CN111062949B - 一种基于机载激光雷达的电力线点云提取方法 - Google Patents
一种基于机载激光雷达的电力线点云提取方法 Download PDFInfo
- Publication number
- CN111062949B CN111062949B CN201911187525.XA CN201911187525A CN111062949B CN 111062949 B CN111062949 B CN 111062949B CN 201911187525 A CN201911187525 A CN 201911187525A CN 111062949 B CN111062949 B CN 111062949B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- power line
- subspace
- diff
- line point
- 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.)
- Active
Links
Images
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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于机载激光雷达的电力线点云提取方法,包括以下步骤:对点云数据初始分布空间进行栅格化,统计每个子空间的密度特征值和空间分布特征值;根据每个子空间的密度特征值和空间分布特征值,采用基于电力线点云的空间分布特征算法进行电力线点云提取,剔除其中的非电力线点;对提取得到的点云数据进行曲线拟合,并计算每个点的拟合残差;根据计算得到的拟合残差,剔除偏离拟合曲线较远的非电力线点,得到电力线点云。该方法可以快速、准确地提取出电力线点云数据,具有较好的提取效果,在提取精度与算法效率上表现良好,具有工程实用性。
Description
技术领域
本发明涉及电力技术领域,具体来说,涉及一种基于机载激光雷达的电力线点云提取方法。
背景技术
随着经济实力和人民生活水平的不断发展,整个社会的电力需求与日俱增,各种高压输电线路的建设体量急剧增加,输电线路走廊的地形环境日趋复杂,传统人工测量已经无法满足高强度的施工放线测量与运行维护过程。
激光雷达技术(LiDAR,Light Detection and Ranging)作为新一代测量技术,以激光脉冲测距作为测量方式,搭配以电力驱动的偏转控制系统,可以实现目标物体点云数据的快速、海量、高精度采集。
机载激光雷达技术以飞机为载体,在激光雷达技术的基础上,集成了全球定位系统(Global Positioning System,GPS)、惯性测量单元(Inertial measurement unit,IMU)等高精度动态定位模块,可以快速、准确地获取到目标对象的三维坐标。机载激光雷达凭借其测量速度快、自动化程度高、耗费人力物力成本小的特点,在复杂地形以及危险区域的输电线路走廊三维信息采集上具有明显的优势,得到了广泛的应用。
基于机载激光雷达的输电线路走廊三维信息采集可以得到海量的点云数据,快速、准确地提取电力线点云数据关系到激光雷达技术在此领域的应用价值。目前,已有的电力线点云提取方法在准确性和可靠性上尚有不足,电力线点云提取的精度和完整性仍需提高,缺乏较为成熟的提取方法。
发明内容
针对相关技术中的上述技术问题,本发明提出一种基于机载激光雷达的电力线点云提取方法,能够克服现有技术的上述不足。
为实现上述技术目的,本发明的技术方案是这样实现的:
一种基于机载激光雷达的电力线点云提取方法,包括以下步骤:
S1、对点云数据初始分布空间进行栅格化,统计每个子空间的密度特征值和空间分布特征值;
S2、根据每个子空间的密度特征值和空间分布特征值,采用基于电力线点云的空间分布特征算法进行电力线点云提取,剔除其中的非电力线点;
S3、对步骤S2提取得到的点云数据进行曲线拟合,并计算每个点的拟合残差;
S4、根据步骤S3计算得到的拟合残差,剔除偏离拟合曲线较远的非电力线点,得到电力线点云。
进一步地,所述步骤S1的具体步骤如下:
S1.1、确定输电线路原始点云数据data0的三维边界,确定初始分布空间S0:
其中,(x,y,z)为点云数据data0中任一点的三维坐标值,xmin、ymin、zmin分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最小值;xmax、ymax、zmax分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最大值;
