分类服务模块中;数据管理模块用于接收和保存点云数据;模型管理模块至少包括电力线模型、地面模型和塔杆模型;模型管理模块用于建立和更新分类器;分类服务模块用于通过分类器对点云数据进行分类,将分类结果发送至用户终端。
本发明实施例带来了以下有益效果:
本发明提供了一种杆塔和电力线的分类方法、装置和系统,该方法应用于云端服务器,方法包括:获取目标区域内的待分类的点云数据;将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。本发明通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种杆塔和电力线分类方法的流程图;
图2为本发明实施例提供的另一种杆塔和电力线分类方法的流程图;
图3为本发明实施例提供的一种分类器的建立方法的流程图;
图4为本发明实施例提供的另一种分类器的建立方法的流程图;
图5为本发明实施例提供的激光雷达点云数据分类的流程示意图;
图6为本发明实施例提供的一种杆塔和电力线分类装置的结构示意图;
图7为本发明实施例提供的云端服务器的结构示意图;
图8为本发明实施例提供的云端服务器的界面示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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他实施例,都属于本发明保护的范围。
考虑到现有的杆塔和电力线的分类方式准确率和效率较低的问题,本发明实施例提供了一种杆塔和电力线的分类方法、装置和系统,该技术可以应用于电力设备分类中,该技术可以采用相关的软件或硬件实现,下面通过实施例进行描述。
参见图1所示的一种杆塔和电力线分类方法的流程图;该方法应用于云端服务器,该方法包括如下步骤:
步骤S102,获取目标区域内的待分类的点云数据。上述的点云数据是指无人机激光雷达对目标区域进行扫描所得到的数据,数据扫描资料以点的形式记录,每一个点包含有三维坐标,有些可能含有颜色信息或反射强度信息。
步骤S104,将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立。
上述的分类器是通过对目标区域内的训练样本中的杆塔、电力线和地面等点云数据进行特征提取,从而建立的分类器,有助于对目标区域内的数据进行分类处理。上述的特征提取时,需要对每个数据点的领域点进行特征的计算,包括:K邻域点(每个点周围K个点)、球形邻域(以R为半径的球形范围内的点)、圆柱形邻域(以R为半径的圆柱形范围内的点)、格网邻域(将点云数据划分为格网,每个格网内的点)等多种领域点的选取方法。
步骤S106,修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。上述初始分类结果的修改是通过手动操作实现的;上述分类结果中,根据邻域统计的方法,判断每个点周围邻域内的点是否小于给定阈值,从而可以去除部分孤立的噪声点。
本发明提供了一种杆塔和电力线的分类方法,该方法应用于云端服务器,方法包括:获取目标区域内的待分类的点云数据;将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。该方式通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
参见图2所示的另一种杆塔和电力线分类方法的流程图;该方法应用于云端服务器,该方法是在图1中所示方法的基础上实现;该方法包括如下步骤:
步骤S202,获取目标区域内的待分类的点云数据。
步骤S204,将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果。分类器通过机器学习的方式建立;
步骤S206,对初始分类结果进行散斑合并处理。
当激光照射在墙壁、纸张、毛玻璃等这些平均起伏大于波长数量级的光学粗糙表面(或透过光学粗糙的透射板)上时,这些表面上无规分布的面元散射的子波相互叠加使反射光场(或透射光场)具有随机的空间光强分布,呈现出颗粒状的结构,这就是散斑。
步骤S208,根据用户输入的杆塔位置,将初始分类结果中超出杆塔位置的被分类为塔杆的数据点剔除。如:用户输入杆塔的位置为一个湖泊中,根据分类结果判断湖泊中不可能存在杆塔,从而可以剔除掉误分类的杆塔点;
步骤S210,将初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除。由于树木的树干有时会被误分为电力线,因此设定距离地面点以上一定范围的点不可能为电力线点,从而可以剔除部分误分类的电力线点;
步骤S212,将初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。激光雷达扫描仪获取数据时不可避免的会产生一些噪声点,根据邻域统计的方法,判断每个点周围邻域内的点是否小于给定阈值,从而可以去除一部分孤立的噪声点。
该方式通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
参见图3所示的一种分类器的建立方法的流程图;分类器具体通过下述方式建立:
步骤S302,获取训练样本。训练样本包括样本点云数据、样本点云数据中各数据点对应的类别标识和地面点标识;上述的训练样本要从目标区域中选取地形起伏大,地物类型丰富的区域。从线路的原始激光雷达点云数据中人工选择训练样本,为保证分类的准确性,选择时应考虑不同的塔型(如:猫头塔、酒杯塔、干字型塔、门型塔等)和线型(如:单导线、分裂导线),并人工分出电力线和杆塔类别,并通过滤波算法分出地面点。
