CN111145159B - 提取巡检关键部件点的方法及装置 - Google Patents

提取巡检关键部件点的方法及装置 Download PDF

Info

Publication number
CN111145159B
CN111145159B CN201911382850.1A CN201911382850A CN111145159B CN 111145159 B CN111145159 B CN 111145159B CN 201911382850 A CN201911382850 A CN 201911382850A CN 111145159 B CN111145159 B CN 111145159B
Authority
CN
China
Prior art keywords
point cloud
point
tower
extracting
insulator
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
Application number
CN201911382850.1A
Other languages
English (en)
Other versions
CN111145159A (zh
Inventor
郭彦明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Digital Green Earth Technology Co ltd
Original Assignee
Beijing Digital Green Earth Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Digital Green Earth Technology Co ltd filed Critical Beijing Digital Green Earth Technology Co ltd
Priority to CN201911382850.1A priority Critical patent/CN111145159B/zh
Publication of CN111145159A publication Critical patent/CN111145159A/zh
Application granted granted Critical
Publication of CN111145159B publication Critical patent/CN111145159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20112—Image segmentation details
    • G06T2207/20164—Salient point detection; Corner detection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Electric Cable Installation (AREA)

Abstract

本申请提供了一种提取巡检关键部件点的方法及装置，属于电力检测领域，该提取巡检关键部件点的方法包括:S1.利用不同塔型的杆塔点云作为训练样本，根据不同塔型以及电压等级确定绝缘子长度；S2.根据所述绝缘子高度对杆塔点云进行垂直分层，将每层精细分类的点云作为深度学习的最小学习单元，对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类；S3.基于精细分类结果，将每个杆塔的的杆塔点云利用模型构建方法进行单体化；S4.从单体化的各个模型中提取部件点的位置作为拍照点位。利用上述方法，可以减少人工选择关键部件点的工作量，提高工作效率。

