CN112883845B - 一种基于激光LiDAR点云的杆塔类型自动识别方法 - Google Patents
一种基于激光LiDAR点云的杆塔类型自动识别方法 Download PDFInfo
- Publication number
- CN112883845B CN112883845B CN202110142307.5A CN202110142307A CN112883845B CN 112883845 B CN112883845 B CN 112883845B CN 202110142307 A CN202110142307 A CN 202110142307A CN 112883845 B CN112883845 B CN 112883845B
- Authority
- CN
- China
- Prior art keywords
- projection
- tower
- plane
- inflection points
- point cloud
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于激光LiDAR点云的杆塔类型自动识别方法,包括以下步骤:步骤S1:进行杆塔定向;步骤S2:进行分层提取;步骤S3:进行特征匹配;步骤S4:进行相似检验。本发明相对于传统目视判别方法,能够降低人工在点云数据处理中参与程度,为杆塔特征点提取以及自动建模提供基础数据。
Description
技术领域
本发明涉及点云数据处理技术领域,特别涉及一种基于激光LiDAR点云的杆塔类型自动识别方法。
背景技术
随着架空输电线路全生命周期过程中数字化、智能化程度的不断推进,对架空输电线路通道的三维重现的要求不断提高。目前,机载激光LiDAR技术是用于恢复架空输电线路通道高精度三维场景的一种通用手段,其中重点工作是杆塔实景三维建模。杆塔塔型是十分重要的杆塔建模数据,是进行杆塔特征点提取的前提,传统方法是通过专业工作人员进行目视判别。但随着激光LiDAR技术的发展,工作人员往往需要快速处理上百级杆塔的点云数据,此时采用人工目视方式判断塔型增加了数据处理人员的工作负担,且不符合激光数据处理自动化的发展趋势。因此,本发明利用架空输电线路杆塔塔头特征不同的特点,提出一种基于激光LiDAR点云的杆塔类型自动识别方法,促进输电线路激光LIDAR数据处理自动化程度,为后续的杆塔自动建模提供数据基础。
发明内容
有鉴于此,本发明的目的之一是提供一种基于激光LiDAR点云的杆塔类型自动识别方法。能够实现杆塔类型自动识别,促进输电线路激光LIDAR数据处理自动化程度,为后续的杆塔自动建模提供数据基础。
本发明的目的之一是通过以下技术方案实现的:
该种基于激光LiDAR点云的杆塔类型自动识别方法,包括以下步骤:
步骤S1:进行杆塔定向;
步骤S2:进行分层提取:按设定步长对杆塔点云从上至下进行分层,计算每一层在定向平面上的最大投影长度,构建以高度为自变量、投影长度为应变量的投影函数;
步骤S3:进行特征匹配,以通过相似性检验对应的杆塔类型作为自动识别结果。
特别地,所述步骤S1包括以下子步骤:
步骤S11:根据杆塔点云确定杆塔重心,以X轴方向为起始方向,每隔1°顺时针方向构建通过杆塔重心的有序竖直平面作为投影面;
步骤S12:在每个投影面上划分1cm×1cm的平面网格,将杆塔点云按各投影面法方向投影至投影面上,统计各投影面平面网格有点落入的网格作为有效网格;
步骤S13:检索有效网格数最少的投影平面,以其上一个投影面作为起始,其下一个投影面作为终止,每隔1′继续构建投影面,重复步骤12,检索有效网格数最少的投影平面;
步骤S14:一个1″为角度间隔,重复步骤13,以有效网格数最少的投影面(当存在多个投影面同时有效网格数最少时,以其中值投影面)为基础面,建立经过杆塔重心且垂直于基础面的竖直平面作为定向平面,该定向平面与法方向为杆塔走向。
特别地,所述步骤S3中的相似性检验是指:各类型杆塔区别主要在塔头的构造与横担位置各异,利用各类型杆塔在定向平面上分层投影长度从上至下变大、变小的拐点顺序不同来进行相似检验;
特别地,所述步骤S3具体包括以下步骤:
步骤S31:以现有塔型作为样本库,从设计角度按步骤S2构建各类型杆塔塔头对应的分层投影函数;
步骤S32:步骤2计算得到的投影函数与样本库中投影函数进行相似性检验,以通过相似性检验对应的杆塔类型作为自动识别结果。
特别地,所述相似性检验包括以下具体步骤:
步骤S41:将步骤S2计算得到的投影函数从上至下对整座杆塔依次提取正、负拐点,其中正拐点为投影函数从变小趋势转为变大趋势的拐点,负拐点相反;
步骤S42:与样本库中各杆塔类型的塔头分层投影函数的拐点依次对比,当正负拐点顺序与样本库中各杆塔类型的塔头分层投影函数时相同时,通过相似性检验。
特别地,所述步骤S14中,当存在多个投影面同时有效网格数最少时,以其中值投影面。
特别地,所述步骤S12中,在每个投影面上划分1cm×1cm的平面网格。
本发明的目的之二是提供一种计算机装置,包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的方法。
本发明的目的之三是提供一种计算机可读存储介质,其上储存有计算机程序,所述计算机程序被处理器执行时实现如前所述的方法。