步骤S304,对样本点云数据中,每个数据点进行特征提取处理,得到数据点对应的特征数据。
步骤S306,建立分类器的初始模型结构。上述的初始模型是通过机器学习中的算法实现的,如:CNN(卷积神经网络)算法、点云分类算法等。其中,CNN算法应用在2D图像上较为成功,但是激光雷达点云数据具有无序性、离散性和数据量大的特点;点云分类算法是基于深度学习的分类算法,可以提高激光雷达数据处理的效率。
步骤S308,将数据点对应的特征数据、类别标识和地面点标识输入至初始模型结构中进行训练,得到分类器。通过点云分类算法对数据点对应的特征数据、类别标识和地面点标识进行处理,通过分类实现电力线激光雷达点云数据自动分类的集中处理,减轻数据处理人员的压力,提高数据处理效率。
该方式通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
参见图4所示的另一种分类器的建立方法的流程图;该方法是在图3中所示方法的基础上实现;该方法包括如下步骤:
步骤S402,获取训练样本。
步骤S404,获取每个数据点的邻域点。以下四种方法为选取邻域点的方法:K邻域点(每个点周围K个点)、球形邻域(以R为半径的球形范围内的点)、圆柱形邻域(以R为半径的圆柱形范围内的点)、格网邻域(将点云数据划分为格网,每个格网内的点)。
步骤S406,根据数据点和邻域点的数量或组成的形状,提取数据点和邻域点的特征数据。
进一步地,上述方法还包括:如果数据点和邻域点的数量为K,构建数据点和邻域点的协方差矩阵,根据协方差矩阵计算特征值;
协方差矩阵:对每个点及其K邻域点构建协方差矩阵,根据协方差矩阵计算特征值λ1、λ2、λ3,其中λ1≥λ2≥λ3≥0,计算如下特征:
Sum=λ1+λ2+λ3
其中,Sum为特征值的和;Omnivariance为全方差;Eigenentropy为特征熵;Anisotropy为各向异性;Planarity为平面度;Linearity为线性度。
如果数据点和邻域点组成的形状为网格,计算网格邻域范围内,上一个网格中数据点的高程最大值与下一个网格数据点高程最小值的差值。这里需要计算数据点八个领域方向的数据,即:正东、正南、正西、正北、东南、西南、西北、东北八个方向。
如果数据点和邻域点组成的形状为圆柱形,根据预设的高度对点云分层,统计每层的数据点的数量和中心点坐标,通过下述公式计算特征值:
其中,N为总层数,Ni为第i层的点数,Hi为第i层中心点的高度,V1为特征值;
杆塔具有垂直方向连续的特点,对于每个点及其圆柱形邻域范围内的点,自下往上按照一定的高度对点云分层,统计每一层的点数和每一层中心点的坐标,非空的层数统计:如果第i层点数大于0,则记为1;如果第i层点数小于0,则记为0,最后,统计值为1的总层数。
最大高度偏差的计算公式如下:
V2=max|Hi-V1| i=2,3,...,N
平均点数的计算公式如下:
点数偏差:
Ndev=max|Ni-Ndev| i=1,2,...,N
其中,V2为最大高度偏差;Nave为平均点数;Ndev为点数偏差。
高程差:邻域内所有点的最大高程值和最小高程值的差值。
高程方差:邻域内所有点的高程方差。
归一化的高程值:邻域内的中心点相对于地面点的高度。
如果数据点和邻域点组成的形状为球形,计算邻域点之间的高程方差。这里需要计算领域内所有点的高程方差。
步骤S408,建立分类器的初始模型结构。
步骤S410,将数据点对应的特征数据、类别标识和地面点标识输入至初始模型结构中进行训练,得到分类器。
图5所示为激光雷达点云数据分类的流程示意图;首先在目标区域内的激光雷达点云数据中选取训练样本,提取样本的特征,构建分类器,对目标区域内所有的激光雷达点云数据,利用建立的分类器进行分类,得到电力线、杆塔、地面点、植被等。
该方式通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
参见图6所示的一种杆塔和电力线的分类装置,该装置应用于云端服务器,该装置包括:
数据采集模块60,用于获取目标区域内的待分类的点云数据;
数据分类模块61,用于将点云数据输入至预先建立的分类器中,输出点云数据对应的初始分类结果;分类器通过机器学习的方式建立;
数据分类结果修改及剔除模块62,用于修改初始分类结果中被错误分类的点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。
上述数据剔除模块还用于:根据用户输入的杆塔位置,将初始分类结果中超出杆塔位置的被分类为塔杆的数据点剔除;将初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除;将初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。
上述装置还包括:处理模块,用于对初始分类结果进行散斑合并处理。
该装置通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
参见图7所示的一种杆塔和电力线的分类系统的结构示意图;该系统运行在云端服务器;系统包括数据管理模块、模型管理模块和分类服务模块;上述任一项的装置设置于分类服务模块中;
数据管理模块用于接收和保存点云数据;
模型管理模块至少包括电力线模型、地面模型和塔杆模型;模型管理模块用于建立和更新分类器;
分类服务模块用于通过分类器对点云数据进行分类,将分类结果发送至用户终端。电力线激光雷达点云数据的分类是通过集群应用和网络技术实现的,把激光雷达点云数据放到云端,调用应用软件,对电力线激光雷达点云数据进行自动分类处理,并保存分类结果,供各用户对数据进行深加工。