Description

提取巡检关键部件点的方法及装置
技术领域
本发明涉及电力检测领域，具体涉及一种提取巡检关键部件点的方法及装置。
背景技术
电力系统有别于其他行业，维护不能随意中断生产，这就要在事故发生之前做好充分的预测—在事故发生之前解决故障，重点是输电线路的预防性巡检工作。
随着电网智能化水平不断提高，无人机巡检被越来越多的采用。每一次巡检任务完成后都会产生大量的巡检图片。通常情况下输电线路精细化巡检对象包括：(1)导地线有无缺陷或异常；(2)线路金具有无缺陷或异常；(3)绝缘子及绝缘子串有无缺陷或异常；(4)附属设施有无缺陷或异常；(5)通道及交叉跨越有无缺陷或异常；(6)基础地质环境有无缺陷或异常；(7)杆塔本体运行状况。
现有的巡检图像处理方式，大都是基于人工判读的方式来完成目标部件的标定和缺陷的分类，人工判读方式劳动强度大、工作效率低。另一方面，人工判读方式没有一个统一的评判标准作为依据、易受个人主观因素的影响，常常漏判或错判很多缺陷；使得巡检效果不佳，从而导致线路状态监管缺位，这些都使得输电线路巡检工作效果大打折扣，给输电线路安全留下隐患。
发明内容
本发明的目的在于提供一种提取巡检关键部件点的方法及装置，可以减少人工选择关键部件点的工作量，提高工作效率。
基于上述目的，本申请提供的一种提取巡检关键部件点的方法，包括以下步骤：
S1.利用不同塔型的杆塔点云作为训练样本，根据不同塔型以及电压等级确定绝缘子高度；
S2.根据所述绝缘子高度对杆塔点云进行垂直分层，将每层精细分类的点云作为深度学习的最小学习单元，对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类；
S3.基于精细分类结果，将每个杆塔的杆塔点云利用模型构建方法进行单体化；
S4.从单体化的各个模型中提取部件点的位置作为拍照点位。
进一步的，在步骤S1中，所述杆塔点云包括地线点云、导线点云、引流线点云、塔身点云和绝缘子点云。
进一步的，在步骤S2中，所述对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类，具体包括如下操作步骤：
S21.根据杆塔位置，设置缓冲区，提取缓冲区内的点云进行精细分类；
S22.精细分类将点云作为输入数据，经过卷积、激活、池化计算，得到每个点的16维特征，利用增大类间向量的欧式距离减少类内向量间的欧式距离的方式，不断迭代训练模型，直至损失达到极小值后停止训练保存得到针对每个单元的深度学习神经网络模型；
S23.最后利用保存的深度学习神经网络模型对所有输入的点云计算高维特征，然后利用聚类算法对特征聚类完成对不同塔型的杆塔点云的点云精细分类。
进一步的，在步骤S3中，基于精细分类结果，将每个杆塔的杆塔点云利用模型构建方法进行单体化，具体包括如下操作步骤：基于精细分类结果，针对每个类别的点云，根据三维空间欧式距离进行聚类分簇，得到单簇的绝缘子、引流线、地线的对象。
进一步的，在步骤S3中，所述塔身点云通过alpha-shape算法提取点云的轮廓和边缘。
进一步的，在步骤S3中，所述引流线点云利用抛物线模型进行矢量化。
进一步的，在步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，包括如下操作步骤：
根据单体化绝缘子点云对象识别判定绝缘子类型：
判断当前单体化绝缘子点云是垂直绝缘子，则提取绝缘子最高点和最低点作为拍照点；
判断当前单体化绝缘子点云是水平绝缘子，提取其左右端点作为拍照点；
判断当前单体化绝缘子点云是V型绝缘子，提取其左右端和底部点作为拍照点。
进一步的，在步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，还包括如下操作步骤：
对于单体化引流线点云，提取引流线的左右两端和弧垂中部作为拍照点；
对于单体化地线点云，提取其线夹位置作为拍照点；
对于单体化导线点云，提取其线夹位置作为拍照点。
本申请提供的一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的提取巡检关键部件点的方法。
本申请提供的一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述的提取巡检关键部件点的方法。
本发明提供的提取巡检关键部件点的方法，具有的技术效果有：
该提取巡检关键部件点的方法中，基于深度学习算法对不同塔型杆塔点云数据(地线、导线、引流线、塔身和绝缘子等)进行精细分类，基于分类结果进行单体化，自动提取关键部件点(绝缘子端点、地线挂点、引流线中点等)，减少人工选择关键部件点的工作量，提高输电线路巡检工作的工作效率和质量。
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为本申请实施例提供的提取巡检关键部件点的方法的示意图。
具体实施方式
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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
图1示出了本申请实施例中提供的提取巡检关键部件点的方法的示意图。
具体地，如图1所示，本申请提供了一种提取巡检关键部件点的方法，包括以下步骤：
S1.利用不同塔型的杆塔点云数据(即杆塔点云)作为训练样本，根据不同塔型以及电压等级确定绝缘子长度；
S2.根据所述绝缘子高度对杆塔点云进行垂直分层，将每层精细分类的点云作为深度学习的最小学习单元，对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类；
S3.基于精细分类结果，将每个杆塔的点云数据利用模型构建方法进行单体化；
S4.从单体化的各个模型中提取部件点的位置作为拍照点位。
优选地，步骤S1中，上述杆塔点云数据包括但不限于地线、导线、引流线、塔身和绝缘子的点云，还可以包括横担等部件的点云。
进一步的，在步骤S2中，所述对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类，具体包括如下操作步骤：
S21.根据杆塔位置，设置缓冲区，提取缓冲区内的点云进行精细分类；
S22.精细分类将点云作为输入数据，经过卷积、激活、池化计算，得到每个点的16维特征，利用增大类间向量的欧式距离减少类内向量间的欧式距离的方式，不断迭代训练模型，直至损失达到极小值后停止训练保存得到针对每个单元的深度学习神经网络模型；
S23.最后利用保存的深度学习神经网络模型对所有输入的点云计算高维特征，然后利用聚类算法对特征聚类完成对不同塔型的杆塔点云的点云精细分类。
优选地，在步骤S3中，基于精细分类结果，将每个杆塔的杆塔点云利用模型构建方法进行单体化，具体包括如下操作步骤：基于精细分类结果，针对每个类别的点云，根据三维空间欧式距离进行聚类分簇，得到单簇的绝缘子、引流线、地线的对象。
优选地，在步骤S3中，所述塔身点云通过alpha-shape算法提取点云的轮廓和边缘。
优选地，在步骤S3中，所述引流线点云利用抛物线模型进行矢量化。
优选地，在步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，包括如下操作步骤：
根据单体化绝缘子点云对象识别判断绝缘子类型：
判断当前单体化绝缘子点云是垂直绝缘子，则提取绝缘子最高点和最低点作为需要拍照点；
判断当前单体化绝缘子点云是水平绝缘子，则提取其左右端点作为拍照点；
判断当前单体化绝缘子点云是V型绝缘子，则提取其左右端和底部点作为拍照点。
需要说明的是，对于绝缘子，首先根据单体化绝缘子点云对象识别绝缘子类型，如果是垂直绝缘子则提取绝缘子最高点和最低点作为需要拍照点，如果是水平绝缘子则提取其左右端点作为拍照点，如果是V型绝缘子则提取左右端和底部点作为拍照点；对于单体化引流线点云对象则提取引流线左右两端和弧垂中部；对于地线单体化点云对象提取线夹(地线和杆塔接触的位置)位置。
优选地，步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，还包括如下操作步骤：
对于引流线单体化点云，提取引流线的左右两端和弧垂中部作为拍照点；
对于地线单体化点云，提取其线夹位置作为拍照点；
对于导线点云，提取其线夹位置作为拍照点。
本发明提供的提取巡检关键部件点的方法，具有的技术效果有：
该提取巡检关键部件点的方法中，基于深度学习算法对不同塔型杆塔点云数据(地线、导线、引流线、塔身和绝缘子等)进行精细分类，基于分类结果进行单体化，自动提取关键部件点(绝缘子端点、地线挂点、引流线中点等)，减少人工选择关键部件点的工作量，提高输电线路巡检工作的工作效率和质量。
利用本申请的提取巡检关键部件点的方法，可以对输电线路中的：(1)导地线有无缺陷或异常；(2)线路金具有无缺陷或异常；(3)绝缘子及绝缘子串有无缺陷或异常；(4)附属设施有无缺陷或异常；(5)通道及交叉跨越有无缺陷或异常；(6)基础地质环境有无缺陷或异常；(7)杆塔本体运行状况分别进行精细化巡检。
此外，本申请还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的提取巡检关键部件点的方法。
此外，本申请还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得所述计算机执行上述的提取巡检关键部件点的方法。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (7)

1.一种提取巡检关键部件点的方法，其特征在于，包括以下步骤：
S1.利用不同塔型的杆塔点云作为训练样本，根据不同塔型以及电压等级确定绝缘子高度；
S2.根据所述绝缘子高度对杆塔点云进行垂直分层，将每层精细分类的点云作为深度学习的最小学习单元，对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类；
S3.基于精细分类结果，将每个杆塔的杆塔点云利用模型构建方法进行单体化；
S4.从单体化的各个模型中提取部件点的位置作为拍照点位；
步骤S1中，所述杆塔点云包括地线点云、导线点云、引流线点云、塔身点云和绝缘子点云；
在步骤S2中，所述对每个单元进行模型训练得到深度学习神经网络模型，利用神经网络模型对不同塔型的杆塔点云进行精细分类，具体包括如下操作步骤：
S21.根据杆塔位置，设置缓冲区，提取缓冲区内的点云进行精细分类；
S22.精细分类将点云作为输入数据，经过卷积、激活、池化计算，得到每个点的16维特征，利用增大类间向量的欧式距离减少类内向量间的欧式距离的方式，不断迭代训练模型，直至损失达到极小值后停止训练保存得到针对每个单元的深度学习神经网络模型；
S23.最后利用保存的深度学习神经网络模型对所有输入的点云计算高维特征，然后利用聚类算法对特征聚类完成对不同塔型的杆塔点云的点云精细分类。
2.根据权利要求1所述的提取巡检关键部件点的方法，其特征在于，在步骤S3中，基于精细分类结果，将每个杆塔的杆塔点云利用模型构建方法进行单体化，具体包括如下操作步骤：基于精细分类结果，针对每个类别的点云，根据三维空间欧式距离进行聚类分簇，得到单簇的绝缘子、引流线、地线的对象。
3.根据权利要求2所述的提取巡检关键部件点的方法，其特征在于，在步骤S3中，所述塔身点云通过alpha-shape算法提取点云的轮廓和边缘。
4.根据权利要求3所述的提取巡检关键部件点的方法，其特征在于，在步骤S3中，所述引流线点云利用抛物线模型进行矢量化。
5.根据权利要求4所述的提取巡检关键部件点的方法，其特征在于，在步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，包括如下操作步骤：
根据单体化绝缘子点云对象识别判定绝缘子类型：
判断当前单体化绝缘子点云是垂直绝缘子，则提取绝缘子最高点和最低点作为拍照点；
判断当前单体化绝缘子点云是水平绝缘子，提取其左右端点作为拍照点；
判断当前单体化绝缘子点云是V型绝缘子，提取其左右端和底部点作为拍照点。
6.根据权利要求3所述的提取巡检关键部件点的方法，其特征在于，在步骤S4中，从单体化的各个模型中提取部件点的位置作为拍照点位，还包括如下操作步骤：
对于单体化引流线点云，提取引流线的左右两端和弧垂中部作为拍照点；
对于单体化地线点云，提取其线夹位置作为拍照点；
对于单体化导线点云，提取其线夹位置作为拍照点。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-6任一项所述的提取巡检关键部件点的方法。
CN201911382850.1A 2019-12-27 2019-12-27 提取巡检关键部件点的方法及装置 Active CN111145159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911382850.1A CN111145159B (zh) 2019-12-27 2019-12-27 提取巡检关键部件点的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911382850.1A CN111145159B (zh) 2019-12-27 2019-12-27 提取巡检关键部件点的方法及装置

Publications (2)

Publication Number Publication Date
CN111145159A CN111145159A (zh) 2020-05-12
CN111145159B true CN111145159B (zh) 2023-05-23

Family

ID=70521254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911382850.1A Active CN111145159B (zh) 2019-12-27 2019-12-27 提取巡检关键部件点的方法及装置

Country Status (1)

Country Link
CN (1) CN111145159B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112883840B (zh) * 2021-02-02 2023-07-07 中国人民公安大学 基于关键点检测的输电线路提取方法
CN114384937B (zh) * 2022-01-20 2022-11-11 成都奥伦达科技有限公司 杆塔及其关键点的自动标记方法
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
CN114677381B (zh) * 2022-05-30 2022-10-11 天津云圣智能科技有限责任公司 绝缘子分割方法、装置、电子设备及计算机可读存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273902A (zh) * 2017-05-19 2017-10-20 中国科学院遥感与数字地球研究所 一种从机载LiDAR数据自动提取电塔点云的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102955160A (zh) * 2011-08-19 2013-03-06 湖北省电力公司电力科学研究院 基于三维激光雷达技术的输电线路杆塔参数确定方法
CN102879788B (zh) * 2012-09-04 2014-08-27 广州建通测绘技术开发有限公司 一种基于机载LiDAR数据的输电线路的电力线提取方法
US9098773B2 (en) * 2013-06-27 2015-08-04 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
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
CN109657569A (zh) * 2018-11-30 2019-04-19 贵州电网有限责任公司 基于点云分析的多植被地区输电走廊隐患点快速提取方法
CN109948414A (zh) * 2018-12-29 2019-06-28 中国科学院遥感与数字地球研究所 基于LiDAR点云特征的电力走廊场景分类方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107273902A (zh) * 2017-05-19 2017-10-20 中国科学院遥感与数字地球研究所 一种从机载LiDAR数据自动提取电塔点云的方法

Also Published As

Publication number Publication date
CN111145159A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN111145159B (zh) 提取巡检关键部件点的方法及装置
CN108872781B (zh) 基于电力设施智能巡检的分析方法及装置
CN112183667B (zh) 一种协同深度学习的绝缘子故障检测方法
CN113205063A (zh) 一种输电导线缺陷的视觉识别及定位方法
CN110728171B (zh) 一种刀闸状态精细化检测识别方法
CN107179479B (zh) 基于可见光图像的输电导线散股缺陷检测方法
CN110245555B (zh) 一种基于图像识别的电力系统端子箱凝露判定方法和系统
CN112367400B (zh) 一种边云协同的电力物联网智能巡检方法及系统
CN110728300A (zh) 基于道岔动作电流曲线识别故障类型的方法及系统
CN111337789A (zh) 一种高压输电线路中故障电气元件检测方法及检测系统
CN109829881A (zh) 基于深度学习的鸟巢检测方法及系统
CN109785288A (zh) 基于深度学习的输电设备缺陷检测方法及系统
CN109815798A (zh) 无人机图像处理方法及系统
CN112688434A (zh) 输配电线路的监测预警方法、装置、计算机设备和介质
CN111382804A (zh) 一种识别样本不平衡的架空线路异常的方法
CN117809297B (zh) 基于三维重建的输电线路危险源智能识别方法
CN113657286A (zh) 一种基于无人机的输电线路监测方法及装置
CN117636129A (zh) 一种电力施工监督图像的识别方法
CN112683916A (zh) 集电线路杆塔小金具缺失或安装错误的识别方法及装置
CN112033393A (zh) 基于激光雷达点云数据的三维航线规划方法及装置
CN115965625A (zh) 一种基于视觉识别的仪表检测装置及其检测方法
CN115311539A (zh) 架空输电线路缺陷识别方法、装置、设备及存储介质
CN115294048A (zh) 一种异物检测方法、装置、设备及存储介质
CN113034021A (zh) 基于机巡数据的输电线路缺陷分析方法及系统
Gu et al. Object detection of overhead transmission lines based on improved YOLOv5s

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094

Applicant after: Beijing Digital Green Earth Technology Co.,Ltd.

Address before: Room 2301-2308, third floor, building 2, incubator, Zhongguancun Software Park, Dongbeiwang, Haidian District, Beijing 100094

Applicant before: BEIJING GREENVALLEY TECHNOLOGY Co.,Ltd.

GR01 Patent grant
GR01 Patent grant