S1.2、选取合适的栅格化尺度dx和dz,需要考虑到整个输电线路的尺度和获取到的点云数据的质量,一般dx为3~5m,dz为3~5m,分别沿X轴和Z轴方向将点云数据初始分布空间S0划分为m×n个子空间Si,j,其中i=1,2…,m;j=1,2…,n;
其中,xmax和xmin分别表示点云数据初始分布空间S0在X轴上的坐标最大值与最小值;zmax和zmin分别表示点云数据初始分布空间S0在Z轴上的坐标最大值与最小值;
S1.3、对每个子空间Si,j内的点云数量值counti,j进行统计,counti,j即为子空间的密度特征值;
S1.4、对每个子空间Si,j周围8个子空间及其自身内的点云数量总和counttotal进行统计:
其中countk,r表示子空间Sk,r内的点云数量值;
S1.5、计算每个子空间的空间分布特征值propi,j,具体为子空间Si,j内的点云数量值counti,j占周围8个子空间及其自身内的点云数量总和counttotal的比例:
propi,j=counti,j/counttotal,
其中counti,j表示子空间Si,j的点云数量值,counttotal表示子空间Si,j周围8个子空间及其自身内的点云数量总和。
进一步地,所述步骤S2的具体步骤如下:
S2.1、取counti,j作为子空间Si,j的密度特征值,根据电力线点云相对于地物点云与杆塔点云较为稀疏的特点,设置临界密度阈值CT:
CT=k·size(data0)/mn,
其中size(data0)表示原始点云数据包含的总点数,m·n表示子空间的个数,k表示稀疏系数,一般取0.15~0.25;
S2.2、根据密度值counti,j的大小对各个子空间Si,j中的点云进行分割:若counti,j>CT,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云;
S2.3、取propi,j作为子空间Si,j的空间分布特征值,考虑到电力线点云是一段连续的曲线,而经步骤2.2剔除后的非电力线点云较为离散,设置临界空间分布阈值propt,一般取0.4~0.6;
S2.4、根据特征值propi,j的大小对各个子空间Si,j中的点云进行分割:若propi,j>propt,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云。
进一步地,所述步骤S3的具体步骤如下:
S3.1、考虑到经步骤S2剔除后的点云数据中非电力线点云数据较少,且电力线点云在XOY平面和空间中分别近似于直线和二次曲线,对点云数据进行曲线拟合,拟合方程为:
其中f(x)为一次函数,g(x)为二次函数;
S3.2、根据步骤S3.1计算得到的拟合曲线,计算出每个点的拟合残差diff:
其中diffy和diffz分别表示Y方向和Z方向上的拟合残差分量。
进一步地,所述步骤S4的具体步骤如下:
S4.1、根据步骤S3计算得到的每个点的拟合残差,计算出拟合残差的平均值μdiff和标准差σdiff;
S4.2、根据非电力线点云相对于拟合曲线较为偏离的特点,设置残差阈值difft:
difft=μdiff+λσdiff,
其中μdiff和σdiff分别表示拟合残差的平均值和标准差,λ表示标准差系数,一般取λ=2.5,考虑到λ=2时剔除比例为1-0.9545=4.55%,较大,λ=3时剔除比例为1-0.9974=0.28%,较小,而λ=2.5时剔除比例为1-0.9876=1.24%,比较适合此处非电力线点云的剔除;
S4.3、根据每个点拟合残差diff的大小对非电力线点云进行剔除,若diff>difft,则该点为非电力线点云,剔除这些非电力线点云,得到电力线点云。
本发明的有益效果:
(1)本发明的基于机载激光雷达的电力线点云提取方法采用栅格化点云数据初始分布空间的方法,将长距离、复杂地形下的输电线路点云识别分割问题转化为小尺度子空间内具有普适性的基于密度特征和空间分布特征的点云分割问题,无需进行反复迭代计算,具有较好的算法效率和提取完整性;
(2)本发明的基于机载激光雷达的电力线点云提取方法对基于密度特征和空间分布特征算法剔除非电力线点云后的点云数据进行曲线拟合,根据拟合残差的分布特性,进一步剔除与电力线点云特征相似的非电力线点云,具有较高的电力线点云提取精度。
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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的基于机载激光雷达的电力线点云提取方法的流程图;
图2是基于栅格化的点云数据密度特征与空间分布特征算法剔除非电力线点云的流程图;
图3是基于曲线拟合残差分析剔除非电力线点云的流程图;
图4是点云数据初始分布空间基于X、Z轴的子空间划分示意图;
图5是根据本发明实施例所述的原始输电线路点云数据的示意图;
图6是根据本发明实施例所述的经步骤S1、S2提取后的点云数据示意图;
