CN112132795A - 一种基于LiDAR点云的电塔受灾风险评估方法及系统 - Google Patents

一种基于LiDAR点云的电塔受灾风险评估方法及系统 Download PDF

Info

Publication number
CN112132795A
CN112132795A CN202010963009.8A CN202010963009A CN112132795A CN 112132795 A CN112132795 A CN 112132795A CN 202010963009 A CN202010963009 A CN 202010963009A CN 112132795 A CN112132795 A CN 112132795A
Authority
CN
China
Prior art keywords
tower
point cloud
electric
disaster
acquiring
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
CN202010963009.8A
Other languages
English (en)
Other versions
CN112132795B (zh
Inventor
陈定安
陈明薇
罗明
王先伟
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202010963009.8A priority Critical patent/CN112132795B/zh
Publication of CN112132795A publication Critical patent/CN112132795A/zh
Application granted granted Critical
Publication of CN112132795B publication Critical patent/CN112132795B/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
    • G06F18/23—Clustering techniques
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明公开了一种基于LiDAR点云的电塔受灾风险评估方法及系统，该方法包括：获取LiDAR的3D点云数据并提取得到电塔点云；根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；获取电塔参数并分别计算不同灾害级别区域的电塔风险指数；根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。该系统包括：点云处理模块、地形控制指数模块、电塔风险指数模块和分析模块。通过使用本发明，可使输电塔的相对抗洪灾性能可以客观地被观测、评估和分析。本发明作为一种基于LiDAR点云的电塔受灾风险评估方法及系统，可广泛应用于地理信息科学技术领域。

Description

一种基于LiDAR点云的电塔受灾风险评估方法及系统
技术领域
本发明地理信息科学技术领域，尤其涉及一种基于LiDAR点云的电塔受灾风险评估方法及系统。
背景技术
电力传输基础设施，特别是高压输电塔，在供电系统的正常运作中起着至关重要的作用。但目前，许多电塔是沿海、河流或林区建造的，这些地区通常易受自然灾害(例如野火，地震和洪水)的影响。LiDAR技术可用于远程识别高风险塔架以进行检查和修复。应用点云分割技术后，可以从获得输电塔的三维(3D)模型。
随着激光雷达及其相关算法发展度的提高，激光雷达点云结合几何模型分析在评估和监测电塔结构安全性这一研究方向上展现出了极强的发展潜力，但是目前为止，暂时还没有出现结合激光雷达和几何建模并专门针对检测洪涝灾害影响下的电塔受灾风险性的评估预测方法。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于LiDAR点云的电塔受灾风险评估方法及系统，配合严谨的数学几何模型，使输电塔的相对抗洪灾性能可以客观地被观测、评估和分析。
本发明所采用的第一技术方案是：一种基于LiDAR点云的电塔受灾风险评估方法，包括以下步骤：
获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云；
根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
进一步，所述获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云这一步骤，其具体包括：
获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格；
通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云。
进一步，所述获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格这一步骤，其具体包括：
获取LiDAR的3D点云数据并将整体点云分块，得到多块点云；
对每块点云都进行网格化处理并分配网格值；
根据预设规则删除部分网格，保留高程在Z轴上连续的网格并得到包含电塔的网格。
进一步，所述根据预设规则删除部分网格具体包括保留最大海拔高度减去最小海拔高度在给定阈值内的网格，并在剩余的网格中删除带有悬挂点集的网格。
进一步，所述通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云这一步骤，其具体包括：
基于聚类算法粗略识别区域的点云数据，得到整个区域的特征点云集；
从特征点云集中获取特征点云数据并根据高度进行分层，得到高度切片集；
从高度切片集中取出包含塔身高度部分的切片集；
根据包含塔身高度部分的切片集计算不同高程切片的中心点集；
对中心点集进行直线拟合处理并计算得到对应斜率；
根据高度切片集和中心点集得到塔的边缘位置和距中心点的距离；
根据塔的边缘位置和距中心点的距离计算对应于两个边缘之间相同边缘的两个点之间的斜率并得到所有斜率在设定阈值内的特征点云；
从在特征点云中提取得到就有电塔特征的点云。
进一步，根据数字高程模型获取区域的凹陷深度和凹陷面积并计算区域的地形控制指数，所述地形控制指数的表达式如下：
Figure BDA0002681250310000021
上式中，A是集水面积，S是集水面积的平均坡度，V是凹陷量。
进一步，所述获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数这一步骤，其具体包括：
获取电塔塔身和塔腿的数据参数并基于最小二乘法拟合正方椎体三维模型；
根据正方锥体三维模型计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差；
根据塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差计算得到不同灾害级别区域的电塔风险指数。
进一步，所述计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度还包括计算其倾斜度误差。
进一步，所述电塔风险指数的表达式如下：
Figure BDA0002681250310000031
上式中，Ht是电塔的高度，α是塔腿倾斜度，γ是塔身与塔腿间的倾斜度差，St是基于塔所在网格单元中数字高程模型的坡度，W是塔腿的根开。
本发明所采用的第二技术方案是：一种基于LiDAR点云的电塔受灾风险评估系统，包括：
点云处理模块，用于获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云；
地形控制指数模块，根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
电塔风险指数模块，用于获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
分析模块，根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
本发明方法及系统的有益效果是：本发明从发生洪灾的可能性和输电塔的抗灾性两个方面，为易发洪水地区的输电塔网络提出了一种新颖而全面的风险分析框架，通过地形控制指数和电塔风险指数对潜在洪灾影响下的电塔进行了全面的风险分析，使相关管理人员能尽早发现受洪涝影响较大的输电塔进而尽快作出相应行动，保证电力系统的正常运作。
附图说明
图1是本发明一种基于LiDAR点云的电塔受灾风险评估方法的步骤流程图；
图2是本发明一种基于LiDAR点云的电塔受灾风险评估系统的结构框图；
图3是本发明具体实施例提取电塔点云的粗识别方法示意图；
图4是本发明具体实施例提取电塔点云的精识别方法示意图；
图5是本发明具体实施例的电塔示意图；
图6是本发明具体实施例的正方椎体三维模型图；
图7是本发明具体实施例的拟合过程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
本发明首先从机载光检测与测距(LiDAR)的3D点云中获得几何图形，运用新提出的点云分割和拟合算法，精确估计输电塔的倾斜角度。然后计算现有的洪水风险指数(地形控制指数，TCI)和一个新提出的反映了洪水淹没下输电塔损坏的风险的输电塔风险指数(Transmission Tower Risk Index，TTRI)，最后综合两种指数分析洪涝灾害下输电塔的受灾风险。
如图1所示，本发明提供了一种基于LiDAR点云的电塔受灾风险评估方法，该方法包括以下步骤：
S1、获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云。
S2、根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
S3、获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
S4、根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
具体地，对TCI和TTRI进行数据统计和综合分析，提供风险可视化参考图，划分出风险较大电塔的影响区域。
进一步作为本方法的优选实施例，所述获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云这一步骤，其具体包括：
获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格；
通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云。
具体地，步骤S1中点云分割，提取得到电塔点云的具体方法包括粗识别和精细识别。
进一步作为本方法的优选实施例，所述获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格这一步骤，其具体包括：
获取LiDAR的3D点云数据并将整体点云分块，得到多块点云；
对每块点云都进行网格化处理并分配网格值；
根据预设规则删除部分网格，保留高程在Z轴上连续的网格并得到包含电塔的网格。
具体地，粗识别步骤如图3所示，将整体点云分块，对每块点云都进行网格化处理，并为所有点分配网格值；仅保留最大海拔高度减去最小海拔高度在给定阈值内的网格；对剩余的网格进行连续的高程判断，并删除带有悬挂点集的网格，因此最终只保留其高程在Z轴上连续的网格；得到所有可能包含输电塔的网格，粗识别结束。
进一步作为本方法优选实施例，所述根据预设规则删除部分网格具体包括保留最大海拔高度减去最小海拔高度在给定阈值内的网格，并在剩余的网格中删除带有悬挂点集的网格。
进一步作为本方法优选实施例，所述所述通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云这一步骤，其具体包括：
基于聚类算法粗略识别区域的点云数据，得到整个区域的特征点云集；
从特征点云集中获取特征点云数据并根据高度进行分层，得到高度切片集；
从高度切片集中取出包含塔身高度部分的切片集；
根据包含塔身高度部分的切片集计算不同高程切片的中心点集；
对中心点集进行直线拟合处理并计算得到对应斜率；
根据高度切片集和中心点集得到塔的边缘位置和距中心点的距离；
根据塔的边缘位置和距中心点的距离计算对应于两个边缘之间相同边缘的两个点之间的斜率并得到所有斜率在设定阈值内的特征点云；
从斜率在设定阈值内的特征点云中提取得到具有电塔特征的点云。
具体地，以上为精识别方法的步骤流程，具体参照图4，聚类粗略识别区域的点云数据，得到整个区域的特征点云集{T}；从特征点云集{T}中获取特征点云数据Ti，根据高度进行分层，得到高度切片集{Hi}，然后取出包含塔身高度部分的切片集
Figure BDA0002681250310000051
从最低的切片
Figure BDA0002681250310000052
开始向上移动，计算的不同高程切片Ti的中心点集
Figure BDA0002681250310000053
然后使用直线拟合得到{ci}并计算斜率；找到每个高度切片的Xmax,Xmin,Ymax,Ymin，和最大半径
Figure BDA0002681250310000054
即塔的边缘位置和距中心点的距离，然后计算对应于两个边缘之间相同边缘的两个点之间的斜率，获得两个相邻的切片，并获得所有斜率在设定阈值内的特征点云；提取出所有具有输电塔的特征的点云。
进一步作为本方法优选实施例，根据数字高程模型获取区域的凹陷深度和凹陷面积并计算区域的地形控制指数，所述地形控制指数的表达式如下：
Figure BDA0002681250310000055
上式中，A是集水面积(m2)，S是集水面积的平均坡度，V是凹陷量(m3)。
具体地，凹陷体积V与凹陷深度H密切相关，对于给定区域，凹陷深度与容量成正比，即在相同条件下，凹陷深度H越大，凹陷体积V越大。
另外，在确定数字高程模型DEM中的所有凹陷之后，获得凹陷深度和面积的阈值。然后，根据相应的阈值，填充深度或面积不符合要求的凹槽。部分填充的DEM用于计算其余凹陷的集水性质，然后用于计算研究区域凹陷的TCI值。由于DEM中的某些凹陷包含噪声，因此我们在分析中仅考虑面积>500m2和最大深度>30的凹陷。
进一步作为本方法优选实施例，所述获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数这一步骤，其具体包括：
获取电塔塔身和塔腿的数据参数并基于最小二乘法拟合正方椎体三维模型；
拟合模型公式如下：
Figure BDA0002681250310000061
Figure BDA0002681250310000062
Figure BDA0002681250310000063
具体地，R0是从顶点到XY平面上的平截头体的平方中点的距离，即Z＝0，即对角线的一半长度；k是梯度因子，表示方形棱锥边缘的倾斜度。R1,R2,和R3和分别代表旋转矩阵，和分别对应于X，Y，Z轴的旋转角度，q是象限数。θ(0°≤θ≤360°)是初始位置中与XY平面上的X轴的夹角。
运用最小二乘法根据塔身和塔腿(如图5)拟合正方椎体三维模型(如图6)，拟合过程如图7所示.
根据正方锥体三维模型计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差；
根据塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差计算得到不同灾害级别区域的电塔风险指数。
具体地，倾斜度计算方法如下：
Figure BDA0002681250310000064
Figure BDA0002681250310000065
Figure BDA0002681250310000066
进一步作为本方法的优选实施例，所述计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度还包括计算其倾斜度误差。
具体地，误差计算模型如下：
Figure BDA0002681250310000071
Figure BDA0002681250310000072
进一步作为本方法的优选实施例，所述电塔风险指数的表达式如下：
Figure BDA0002681250310000073
上式中，Ht是电塔的高度，α是塔腿倾斜度，γ是塔身与塔腿间的倾斜度差，St是基于塔所在网格单元中数字高程模型的坡度，W是塔腿的根开。
具体地，塔腿和塔身由一个横隔板连接，在外力作用下下可能会有不同程度的倾斜，其间的倾斜角差反映了塔架局部变形的程度，差值较大说明塔身与塔腿之间的横隔板发生变形，塔的结构稳定性降低。TTRI并不能直接反映塔架的机械性能，而是作为评估输电塔的抗灾能力的参考值。TTRI越高，洪水条件下塔架损坏的风险就越高。
如图2所示，一种基于LiDAR点云的电塔受灾风险评估系统，包括：
点云处理模块，用于获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云；
地形控制指数模块，根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
电塔风险指数模块，用于获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
分析模块，根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，包括以下步骤：
获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云；
根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
2.根据权利要求1所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云这一步骤，其具体包括：
获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格；
通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云。
3.根据权利要求2所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述获取LiDAR的3D点云数据并对点云数据进行网格化处理，得到所有包含电塔的网格这一步骤，其具体包括：
获取LiDAR的3D点云数据并将整体点云分块，得到多块点云；
对每块点云都进行网格化处理并分配网格值；
根据预设规则删除部分网格，保留高程在Z轴上连续的网格并得到包含电塔的网格。
4.根据权利要求3所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述根据预设规则删除部分网格具体包括保留最大海拔高度减去最小海拔高度在给定阈值内的网格，并在剩余的网格中删除带有悬挂点集的网格。
5.根据权利要求4所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述通过聚类识别区域的点云数据并进行高度分层，得到分层集合后提取具有电塔特征的点云这一步骤，其具体包括：
基于聚类算法粗略识别区域的点云数据，得到整个区域的特征点云集；
从特征点云集中获取特征点云数据并根据高度进行分层，得到高度切片集；
从高度切片集中取出包含塔身高度部分的切片集；
根据包含塔身高度部分的切片集计算不同高程切片的中心点集；
对中心点集进行直线拟合处理并计算得到对应斜率；
根据高度切片集和中心点集得到塔的边缘位置和距中心点的距离；
根据塔的边缘位置和距中心点的距离计算对应于两个边缘之间相同边缘的两个点之间的斜率并得到所有斜率在设定阈值内的特征点云；
从斜率在设定阈值内的特征点云中提取得到具有电塔特征的点云。
6.根据权利要求5所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，根据数字高程模型获取区域的凹陷深度和凹陷面积并计算区域的地形控制指数，所述地形控制指数的表达式如下：
Figure FDA0002681250300000021
上式中，A是集水面积，S是集水面积的平均坡度，V是凹陷量。
7.根据权利要求6所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数这一步骤，其具体包括：
获取电塔塔身和塔腿的数据参数并基于最小二乘法拟合正方椎体三维模型；
根据正方锥体三维模型计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差；
根据塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度差计算得到不同灾害级别区域的电塔风险指数。
8.根据权利要求7所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述计算塔身倾斜度、塔腿倾斜度和塔身与塔腿间的倾斜度还包括计算其倾斜度误差。
9.根据权利要求7所述一种基于LiDAR点云的电塔受灾风险评估方法，其特征在于，所述电塔风险指数的表达式如下：
Figure FDA0002681250300000022
上式中，Ht是电塔的高度，α是塔腿倾斜度，γ是塔身与塔腿间的倾斜度差，St是基于塔所在网格单元中数字高程模型的坡度，W是塔腿的根开。
10.一种基于LiDAR点云的电塔受灾风险评估系统，其特征在于，包括以下模块：
点云处理模块，用于获取LiDAR的3D点云数据并进行点云分割，提取得到电塔点云；
地形控制指数模块，根据数字高程模型获取对应区域的地形控制指数并对地形控制指数进行分级，结合电塔点云得到位于不同灾害级别区域的电塔；
电塔风险指数模块，用于获取电塔参数并基于最小二乘技术的方形金字塔几何模型拟合方法分别计算不同灾害级别区域的电塔风险指数；
分析模块，根据地形控制指数和电塔风险指数生成电塔受灾风险评估分析图。
CN202010963009.8A 2020-09-14 2020-09-14 一种基于LiDAR点云的电塔受灾风险评估方法及系统 Active CN112132795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010963009.8A CN112132795B (zh) 2020-09-14 2020-09-14 一种基于LiDAR点云的电塔受灾风险评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010963009.8A CN112132795B (zh) 2020-09-14 2020-09-14 一种基于LiDAR点云的电塔受灾风险评估方法及系统

Publications (2)

Publication Number Publication Date
CN112132795A true CN112132795A (zh) 2020-12-25
CN112132795B CN112132795B (zh) 2023-02-03

Family

ID=73845694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010963009.8A Active CN112132795B (zh) 2020-09-14 2020-09-14 一种基于LiDAR点云的电塔受灾风险评估方法及系统

Country Status (1)

Country Link
CN (1) CN112132795B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345089A (zh) * 2021-05-31 2021-09-03 西北农林科技大学 一种基于电力塔点云的规则化建模方法
CN113987631A (zh) * 2021-10-18 2022-01-28 中山大学 一种基于对称性分析的建筑物受灾形变检测方法及系统
CN114332634A (zh) * 2022-03-04 2022-04-12 浙江国遥地理信息技术有限公司 风险电塔的位置确定方法、装置、电子设备及存储介质
CN115115221A (zh) * 2022-06-25 2022-09-27 国网安徽省电力有限公司经济技术研究院 一种基于云计算的窄基钢塔建造分析方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526610A (zh) * 2016-11-04 2017-03-22 广东电网有限责任公司电力科学研究院 一种基于无人机激光点云的电塔自动定位方法及装置
CN108960599A (zh) * 2018-06-22 2018-12-07 国网湖南省电力有限公司 基于反演算法的输电线路暴雨灾害精细化预测方法及系统
CN109191014A (zh) * 2018-10-17 2019-01-11 国网湖南省电力有限公司 电网通道暴雨次生地质灾害的风险快速划分方法及系统
CN109784683A (zh) * 2018-12-27 2019-05-21 国网湖南省电力有限公司 一种电网广域气象灾害综合防御方法
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110570107A (zh) * 2019-08-28 2019-12-13 浙江仁欣环科院有限责任公司 一种基于dem的山洪灾害风险评估方法
CN110889861A (zh) * 2019-11-15 2020-03-17 广州供电局有限公司 一种电力杆塔点云提取方法
CN111369161A (zh) * 2020-03-13 2020-07-03 国网宁夏电力有限公司电力科学研究院 基于环境因子及地形特征的输电线路多风险区段评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526610A (zh) * 2016-11-04 2017-03-22 广东电网有限责任公司电力科学研究院 一种基于无人机激光点云的电塔自动定位方法及装置
CN108960599A (zh) * 2018-06-22 2018-12-07 国网湖南省电力有限公司 基于反演算法的输电线路暴雨灾害精细化预测方法及系统
CN109191014A (zh) * 2018-10-17 2019-01-11 国网湖南省电力有限公司 电网通道暴雨次生地质灾害的风险快速划分方法及系统
CN109784683A (zh) * 2018-12-27 2019-05-21 国网湖南省电力有限公司 一种电网广域气象灾害综合防御方法
CN110246119A (zh) * 2019-05-09 2019-09-17 华北电力大学 基于sar影像的输电杆塔水灾故障隐患的识别方法
CN110570107A (zh) * 2019-08-28 2019-12-13 浙江仁欣环科院有限责任公司 一种基于dem的山洪灾害风险评估方法
CN110889861A (zh) * 2019-11-15 2020-03-17 广州供电局有限公司 一种电力杆塔点云提取方法
CN111369161A (zh) * 2020-03-13 2020-07-03 国网宁夏电力有限公司电力科学研究院 基于环境因子及地形特征的输电线路多风险区段评估方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
C. HITCHCOCK ET.AL: "Surface, sub-surface mapping and geohazard identification and associated risk mitigation for power transmission", 《IEEE PES T&D 2010》 *
刘洋: "机载点云电力走廊要素提取及风险计算", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
李雪: "高压输电塔-线体系气象条件致灾因素分析", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
林祚顶等: "《江淮丘陵区花山流域面源监测与污染物输出规律研究》", 31 December 2018, 河海大学出版社 *
虢韬等: "机载LiDAR快速定位高压电塔方法研究", 《遥感技术与应用》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113345089A (zh) * 2021-05-31 2021-09-03 西北农林科技大学 一种基于电力塔点云的规则化建模方法
CN113987631A (zh) * 2021-10-18 2022-01-28 中山大学 一种基于对称性分析的建筑物受灾形变检测方法及系统
CN114332634A (zh) * 2022-03-04 2022-04-12 浙江国遥地理信息技术有限公司 风险电塔的位置确定方法、装置、电子设备及存储介质
CN115115221A (zh) * 2022-06-25 2022-09-27 国网安徽省电力有限公司经济技术研究院 一种基于云计算的窄基钢塔建造分析方法
CN115115221B (zh) * 2022-06-25 2023-08-08 国网安徽省电力有限公司经济技术研究院 一种基于云计算的窄基钢塔建造分析方法

Also Published As

Publication number Publication date
CN112132795B (zh) 2023-02-03

Similar Documents

Publication Publication Date Title
CN112132795B (zh) 一种基于LiDAR点云的电塔受灾风险评估方法及系统
Danielson et al. Topobathymetric elevation model development using a new methodology: Coastal National Elevation Database
CN106529469B (zh) 基于自适应坡度的无人机载LiDAR点云滤波方法
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
US11532123B2 (en) Method for visualizing large-scale point cloud based on normal
CN111507375B (zh) 一种城市内涝风险快速评估方法及系统
Bilskie et al. Topographic accuracy assessment of bare earth lidar-derived unstructured meshes
KR20100136604A (ko) 3차원 지형 영상 실시간 가시화 시스템 및 이의 방법
CN102944174A (zh) 一种点云数据的处理方法及系统
CN113432549B (zh) 一种基于无人机摄影测量的潮沟三维参量提取方法及系统
CN110956412A (zh) 基于实景模型的洪灾动态评估方法、装置、介质和设备
CN112785596B (zh) 基于dbscan聚类的点云图螺栓分割和高度测量方法
JP7153330B2 (ja) 土砂災害予測装置、コンピュータプログラム、土砂災害予測方法及び地図情報
CN102750730A (zh) 一种特征保持的点云数据精简方法
KR20140066100A (ko) 구조물의 풍하중 산정 장치 및 방법
CN111784831A (zh) 一种基于倾斜摄影的城区河道洪水三维淹没分析方法
CN116882310A (zh) 一种基于流体力学的台风风场计算方法及装置
CN113987969A (zh) 多高程尺度水流网的陆地水动态仿真模型
CN110222368A (zh) 一种利用二维切片计算岩心三维孔隙度和渗透率的方法
Sheng et al. A regional testbed for storm surge and coastal inundation models—an overview
CN112184900B (zh) 高程数据的确定方法、装置及存储介质
KR101440462B1 (ko) 지형계수 산출 장치 및 방법
CN111369604A (zh) 一种基于网格的地形特征点提取方法及处理终端
KR101471956B1 (ko) Dem을 이용한 지표면 조도 산정 장치 및 방법
CN116385683B (zh) 一种三维小流域沟道分形维数计算方法及系统

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