图8为云服务器的界面图;界面中显示的工作流管理是指数据处理的过程中,可以设置工作节点,便于用户进行后续的操作,界面中的工作区可以显示云服务器的工作状况。如:用户1临时有事,不能在云服务器继续数据的处理可以设置工作节点,用户2可以在用户1设置的节点处继续数据处理的操作,而无须从头开始。统计报表会将云服务器处理的数据进行归类统计,以便用户的调用和处理。
该方式通过机器学习的方法实现了杆塔和电力线的自动分类,提高了分类的效率和准确率。
本发明实施例提供的杆塔和电力线的分类系统,与上述实施例提供的杆塔和电力线的分类方法、装置具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
本发明实施例所提供的进行杆塔和电力线的分类方法、装置和系统的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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,又例如,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信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述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。
另外,在本发明各个实施例中的各功能单元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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,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:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种杆塔和电力线的分类方法,其特征在于,所述方法应用于云端服务器,所述方法包括:
获取目标区域内的待分类的点云数据;
将所述点云数据输入至预先建立的分类器中,输出所述点云数据对应的初始分类结果;所述分类器通过机器学习的方式建立;
修改所述初始分类结果中被错误分类的所述点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。
2.根据权利要求1所述的方法,其特征在于,所述分类器具体通过下述方式建立:
获取训练样本;所述训练样本包括样本点云数据、所述样本点云数据中各数据点对应的类别标识和地面点标识;
对所述样本点云数据中,每个数据点进行特征提取处理,得到所述数据点对应的特征数据;
建立分类器的初始模型结构;
将所述数据点对应的特征数据、类别标识和地面点标识输入至所述初始模型结构中进行训练,得到分类器。
3.根据权利要求2所述的方法,其特征在于,所述对所述样本点云数据中,每个数据点进行特征提取处理,得到所述数据点对应的特征数据的步骤,包括:
获取每个数据点的邻域点;
根据所述数据点和所述邻域点的数量或组成的形状,提取所述数据点和所述邻域点的特征数据。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
如果所述数据点和所述邻域点的数量为K,构建所述数据点和所述邻域点的协方差矩阵,根据所述协方差矩阵计算特征值;
如果所述数据点和所述邻域点组成的形状为网格,计算所述网格邻域范围内,上一个网格中所述数据点的高程最大值与下一个网格所述数据点高程最小值的差值;
如果所述数据点和所述邻域点组成的形状为圆柱形,根据预设的高度对点云分层,统计每层的数据点的数量和中心点坐标,通过下述公式计算特征值:
其中,N为总层数,Ni为第i层的点数,Hi为第i层中心点的高度,V1为特征值;
如果所述数据点和所述邻域点组成的形状为球形,计算所述邻域点之间的高程方差。
5.根据权利要求1所述的方法,其特征在于,所述修改所述初始分类结果中被错误分类的所述点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果的步骤,包括:
根据用户输入的杆塔位置,将所述初始分类结果中超出所述杆塔位置的被分类为塔杆的数据点剔除;
将所述初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除;
将所述初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。
6.根据权利要求5所述的方法,其特征在于,所述修改所述初始分类结果中被错误分类的所述点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果的步骤之前,所述方法还包括:
对所述初始分类结果进行散斑合并处理。
7.一种杆塔和电力线的分类装置,其特征在于,该装置应用于云端服务器,所述装置包括:
数据采集模块,用于获取目标区域内的待分类的点云数据;
数据分类模块,用于将所述点云数据输入至预先建立的分类器中,输出所述点云数据对应的初始分类结果;所述分类器通过机器学习的方式建立;
数据分类结果修改及剔除模块,用于修改所述初始分类结果中被错误分类的所述点云数据,剔除噪声点,得到最终的杆塔和电力线分类结果。
8.根据权利要求7所述的装置,其特征在于,所述数据分类结果修改及剔除模块还用于:
根据用户输入的杆塔位置,将所述初始分类结果中超出所述杆塔位置的被分类为塔杆的数据点剔除;
将所述初始分类结果中,与地面点的距离超出预设高度范围的被分类为电力线的数据点剔除;