本发明的有益效果是:本发明相对于传统目视判别方法,能够降低人工在点云数据处理中参与程度,为杆塔特征点提取以及自动建模提供基础数据。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和前述的权利要求书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明的方法步骤流程图。
具体实施方式
以下将参照附图,对本发明的优选实施例进行详细的描述。应当理解,优选实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
如图1所示,本发明的一种基于激光LiDAR点云的杆塔类型自动识别方法,包括以下步骤:
步骤S1:进行杆塔定向;
步骤S2:进行分层提取:按设定步长对杆塔点云从上至下进行分层,计算每一层在定向平面上的最大投影长度,构建以高度为自变量、投影长度为应变量的投影函数;
步骤S3:特征匹配,以通过相似性检验对应的杆塔类型作为自动识别结果。
其中,步骤S1包括以下子步骤:
步骤S11:根据杆塔点云确定杆塔重心,以X轴方向为起始方向,每隔1°顺时针方向构建通过杆塔重心的有序竖直平面作为投影面;
步骤S12:在每个投影面上划分平面网格,将杆塔点云按各投影面法方向投影至投影面上,统计各投影面平面网格有点落入的网格作为有效网格;本实施例中,在每个投影面上划分1cm×1cm的平面网格,
步骤S13:检索有效网格数最少的投影平面,以其上一个投影面作为起始,其下一个投影面作为终止,每隔1′(即每隔1分)继续构建投影面,重复步骤S12,检索有效网格数最少的投影平面;
步骤S14:一个1″(即每隔1秒)为角度间隔,重复步骤S13,以有效网格数最少的投影面(当存在多个投影面同时有效网格数最少时,以其中值投影面)为基础面,建立经过杆塔重心且垂直于基础面的竖直平面作为定向平面,该定向平面与法方向为杆塔走向。
具体的,步骤S3包括以下步骤:
步骤S31:以现有塔型作为样本库,从设计角度按步骤S2构建各类型杆塔塔头对应的分层投影函数;
步骤S32:步骤2计算得到的投影函数与样本库中投影函数进行相似性检验,以通过相似性检验对应的杆塔类型作为自动识别结果。
本实施例中的相似性检验是指:因为各类型杆塔区别主要在塔头的构造与横担位置各异,因此本发明利用各类型杆塔在定向平面上分层投影长度从上至下变大、变小的拐点不同来进行相似检验。
相似性检验包括以下具体步骤:
步骤S41:将步骤S2计算得到的投影函数从上至下对整座杆塔依次提取正、负拐点,其中正拐点为投影函数从变小趋势转为变大趋势的拐点,负拐点相反;
步骤S42:与样本库中各杆塔类型的塔头分层投影函数的拐点依次对比,当正负拐点顺序与样本库中各杆塔类型的塔头分层投影函数时相同时,通过相似性检验。
需要说明的是,流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于激光LiDAR点云的杆塔类型自动识别方法,其特征在于:包括以下步骤:
步骤S1:进行杆塔定向;
步骤S2:进行分层提取:按设定步长对杆塔点云从上至下进行分层,计算每一层在定向平面上的最大投影长度,构建以高度为自变量、投影长度为应变量的投影函数;
步骤S3:进行特征匹配,以通过相似性检验对应的杆塔类型作为自动识别结果;
所述步骤S3具体包括以下步骤:
步骤S31:以现有塔型作为样本库,从设计角度按步骤S2构建各类型杆塔塔头对应的分层投影函数;
步骤S32:步骤2计算得到的投影函数与样本库中投影函数进行相似性检验,以通过相似性检验对应的杆塔类型作为自动识别结果;
所述步骤S3中的相似性检验是指:各类型杆塔区别主要在塔头的构造与横担位置各异,利用各类型杆塔在定向平面上分层投影长度从上至下变大、变小的拐点顺序不同来进行相似检验;
所述相似性检验包括以下具体步骤:
步骤S41:将步骤S2计算得到的投影函数从上至下对整座杆塔依次提取正、负拐点,其中正拐点为投影函数从变小趋势转为变大趋势的拐点,负拐点相反;
步骤S42:与样本库中各杆塔类型的塔头分层投影函数的拐点依次对比,当正负拐点顺序与样本库中各杆塔类型的塔头分层投影函数时相同时,通过相似性检验。
2.根据权利要求1所述的一种基于激光LiDAR点云的杆塔类型自动识别方法,其特征在于:所述步骤S1包括以下子步骤:
步骤S11:根据杆塔点云确定杆塔重心,以X轴方向为起始方向,每隔1°顺时针方向构建通过杆塔重心的有序竖直平面作为投影面;
步骤S12:在每个投影面上划分平面网格,将杆塔点云按各投影面法方向投影至投影面上,统计各投影面平面网格有点落入的网格作为有效网格;
步骤S13:检索有效网格数最少的投影平面,以其上一个投影面作为起始,其下一个投影面作为终止,每隔1′继续构建投影面,重复步骤S12,检索有效网格数最少的投影平面;
步骤S14:一个1″为角度间隔,重复步骤S13,以有效网格数最少的投影面为基础面,建立经过杆塔重心且垂直于基础面的竖直平面作为定向平面,该定向平面与法方向为杆塔走向。
3.根据权利要求2所述的一种基于激光LiDAR点云的杆塔类型自动识别方法,其特征在于:所述步骤S14中,当存在多个投影面同时有效网格数最少时,以其中值投影面为基础面。