图7是根据本发明实施例所述的提取得到的电力线点云示意图。
具体实施方式
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,所描述的实施例仅仅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所获得的所有其他实施例,都属于本发明保护的范围。
如图1-4所示,根据本发明实施例所述的一种基于机载激光雷达的电力线点云提取方法,包括以下步骤:
S1、对点云数据初始分布空间进行栅格化,统计每个子空间的密度特征值和空间分布特征值,具体步骤如下:
S1.1、确定输电线路原始点云数据data0的三维边界,确定初始分布空间S0:
其中,(x,y,z)为点云数据data0中任一点的三维坐标值,xmin、ymin、zmin分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最小值;xmax、ymax、zmax分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最大值;
S1.2、选取合适的栅格化尺度dx和dz,需要考虑到整个输电线路的尺度和获取到的点云数据的质量,一般dx为3~5m,dz为3~5m,分别沿X轴和Z轴方向将点云数据初始分布空间S0划分为m×n个子空间Si,j,其中i=1,2…,m;j=1,2…,n;
其中,xmax和xmin分别表示点云数据初始分布空间S0在X轴上的坐标最大值与最小值;zmax和zmin分别表示点云数据初始分布空间S0在Z轴上的坐标最大值与最小值;
S1.3、对每个子空间Si,j内的点云数量值counti,j进行统计,counti,j即为子空间的密度特征值;
S1.4、对每个子空间Si,j周围8个子空间及其自身内的点云数量总和counttotal进行统计:
其中countk,r表示子空间Sk,r内的点云数量值;
S1.5、计算每个子空间的空间分布特征值propi,j,具体为子空间Si,j内的点云数量值counti,j占周围8个子空间及其自身内的点云数量总和counttotal的比例:
propi,j=counti,j/counttotal,
其中counti,j表示子空间Si,j的点云数量值,counttotal表示子空间Si,j周围8个子空间及其自身内的点云数量总和。
S2、根据每个子空间的密度特征值和空间分布特征值,采用基于电力线点云的空间分布特征算法进行电力线点云提取,剔除其中的非电力线点,具体步骤如下:
S2.1、取counti,j作为子空间Si,j的密度特征值,根据电力线点云相对于地物点云与杆塔点云较为稀疏的特点,设置临界密度阈值CT:
CT=k·size(data0)/mn,
其中size(data0)表示原始点云数据包含的总点数,m·n表示子空间的个数,k表示稀疏系数,一般取0.15~0.25;
S2.2、根据密度值counti,j的大小对各个子空间Si,j中的点云进行分割:若counti,j>CT,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云;
S2.3、取propi,j作为子空间Si,j的空间分布特征值,考虑到电力线点云是一段连续的曲线,而经步骤2.2剔除后的非电力线点云较为离散,设置临界空间分布阈值propt,一般取0.4~0.6;
S2.4、根据特征值propi,j的大小对各个子空间Si,j中的点云进行分割:若propi,j>propt,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云。
S3、对步骤S2提取得到的点云数据进行曲线拟合,并计算每个点的拟合残差,具体步骤如下:
S3.1、考虑到经步骤S2剔除后的点云数据中非电力线点云数据较少,且电力线点云在XOY平面和空间中分别近似于直线和二次曲线,对点云数据进行曲线拟合,拟合方程为:
其中f(x)为一次函数,g(x)为二次函数;
S3.2、根据步骤S3.1计算得到的拟合曲线,计算出每个点的拟合残差diff:
其中diffy和diffz分别表示Y方向和Z方向上的拟合残差分量。
S4、根据步骤S3计算得到的拟合残差,剔除偏离拟合曲线较远的非电力线点,得到电力线点云,具体步骤如下:
S4.1、根据步骤S3计算得到的每个点的拟合残差,计算出拟合残差的平均值μdiff和标准差σdiff;
S4.2、根据非电力线点云相对于拟合曲线较为偏离的特点,设置残差阈值difft:
difft=μdiff+λσdiff,
其中μdiff和σdiff分别表示拟合残差的平均值和标准差,λ表示标准差系数,一般取λ=2.5,考虑到λ=2时剔除比例为1-0.9545=4.55%,较大,λ=3时剔除比例为1-0.9974=0.28%,较小,而λ=2.5时剔除比例为1-0.9876=1.24%,比较适合此处非电力线点云的剔除;