将所述初始分类结果中,邻域点数量低于预设数量范围的数据点剔除,得到最终的杆塔和电力线的分类结果。
9.根据权利要求7所述的装置,其特征在于,所述装置还包括:
处理模块,用于对所述初始分类结果进行散斑合并处理。
10.一种杆塔和电力线的分类系统,其特征在于,所述系统运行在云端服务器;所述系统包括数据管理模块、模型管理模块和分类服务模块;
权利要求7-9任一项所述的装置设置于所述分类服务模块中;
所述数据管理模块用于接收和保存点云数据;
所述模型管理模块至少包括电力线模型、地面模型和塔杆模型;所述模型管理模块用于建立和更新分类器;
所述分类服务模块用于通过所述分类器对点云数据进行分类,将分类结果发送至用户终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811049735.8A CN109063789A (zh) | 2018-09-07 | 2018-09-07 | 杆塔和电力线的分类方法、装置和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811049735.8A CN109063789A (zh) | 2018-09-07 | 2018-09-07 | 杆塔和电力线的分类方法、装置和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063789A true CN109063789A (zh) | 2018-12-21 |
Family
ID=64761057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811049735.8A Pending CN109063789A (zh) | 2018-09-07 | 2018-09-07 | 杆塔和电力线的分类方法、装置和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063789A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800470A (zh) * | 2018-12-25 | 2019-05-24 | 山东爱普电气设备有限公司 | 一种固定式低压成套开关设备标准母线计算方法及系统 |
CN110120091A (zh) * | 2019-04-28 | 2019-08-13 | 深圳供电局有限公司 | 电力巡检图像样本制作方法、装置和计算机设备 |
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
CN113065216A (zh) * | 2021-03-31 | 2021-07-02 | 广东电网有限责任公司 | 基于点云数据的输电通道建模方法及系统 |
CN113759974A (zh) * | 2021-09-15 | 2021-12-07 | 国网通用航空有限公司 | 一种面向输电杆塔精细化巡检的航线生成方法 |
CN114115321A (zh) * | 2021-12-13 | 2022-03-01 | 盐城工学院 | 高压输电线路异物自动清除飞行器及其自动清除方法 |
CN114138018A (zh) * | 2021-11-26 | 2022-03-04 | 深圳供电局有限公司 | 一种无人机巡检控制方法 |
CN114821327A (zh) * | 2022-04-29 | 2022-07-29 | 北京数字绿土科技股份有限公司 | 电力线和杆塔进行特征提取处理方法、系统及存储介质 |
CN115271096A (zh) * | 2022-07-27 | 2022-11-01 | 阿波罗智能技术(北京)有限公司 | 点云处理和机器学习模型训练方法、装置及自动驾驶车辆 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN108133227A (zh) * | 2017-11-29 | 2018-06-08 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法及装置 |
CN108226894A (zh) * | 2017-11-29 | 2018-06-29 | 北京数字绿土科技有限公司 | 一种点云数据处理方法及装置 |
-
2018
- 2018-09-07 CN CN201811049735.8A patent/CN109063789A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070291994A1 (en) * | 2002-05-03 | 2007-12-20 | Imagetree Corp. | Remote sensing and probabilistic sampling based forest inventory method |
CN108133227A (zh) * | 2017-11-29 | 2018-06-08 | 北京数字绿土科技有限公司 | 激光雷达点云数据分类方法及装置 |
CN108226894A (zh) * | 2017-11-29 | 2018-06-29 | 北京数字绿土科技有限公司 | 一种点云数据处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
赖广陵 等: "车载LiDAR数据电力线与塔杆提取方法", 《测绘科学技术学报》 * |
赖旭东 等: "LiDAR点云数据的电力线3维重建", 《遥感学报》 * |
陈驰 等: "机载激光点云数据中电力线自动提取方法", 《武汉大学学报(信息科学版)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800470A (zh) * | 2018-12-25 | 2019-05-24 | 山东爱普电气设备有限公司 | 一种固定式低压成套开关设备标准母线计算方法及系统 |
CN110120091A (zh) * | 2019-04-28 | 2019-08-13 | 深圳供电局有限公司 | 电力巡检图像样本制作方法、装置和计算机设备 |
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
CN113065216A (zh) * | 2021-03-31 | 2021-07-02 | 广东电网有限责任公司 | 基于点云数据的输电通道建模方法及系统 |
CN113065216B (zh) * | 2021-03-31 | 2023-04-14 | 广东电网有限责任公司 | 基于点云数据的输电通道建模方法及系统 |
CN113759974A (zh) * | 2021-09-15 | 2021-12-07 | 国网通用航空有限公司 | 一种面向输电杆塔精细化巡检的航线生成方法 |
CN114138018A (zh) * | 2021-11-26 | 2022-03-04 | 深圳供电局有限公司 | 一种无人机巡检控制方法 |
CN114115321A (zh) * | 2021-12-13 | 2022-03-01 | 盐城工学院 | 高压输电线路异物自动清除飞行器及其自动清除方法 |
CN114821327A (zh) * | 2022-04-29 | 2022-07-29 | 北京数字绿土科技股份有限公司 | 电力线和杆塔进行特征提取处理方法、系统及存储介质 |
CN114821327B (zh) * | 2022-04-29 | 2022-12-20 | 北京数字绿土科技股份有限公司 | 电力线和杆塔进行特征提取处理方法、系统及存储介质 |
CN115271096A (zh) * | 2022-07-27 | 2022-11-01 | 阿波罗智能技术(北京)有限公司 | 点云处理和机器学习模型训练方法、装置及自动驾驶车辆 |
CN115271096B (zh) * | 2022-07-27 | 2023-08-18 | 阿波罗智能技术(北京)有限公司 | 点云处理和机器学习模型训练方法、装置及自动驾驶车辆 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063789A (zh) | 杆塔和电力线的分类方法、装置和系统 | |
CN108133227A (zh) | 激光雷达点云数据分类方法及装置 | |
CN104680173B (zh) | 一种遥感图像场景分类方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN110414577A (zh) | 一种基于深度学习的激光雷达点云多目标地物识别方法 | |
CN110110802A (zh) | 基于高阶条件随机场的机载激光点云分类方法 | |
CN109508710A (zh) | 基于改进YOLOv3网络的无人车夜间环境感知方法 | |
CN108226894A (zh) | 一种点云数据处理方法及装置 | |
CN106021548A (zh) | 基于分布式人工智能图像识别的远程定损方法及系统 | |
CN104408429A (zh) | 一种视频代表帧提取方法及装置 | |
CN104091321A (zh) | 适用于地面激光雷达点云分类的多层次点集特征的提取方法 | |
CN103984953A (zh) | 基于多特征融合与Boosting决策森林的街景图像的语义分割方法 | |
CN102103202A (zh) | 一种融合影像的机载激光雷达数据半监督分类方法 | |
CN105469098A (zh) | 一种自适应特征权重合成的lidar数据地物精确分类方法 | |
CN111191628B (zh) | 基于决策树与特征优化的遥感影像震害建筑物识别方法 | |
Herdiyeni et al. | Mobile application for Indonesian medicinal plants identification using fuzzy local binary pattern and fuzzy color histogram | |
CN110378297A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN103366178A (zh) | 一种用于对目标图像进行颜色分类的方法与设备 | |
CN109684906A (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN104063686A (zh) | 作物叶部病害图像交互式诊断系统与方法 | |
CN102819747B (zh) | 林业业务图像自动分类方法 | |
CN112991362B (zh) | 一种基于混合高斯模型的色选机粘连物料图像分割方法 | |
CN106709474A (zh) | 一种手写电话号码识别、校验及信息发送系统 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |