CN111537515A - 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 - Google Patents

基于三维实景模型的铁塔螺栓缺陷展示方法和系统 Download PDF

Info

Publication number
CN111537515A
CN111537515A CN202010246649.7A CN202010246649A CN111537515A CN 111537515 A CN111537515 A CN 111537515A CN 202010246649 A CN202010246649 A CN 202010246649A CN 111537515 A CN111537515 A CN 111537515A
Authority
CN
China
Prior art keywords
data
iron tower
unmanned aerial
aerial vehicle
dimensional
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
Application number
CN202010246649.7A
Other languages
English (en)
Other versions
CN111537515B (zh
Inventor
葛亮
张福玲
毛鑫
侯荣金
徐静
宋家琪
赵连信
刘�英
孟祥伟
李广晨
隋俊鹏
张智博
李志斌
胡博
贾高毅
杨永文
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 North Star Technology Development Co ltd
Chaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
Original Assignee
Beijing North Star Technology Development Co ltd
Chaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd
State Grid Corp of China SGCC
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 North Star Technology Development Co ltd, Chaoyang Power Supply Co Of State Grid Liaoning Electric Power Supply Co ltd, State Grid Corp of China SGCC filed Critical Beijing North Star Technology Development Co ltd
Priority to CN202010246649.7A priority Critical patent/CN111537515B/zh
Publication of CN111537515A publication Critical patent/CN111537515A/zh
Application granted granted Critical
Publication of CN111537515B publication Critical patent/CN111537515B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G01C11/06—Interpretation of pictures by comparison of two or more pictures of the same area
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
    • G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
    • G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
    • G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/06—Systems determining position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/862—Combination of radar systems with sonar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
    • G01S15/06—Systems determining the position data of a target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/43—Determining position using carrier phase measurements, e.g. kinematic positioning; using long or short baseline interferometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01S19/45—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement
    • G01S19/47—Determining position by combining measurements of signals from the satellite radio beacon positioning system with a supplementary measurement the supplementary measurement being an inertial measurement, e.g. tightly coupled inertial
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Automation & Control Theory (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computer Graphics (AREA)
  • Image Analysis (AREA)
  • Electric Cable Installation (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明提供了一种基于三维实景模型的铁塔螺栓缺陷展示方法和系统，通过航线规划实现无人机自动飞行，采集铁塔螺栓安装影像信息、拍摄位置坐标(平面、高程)及拍摄角度信息，进行POS解算、空三加密、三维建模等，构建出铁塔的实景三维模型，将铁塔的三维模型放置在三维地球上，采用深度学习智能图像识别算法对图像进行分析识别，定位缺陷所在的位置，在三维场景中标记成红色色块，根据三维模型上标记的缺损位置，结合所有照片的位置和姿态信息，利用前方交会的原理，计算螺栓缺陷的位置坐标，进行人工校核，保证了输电线路铁塔螺栓完整率检测，辅助现场施工验收，提升输电线路建设质量，降低人为因素引发的安全风险。

Description

基于三维实景模型的铁塔螺栓缺陷展示方法和系统
技术领域
本发明属于电力线路验收的技术领域，具体涉及一种基于三维实景模型的铁塔螺栓缺陷展示方法和系统。
背景技术
近几年国内多次发生输变电线路倒塔事故，事故原因多为塔材、螺栓质量缺陷，产生事故主要是需要人工上塔，通过观察来判断螺栓缺陷，而具体验收质量往往受人员的体力、精神状态、职业素养等人为因素影响比较大。
随着科技的发展，在很多行业中采用无人机替代人类完成空中作业，并且能够形成空中平台，无人机的设计概念最早应用于军工领域，由于军工设备具有较强的技术保密和行业垄断性质，民营企业和资本很难获得准入，随着世界范围内军民融合战略的实施和推进，近几年无人机技术在民用领域的应用获得长足发展，根据无人机应用领域，可分为消费级无人机和工业级无人机。消费级无人机主要应用于个人航拍，工业级无人机广泛应用于农业植保、国土勘测、安防和电力巡检等领域。
近年来，国内电力行业针对无人机飞行器线路检测的研究也取得了一定的成果，例如：通过无人机上的紫外线检测仪进行输电线路的电晕放电监测研究，利用无人机进行输电线路巡检作业等，但是，现阶段的无人机在电力行业的应用还仅停留在通过无人机进行线路拍摄，从图像上观看输电线路的情况，代替人工上塔，对于采集到的图像及视频没有进行后续的处理和识别，检测结果还会受到人为因素的影响。
发明内容
针对以上问题，本发明提供了基于三维实景模型的铁塔螺栓缺陷展示方法和系统，采用三维铁塔模型和深度学习为基础的图像识别技术，对铁塔验收工作模式进行改进。
基于三维实景模型的铁塔螺栓缺陷展示方法，其特征在于，包括以下步骤：
步骤101，初始化，对无人机的RTK定位导航模块和IMU惯导模块进行初始化设置，并用人工手动遥控飞机的飞行路线，对无人机进行定位导航和惯导姿态校准；
步骤102，建立高效的图像识别设备搭载平台，制定无人机飞行方案，输入设置好的飞行路线，设置无人机各种自动飞行的参数，进行无人机自动按照固定飞行路线进行高精度自动飞行，在预设位置和姿态进行动态拍照，并将拍摄信息回传至配套的地面站进行处理，从而通过航线规划实现无人机自动飞行采集铁塔螺栓安装影像信息；
步骤103，根据无人机采集的铁塔螺栓安装影像、拍摄位置坐标(平面、高程)及拍摄角度信息进行POS解算、空三加密、三维建模等，构建出铁塔的实景三维模型；
步骤104，加载三维地球，将铁塔的三维模型放置在三维地球上；
步骤105，通过专用的检测平台，对无人机采集的高清图像数据进行管理，采用深度学习智能图像识别算法对图像进行分析识别，将缺损位置标记为一个基于图像平面坐标的矩形框，快速诊断铁塔螺栓安装是否存在遗漏，并通过深度学习技术不断提升算法准确度，保证铁塔螺栓缺陷的准确性；
步骤106，根据螺栓缺损位置的平面坐标以及每一张照片经过空三测量恢复的照片摄影时的位置和姿态，通过深度学习算法分析，对影响数据进行缺陷分析，最终定位到缺陷所在的位置，计算出螺栓缺损处的空间位置；
步骤107，螺栓缺损位置去重复，由于同一个螺栓缺损有可能被多次拍摄和识别，所以计算出的缺损处的空间位置有可能出现重复，设定一个空间距离的阈值，空间坐标之间的间距小于该距离，判定为同一个螺栓缺损；
步骤108，空间位置去重的距离阈值设定，经过实验，确定为螺栓直径的2倍；
步骤109，缺损位置的三维展示，根据去重后的螺栓缺损空间位置坐标，在三维场景中标记成红色色块；
步骤110，缺损位置的检核，根据三维模型上标记的缺损位置，结合所有照片的位置和姿态信息，进行人工校核。
所述的步骤103中构建铁塔的三维模型，是通过以下步骤实现的：
步骤301，铁塔模型数据采集，使用无人机对铁塔的进行航拍，采集铁塔实际模型数据,及高程定位铁塔螺栓施工部位拍照；。
步骤302，使用无人机对铁塔施工细节进行拍照，并采用高精度控制点坐标定位技术对采集数据进行解析，通过无线通讯模块或者存储介质将无人机的数据传输至地面站移动终端，进行数据解析现场采集数据，上传有网络的环境下(3G/4G信号)，可以将采集的模型数据、现场施工数据上传至数据应用层的地面站数据接口服务器，地面站数据接口服务器接收地面站传输的模型数据以及施工采集数据；
步骤303，AI深度学习平台接收铁塔模型数据及施工采集数据，通过深度学习算法进行铁塔的三维模型训练得到最优训练模型。
所述的步骤104，将铁塔的三维模型放置在三维地球上，通过以下步骤实现的：
步骤401，通过坐标转换把RTK定位的观测成果，采用高精度控制点坐标定位技术，把RTK定位坐标转换成北京54坐标系或西安80坐标系；
步骤402，误差包括RTK的测量误差和坐标转换误差，保证RTK的高精度,采用三个以上平面坐标已知点进行校正，已知点均匀分布于测区周围，利用坐标转换中误差对转换参数的精度进行误差矫正；
步骤403，根据坐标转换的参数，把铁塔的三维模型放到三维地球上。
所述步骤105中的螺栓缺损的图像识别，是通过以下步骤实现的：
步骤501，对无人机采集的高清图像数据进行管理；
步骤502，平台集成深度学习智能图像识别算法对图像进行分析识别；
步骤503，对铁塔螺栓是否存在遗漏安装进行快速诊断。
基于三维实景模型的铁塔螺栓缺陷展示系统，其特征在于，包括数据采集层、数据处理层、系统应用层、数据传输层和深度学习层，所述的数据采集层包括无人机和地面无人机工作站，所述的数据处理层是指地面站移动终端，所述的系统应用层包括应用服务器、地面站接口服务器和数据库服务器，所述的数据传输层采用电网内部的局域网，所述的深度学习层包括深度学习算法服务器、算法接口服务器和训练模型服务器，所述的数据处理层、数据应用层和深度学习层通过数据传输层的局域网连接在一起。
所述的无人机和地面无人机工作站是通过无线通讯模块进行通讯，所述的无人机包括T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器，所述的T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器都加载到无人机上，所述的地面无人机工作站包括RTK基准模块、无线通讯模块、遥控器和无人机智能控制系统，RTK基准模块、无线通讯模块、遥控器设置在无人机智能控制系统上。
所述的地面站移动终端置放于地面工作站内，通过网络传输层的局域网，与地面无人机工作站连接。
本发明的有益效果是：
1、本发明保证了输电线路铁塔螺栓完整率检测，辅助现场施工验收，提升输电线路建设质量，降低人为因素引发的安全风险。
2、本发明可以有效弥补常规人工目视检查验收中可能出现的人工漏检情况，并对人工检查起到一定的补充、监督的作用，并且该方法可以保留验收时大量照片，为可能出现的问题追溯提供数据支撑。
3、规范工程基建现场工作，提高铁塔螺栓安装验收质量，工程验收作为工程建设过程的关键环节，该项目成果的实施让验收过程留下影像记录，可规范验收工作的开展过程，有效促进基层人员责任心提升，从而提高铁塔螺栓验收的工作质量。
4、螺栓安装缺陷及隐患智能识别降低电网未来运行安全隐患，运用深度学习图像识别技术对铁塔螺栓安装情况进行识别可发现缺陷隐患，减少人为因素产生问题遗漏，并通过三维模型展示故障点以便及时修复，有效降低了未来电网运行的安全隐患，可大幅降低由于螺栓问题隐患的铁塔故障。
5、降低工程验收人员工作投入，显著提升验收工作效率，通过无人机智拍摄，能代替人工上塔验收，可有效降低建管人员和监理人员现场验收工作的强度，具有提升验收工作效率，保障验收人员人身安全等作用。
附图说明
图1为本发明具体实施方式中方法步骤图；
图2为本发明具体实施方式中硬件架构图；
图3为本发明具体实施方式中无人机和地面无人机工作站部署图；
图4为本发明具体实施方式中软件架构图；
具体实施方式
下面结合附图对本发明的技术内容作进一步详细说明。
基于三维实景模型的铁塔螺栓缺陷展示方法，如图1，其特征再也，包括以下步骤：
步骤101，初始化，对无人机的RTK(Real Time Kinematic实时动态差分测量)定位导航模块和IMU(Inertial Measurement Unit)惯导模块进行初始化设置，并用人工手动遥控飞机的飞行路线，对无人机进行定位导航和惯导姿态校准；
步骤102，建立高效的图像识别设备搭载平台，制定无人机飞行方案，输入设置好的飞行路线，设置无人机各种自动飞行的参数，进行无人机自动按照固定飞行路线进行高精度自动飞行，在预设位置和姿态进行动态拍照，并将拍摄信息回传至配套的地面站进行处理，从而通过航线规划实现无人机自动飞行采集铁塔螺栓安装影像信息；
步骤103，根据无人机采集的铁塔螺栓安装影像、拍摄位置坐标(平面、高程)及拍摄角度信息进行POS解算、空三加密、三维建模等，构建出铁塔的实景三维模型；
步骤104，加载三维地球，将铁塔的三维模型放置在三维地球上；
步骤105，通过专用的检测平台，对无人机采集的高清图像数据进行管理，采用深度学习智能图像识别算法对图像进行分析识别，将缺损位置标记为一个基于图像平面坐标的矩形框，快速诊断铁塔螺栓安装是否存在遗漏，并通过深度学习技术不断提升算法准确度，保证铁塔螺栓缺陷的准确性；
步骤106，根据螺栓缺损位置的平面坐标以及每一张照片经过空三测量恢复的照片摄影时的位置和姿态，通过深度学习算法分析，对影响数据进行缺陷分析，最终定位到缺陷所在的位置，计算出螺栓缺损处的空间位置；
步骤107，螺栓缺损位置去重复，由于同一个螺栓缺损有可能被多次拍摄和识别，所以计算出的缺损处的空间位置有可能出现重复，设定一个空间距离的阈值，空间坐标之间的间距小于该距离，判定为同一个螺栓缺损；
步骤108，空间位置去重的距离阈值设定，经过实验，确定为螺栓直径的2倍；
步骤109，缺损位置的三维展示，根据去重后的螺栓缺损空间位置坐标，在三维场景中标记成红色色块；
通过对无人机记录的影像、拍摄位置坐标(平面、高程)及拍摄角度信息进行POS解算、空三加密、三维建模等，构建出铁塔的实景三维模型，结合深度学习图像识别技术获取的缺陷影像，将二者结果进行综合分析，定位出螺栓安装存在缺陷的位置，以便施工人员快捷进行排查处理。
步骤110，缺损位置的检核，根据三维模型上标记的缺损位置，结合所有照片的位置和姿态信息，进行人工校核。
所述的步骤103中构建铁塔的三维模型，是通过以下步骤实现的：
步骤301，铁塔模型数据采集，使用无人机对铁塔的进行航拍，采集铁塔实际模型数据,及高程定位铁塔螺栓施工部位拍照；
所述的高程定位铁塔螺栓施工部位拍照，是通过RTK测量实现的，RTK测量是实时的差分计算，通过两台接收机：基准站(地面无人机工作站的RTK基准模块)，流动站(无人机的RTK定位导航模块)，观测卫星数据，同时，基准站通过其发射电台把所接收的载波相位信号(或载波相位差分改正信号)发射出去，流动站在接收卫星信号的同时也通过其接收电台接收基准站的电台信号，在这两信号的基础上，流动站上的固化软件就可以实现差分计算，从而精确地定出基准站与流动站的空间相对位置关系，实现精准高程定位。
步骤302，使用无人机对铁塔施工细节进行拍照，并采用高精度控制点坐标定位技术对采集数据进行解析，通过无线通讯模块或者存储介质将无人机的数据传输至地面站移动终端，进行数据解析现场采集数据，上传有网络的环境下(3G/4G信号)，可以将采集的模型数据、现场施工数据上传至数据应用层的地面站数据接口服务器，地面站数据接口服务器接收地面站传输的模型数据以及施工采集数据；
步骤303，AI深度学习平台接收铁塔模型数据及施工采集数据，通过深度学习算法进行铁塔的三维模型训练得到最优训练模型。
深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示，如每个像素强度值的向量，或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如，人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。
深度学习可以从大数据中学习知识，包括无监督和有监督学习。无监督学习数据没有标签，可以更容易的获得。有监督的学习需要大量的标定数据，深度网络可以模拟出标定数据的模型。针对深度学习的深度层级的结构，一般采用贪婪逐层训练算法进行训练，把相邻两层训练结束后，再往更高层训练。该方法避免了由深层结构带来的训练难点。深度学习包含多个重要算法：卷积神经网络、自动编码器、稀疏编码、限制玻尔兹曼机、深信号网络、多层反馈循环神经网络。
所述的步骤104，将铁塔的三维模型放置在三维地球上，通过以下步骤实现的：
步骤401，通过坐标转换把RTK定位的观测成果，采用高精度控制点坐标定位技术，把RTK定位坐标转换成北京54坐标系或西安80坐标系；
所述的高精度控制点坐标定位技术，包括平面坐标转换、高程转换。所述的平面坐标转换采用先将RTK测得成果投影成平面坐标，再用已知控制点计算二维相似变换的四参数。所述的高程转换，采用平面拟合或二次曲面拟合模型，利用已知水准点计算出该测区的待测点的高程异常，从而求出它们的高程。
步骤402，误差包括RTK的测量误差和坐标转换误差，保证RTK的高精度,采用三个以上平面坐标已知点进行校正，已知点均匀分布于测区周围，利用坐标转换中误差对转换参数的精度进行误差矫正；
坐标转换误差是坐标转换带来的误差，一是投影带来的误差，二是已知点误差的传递，当用三个以上的平面已知点进行校正时，计算转换四参数的同时会给出转换参数的中误差(北方向分量和东方向分量,必须通过控制点坐标库进行校正才能得到)。值得注意的是，如果此时发现转换参数中误差比较大(比如大于5cm),而在采集点时实时显示的测量误差在标准精度范围之内，则可以判定是已知点的问题(有可能找错点或输错点)，有可能已知点的精度不够，也有可能是已知点的分布不均匀。当平面已知点只有两个时，则只能满足计算坐标转换四参数的必要条件，无多余条件，也就不能给出坐标转换的精度评定,此时，可以从查看四参数中的尺度比K来检验坐标转换的精度，该值理想值为1，一般要保证0.9999<K<1.00009，如果发现K偏离1较多，则在保证RTK测量精度满足要求的情况下，可判定已知点有问题。为了保证RTK的高精度,采用三个以上平面坐标已知点进行校正，已知点均匀分布于测区周围，要利用坐标转换中误差对转换参数的精度进行评定。
步骤403，根据坐标转换的参数，把铁塔的三维模型放到三维地球上。
所述步骤105中的螺栓缺损的图像识别，是通过以下步骤实现的：
步骤501，对无人机采集的高清图像数据进行管理；
步骤502，平台集成深度学习智能图像识别算法对图像进行分析识别；
步骤503，对铁塔螺栓是否存在遗漏安装进行快速诊断；
基于三维实景模型的铁塔螺栓缺陷展示系统，如图2，其特征在于，包括数据采集层、数据处理层、系统应用层、数据传输层和深度学习层，所述的数据采集层包括无人机和地面无人机工作站，所述的数据处理层是指地面站移动终端，所述的系统应用层包括应用服务器、地面站接口服务器和数据库服务器，所述的数据传输层采用电网内部的局域网，所述的深度学习层包括深度学习算法服务器、算法接口服务器和训练模型服务器，所述的数据处理层、数据应用层和深度学习层通过数据传输层的局域网连接在一起。
所述的无人机和地面无人机工作站是通过无线通讯模块进行通讯，如图3，所述的无人机包括T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器，所述的T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器都加载到无人机上，所述的地面无人机工作站包括RTK基准模块、无线通讯模块、遥控器和无人机智能控制系统，RTK基准模块、无线通讯模块、遥控器设置在无人机智能控制系统上。
所述的无人机配备了2块TB55电池，延长无人机飞行时间，保证了一次采集多组数据，为图形处理提供了足够的数据。
所述的无人机加装了IMU模块与激光雷达，无人机的IMU模块获取拍摄时的机体姿态信息，IMU提供飞行器在空间姿态的传感器原始数据，一般由陀螺仪传感器/加速度传感器/电子罗盘提供飞行器9DOF数据，再结合激光雷达对地定位分析得出最终的方位信息以及高程信息。
所述的无人机加装了RTK定位导航模块(流动站)，此模块搭载了两个RTK，可以做实时差分，得到更精准的定位信息，集成了厘米级高精度导航定位系统，采用双天线测向技术，输出精准的航向信息，还具备抗磁干扰能力，在高压线、金属建筑等强磁干扰的环境下保障飞行可靠性，避免使用指南针时因磁干扰带来安全风险。
所述的无人机挂载了云台相机和传感器Z30，传感器Z30装载在云台相机上，具有30倍变焦功能，并能在15m外实现销钉级的目标检测和拍照。
所述的无人机加装了超声波传感器，形成智能避障系统，让无人机具备环境感知和决策能力，当超声波传感器探测飞行器到铁塔的距离，在可能出现碰撞时自动悬停。
所述的无线通讯模块负责处理从无人机到地面无人机工作站的数字通信，把无人机采集的铁塔数据、螺栓数据和定位数据，无线传输给地面无人机工作站。
所述的地面无人机工作站装载了RTK基准模块、无线通讯模块和遥控器，所述的RTK基准模块为无人机RTK定位导航模块提供基准设置，所述的无线通讯模块上设置了支持7km远的双路图像传输，所述的遥控器设置了手动操作手柄，所述的无人机智能控制系统将RTK基准模块，无线通讯模块和遥控器集成到一起，实现智能航线规划(比如精准的三维航线规划)、自动起降、自动拍摄、无人控制等智能精细化作业，提供多种数据采集(包括正射、倾斜、全景、视频等)等基础和业务化功能模块，实现无人机的自动化、智能化操作控制。
所述的地面站移动终端置放于地面工作站内，通过网络传输层的局域网，与地面无人机工作站连接，地面站移动终端实时采集无人机动态拍照图像，把该信息通过网络传输给系统应用层的地面站接口服务器，把数据存储到数据库服务器中。
所述的深度学习层的训练模型服务器调用数据库服务器的数据，结合深度学习算法服务器和算法接口服务器，对采集数据进行整理、学习和训练，每天对无人机数据进行训练，直到数据与实际数据一致后，形成铁塔三维实景模型和铁塔螺栓缺陷模型。
所述的训练模型服务器采用人工智能模型训练，利用神经网络训练样本数据，在图像识别阶段，只要将图像的特征向量作为神经网络分类器的输入，经过网络计算，分类器的输出就是识别结果，神经网络分类器用n个表示的样本送入神经网络，这些分类用二值表示，其原理是：第一级计算匹配度，然后被平行的通过输出线送到第二级，第二级中各类均有一个输出，当得到正确的分类结果后，分类器的输出可反馈到第一级，当样本十分相似时，分类器最终会生成精准度较高的业务分析结果。
基于三维实景模型的铁塔螺栓缺陷展示方法，是通过基于三维实景模型的铁塔螺栓缺陷展示系统软件实现的，如图4，系统软件功能主要包括数据采集模块、算法模型训练模块、图像导入模块、缺陷识别模块和输出结果模块，所述的数据采集模块包括铁塔数据、螺栓数据和定位数据的采集，所述算法模型训练模块训练铁塔三维展现模型，所述的图像导入包括图像台账匹配和图像属性添加，所述的缺陷识别模块包括调用算法、识别缺陷、缺陷位置计算和批量缺陷列表，所述的输出结果模块包括导出报告和缺陷三维展示。
本系统功能设置无人机定位和规划路线，自动控制无人机按照飞行规划路线进行飞行，按照固定点的位置和姿态进行动态拍照，采集铁塔、螺栓和定位数据，通过对图像台账匹配和属性添加，导入图像，经过调用算法、识别缺陷和缺陷位置计算，进行缺陷识别，识别后进行批量缺陷列表，最后导出缺陷报告，输出缺陷三维显示图形。
所述的基于三维实景模型的铁塔螺栓缺陷展示系统功能，基于计算图像算法、CAD制图技术、地理信息技术辅助作业对数据进行快速分类、命名，数据与铁塔自动关联、缺陷隐患可视化标识、自动生成缺陷报告，提供CAD图像交互接口，对图像进行缺陷标识，根据工作性质生成深度学习的标识档和缺陷分析的标识档；通过网络把分析整理后数据传输到训练模型服务器，通过训练模型服务器进行模型训练，建立铁塔的三维实景模型，实现铁塔螺栓缺陷展示。
本发明的特点如下：
1、针对基建项目建设管理不断规范、质量要求不断提高的发展趋势，开展基于图像识别技术的输电线路铁塔螺栓检测技术研究，以输电线路铁塔施工螺栓安装安全隐患为切入点，创新铁塔螺栓施工验收方法，提升输电线路铁塔施工质量，以数个铁塔为试点，实现输电线路铁塔螺栓安装情况的智能化验收，提高输电线路施工验收精益化水平，通过航线规划实现无人机自动飞行采集铁塔螺栓安装图像信息，采用深度学习图像识别技术实现对螺栓安装缺陷智能识别，结合铁塔高精度实景三维模型定位螺栓安装缺陷位置。
2、结合大疆经纬m210rtk搭载z30和xt2，实现替代人员到达现场作业地点，快速精准获取线路设备资料及运行状态，系统构建深度学习图像识别与诊断模型，对设备缺陷智能识别方面提供有效的数据支撑，完成对设备缺陷、隐患深度的根因分析及预测研判，结合设备缺陷、隐患的识别信息，可进一步关联系统配网基础数据信息、运行状态、外部环境信息等，实现结构化数据共享，为配网故障研判指挥系统提供坚实可靠的原始数据基础，准确定位设备故障、停电范围、线路运行状态等业务，以大数据、人工智能提升运行效率，实现配电网互联互通、智能服务和更高效的资源配置，有效提升供给侧的服务，实现需求侧更高质量的发展。
3、实现输变电线路工程建设验收工作模式创新，提高输变电线路工程建设验收工作效率和水平，降低安全风险。

Claims (7)

1.基于三维实景模型的铁塔螺栓缺陷展示方法，其特征在于，包括以下步骤：
步骤101，初始化，对无人机的RTK定位导航模块和IMU惯导模块进行初始化设置，并用人工手动遥控飞机的飞行路线，对无人机进行定位导航和惯导姿态校准；
步骤102，建立高效的图像识别设备搭载平台，制定无人机飞行方案，输入设置好的飞行路线，设置无人机各种自动飞行的参数，进行无人机自动按照固定飞行路线进行高精度自动飞行，在预设位置和姿态进行动态拍照，并将拍摄信息回传至配套的地面站进行处理，从而通过航线规划实现无人机自动飞行采集铁塔螺栓安装影像信息；
步骤103，根据无人机采集的铁塔螺栓安装影像、拍摄位置坐标(平面、高程)及拍摄角度信息进行POS解算、空三加密、三维建模等，构建出铁塔的实景三维模型；
步骤104，加载三维地球，将铁塔的三维模型放置在三维地球上；
步骤105，通过专用的检测平台，对无人机采集的高清图像数据进行管理，采用深度学习智能图像识别算法对图像进行分析识别，将缺损位置标记为一个基于图像平面坐标的矩形框，快速诊断铁塔螺栓安装是否存在遗漏，并通过深度学习技术不断提升算法准确度，保证铁塔螺栓缺陷的准确性；
步骤106，根据螺栓缺损位置的平面坐标以及每一张照片经过空三测量恢复的照片摄影时的位置和姿态，通过深度学习算法分析，对影响数据进行缺陷分析，最终定位到缺陷所在的位置，计算出螺栓缺损处的空间位置；
步骤107，螺栓缺损位置去重复，由于同一个螺栓缺损有可能被多次拍摄和识别，所以计算出的缺损处的空间位置有可能出现重复，设定一个空间距离的阈值，空间坐标之间的间距小于该距离，判定为同一个螺栓缺损；
步骤108，空间位置去重的距离阈值设定，经过实验，确定为螺栓直径的2倍；
步骤109，缺损位置的三维展示，根据去重后的螺栓缺损空间位置坐标，在三维场景中标记成红色色块；
步骤110，缺损位置的检核，根据三维模型上标记的缺损位置，结合所有照片的位置和姿态信息，进行人工校核。
2.根据权利要求1所述的步骤103中构建铁塔的三维模型，是通过以下步骤实现的：
步骤301，铁塔模型数据采集，使用无人机对铁塔的进行航拍，采集铁塔实际模型数据,及高程定位铁塔螺栓施工部位拍照；。
步骤302，使用无人机对铁塔施工细节进行拍照，并采用高精度控制点坐标定位技术对采集数据进行解析，通过无线通讯模块或者存储介质将无人机的数据传输至地面站移动终端，进行数据解析现场采集数据，上传有网络的环境下(3G/4G信号)，可以将采集的模型数据、现场施工数据上传至数据应用层的地面站数据接口服务器，地面站数据接口服务器接收地面站传输的模型数据以及施工采集数据；
步骤303，AI深度学习平台接收铁塔模型数据及施工采集数据，通过深度学习算法进行铁塔的三维模型训练得到最优训练模型。
3.根据权利要求1所述的步骤104，将铁塔的三维模型放置在三维地球上，通过以下步骤实现的：
步骤401，通过坐标转换把RTK定位的观测成果，采用高精度控制点坐标定位技术，把RTK定位坐标转换成北京54坐标系或西安80坐标系；
步骤402，误差包括RTK的测量误差和坐标转换误差，保证RTK的高精度,采用三个以上平面坐标已知点进行校正，已知点均匀分布于测区周围，利用坐标转换中误差对转换参数的精度进行误差矫正；
步骤403，根据坐标转换的参数，把铁塔的三维模型放到三维地球上。
4.根据权利要求1所述步骤105中的螺栓缺损的图像识别，是通过以下步骤实现的：
步骤501，对无人机采集的高清图像数据进行管理；
步骤502，平台集成深度学习智能图像识别算法对图像进行分析识别；
步骤503，对铁塔螺栓是否存在遗漏安装进行快速诊断。
5.所述的基于三维实景模型的铁塔螺栓缺陷展示系统，其特征在于，包括数据采集层、数据处理层、系统应用层、数据传输层和深度学习层，所述的数据采集层包括无人机和地面无人机工作站，所述的数据处理层是指地面站移动终端，所述的系统应用层包括应用服务器、地面站接口服务器和数据库服务器，所述的数据传输层采用电网内部的局域网进行传输数据，所述的深度学习层包括深度学习算法服务器、算法接口服务器和训练模型服务器，数据处理层、数据应用层和深度学习层都是通过数据传输层进行通讯的。
6.根据权利要求5所述的无人机和地面无人机工作站是通过无线通讯模块进行通讯，所述的无人机包括T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器，所述的T55电源、IMU模块与激光雷达、云台相机和传感器Z30、RTK定位导航模块、无线通讯模块和超声波传感器都加载到无人机上，所述的地面无人机工作站包括RTK基准模块、无线通讯模块、遥控器和无人机智能控制系统，RTK基准模块、无线通讯模块、遥控器设置在无人机智能控制系统上。
7.根据权利要求5所述的地面站移动终端置放于地面工作站内，通过网络传输层的局域网，与地面无人机工作站连接。
CN202010246649.7A 2020-03-31 2020-03-31 基于三维实景模型的铁塔螺栓缺陷展示方法和系统 Active CN111537515B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010246649.7A CN111537515B (zh) 2020-03-31 2020-03-31 基于三维实景模型的铁塔螺栓缺陷展示方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010246649.7A CN111537515B (zh) 2020-03-31 2020-03-31 基于三维实景模型的铁塔螺栓缺陷展示方法和系统

Publications (2)

Publication Number Publication Date
CN111537515A true CN111537515A (zh) 2020-08-14
CN111537515B CN111537515B (zh) 2023-05-12

Family

ID=71952213

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010246649.7A Active CN111537515B (zh) 2020-03-31 2020-03-31 基于三维实景模型的铁塔螺栓缺陷展示方法和系统

Country Status (1)

Country Link
CN (1) CN111537515B (zh)

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112214143A (zh) * 2020-10-16 2021-01-12 广州飞图信息科技有限公司 一种无人机安全起降区域的可视化显示方法及装置
CN112230676A (zh) * 2020-10-21 2021-01-15 中国南方电网有限责任公司超高压输电公司大理局 一种无人机飞行航线矫正系统、方法及相关装置
CN112258491A (zh) * 2020-10-30 2021-01-22 国网河南省电力公司电力科学研究院 一种电力设备缺陷三维模拟方法
CN112304957A (zh) * 2020-11-20 2021-02-02 天津朗硕机器人科技有限公司 一种基于机器视觉的外观缺陷智能检测方法及系统
CN112476451A (zh) * 2020-11-24 2021-03-12 国网天津市电力公司 用于变压器内部作业的油下机器人及使用方法
CN112668847A (zh) * 2020-12-17 2021-04-16 国网山西省电力公司运城供电公司 配网线路无人机自主巡检综合管理系统
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN112975953A (zh) * 2021-01-28 2021-06-18 珠海迪沃航空工程有限公司 一种机械手运动轨迹规划方法及螺栓抓取检测系统
CN113066070A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 三维场景中多源数据融合交互方法
CN113256599A (zh) * 2021-06-09 2021-08-13 清华四川能源互联网研究院 基于三维动态模型检测水工隧洞缺陷的方法
CN113313692A (zh) * 2021-06-03 2021-08-27 广西大学 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
CN113485432A (zh) * 2021-07-26 2021-10-08 西安热工研究院有限公司 一种基于无人机的光伏电站电致发光智能诊断系统及方法
CN113762183A (zh) * 2021-09-13 2021-12-07 墙管家建筑科技(上海)有限公司 一种既有建筑安全的智能检查分析系统及操作方法
CN114076589A (zh) * 2020-08-21 2022-02-22 贵州电网有限责任公司 一种基建工程项目验收精准度集成系统
CN114442658A (zh) * 2021-12-23 2022-05-06 河南福多电力工程有限公司 输配电线路无人机自动巡检系统及其运行方法
CN114494984A (zh) * 2022-04-18 2022-05-13 四川腾盾科技有限公司 基于无人机航拍数据的随遇静目标三维重建与定位的方法
CN114792323A (zh) * 2022-06-23 2022-07-26 张家港沙龙精密管业有限公司 一种基于图像处理的钢管变形检测方法及系统
CN115310079A (zh) * 2022-10-13 2022-11-08 中国汽车技术研究中心有限公司 一种基于智能网联汽车攻击矩阵的展示方法
CN115950352A (zh) * 2022-09-27 2023-04-11 国网湖北省电力有限公司超高压公司 一种激光测振的铁塔螺栓松动检测与识别方法
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统
CN116449859A (zh) * 2023-04-28 2023-07-18 中交一公局第七工程有限公司 一种基于无人机技术的复杂山区便道规划方法及系统
CN115908706B (zh) * 2022-11-15 2023-08-08 中国铁路设计集团有限公司 实景三维模型与影像融合的高速铁路竣工验收方法
CN116647032A (zh) * 2022-01-14 2023-08-25 北京中创恒益科技有限公司 一种目标施工车辆的输电线路实时防护系统和方法
WO2023216382A1 (zh) * 2022-05-09 2023-11-16 环球数科集团有限公司 一种基于北斗卫星的电网故障定位方法

Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007107962A (ja) * 2005-10-12 2007-04-26 Yamamoto Denko Kk 測定対象物計測システム、及び送電線下離隔計測システム
CN205581646U (zh) * 2016-03-24 2016-09-14 天津中翔腾航科技股份有限公司 无人机电力巡检图像采集及处理系统
CN106023302A (zh) * 2016-05-06 2016-10-12 刘进 一种移动通信终端及其实现三维重建的方法及服务器
CN107450587A (zh) * 2017-09-19 2017-12-08 广东电网有限责任公司佛山供电局 一种无人机精细化巡检的智能飞行控制方法及系统
CN107710017A (zh) * 2015-06-29 2018-02-16 迪尔公司 用于在实时运动模式和相对定位模式之间切换的卫星导航接收器及方法
CN107992067A (zh) * 2017-11-24 2018-05-04 贵州电网有限责任公司 基于集成吊舱和ai技术的无人机巡检故障诊断系统
CN108037770A (zh) * 2017-11-22 2018-05-15 国网山东省电力公司济宁供电公司 基于人工智能的无人机输电线路巡检系统和方法
CN108332926A (zh) * 2018-01-05 2018-07-27 株洲时代电子技术有限公司 一种桥梁巡检系统
CN208013784U (zh) * 2017-09-19 2018-10-26 广东电网有限责任公司佛山供电局 一种无人机精细化巡检的智能飞行控制系统
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
CN108955645A (zh) * 2018-07-16 2018-12-07 福州日兆信息科技有限公司 应用于通信铁塔智能巡检的三维建模方法及装置
CN109060281A (zh) * 2018-09-18 2018-12-21 山东理工大学 基于无人机的一体化桥梁检测系统
CN109213196A (zh) * 2018-09-05 2019-01-15 福州日兆信息科技有限公司 一种通信铁塔智能巡检无人机装置
CN109238239A (zh) * 2018-09-12 2019-01-18 成都坤舆空间科技有限公司 基于航空摄影的数字测量三维建模方法
US20190051046A1 (en) * 2017-08-11 2019-02-14 Jing Jin Incident Site Investigation and Management Support System Based on Unmanned Aerial Vehicles
CN109344753A (zh) * 2018-09-21 2019-02-15 福州大学 一种基于深度学习的航拍图像输电线路细小金具识别方法
CN109444171A (zh) * 2018-09-18 2019-03-08 山东理工大学 基于无人机的一体化桥梁检测方法
JP6484695B1 (ja) * 2017-12-27 2019-03-13 株式会社新来島どっく 船舶ブロック継手溶接不具合箇所マーキング方法
CN109612427A (zh) * 2019-01-16 2019-04-12 兰州交通大学 一种多传感器协同的无人机公路桥梁形变检测方法及系统
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统
CN109901624A (zh) * 2019-04-11 2019-06-18 株洲时代电子技术有限公司 一种桥梁巡检方法
CN110069975A (zh) * 2018-12-25 2019-07-30 国网河北省电力有限公司电力科学研究院 一种基于神经网络的导线开股识别方法及系统
CN110133440A (zh) * 2019-05-27 2019-08-16 国电南瑞科技股份有限公司 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法
WO2019168429A1 (ru) * 2018-03-01 2019-09-06 Общество с ограниченной ответственностью "Лаборатория будущего" Способ цифрового управления процессом мониторинга, технического обслуживания и локального ремонта вл и система для его осуществления
CN110336809A (zh) * 2019-06-28 2019-10-15 国网内蒙古东部电力有限公司 一种机载fpga并行加速图像分析处理系统的方法

Patent Citations (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007107962A (ja) * 2005-10-12 2007-04-26 Yamamoto Denko Kk 測定対象物計測システム、及び送電線下離隔計測システム
CN107710017A (zh) * 2015-06-29 2018-02-16 迪尔公司 用于在实时运动模式和相对定位模式之间切换的卫星导航接收器及方法
CN205581646U (zh) * 2016-03-24 2016-09-14 天津中翔腾航科技股份有限公司 无人机电力巡检图像采集及处理系统
CN106023302A (zh) * 2016-05-06 2016-10-12 刘进 一种移动通信终端及其实现三维重建的方法及服务器
US20180322623A1 (en) * 2017-05-08 2018-11-08 Aquifi, Inc. Systems and methods for inspection and defect detection using 3-d scanning
US20190051046A1 (en) * 2017-08-11 2019-02-14 Jing Jin Incident Site Investigation and Management Support System Based on Unmanned Aerial Vehicles
CN107450587A (zh) * 2017-09-19 2017-12-08 广东电网有限责任公司佛山供电局 一种无人机精细化巡检的智能飞行控制方法及系统
CN208013784U (zh) * 2017-09-19 2018-10-26 广东电网有限责任公司佛山供电局 一种无人机精细化巡检的智能飞行控制系统
CN108037770A (zh) * 2017-11-22 2018-05-15 国网山东省电力公司济宁供电公司 基于人工智能的无人机输电线路巡检系统和方法
CN107992067A (zh) * 2017-11-24 2018-05-04 贵州电网有限责任公司 基于集成吊舱和ai技术的无人机巡检故障诊断系统
WO2019109771A1 (zh) * 2017-12-05 2019-06-13 南京南瑞信息通信科技有限公司 基于多核异构并行计算的电力人工智能视觉分析系统
JP6484695B1 (ja) * 2017-12-27 2019-03-13 株式会社新来島どっく 船舶ブロック継手溶接不具合箇所マーキング方法
CN108332926A (zh) * 2018-01-05 2018-07-27 株洲时代电子技术有限公司 一种桥梁巡检系统
WO2019168429A1 (ru) * 2018-03-01 2019-09-06 Общество с ограниченной ответственностью "Лаборатория будущего" Способ цифрового управления процессом мониторинга, технического обслуживания и локального ремонта вл и система для его осуществления
CN108955645A (zh) * 2018-07-16 2018-12-07 福州日兆信息科技有限公司 应用于通信铁塔智能巡检的三维建模方法及装置
CN109213196A (zh) * 2018-09-05 2019-01-15 福州日兆信息科技有限公司 一种通信铁塔智能巡检无人机装置
CN109238239A (zh) * 2018-09-12 2019-01-18 成都坤舆空间科技有限公司 基于航空摄影的数字测量三维建模方法
CN109444171A (zh) * 2018-09-18 2019-03-08 山东理工大学 基于无人机的一体化桥梁检测方法
CN109060281A (zh) * 2018-09-18 2018-12-21 山东理工大学 基于无人机的一体化桥梁检测系统
CN109344753A (zh) * 2018-09-21 2019-02-15 福州大学 一种基于深度学习的航拍图像输电线路细小金具识别方法
CN110069975A (zh) * 2018-12-25 2019-07-30 国网河北省电力有限公司电力科学研究院 一种基于神经网络的导线开股识别方法及系统
CN109612427A (zh) * 2019-01-16 2019-04-12 兰州交通大学 一种多传感器协同的无人机公路桥梁形变检测方法及系统
CN109901624A (zh) * 2019-04-11 2019-06-18 株洲时代电子技术有限公司 一种桥梁巡检方法
CN110133440A (zh) * 2019-05-27 2019-08-16 国电南瑞科技股份有限公司 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法
CN110336809A (zh) * 2019-06-28 2019-10-15 国网内蒙古东部电力有限公司 一种机载fpga并行加速图像分析处理系统的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
严林等: "基于Cesium的三维地形修改与模型坐标变换研究", 《测绘》 *
张建业等: "虚拟地球中电力杆塔模型的自动配准方法研究", 《科学技术创新》 *

Cited By (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114076589A (zh) * 2020-08-21 2022-02-22 贵州电网有限责任公司 一种基建工程项目验收精准度集成系统
CN112214143A (zh) * 2020-10-16 2021-01-12 广州飞图信息科技有限公司 一种无人机安全起降区域的可视化显示方法及装置
CN112230676A (zh) * 2020-10-21 2021-01-15 中国南方电网有限责任公司超高压输电公司大理局 一种无人机飞行航线矫正系统、方法及相关装置
CN112258491A (zh) * 2020-10-30 2021-01-22 国网河南省电力公司电力科学研究院 一种电力设备缺陷三维模拟方法
CN112304957A (zh) * 2020-11-20 2021-02-02 天津朗硕机器人科技有限公司 一种基于机器视觉的外观缺陷智能检测方法及系统
CN112476451A (zh) * 2020-11-24 2021-03-12 国网天津市电力公司 用于变压器内部作业的油下机器人及使用方法
CN112668847A (zh) * 2020-12-17 2021-04-16 国网山西省电力公司运城供电公司 配网线路无人机自主巡检综合管理系统
CN112668847B (zh) * 2020-12-17 2023-11-24 国网山西省电力公司运城供电公司 配网线路无人机自主巡检综合管理系统
CN112700423A (zh) * 2021-01-06 2021-04-23 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN112700423B (zh) * 2021-01-06 2023-05-05 中国民航科学技术研究院 基于深度学习的机身表面损伤缺陷自动检测方法及系统
CN112975953A (zh) * 2021-01-28 2021-06-18 珠海迪沃航空工程有限公司 一种机械手运动轨迹规划方法及螺栓抓取检测系统
CN113066070A (zh) * 2021-03-31 2021-07-02 广东电网有限责任公司 三维场景中多源数据融合交互方法
CN113313692A (zh) * 2021-06-03 2021-08-27 广西大学 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
CN113313692B (zh) * 2021-06-03 2023-04-25 广西大学 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
CN113256599A (zh) * 2021-06-09 2021-08-13 清华四川能源互联网研究院 基于三维动态模型检测水工隧洞缺陷的方法
CN113485432A (zh) * 2021-07-26 2021-10-08 西安热工研究院有限公司 一种基于无人机的光伏电站电致发光智能诊断系统及方法
CN113762183A (zh) * 2021-09-13 2021-12-07 墙管家建筑科技(上海)有限公司 一种既有建筑安全的智能检查分析系统及操作方法
CN114442658A (zh) * 2021-12-23 2022-05-06 河南福多电力工程有限公司 输配电线路无人机自动巡检系统及其运行方法
CN116647032B (zh) * 2022-01-14 2023-12-01 北京中创恒益科技有限公司 一种目标施工车辆的输电线路实时防护系统和方法
CN116647032A (zh) * 2022-01-14 2023-08-25 北京中创恒益科技有限公司 一种目标施工车辆的输电线路实时防护系统和方法
CN114494984B (zh) * 2022-04-18 2022-07-22 四川腾盾科技有限公司 基于无人机航拍数据的随遇静目标三维重建与定位的方法
CN114494984A (zh) * 2022-04-18 2022-05-13 四川腾盾科技有限公司 基于无人机航拍数据的随遇静目标三维重建与定位的方法
WO2023216382A1 (zh) * 2022-05-09 2023-11-16 环球数科集团有限公司 一种基于北斗卫星的电网故障定位方法
CN114792323A (zh) * 2022-06-23 2022-07-26 张家港沙龙精密管业有限公司 一种基于图像处理的钢管变形检测方法及系统
CN115950352A (zh) * 2022-09-27 2023-04-11 国网湖北省电力有限公司超高压公司 一种激光测振的铁塔螺栓松动检测与识别方法
CN115950352B (zh) * 2022-09-27 2023-10-31 国网湖北省电力有限公司超高压公司 一种激光测振的铁塔螺栓松动检测与识别方法
CN115310079B (zh) * 2022-10-13 2023-01-10 中国汽车技术研究中心有限公司 一种基于智能网联汽车攻击矩阵的展示方法
CN115310079A (zh) * 2022-10-13 2022-11-08 中国汽车技术研究中心有限公司 一种基于智能网联汽车攻击矩阵的展示方法
CN115908706B (zh) * 2022-11-15 2023-08-08 中国铁路设计集团有限公司 实景三维模型与影像融合的高速铁路竣工验收方法
CN116050842A (zh) * 2023-02-01 2023-05-02 东华理工大学 城市地下工程施工安全风险动态控制方法及系统
CN116050842B (zh) * 2023-02-01 2023-08-04 东华理工大学 一种城市地下工程施工安全风险动态控制方法及系统
CN116449859A (zh) * 2023-04-28 2023-07-18 中交一公局第七工程有限公司 一种基于无人机技术的复杂山区便道规划方法及系统
CN116449859B (zh) * 2023-04-28 2024-03-26 中交一公局第七工程有限公司 一种基于无人机技术的复杂山区便道规划方法及系统

Also Published As

Publication number Publication date
CN111537515B (zh) 2023-05-12

Similar Documents

Publication Publication Date Title
CN111537515A (zh) 基于三维实景模型的铁塔螺栓缺陷展示方法和系统
Ruzgienė et al. The surface modelling based on UAV Photogrammetry and qualitative estimation
CN108109437B (zh) 一种基于地图特征的无人机自主航线提取生成方法
CN107392247B (zh) 一种电力线下方地物安全距离实时检测方法
US9784836B2 (en) System for monitoring power lines
Lo Brutto et al. UAV platforms for cultural heritage survey: first results
CN113781450A (zh) 一种基于输配电线路无人机图像采集自动化智能缺陷分析系统
CN111026150A (zh) 一种利用无人机进行输电线路地质灾害预警系统及方法
CN109556569B (zh) 地形图测绘方法及装置
CN111915128B (zh) 一种对地震诱发的次生滑坡灾后评估与救援辅助系统
CN109829908B (zh) 基于双目影像的电力线下方地物安全距离检测方法及设备
CN210090988U (zh) 一种无人机巡检系统
CN112013830B (zh) 一种输电线路无人机巡检影像检测缺陷的精确定位方法
US20190361466A1 (en) Real-time system and method for asset management using unmanned aerial systems and edge computing
CN111244822B (zh) 一种复杂地理环境的固定翼无人机巡线方法、系统和装置
Huang et al. A method for using unmanned aerial vehicles for emergency investigation of single geo-hazards and sample applications of this method
CN113077561A (zh) 一种无人机智能巡检系统
CN111402447A (zh) 电网线路巡检方法、服务器、系统及存储介质
CN116719339A (zh) 一种基于无人机的电力线路巡检控制方法及系统
Kerle et al. UAV-based structural damage mapping–Results from 6 years of research in two European projects
Muji et al. Assessment of Digital Elevation Model (DEM) using onboard GPS and ground control points in UAV image processing
Saifizi et al. Using Unmanned Aerial Vehicle in 3D Modelling of UniCITI Campus to Estimate Building Size
Starek et al. Application of unmanned aircraft systems for coastal mapping and resiliency
Erenoglu Uav for 3d morphological mapping applications: A case study of koru mining site, canakkale, NW Turkey
CN111025325A (zh) 基于卫星通信的无人机激光雷达航空数据遥测与分析系统

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