S4.3、根据每个点拟合残差diff的大小对非电力线点云进行剔除,若diff>difft,则该点为非电力线点云,剔除这些非电力线点云,得到电力线点云。
为验证本发明提出的基于机载激光雷达的电力线点云提取方法的有效性,采用一组机载激光雷达实测的输电线路走廊点云数据作为实验数据。实验数据采集自张北500kv部分输电线路,该段数据地形起伏较大,存在一定的高程重叠,原始点云数据如图5所示。为了方便展示算法的提取效果,选取Matlab2019a作为算法测试与结果展示平台,该平台兼备算法运行能力与图形显示功能。
具体来说,首先采用基于栅格化的点云数据密度特征与空间分布特征算法对电力线点云进行提取,取dx=5m,dz=5m对点云数据初始分布空间进行栅格化处理,取密度阈值的稀疏系数k=0.2,临界空间分布阈值propt=0.5。该方法可以有效地将于电力线点云无关的地物点、杆塔点、植被点剔除,电力线点云保留完整,但仍有少部分与电力线点云特征近似的地物点残余,剔除后效果如图6所示。
然后对上述剔除后得到的点云数据进行曲线拟合并计算拟合残差,根据拟合残差的大小剔除偏离拟合曲线较远的非电力线点云,得到电力线点云。提取效果如图7所示,该算法剔除了大部分与电力线点云相似的非电力线点云,提高了电力线点云的提取精度,提取效果良好。
为进一步验证本发明所提出算法的可靠性并测试算法的提取速度,另外选取4组机载激光雷达实测的地势较为平坦的输电线路三维走廊点云数据。4组实验数据均为单档距电力线点云数据(档距分别为553.5m,268.2m,264.7m,193.7m,标记为No.1,No.2,No.3,No.4),利用本发明所提出的算法进行电力线点云自动提取,统计各组数据的算法运行时间以及提取所得到的点云个数。
然后对提取的电力线点云进行人工复核,通过人工交互式操作删除原始点云数据中包含的非电力线点云,统计电力线点云的点云个数,以人工提取的点云个数与本发明所提出算法提取得到的点云个数之比作为衡量电力线点云提取精度的指标,统计结果如表1所示。
表1.平坦地区电力线点云提取效果
由表1可知,本发明所提出的基于机载激光雷达的电力线点云提取方法具有很好的电力线点云提取效果,提取速度较快。基于栅格化的点云数据密度特征和空间分布特征算法可以有效得删除大量非电力线点云,剔除后的点云数据已经可以达到95%的电力线点云提取正确率。在此基础上,对点云数据拟合曲线后的残差进行分析,剔除偏离曲线较远的非电力线点云,可以增加约3%的提取正确率,可以达到约98%的提取正确率,能够满足大部分工程应用的需求。
综上所述,本发明提出的基于机载激光雷达的电力线点云提取方法能够快速、准确地提取出输电线路三维走廊点云数据中的电力线点云,具有较好的提取效果,在提取精度与算法效率上不劣于其他提取方法,具有工程实用性。
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、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于机载激光雷达的电力线点云提取方法,其特征在于,包括以下步骤:
S1、对点云数据初始分布空间进行栅格化,统计每个子空间的密度特征值和空间分布特征值;
S2、根据每个子空间的密度特征值和空间分布特征值,采用基于电力线点云的空间分布特征算法进行电力线点云提取,剔除其中的非电力线点;
S3、对步骤S2提取得到的点云数据进行曲线拟合,并计算每个点的拟合残差;
S4、根据步骤S3计算得到的拟合残差,剔除非电力线点,得到电力线点云;
步骤S1具体为:
S1.1、确定输电线路原始点云数据data0的三维边界,确定初始分布空间S0:
其中,(x,y,z)为点云数据data0中任一点的三维坐标值,xmin、ymin、zmin分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最小值;xmax、ymax、zmax分别表示点云数据初始分布空间S0在X轴、Y轴和Z轴上的坐标最大值;
S1.2、选取合适的栅格化尺度dx和dz,dx取3~5m,dz取3~5m,分别沿X轴和Z轴方向将点云数据初始分布空间S0划分为m×n个子空间Si,j,其中i=1,2…,m;j=1,2…,n;
其中,xmax和xmin分别表示点云数据初始分布空间S0在X轴上的坐标最大值与最小值;zmax和zmin分别表示点云数据初始分布空间S0在Z轴上的坐标最大值与最小值;
S1.3、对每个子空间Si,j内的点云数量值counti,j进行统计,counti,j即为子空间的密度特征值;
S1.4、对每个子空间Si,j周围8个子空间及其自身内的点云数量总和counttotal进行统计:
其中countk,r表示子空间Sk,r内的点云数量值;