4.根据权利要求2所述的一种基于激光LiDAR点云的杆塔类型自动识别方法,其特征在于:所述步骤S12中,在每个投影面上划分1cm×1cm的平面网格。
5.一种计算机装置,包括存储器、处理器及储存在存储器上并能够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计算机程序时实现如权利要求1-4任一项所述的方法。
6.一种计算机可读存储介质,其上储存有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142307.5A CN112883845B (zh) | 2021-02-02 | 2021-02-02 | 一种基于激光LiDAR点云的杆塔类型自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110142307.5A CN112883845B (zh) | 2021-02-02 | 2021-02-02 | 一种基于激光LiDAR点云的杆塔类型自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883845A CN112883845A (zh) | 2021-06-01 |
CN112883845B true CN112883845B (zh) | 2022-06-07 |
Family
ID=76052567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110142307.5A Active CN112883845B (zh) | 2021-02-02 | 2021-02-02 | 一种基于激光LiDAR点云的杆塔类型自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883845B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105333861A (zh) * | 2015-12-02 | 2016-02-17 | 中国测绘科学研究院 | 基于激光点云的杆塔倾斜检测的方法及装置 |
CN109154979A (zh) * | 2016-10-26 | 2019-01-04 | 奥康科技有限公司 | 用于分析图像和提供反馈的可佩戴设备和方法 |
CN109814123A (zh) * | 2018-12-29 | 2019-05-28 | 中国科学院遥感与数字地球研究所 | 基于格网划分的电力杆塔位置提取方法 |
CN109872384A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 一种基于机载lidar点云数据的杆塔自动化建模方法 |
CN110136260A (zh) * | 2019-04-24 | 2019-08-16 | 广州供电局有限公司 | 基于激光点云全要素模型库的输电线路杆塔及其实现方法 |
CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
CN111242799A (zh) * | 2019-12-10 | 2020-06-05 | 国网通用航空有限公司 | 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质 |
CN111311650A (zh) * | 2020-01-20 | 2020-06-19 | 南方电网数字电网研究院有限公司 | 一种点云数据的配准方法、装置及存储介质 |
CN111581711A (zh) * | 2020-05-19 | 2020-08-25 | 北京数字绿土科技有限公司 | 杆塔建模方法、装置、终端设备及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200388169A1 (en) * | 2019-06-04 | 2020-12-10 | Itc Holdings Corp. | Unmanned aerial vehicle infrastructure and autonomous navigation system |
-
2021
- 2021-02-02 CN CN202110142307.5A patent/CN112883845B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105333861A (zh) * | 2015-12-02 | 2016-02-17 | 中国测绘科学研究院 | 基于激光点云的杆塔倾斜检测的方法及装置 |
CN109154979A (zh) * | 2016-10-26 | 2019-01-04 | 奥康科技有限公司 | 用于分析图像和提供反馈的可佩戴设备和方法 |
CN109814123A (zh) * | 2018-12-29 | 2019-05-28 | 中国科学院遥感与数字地球研究所 | 基于格网划分的电力杆塔位置提取方法 |
