CN112215841A - 风机叶片点云数据的形成方法、系统、设备和存储介质 - Google Patents
风机叶片点云数据的形成方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN112215841A CN112215841A CN202011199906.2A CN202011199906A CN112215841A CN 112215841 A CN112215841 A CN 112215841A CN 202011199906 A CN202011199906 A CN 202011199906A CN 112215841 A CN112215841 A CN 112215841A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- blade
- cloud data
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G06T5/70—
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本公开涉及图像处理技术领域,特别涉及一种风机叶片点云数据的形成方法、系统、设备和存储介质。在本公开提供的风机叶片点云数据的形成方法、系统、设备和存储介质中,通过先采集,再进行噪点去除的方式,最终快速高效地得到与风机叶片更加匹配、精度更高的点云数据。本公开还通过设定预定范围的方式,来初步筛选点云,以实现去除塔柱上的噪点,进一步提高点云数据的精确度。最后,本公开还通过欧几里得距离聚类和建立平面的方式进一步高效去除了轮毂和机箱上的噪点,最终获得精度更高的点云数据。
Description
技术领域
本公开涉及图像处理技术领域,特别涉及一种风机叶片点云数据的形成方法、系统、设备和存储介质。
背景技术
风力发电机是将风能转换为机械功,机械功带动转子旋转,最终输出交流电的电力设备。风力发电机的主要部件是伸展数米长的叶片。叶片的转动带动风力发电机内部的电机转动,最终将风能转换为电能输出。叶片的正常运转是风力发电机保持电能平稳有效输出的关键。因此叶片的“健康”对于风力发电机来说至关重要。
在发电机的运转过程中,风机叶片的表面容易遭受多种多样的损伤。这些损伤中有的可能是受到碰撞导致,有的可能是遭受雷击导致,还有的可能是自身老化产生。
为了保证叶片始终处于最佳的状态,叶片巡检成为了风力发电机配套运营的常态。通过无人机的扫描路径规划,可以完整的对风机进行扫描,以获得风机的三维模型,以供相关人员制定更有利的检修策略。
发明内容
本公开的一方面提供了一种风机叶片点云数据的形成方法。所述风机叶片点云数据的形成方法包括如下步骤:
采集覆盖叶片的点云;
转换所述点云的坐标,以得到在第一坐标系中用点云表示的叶片模型;
去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
在一实施例中,所述去除叶片模型中不属于叶片上的点数据,以得到去噪的风机叶片点云数据的步骤包括:
去除所述叶片模型中距离采集位置超出预定范围的点数据,以得到初次去噪叶片模型;
去除所述初次去噪叶片模型中的位于塔柱、轮毂和机舱上的点数据,以得到所述风机叶片点云数据。
在一实施例中,所述去除所述初次去噪叶片模型中的位于塔柱、轮毂和机舱上的点数据,以得到风机叶片点云数据的步骤包括:
利用欧几里得距离聚类方式对所述初次去噪叶片模型中的超出预定阈值的点数据聚类,去除不属于叶片的点数据,以得到二次去噪叶片模型;
在第二坐标系中对应每一叶片分别建立一垂直于叶片长度方向、过点最多的平面;
去除位于所述平面靠近叶根一侧的点数据,以得到所述风机叶片点云数据。
在一实施例中,利用无人机携带并通信连接的三维扫描设备来采集所述点云,所述三维扫描设备通过云台实现与所述无人机的连接。
在一实施例中,在采集所述点云时,所述三维扫描设备与所述叶片之间间距为8-14m。
在一实施例中,在采集所述点云时,相邻两帧的点云图之间在所述三维扫描设备的移动方向上保持30%—40%的重叠度。
在一实施例中,
所述转换点云的坐标,以得到在第一坐标系中用点云表示的叶片模型的步骤包括:
获取点云在所述三维扫描设备的坐标系中的原始坐标;
利用所述无人机与所述三维扫描设备之间的相对位置信息(之间通过云台连接还需要考虑云台),将所述原始三维坐标转换为在所述无人机的坐标系中的坐标,以得到初次转换坐标;