S1.5、计算每个子空间的空间分布特征值propi,j,具体为子空间Si,j内的点云数量值counti,j占周围8个子空间及其自身内的点云数量总和counttotal的比例:
propi,j=counti,j/counttotal,
其中counti,j表示子空间Si,j的点云数量值,counttotal表示子空间Si,j周围8个子空间及其自身内的点云数量总和;
步骤S2中的基于电力线点云的空间分布特征算法具体为:
S2.1、取counti,j作为子空间Si,j的密度特征值,根据电力线点云相对于地物点云与杆塔点云较为稀疏的特点,设置临界密度阈值CT:
CT=k·size(data0)/mn,
其中size(data0)表示原始点云数据包含的总点数,m·n表示子空间的个数,k表示稀疏系数,k取0.15~0.25;
S2.2、根据密度值counti,j的大小对各个子空间Si,j中的点云进行分割:若counti,j>CT,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云;
S2.3、取propi,j作为子空间Si,j的空间分布特征值,设置临界空间分布阈值propt,propt取0.4~0.6;
S2.4、根据特征值propi,j的大小对各个子空间Si,j中的点云进行分割:若propi,j>propt,则子空间Si,j中的点云为非电力线点云,剔除这些非电力线点云。
3.根据权利要求1所述的基于机载激光雷达的电力线点云提取方法,其特征在于,所述步骤S4的具体步骤如下:
S4.1、根据步骤S3计算得到的每个点的拟合残差,计算出拟合残差的平均值μdiff和标准差σdiff;
S4.2、根据非电力线点云相对于拟合曲线较为偏离的特点,设置残差阈值difft:
difft=μdiff+λσdiff,
其中μdiff和σdiff分别表示拟合残差的平均值和标准差,λ表示标准差系数,λ=2.5;
S4.3、根据每个点拟合残差diff的大小对非电力线点云进行剔除,若diff>difft,则该点为非电力线点云,剔除这些非电力线点云,得到电力线点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187525.XA CN111062949B (zh) | 2019-11-28 | 2019-11-28 | 一种基于机载激光雷达的电力线点云提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911187525.XA CN111062949B (zh) | 2019-11-28 | 2019-11-28 | 一种基于机载激光雷达的电力线点云提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062949A CN111062949A (zh) | 2020-04-24 |
CN111062949B true CN111062949B (zh) | 2021-05-14 |
Family
ID=70299576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911187525.XA Active CN111062949B (zh) | 2019-11-28 | 2019-11-28 | 一种基于机载激光雷达的电力线点云提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062949B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111895907B (zh) * | 2020-06-18 | 2023-02-03 | 南方电网数字电网研究院有限公司 | 一种电塔点云提取方法、系统及设备 |
CN112446884B (zh) * | 2020-11-27 | 2024-03-26 | 广东电网有限责任公司肇庆供电局 | 一种激光点云中输电线的定位方法、装置及终端设备 |
CN115307652B (zh) * | 2022-10-11 | 2023-01-24 | 小米汽车科技有限公司 | 车辆位姿确定方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108061901A (zh) * | 2017-12-01 | 2018-05-22 | 国家电网公司 | 基于机载激光雷达点云数据重建3d电力线模型的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10726582B2 (en) * | 2018-03-15 | 2020-07-28 | Sharper Shape Oy | Method and system for determining lone temperature of overhead power line |
CN108562885B (zh) * | 2018-03-29 | 2021-12-31 | 同济大学 | 一种高压输电线路机载LiDAR点云提取方法 |
CN109948682B (zh) * | 2019-03-12 | 2021-12-10 | 湖南科技大学 | 基于正态随机抽样分布的激光雷达点云电力线分类方法 |
CN110060289B (zh) * | 2019-04-26 | 2021-08-17 | 深圳市镭神智能系统有限公司 | 电力线提取方法和激光雷达系统、存储介质 |
-
2019
- 2019-11-28 CN CN201911187525.XA patent/CN111062949B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN108061901A (zh) * | 2017-12-01 | 2018-05-22 | 国家电网公司 | 基于机载激光雷达点云数据重建3d电力线模型的方法 |
Non-Patent Citations (2)
Title |
---|
复杂地形电力线机载激光雷达点云自动提取方法;沈小军等;《同济大学学报(自然科学版)》;20180731;第46卷(第7期);第982-987页 * |
电力线点云精细提取与重建的模型残差实现;麻卫峰等;《测绘科学(网络首发论文)》;20190830;第1-9页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111062949A (zh) | 2020-04-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111062949B (zh) | 一种基于机载激光雷达的电力线点云提取方法 | |
CN104020475B (zh) | 一种基于机载LiDAR数据的电力线提取及建模方法 | |
CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
CN107274417B (zh) | 一种基于机载激光点云聚集关系的单木分割方法 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
CN106680798B (zh) | 一种机载lidar航带重叠区冗余辨识及消除方法 | |
CN105488770A (zh) | 一种面向对象的机载激光雷达点云滤波方法 | |
CN106778749B (zh) | 基于聚集度和Delaunay三角重构的巡回作业区域边界提取方法 | |
CN113218310A (zh) | 基于三维激光点云的尾矿库干滩重要参数提取方法及系统 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
Pawłuszek et al. | Landslides identification using airborne laser scanning data derived topographic terrain attributes and support vector machine classification | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
CN116520881A (zh) | 基于激光点云的无人机连续塔基三维巡检路径规划方法 | |
CN114004740B (zh) | 基于无人机激光雷达点云的建筑物墙线提取方法 | |
CN114396892A (zh) | 轨道交通曲线轨道曲率测量方法 | |
Che et al. | Inspection of Electric Transmission Line Fault Based on UAV Lidar. | |
CN107967714A (zh) | 一种通过无人机数字高程模型自动提取森林郁闭度的方法 | |
CN112381029A (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
CN116089523B (zh) | 基于低空雷达信息的大数据分析的处理系统 | |
CN110197210A (zh) | 一种基于倾斜摄影、图像识别实现景观现状定量可视化分析的方法 | |
CN113360849B (zh) | 一种基于ICESat-2数据的海冰密集度估算方法及系统 | |
CN114359743B (zh) | 一种基于多波段的低慢小目标识别方法及系统 |
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 |