CN109872384A (zh) * | 2018-12-29 | 2019-06-11 | 中国科学院遥感与数字地球研究所 | 一种基于机载lidar点云数据的杆塔自动化建模方法 |
CN110136260A (zh) * | 2019-04-24 | 2019-08-16 | 广州供电局有限公司 | 基于激光点云全要素模型库的输电线路杆塔及其实现方法 |
CN110135599A (zh) * | 2019-05-15 | 2019-08-16 | 南京林业大学 | 无人机电力巡检点云智能化处理与分析服务平台 |
CN111242799A (zh) * | 2019-12-10 | 2020-06-05 | 国网通用航空有限公司 | 基于机载LiDAR点云的高压线塔中心坐标提取编号方法及介质 |
CN111311650A (zh) * | 2020-01-20 | 2020-06-19 | 南方电网数字电网研究院有限公司 | 一种点云数据的配准方法、装置及存储介质 |
CN111581711A (zh) * | 2020-05-19 | 2020-08-25 | 北京数字绿土科技有限公司 | 杆塔建模方法、装置、终端设备及计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
"基于高密度机载激光点云的输电线路杆塔信息提取 ";陈亮;《《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》》;20190515;C042-1004 * |
Identification of Tower and Boomwakes Using Collocated Anemometers and Lidar Measurement;Maduako E. Okorie;《《http://www.iaeme.com/ IJMET/index. asp 72 editor@iaeme.com International Journal of Mechanical Engineering and Technolog》》;20190606;72-94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112883845A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114842450B (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN110597937B (zh) | 一种无人智能巡检的方法、装置、设备及存储介质 | |
CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN112883845B (zh) | 一种基于激光LiDAR点云的杆塔类型自动识别方法 | |
CN113837204B (zh) | 一种孔洞形状识别方法、计算机设备及存储介质 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN114872574B (zh) | 基于充电桩的采集与监控系统及方法 | |
CN110738272B (zh) | 一种输电线路通道可视化机械类连续告警样本的标注方法 | |
CN115757369A (zh) | 一种激光点云数据的自动检查方法及系统 | |
CN108895976B (zh) | 封闭空间设备变形监测方法及装置 | |
CN115098717A (zh) | 三维模型检索方法、装置、电子设备及存储介质 | |
CN111242042A (zh) | 基于车辆检测的检验时长判断方法、装置、设备和介质 | |
CN108830256B (zh) | 封闭空间设备巡检方法及装置 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN108037503B (zh) | 一种面向家居板材上下料的基于激光雷达的平面多板材定位方法 | |
CN115526881A (zh) | 一种基于图像建模的电芯极性检测方法及装置 | |
CN115545426A (zh) | 一种基于bim和三维激光扫描的预制构件生产进度分析系统 | |
CN111696115B (zh) | 一种基于点云扫描线的斑马线角点提取方法及系统 | |
CN114519739A (zh) | 一种基于识别装置的方向定位方法、装置及存储介质 | |
CN113408315A (zh) | 一种数据中心服务器状态检测方法及系统 | |
CN107809613B (zh) | 视频索引创建方法及装置、计算机可读存储介质、终端 | |
CN117934556B (zh) | 高空抛物的检测方法、装置、存储介质和电子设备 | |
CN111353483B (zh) | 一种杆状设施结构特征提取方法及相关设备 | |
CN113610920A (zh) | 一种确定车辆的运行轨迹的方法及系统 | |
CN117392632B (zh) | 一种道路要素变化监测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |