CN112767352B - 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法 - Google Patents

面向机载LiDAR电力巡检的高压线塔自动精细化提取方法 Download PDF

Info

Publication number
CN112767352B
CN112767352B CN202110069375.3A CN202110069375A CN112767352B CN 112767352 B CN112767352 B CN 112767352B CN 202110069375 A CN202110069375 A CN 202110069375A CN 112767352 B CN112767352 B CN 112767352B
Authority
CN
China
Prior art keywords
point cloud
tower
cloud data
line tower
line
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
CN202110069375.3A
Other languages
English (en)
Other versions
CN112767352A (zh
Inventor
杜伟
杨国柱
胡伟
马春田
刘成强
田茂杰
王宁
孟小前
王和平
武艺
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.)
State Grid Power Space Technology Co ltd
Original Assignee
State Grid Power Space 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 State Grid Power Space Technology Co ltd filed Critical State Grid Power Space Technology Co ltd
Priority to CN202110069375.3A priority Critical patent/CN112767352B/zh
Publication of CN112767352A publication Critical patent/CN112767352A/zh
Application granted granted Critical
Publication of CN112767352B publication Critical patent/CN112767352B/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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram 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
    • 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
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，包括以下步骤：点云粗提取，通过机载LiDAR获取线塔的点云数据，基于线塔的点云数据的空间几何特征，分别利用Kd‑tree距离分割法、欧式聚类法和移动曲面拟合算法对线塔的点云数据进行降噪和滤波，实现粗提取；数据分隔，绘制线塔长宽比例‑高度直方图并识别塔头和塔身的关键分割位置，根据所述关键分割位置将线塔点云数据分割为塔头点云数据和塔身点云数据；杂点剔除，利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点；数据整合，将剔除杂点后的塔头点云数据和塔身点云数据整合为一体，实现精细化提取。

Description

面向机载LiDAR电力巡检的高压线塔自动精细化提取方法
技术领域
本发明涉及面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，属于对地观测领域技术领域。
背景技术
国民经济的飞速发展对用电需求持续增长，输电网络大规模扩建，输电走廊的智能化管理与维护愈发重要。传统的输电线路巡检以工程测量方式为主，工作强度大、作业周期长，对于地形条件复杂、人员难以到达的危险地区，难以完成巡检工作。相比于传统的工程测量，航空摄影测量技术虽然降低了测量工作人员野外工作的强度，提高了检测效率，但是对于植被覆盖率较高的区域，其断面检测精度较低。激光雷达(Light Detection AndRanging，简称LiDAR)尤其是机载LiDAR可直接快速获取高压输电线路高密度、高精度三维空间信息，为线塔空间定位和三维数字建模提供可靠的数据源，在电力巡检中应用广泛，可有效解决传统电力巡检方法检测精度低、时效甚微等问题，而且可以克服植被遮挡的影响，可全天候、全区域巡检作业，为数字电网建设和线路安全巡检等提供了强有力的技术支撑。
高压线塔的三维重建是输电线路数字化重建和高效管理的重要内容，而高压线塔点云的准确识别与提取是重建的前提和条件。高压线塔是输电走廊的重要组成部分，是电力巡检的基本内容之一，其精确提取有利于准确获取高压线塔位置和结构参数信息，能够为施工规划提供有效的技术支持；有助于及时发现输电线路潜在隐患，确保输电线路安全运行；对灾害管理、城市规划、环境保护、城市发展规划以及实现输电走廊可视化等方面有重要意义。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，能够结合高压线塔结构特征和点云数据的特点进行自动精细化提取。
本发明的技术方案如下：
技术方案一：
面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，包括以下步骤：
点云粗提取，通过机载LiDAR获取线塔的点云数据，基于线塔的点云数据的空间几何特征，分别利用Kd-tree距离分割法、欧式聚类法和移动曲面拟合算法对线塔的点云数据进行降噪和滤波，实现粗提取；
数据分隔，绘制线塔长宽比例-高度直方图并识别塔头和塔身的关键分割位置，根据所述关键分割位置将线塔点云数据分割为塔头点云数据和塔身点云数据；
杂点剔除，利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点；
数据整合，将剔除杂点后的塔头点云数据和塔身点云数据整合为一体，实现精细化提取。
进一步的，所述分别利用Kd树距离分割法、欧式聚类和移动曲面拟合算法对线塔的点云数据进行降噪和滤波的步骤具体为：
基于输电走廊的点云数据和线塔中心的位置坐标，采用Kd-tree距离分割法对线塔的点云数据进行粗提取，获取粗略提取结果；
通过欧式聚类法，剔除所述粗略结果中，密度较小且随机分布的噪声；
通过移动曲面拟合算法，对降噪后的粗略提取结果进行滤波，分离所述粗略提取结果中的线塔底部环境的点云数据。
进一步的，所述绘制线塔长宽比例-高度直方图并识别塔头和塔身的关键分割位置的步骤具体为：
对线塔的点云数据进行重定向，沿Z轴方向旋转θ角度，将旋转后的线塔的点云数据投影至XY平面，并利用主成分分析法求解所述旋转后的线塔的点云数据的特征值及对应的特征向量，将最小特征值对应的向量V(v1,v2)记为X′轴，利用如下公式计算旋转角度θ和旋转后的点坐标(xp′,yp′)：
Figure BDA0002905480460000031
对重定向后的线塔的点云数据进行垂直分层，沿Z轴将旋转后的线塔的点云数据垂直分为等间隔的若干层，每层为一个包围盒；设定高程阈值T，依次向上计算每层包围盒在水平面投影的长度Δx与宽度Δy之比ratio，根据所述ratio制线塔长宽比例-高度直方图；当ratio大于所述高程阈值T时停止计算，并将该层包围盒记为线塔的关键分割位置。
进一步的，所述利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点的具体步骤为：
利用RANSAC直线拟合法拟合塔身的四条棱线，形成塔身的框架；遍历线塔关键分隔位置以下点云，若数据点在框架内部，则记为塔身点，否则记为杂点并剔除；
对塔头点云数据采用区域向上生长算法剔除电力线及绝缘子串等杂点。
技术方案二：
面向机载LiDAR电力巡检的高压线塔自动精细化提取设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如技术方案一所述的方法。
技术方案三：
面向机载LiDAR电力巡检的高压线塔自动精细化提取介质，其上存储有计算机程序，该程序被处理器执行时实现如技术方案一所述的方法。
本发明具有如下有益效果：
1、本发明面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，识别塔头与塔身关键分隔位置时，无需设置经验值，通过绘制长宽比例-直方图即可确定特征值，提高了识别精度。
2、本发明面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，通过RANSAC直线拟合法对线塔的塔身点云数据进行精细化提取，可剔除与高压线塔塔身相连的植被点，并避免塔身周围植被对拟合结果的干扰。
3、本发明面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，在确保塔头点云数据完整的基础上，可去除电力线、绝缘子串等非杆塔点云数据。
附图说明
图1为本发明实施例的流程图；
图2为本发明实施例中线塔的点云数据粗提取流程图；
图3为本发明实施例中线塔的点云数据精提取流程图；
图4-图6为本发明实施例中线塔自动精细化提取结果示意图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
实施例一：
参考图1所示，本实施例公开了面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，包括以下步骤：
S1、通过机载LiDAR获取线塔的点云数据，基于线塔的点云数据的空间几何特征，分别利用Kd-tree距离分割法、欧式聚类法和移动曲面拟合算法对线塔的点云数据进行降噪和滤波，实现粗提取；
S2、绘制线塔长宽比例-高度直方图并识别塔头和塔身的关键分割位置，根据所述关键分割位置将线塔点云数据分割为塔头点云数据和塔身点云数据；
S3、利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点；
S4、将剔除杂点后的塔头点云数据和塔身点云数据整合为一体，实现精细化提取。
进一步的，参考图2所示，所述S1步骤具体包括：
S11、由于每个电塔的类型以及周围环境条件的不同，需要分别对每个电塔做相应处理，即基于输电走廊点云数据和高压线塔中心位置坐标，采用Kd-tree距离分割法粗提取线塔的点云数据，获取粗略提取结果；
S12、线塔的点云数据的粗略提取结果中混有飞行的昆虫，空气悬浮物等噪声点，这些噪声密度较小且随机分布，距高压线塔点云有一定距离，因此可以使用欧式聚类方法予以剔除；
S13、为了使用模型生长的方法精确的从输电走廊中提取出线塔，首先需要将线塔的点云数据与地面的点云数据分离，本实施例采用多级移动曲面拟合的自适应阈值点云滤波算法进行地面滤波，经过地面滤波后的输电走廊，高压线塔点云、植被和地面点云可以成功分离。
进一步地，参见图3，所述步骤S2具体包括：
S21、通过线塔点云重定向和垂直分层，绘制线塔的长宽比例-高度直方图，并基于其空间几何特征在直方图中识别关键分割位置。
S22、线塔点云在水平面上常表现为任意方向，为便于后续操作，将其沿Z轴旋转一定角度θ。将线塔的点云数据投影至XY平面并均匀采样，然后利用主成分分析(PrincipalComponent Analysis,PCA)求解点云的特征值和特征向量，将最小特征值对应的向量V(v1,v2)记为X′轴，利用式(1)计算旋转角度θ和旋转后的点坐标(xp′,yp′)。
Figure BDA0002905480460000071
S23、沿z轴将线塔的点云数据垂直分为等间隔的若干层，每层为一个包围盒。为避免塔底植被的影响，设定高程阈值T，依次向上计算每层包围盒在水平面投影的长度Δx与宽度Δy之比ratio，绘制线塔长宽比例-高度直方图。若ratio大于T则计算停止，并将该层记为线塔的关键分隔位置，该位置以上的点云为塔头点云，直接存入塔头点云容器中；以下的点云为塔身点云，将其存入塔身点云容器中。
进一步地，步骤S3具体包括：
S31、塔身包括四条主要棱线，通过拟合棱线来提取其内部的塔身点云，该过程分为两步，一是提取每层长方体包围盒底面的四个顶点；二是将每条棱线上的顶点拟合为直线，并提取四条棱线构成的塔身框架内部点云。
首先，用凸壳算法构建每层包围盒轮廓多边形，然后利用管道算法简化轮廓多边形以检测角点，根据角点在最小包围矩形中心的方向将其分割为四个子集，每个子集可以近似地描述为三维直线，利用RANSAC拟合塔身的四条棱线即可形成塔身的框架。遍历线塔关键分隔位置以下点云，若数据点在框架内部，则记为塔身点，否则记为杂点并予以剔除。
S32、对塔头点云数据采用区域向上生长算法剔除电力线及绝缘子串等杂点。
本实施例的精细化提取实例参考图4至图6所示，图4、图5、图6分别是T型高压线塔、门型塔和O型高压线塔点云提取的过程，图中黑色点是高压线塔点云数据。
如图4、图5、图6中图①是经过Kd-tree距离分割法和欧式聚类法得到的线塔的点云数据；
如图4、图5、图6中图②利用移动曲面拟合算法进行底部滤波之后的线塔的点云数据，该方法能够很好剔除地面点，并将高压线塔底部与周围植被的底部分离，避免后续区域生长操作时将植被点云生长到高压线塔点云容器中；
如图4、图5、图6中图③是经过五邻域空间格网区域向下生长后的线塔的点云数据，该操作能够很好地将高压线塔与其周围的植被分离；
如图4、图5、图6中图④是经过五邻域空间格网区域向上生长后的线塔的点云数据，该方法能够很好的剔除塔头电力线和绝缘子串等非高压线塔点；
如图4、图5、图6中图⑤是经过RANSAC直线拟合操作后的线塔的点云数据，该方法能够很好地剔除与高压线塔塔身相连的植被点；
如图4、图5、图6中图⑥是处理过的线塔塔头和塔身整合在一起的线塔的点云数据。
本实施例提出的方法可以提高线塔的点云数据提取的精度与准确性，实现了线塔的点云数据的自动化精确提取，为机载LiDAR技术在输电走廊三维模型重建、高压线塔倾斜检测等方面的研究提供了技术支持。
实施例二：
面向机载LiDAR电力巡检的高压线塔自动精细化提取设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的方法。
实施例三：
面向机载LiDAR电力巡检的高压线塔自动精细化提取介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的方法。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (6)

1.一种面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，其特征在于，包括以下步骤：
点云粗提取，通过机载LiDAR获取线塔的点云数据，基于线塔的点云数据的空间几何特征，分别利用Kd-tree距离分割法、欧式聚类法和移动曲面拟合算法对线塔的点云数据进行降噪和滤波，实现粗提取；
数据分隔，绘制线塔长宽比例-高度直方图并识别塔头和塔身的关键分割位置，根据所述关键分割位置将线塔点云数据分割为塔头点云数据和塔身点云数据；
杂点剔除，利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点；
数据整合，将剔除杂点后的塔头点云数据和塔身点云数据整合为一体，实现精细化提取。
2.根据权利要求1所述的面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，其特征在于，所述分别利用Kd-tree距离分割法、欧式聚类法和移动曲面拟合算法对线塔的点云数据进行降噪和滤波的步骤具体为：
基于输电走廊的点云数据和线塔中心的位置坐标，采用Kd-tree距离分割法对线塔的点云数据进行粗提取，获取粗略提取结果；
通过欧式聚类法，剔除所述粗略提取结果中，密度较小且随机分布的噪声；
通过移动曲面拟合算法，对降噪后的粗略提取结果进行滤波，分离所述粗略提取结果中的线塔底部环境的点云数据。
3.根据权利要求1所述的面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，其特征在于，所述绘制线塔长宽比例-高度直方图并识别塔头和塔身的关键分割位置的步骤具体为：
对线塔的点云数据进行重定向，包括：将所述线塔的点云数据沿Z轴方向旋转θ角度，将旋转后的线塔的点云数据投影至XY平面，并利用主成分分析法求解所述旋转后的线塔的点云数据的特征值及对应的特征向量，将最小特征值对应的向量V(v1,v2)记为X′轴，利用如下公式计算旋转角度θ和旋转后的点坐标(xp′,yp′)：
Figure QLYQS_1
其中，(xp,yp)为旋转前的点坐标；
对重定向后的线塔的点云数据进行垂直分层，沿Z轴将旋转后的线塔的点云数据垂直分为等间隔的若干层，每层为一个包围盒；设定高程阈值T，依次向上计算每层包围盒在水平面投影的长度Δx与宽度Δy之比ratio，根据所述ratio绘制线塔长宽比例-高度直方图；当所述ratio大于所述高程阈值T时停止计算，并将该层包围盒记为线塔的关键分割位置。
4.根据权利要求3所述的面向机载LiDAR电力巡检的高压线塔自动精细化提取方法，其特征在于，所述利用空间格网区域生长算法剔除所述塔头点云数据中的杂点，利用RANSAC直线拟合法剔除所述塔身点云数据中的杂点的具体步骤为：
利用RANSAC直线拟合法拟合塔身的四条棱线，形成塔身的框架；遍历线塔关键分隔位置以下点云，若数据点在框架内部，则记为塔身点，否则记为杂点并剔除；
对塔头点云数据采用区域向上生长算法剔除电力线及绝缘子串杂点。
5.一种面向机载LiDAR电力巡检的高压线塔自动精细化提取设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的方法。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的方法。
CN202110069375.3A 2021-01-19 2021-01-19 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法 Active CN112767352B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110069375.3A CN112767352B (zh) 2021-01-19 2021-01-19 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110069375.3A CN112767352B (zh) 2021-01-19 2021-01-19 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法

Publications (2)

Publication Number Publication Date
CN112767352A CN112767352A (zh) 2021-05-07
CN112767352B true CN112767352B (zh) 2023-07-07

Family

ID=75703173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110069375.3A Active CN112767352B (zh) 2021-01-19 2021-01-19 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法

Country Status (1)

Country Link
CN (1) CN112767352B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238578B (zh) * 2021-05-11 2022-12-16 上海电力大学 一种电力杆塔无人机巡检路线规划方法及系统
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
CN114636403A (zh) * 2022-02-21 2022-06-17 同济大学 一种基于三维激光点云的输电铁塔倾斜度测量方法
CN117095318B (zh) * 2023-10-20 2024-03-19 山东科技大学 联合输电走向和塔架位置的高压输电线路提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184250A (zh) * 2015-08-31 2015-12-23 哈尔滨工业大学 一种电力走廊机载LiDAR点云数据的地物分类方法
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
CN107610223A (zh) * 2017-09-20 2018-01-19 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN107767389A (zh) * 2017-10-27 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于机载激光点云数据的输电线自动提取方法
CN108562885A (zh) * 2018-03-29 2018-09-21 同济大学 一种高压输电线路机载LiDAR点云提取方法
CN109829199A (zh) * 2018-12-29 2019-05-31 中国科学院遥感与数字地球研究所 基于LiDAR点云的电力线快速分层提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105184250A (zh) * 2015-08-31 2015-12-23 哈尔滨工业大学 一种电力走廊机载LiDAR点云数据的地物分类方法
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
CN107610223A (zh) * 2017-09-20 2018-01-19 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN107767389A (zh) * 2017-10-27 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于机载激光点云数据的输电线自动提取方法
CN108562885A (zh) * 2018-03-29 2018-09-21 同济大学 一种高压输电线路机载LiDAR点云提取方法
CN109829199A (zh) * 2018-12-29 2019-05-31 中国科学院遥感与数字地球研究所 基于LiDAR点云的电力线快速分层提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电力巡线LiDAR点云电塔自动定位和提取算法;黄陆君;陈光平;袁帅;涂朴;乔杰;测绘通报(04);全文 *

Also Published As

Publication number Publication date
CN112767352A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112767352B (zh) 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法
CN113034689B (zh) 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质
CN106022381B (zh) 基于车载激光扫描点云的路灯杆自动提取方法
Pu et al. Recognizing basic structures from mobile laser scanning data for road inventory studies
CN107273902B (zh) 一种从机载LiDAR数据自动提取电塔点云的方法
CN107767389A (zh) 一种基于机载激光点云数据的输电线自动提取方法
CN111985496B (zh) 一种基于植被三维凸包的树障隐患快速检测方法和终端
CN106918311A (zh) 基于车载激光点云数据的单株树树冠投影面积自动计算方法
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
CN112883878B (zh) 一种基于三维格网的变电站场景下的点云自动分类方法
CN114114314A (zh) 基于激光点云的输电线路巡检检测系统及检测方法
CN110794413A (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
CN114119863A (zh) 一种基于车载激光雷达数据自动提取行道树目标及其林木属性的方法
CN113640826B (zh) 一种基于3d激光点云的障碍物识别方法及系统
CN113345094A (zh) 基于三维点云的电力走廊安全距离分析方法及系统
CN113920134B (zh) 一种基于多线激光雷达的斜坡地面点云分割方法及系统
CN112561944A (zh) 一种基于车载激光点云的车道线提取方法
CN115825984A (zh) 一种基于激光点云的输电线路巡检系统及巡检方法
CN114187297A (zh) 一种输电线路风偏校核方法及校核系统
CN114020015A (zh) 基于障碍物地图双向搜索的无人机路径规划系统及方法
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
Shokri et al. A robust and efficient method for power lines extraction from mobile LiDAR point clouds
CN116524219A (zh) 一种基于激光雷达点云聚类的障碍物检测方法
CN117132915B (zh) 一种基于点云自动分类的输电线路树障隐患分析方法

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: Floor 7, Block C, No. 18 Binhe Avenue, Future Science and Technology City, Changping District, Beijing 102200

Applicant after: State Grid Power Space Technology Co.,Ltd.

Address before: Floor 7, Block C, No. 18 Binhe Avenue, Future Science and Technology City, Changping District, Beijing 102200

Applicant before: SGCC GENERAL AVIATION Co.,Ltd.

GR01 Patent grant
GR01 Patent grant