利用所述无人机在地球空间中的位置信息(通常采用GPS信息来表示地球空间中的位置信息),将所述初次转换坐标转换至所述第一坐标系中,以得到在所述第一坐标系中用点云表示的叶片模型。
本公开的另一方面是提供了一种风机叶片点云数据的形成系统。所述风机叶片点云数据的形成系统用于实现如前所述的风机叶片点云数据的形成方法的步骤。所述风机叶片点云数据的形成系统包括:
信息采集模块,用于采集覆盖叶片的点云;
信息转换模块,用于转换所述点云的坐标,以得到在第一坐标系中用于点云表示的叶片模型;
数据处理模块,用于去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
本公开的再一方面还提供了一种风机叶片点云数据的形成设备。所述风机叶片点云数据的形成设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如本公开前一方面所述的风机叶片点云数据的形成方法的步骤。
本公开的最后一方面则是提供了一种计算机可读存储介质。所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如前所述的风机叶片点云数据的形成方法的步骤。
综上所述,在本公开提供的风机叶片点云数据的形成方法、系统、设备和存储介质中,通过先采集,再进行噪点去除的方式,最终快速高效地得到与风机叶片更加匹配、精度更高的点云数据。
另一方面,本公开还通过设定预定范围的方式,来初步筛选点云,以实现去除塔柱上的噪点,进一步提高点云数据的精确度。
最后,本公开还通过欧几里得距离聚类和建立平面的方式进一步高效去除了轮毂和机箱上的噪点,最终获得精度更高的点云数据。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于示例的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1是本公开一实施例所展示的叶片点云数据的形成方法的步骤流程图;
图2是本公开一实施例提供的去除噪点的方法的步骤流程图;
图3是本公开一实施例提供的去除塔柱、轮毂和机箱上噪点的方法的步骤流程图;
图4是本公开一实施例提供的转换点云坐标方法的步骤流程图;
图5是本公开一实施例提供的点云数据的形成系统模块连接示意图;
图6是本公开一实施例提供的风机叶片点云数据的形成设备的结构示意图;
图7是本公开一实施例提供的计算机可读存储介质的结构示意图。
具体实施方式
通过上述说明可知,叶片是风力发电机的重要组成部分,叶片的“健康”对于风力发电机来说至关重要。
为了保持叶片始终处于最佳状态,叶片巡检工作成为了风力发电机配套运营的常态。随着无人机技术的发展,越多越多地被应用于到高空图像录制、部件检测等工作中。尤其风机叶片的巡检过程中,也越来越多应用到了无人机(带有相机、扫描设备等)。不过,由于风机叶片的尺寸和高度都非常大,更多的情况下,相关人员还是会采用遥控无人机的方式,来完成风机叶片的巡检工作。不过近年来也出现了一些不进行遥控,利用人工智能技术使无人机自行完成风机叶片巡检工作,并且还能测算出叶片上损伤大小(长度和/或面积)的方案。
对于测算叶片上损伤大小来说,其实质是无人机按照预定的飞行轨迹,自主围绕风机叶片完成飞行扫描/拍照,并利用一些坐标信息、尺寸信息最终完成风机叶片上损伤大小的计算工作。在这个过程中,无人机需要实时判断叶片的位置等信息,以避免出现飞行偏差,导致无法获取叶片的相关信息,而且还要对风机叶片进行尺寸测算等为了计算叶片上损伤大小的基础性工作。为了让无人机能够始终处于风机叶片附近飞行(而不明显偏离风机叶片),并最终测算出叶片上的损伤大小,通常需要获取风机叶片的点云数据。而且获取的点云数据的质量好坏(是否与风机叶片足够匹配,是否存在较多噪点等等)则对应着最终测算出的损伤大小是否精确。当然,如果点云数据质量越好,与风机叶片越匹配,对应测算出的损伤大小也会更精确。
为了解决现有技术存在的问题,提高获取高精确度的风机叶片点云数据的效率,发明人通过创造性的劳动提出了一种风机叶片点云数据的形成方法、系统、设备和存储介质。值得说明的是,本公开提供的点云数据可以利用无人机的飞行来实现覆盖风机叶片的点云信息的采集,并且经过多次噪点清除,最终获得精确度较高的关于风机叶片的点云数据。
以下结合附图和具体实施例对本公开提出的风机叶片点云数据的形成方法、系统、设备及存储介质作进一步详细说明。根据权利要求书和下面说明,本公开的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本公开实施例的目的。
应当理解的内容是,说明书中的用辞仅用于描述特定的实施例,并不旨在限定本公开。说明书使用的所有术语(包括技术术语和科学术语)除非另有定义,均具有本领域技术人员通常理解的含义。为简明和/或清楚起见,公知的功能或结构不再详细说明。
关于风机叶片点云数据的形成方法的示例说明
请参阅图1,其展示了本公开一实施例中的叶片点云数据的形成方法的步骤流程图。
在这个实施例的步骤S001中,采集覆盖叶片的点云。
步骤S1中的“采集”是指将三维扫描设备(激光雷达、三维相机等)投射在叶片上的点再次获取回传到三维扫描设备中,以使三维扫描设备中可以记录下那些投射在叶片上的点数据(点的数据,三维扫描设备自身会记录这些点在三维扫描设备自身的坐标系中的坐标信息依据实际需要而记录的必要数据)。
而“点云”是指目标表面(本公开中是指风机上的叶片)特性(通过数据的变化来体现)的海量点集和。
容易理解,这里的点云信息是不精确的,其中会包含各种不属于叶片上的点数据。在本公开中我们将那些不属于叶片的点数据统一称为噪点,本公开提出的去噪,就是指去除噪点。
在现有技术中,正式由于这些噪点的存在,导致通过现有技术获得的点云数据精确度不高,与风机叶片的匹配度(是否与叶片的边缘所围成的区域的形状一致)低。
在这个实施例的步骤S002中,转换所述点云的坐标,以得到在第一坐标系中用点云表示的叶片模型。
需要说明的是,本公开中所指的第一坐标系为世界坐标系。
用点云表示的叶片模型,是指在第一坐标系中,采集到的点数据(形成点云)在形状上看起来接近叶片,因此本公开中把这样形状的点云称为叶片模型。通过坐标的转换,将原本使用三维扫描设备中的坐标表示的点云信息,变成在第一坐标系(世界坐标系)下坐标表示的点云信息,有利于基于第一坐标系对叶片损伤大小的计算。
在这个实施例的步骤S003中,去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
在步骤S001中指出,步骤S001中采集的点云实际上存在很多噪点的,因此在步骤S003中本公开加入了去除噪点的步骤,以使最终获取的点云数据能够与风机叶片足够匹配。在去除噪点时,可以利用现有技术中其他领域中(比如建筑点云扫描、逆向工程点云扫描等)的噪音去除方式,也可以使用人工去除噪点的方式加以去除。总之,其目的是将不属于叶片上的点数据进行清除处理,以得到与点云数据足够匹配(按照实际需求预定的精确度/匹配度)
通过上述步骤可知,本公开提供的风机叶片点云数据的形成方法能够实现关于风机叶片的点云数据的获取,并且还进一步将噪点清除,以得到与风机叶片匹配的点云数据。相较于现有技术中不进行噪点清除的方案来说,最终获取的点云数据的精度得到较大幅度提高,这也为后续的叶片表面的损伤大小计算奠定了有利基础。
在本公开的一实施例中,还说明了关于“如何去除噪点”的优选实施方案。在图2中,展示了该实施例提供的去除噪点的方法的步骤流程图。
在这个实施例的步骤S011中,去除所述叶片模型中距离采集位置超出预定范围的点数据,以得到初次去噪叶片模型。
在本公开中,优选将三维扫描设备与叶片模型之间的间距维持在8-14m。这是由于在这个范围内,可以兼容大部分的扫描设备,让这些扫描设备可以正常发挥功能作用,并且还能够保证挂载三维扫描设备的无人机(通过云台进行挂载,无人机于三维扫描设备之间能够进行通信)不会与叶片发生碰撞。相对于风机叶片这种体机较大的物体,在8-14m的范围内进行采集扫描还能够及时调整无人机的姿态,以保证无人机始终按照正确的路径在移动。正是由于三维扫描设备与叶片之间的间距维持在8-14m之间,因此本公开将步骤S011中的预定范围可以设定为5-20m,这个预定范围的设定,一方面考虑到三维扫描设备自身的扫面范围(距离),另一方面还需要避免将原本属于叶片上的点数据错误清除。
步骤S011中的采集位置就是指三维扫描设备的位置,确切地说,是扫描设备中投射点云的起点位置。
容易知道,普通的激光雷达在投射一帧点云时,这一帧点云中常规的规格是会包含6400个点。因此三维扫描设备如果靠风机叶片太近,则需要投射更多帧的点云才能将风机叶片覆盖,如果离得太远,这又容易引入更多的噪点,而且还会降低点云中点与点之间在叶片上的间距,不利于后期的损伤大小计算。本申请给出了预定范围,还有三维扫描设备与风机叶片之间的间距能够恰好正常发挥扫描设备的功能作用,同时还能够保证点云点之间在叶片上的间距,有利于后期的损伤大小计算。
在上述的设置状态下,本公开为了保证每帧点云之间对应的风机叶片是连续的,但又不至于过多增加投射的帧数,本公开规定相邻两帧的点云图之间在三维扫描设备的移动方向上保持30%-40%的重叠度,以此来保证不会出现风机叶片上某个区域的缺失现象。
接着,在步骤S012中,去除所述初次去噪叶片模型中的位于塔柱、轮毂和机舱上的点数据,以得到风机叶片点云数据。
容易知道,通过预定范围的限定,可以去除较大部分的噪点。但是经过发明人的进一步分析发现,通过预定范围,也就是初步筛选所去除的噪点主要是三维扫描设备在采集点云信息过程中,由于环境因素所产生的噪点,并不能完全将不属于风机叶片的噪点去除。例如在采集点云信息时,三维扫描设备难以区分连接叶片的轮毂、在轮毂后面的部分机箱、位于机箱下的部分塔柱都无法通过设置预定范围的方式将这些位置上的噪点去除。当然,通过发明人不断分析,发现在众多的点云数据中,除了由环境因素产生的噪点,其余大部分的噪点主要集中在塔柱、机箱和轮毂上的噪点了。因此在步骤S012中我们可以专门针对塔柱、机箱和轮毂上的噪点进行去除操作。这样便可以得到较为精确的点云数据了。
通过步骤S011和步骤S012可以看出,本公开通过设定预定范围来初步筛选由环境因素产生的噪点,然后通过大量的点云数据分析,得出可以定向去除塔柱、机箱和轮毂上的噪点的方式,不仅可以大大降低去除噪点的复杂程度,而且还通过定向去噪的方式提高了噪点去除的效率。
在本公开的一实施例中,还进一步说明了关于“去除塔柱、轮毂和机箱上噪点”的优选方案。在图3中,展示了优选的去除塔柱、轮毂和机箱上噪点的方法的步骤流程图。
在步骤S021中,利用欧几里得距离聚类方式对所述初次去噪叶片模型中的超出预定阈值的点数据聚类,去除不属于叶片的点数据,以得到二次去噪叶片模型。
欧几里得距离聚类是一种聚类算法,采用该算法可以在众多的点数据中随机选择一个点,然后给定一个预定阈值(点与点的间距参数),最终获取与最初选择的点相关的一类点(一簇),而剩余的点由于与已经聚类完成的一类点中任意一点的距离都不符合阈值要求,因此可以在剩余的点中再选择一个点,继续进行聚类,以便获得一类点。可以理解,重复聚类过程,能够将与叶片上的点都归到某一个类中。由于叶片上的点往往较多,因此可以把带有点最多的一类作为叶片的点,从而能够更精确的排除其他不属于叶片的点(通常是塔柱上的点)。
在本公开中,位于塔柱上的点,由于与风机叶片上的点之间的间距较大,因此通过聚类方式二次去噪后,可以方便地将位于塔柱上的噪点去除。
经过步骤S021的去噪处理,显然还剩下机箱和轮毂上的噪点。
为了出去机箱和轮毂上的噪点,在该实施例中,本公开提供了步骤S022和步骤S023。
在步骤S022中,在第二坐标系中对应每一叶片分别建立一垂直于叶片长度方向、并且多最多点的平面;
需要说明的是,第二坐标系在本公开中有明确的定义,该坐标系区别于第一坐标系,但又是在第一坐标系中辅助完成噪点的去除工作。该坐标系以轮毂的圆心点为O点,以叶片的长度方向作为X轴。由于风机叶片不止有一个叶片,因此需要针对每个叶片分别建立一个所述平面(可以同时建立,也可以分步建立)。
在步骤S023中,去除位于所述平面靠近叶根一侧的点数据,以得到所述风机叶片点云数据。
当然,由于利用平面去噪点时,有可能因为其他叶片的位置关系会全部去除,因此,为了能够按照风机叶片的实际叶片数量还原点云数据,还可以按照叶片的数量重复对二次去噪模型实施相应次数的步骤S023。只需将每次去除的噪点是以不同的叶片建立的所述平面来实现的便可以,这样就得到了所有叶片的点云数据了。如果需要将按照实际位置摆放点云数据,已呈现实际叶片状态的效果,只需按照在第一坐标系中的点数据的坐标信息进行设置便可以。
还有,在图4所示转换点云坐标方法的步骤流程图中:
通过步骤S031,获取点云在所述三维扫描设备的坐标系中的原始坐标;
通过步骤S032,利用所述无人机与所述三维扫描设备之间的相对位置信息,将所述原始三维坐标转换为在所述无人机的坐标系中的坐标,以得到初次转换坐标;
通过步骤S033,利用所述无人机在地球空间中的位置信息(通常采用GPS信息来表示地球空间中的位置信息),将所述初次转换坐标转换至所述第一坐标系中,以得到在所述第一坐标系中用点云表示的叶片模型。
通过上述实现坐标转换的步骤可以看出,本公开提供的坐标转换方案能够准确地将三维扫描设备获取的点云信息,转换至第一坐标系中,同时还能够降低对硬件设备的性能要求。
关于风机叶片点云数据的形成系统的示例说明
本公开的一实施例中还提供了一种风机叶片点云数据的形成系统。在图5中,展示了本公开一实施例提供的点云数据的形成系统模块连接示意图。该系统能够实现本公开中说明的叶片的点云数据的形成方法。为了实现本公开说明的点云数据的形成方法,该系统包括:
信息采集模块501,用于采集覆盖叶片的点云。
信息转换模块502,用于转换所述点云的坐标,以得到在第一坐标系中用于点云表示的叶片模型。
数据处理模块503,用于去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
关于风机叶片点云数据的形成设备的示例说明
本公开的一实施例中还提供了一种点云数据的形成设备。所述形成设备包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现本公开中说明的点云数据的形成方法的步骤。
本公开的各个方面可以实现为系统、方法或程序产品。因此,本公开的各个方面可以具体实现为以下形式,即完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等),或硬件和软件方面结合的实施方式,这里可以统称为“电路”、“模块”或“平台”。
图6是本公开一实施例提供的风机叶片点云数据的形成设备的结构示意图。下面参照图6来详细描述根据本实施例中的实施方式实施的电子设备600。图6显示的电子设备600仅仅是一个示例,不应对本公开任何实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600以通用计算设备的形式表现。电子设备600的组建可以包括但不限于:至少一个处理单元610、至少一个存储单元620、连接不同平台组件(包括存储单元620和处理单元610)的总线630、显示单元640等。
其中,存储单元存储有程序代码,程序代码可以被处理单元610执行,使得处理单元610执行本实施例中上述图像拼接方法部分中描述的根据本实施例中的实施步骤。例如,处理单元610可以执行如图1、图2、图3和图4中所示的步骤。
存储单元620可以包括易失性存储单元形式的可读介质,例如随机存取单元(RAM)6201和/或高速缓存存储单元6202,可以进一步包括只读存储单元(ROM)6203。
存储单元620还可以包括具有一组(至少一个)程序模块6205的程序/实用工具6204,这样的程序模块6205包括但不限于:操作系统、一个或多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线630可以表示几类总线结构中的一种或多种,包括存储单元总线或者存储单元控制器、外围总线、图像加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
电子设备600也可以与一个或多个外部设备700(例如键盘、指向设备、蓝牙设备等)通信,还可以与一个或者多个使得用户与该电子设备600交互的设备通信,和/或与使得该电子设备能与一个或多个其他计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口650进行。并且,电子设备600还可以通过网络适配器660与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。网络适配器660可以通过总线630与电子设备600的其他模块通信。应当明白,尽管图6中未示出,可以结合电子设备600使用其他硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储平台等。
关于可读存储介质的示例说明
本公开的一个实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时能够实现上述公开中点云数据的形成方法的步骤。尽管本实施例未详尽地列举其他具体的实施方式,但在一些可能的实施方式中,本公开说明的各个方面还可以实现为一种程序产品的形式,其包括程序代码,当程序产品在终端设备上运行时,程序代码用于使终端设备执行本公开中点云数据的形成方法部分中描述的根据本公开各种实施例中实施方式的步骤。
图7是本公开一实施例提供的计算机可读存储介质的结构示意图。如图7所示,其中描述了根据本公开的实施方式中用于实现上述方法的程序产品800,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。当然,依据本实施例产生的程序产品不限于此,在本公开中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了可读程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质,该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、有线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、C++等,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
综上所述,在本公开提供的风机叶片点云数据的形成方法、系统、设备和存储介质中,通过先采集,再进行噪点去除的方式,最终快速高效地得到与风机叶片更加匹配、精度更高的点云数据。
另一方面,本公开还通过设定预定范围的方式,来初步筛选点云,以实现去除塔柱上的噪点,进一步提高点云数据的精确度。
最后,本公开还通过欧几里得距离聚类和建立平面的方式进一步高效去除了轮毂和机箱上的噪点,最终获得精度更高的点云数据。
上述描述仅是对本公开较佳实施例的描述,并非对本公开范围的任何限定,本公开领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种风机叶片点云数据的形成方法,其特征在于,包括如下步骤:
采集覆盖叶片的点云;
转换所述点云的坐标,以得到在第一坐标系中用点云表示的叶片模型;
去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
2.如权利要求1所述的风机叶片点云数据的形成方法,其特征在于,所述去除叶片模型中不属于叶片上的点数据,以得到去噪的风机叶片点云数据的步骤包括:
去除所述叶片模型中距离采集位置超出预定范围的点数据,以得到初次去噪叶片模型;
去除所述初次去噪叶片模型中的位于塔柱、轮毂和机舱上的点数据,以得到所述风机叶片点云数据。
3.如权利要求1所述的风机叶片点云数据的形成方法,其特征在于,所述去除所述初次去噪叶片模型中的位于塔柱、轮毂和机舱上的点数据,以得到风机叶片点云数据的步骤包括:
利用欧几里得距离聚类方式对所述初次去噪叶片模型中的超出预定阈值的点数据聚类,去除不属于叶片的点数据,以得到二次去噪叶片模型;
在第二坐标系中对应每一叶片分别建立一垂直于叶片长度方向、过点最多的平面;
去除位于所述平面靠近叶根一侧的点数据,以得到所述风机叶片点云数据。
4.如权利要求1所述的风机叶片点云数据的形成方法,其特征在于,利用无人机携带并通信连接的三维扫描设备来采集所述点云,所述三维扫描设备通过云台实现与所述无人机的连接。
5.如权利要求4所述的风机叶片点云数据的形成方法,其特征在于,在采集所述点云时,所述三维扫描设备与所述叶片之间间距为8-14m。
6.如权利要求5所述的风机叶片点云数据的形成方法,其特征在于,在采集所述点云时,相邻两帧的点云图之间在所述三维扫描设备的移动方向上保持30%—40%的重叠度。
7.如权利要求6所述的风机叶片点云数据的形成方法,其特征在于,所述转换点云的坐标,以得到在第一坐标系中用点云表示的叶片模型的步骤包括:
获取点云在所述三维扫描设备的坐标系中的原始坐标;
利用所述无人机与所述三维扫描设备之间的相对位置信息(之间通过云台连接还需要考虑云台),将所述原始三维坐标转换为在所述无人机的坐标系中的坐标,以得到初次转换坐标;
利用所述无人机在地球空间中的位置信息,将所述初次转换坐标转换至所述第一坐标系中,以得到在所述第一坐标系中用点云表示的叶片模型。
8.一种风机叶片点云数据的形成系统,用于实现权利要求1至7中任一项所述的风机叶片点云数据的形成方法的步骤,其特征在于,所述系统包括:
信息采集模块,用于采集覆盖叶片的点云;
信息转换模块,用于转换所述点云的坐标,以得到在第一坐标系中用于点云表示的叶片模型;
数据处理模块,用于去除所述叶片模型中不属于叶片上的点数据,以得到所述风机叶片的点云数据。
9.一种风机叶片点云数据的形成设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7中任一项所述的风机叶片点云数据的形成方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的风机叶片点云数据的形成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199906.2A CN112215841A (zh) | 2020-10-31 | 2020-10-31 | 风机叶片点云数据的形成方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011199906.2A CN112215841A (zh) | 2020-10-31 | 2020-10-31 | 风机叶片点云数据的形成方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112215841A true CN112215841A (zh) | 2021-01-12 |
Family
ID=74057836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011199906.2A Pending CN112215841A (zh) | 2020-10-31 | 2020-10-31 | 风机叶片点云数据的形成方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112215841A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574929A (zh) * | 2015-12-15 | 2016-05-11 | 电子科技大学 | 一种基于地面LiDAR点云数据的单株植被三维建模方法 |
WO2018005882A1 (en) * | 2016-06-30 | 2018-01-04 | Unmanned Innovation, Inc. | Unmanned aerial vehicle wind turbine inspection systems and methods |
CN108757345A (zh) * | 2018-08-10 | 2018-11-06 | 上海扩博智能技术有限公司 | 通过无人机进行风机叶片的自动跟踪检测方法及系统 |
CN109489580A (zh) * | 2018-12-10 | 2019-03-19 | 华东理工大学 | 一种复杂表面加工的在机点云检测及补偿方法 |
CN109555654A (zh) * | 2018-12-20 | 2019-04-02 | 上海扩博智能技术有限公司 | 基于风机模型重构的叶片自动跟踪检测方法及系统 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN109872280A (zh) * | 2018-12-26 | 2019-06-11 | 江苏名通信息科技有限公司 | 一种三维植物叶片点云的去噪与简化方法、装置及系统 |
CN109990701A (zh) * | 2019-03-04 | 2019-07-09 | 华中科技大学 | 一种大型复杂曲面三维形貌机器人移动测量系统及方法 |
CN111859572A (zh) * | 2020-07-21 | 2020-10-30 | 上海扩博智能技术有限公司 | 风机叶片表面轮廓线拟合方法、系统、设备和存储介质 |
-
2020
- 2020-10-31 CN CN202011199906.2A patent/CN112215841A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105574929A (zh) * | 2015-12-15 | 2016-05-11 | 电子科技大学 | 一种基于地面LiDAR点云数据的单株植被三维建模方法 |
WO2018005882A1 (en) * | 2016-06-30 | 2018-01-04 | Unmanned Innovation, Inc. | Unmanned aerial vehicle wind turbine inspection systems and methods |
CN108757345A (zh) * | 2018-08-10 | 2018-11-06 | 上海扩博智能技术有限公司 | 通过无人机进行风机叶片的自动跟踪检测方法及系统 |
CN109489580A (zh) * | 2018-12-10 | 2019-03-19 | 华东理工大学 | 一种复杂表面加工的在机点云检测及补偿方法 |
WO2020118970A1 (zh) * | 2018-12-10 | 2020-06-18 | 华东理工大学 | 一种复杂表面加工的在机点云检测及补偿方法 |
CN109555654A (zh) * | 2018-12-20 | 2019-04-02 | 上海扩博智能技术有限公司 | 基于风机模型重构的叶片自动跟踪检测方法及系统 |
CN109872280A (zh) * | 2018-12-26 | 2019-06-11 | 江苏名通信息科技有限公司 | 一种三维植物叶片点云的去噪与简化方法、装置及系统 |
CN109766404A (zh) * | 2019-02-12 | 2019-05-17 | 湖北亿咖通科技有限公司 | 点云处理方法、装置及计算机可读存储介质 |
CN109990701A (zh) * | 2019-03-04 | 2019-07-09 | 华中科技大学 | 一种大型复杂曲面三维形貌机器人移动测量系统及方法 |
CN111859572A (zh) * | 2020-07-21 | 2020-10-30 | 上海扩博智能技术有限公司 | 风机叶片表面轮廓线拟合方法、系统、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108416294B (zh) | 一种基于深度学习的风机叶片故障智能识别方法 | |
CN111178148B (zh) | 一种基于无人机视觉系统的地面目标地理坐标定位方法 | |
CN111859572A (zh) | 风机叶片表面轮廓线拟合方法、系统、设备和存储介质 | |
CN109060826B (zh) | 一种不停机的风电叶片检测装置 | |
CN110675358B (zh) | 长形物体的图像拼接方法、系统、设备和存储介质 | |
CN109741238A (zh) | 风机叶片图像拼接方法、系统、设备及存储介质 | |
CN110619678A (zh) | 一种基于点云匹配的电力杆塔巡检航迹生成方法 | |
CN108506170A (zh) | 风机叶片检测方法、系统、设备及存储介质 | |
CN112360699A (zh) | 一种全自动风力发电机组叶片智能巡视及诊断分析方法 | |
CN113610749B (zh) | 基于神经网络的风机叶片缺陷检测方法 | |
CN112558632B (zh) | 无人机巡检路径转换方法、系统、设备和存储介质 | |
CN114296483A (zh) | 一种风力发电机不停机状态下的智能巡检方法及电子设备 | |
CN111402447A (zh) | 电网线路巡检方法、服务器、系统及存储介质 | |
CN115442532A (zh) | 风机不停机巡检的方法、系统、设备及存储介质 | |
CN112700498A (zh) | 一种基于深度学习的风力发电机叶尖定位方法及系统 | |
CN111852753A (zh) | 风机叶片表面轮廓线拟合方法、系统、设备和存储介质 | |
CN114241158A (zh) | 基于风机点云数据的部件识别方法、装置、设备及介质 | |
CN112096566A (zh) | 风机停机状态参数的获取方法、系统、设备和介质 | |
CN116630411B (zh) | 基于融合感知的矿用电铲物料面识别方法、装置及系统 | |
CN112215841A (zh) | 风机叶片点云数据的形成方法、系统、设备和存储介质 | |
CN115639842B (zh) | 一种利用无人机的巡检方法及其系统 | |
CN112132786A (zh) | 风机停机状态参数的计算方法、系统、设备和介质 | |
KR102171597B1 (ko) | 풍력 발전기 블레이드 인식/분석 장치 및 방법 | |
CN115345446A (zh) | 基于无人机巡线和点云数据的工程竣工验收方法 | |
CN114397910A (zh) | 一种风力发电机无人机自动巡检方法及相关装置 |
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 |
Application publication date: 20210112 |