CN112883878A - 一种基于三维格网的变电站场景下的点云自动分类方法 - Google Patents
一种基于三维格网的变电站场景下的点云自动分类方法 Download PDFInfo
- Publication number
- CN112883878A CN112883878A CN202110208822.9A CN202110208822A CN112883878A CN 112883878 A CN112883878 A CN 112883878A CN 202110208822 A CN202110208822 A CN 202110208822A CN 112883878 A CN112883878 A CN 112883878A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- power line
- grid
- power
- points
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力自动化领域,具体涉及一种基于三维格网的变电站场景下的点云自动分类方法,利用无人机巡检的三维点云数据,去噪后降采样划分格网,再利用电力线的和电力杆塔的空间特征对格网进行粗分类;利用电力线的空间线特征,对电力线进行修正和补全;利用电力杆塔和电力线的空间关系,对电力杆塔类别修正并计算电力杆塔中心,并以此为种子点,进行聚类分割,然后上采样得到精确的电力杆塔和电力线点云分类。该分类方法能够建立精确的电力杆塔与电力线空间位置与三维模型,用于规划无人机巡线路,有效提高了巡检效率。对于不同的电力场景下,具有较高的准确度和鲁棒性。
Description
技术领域
本发明属于电力自动化领域,尤其涉及一种基于三维格网的变电站场景下的点云自动分类方法。
背景技术
变电设备的相关巡视工作是电力设备在日常运行过程中的一个及其重要的组成部分,巡视工作保证了电力设备是否能够安全的运行。以期为电力企业管理过程中提供参考。为保证变电安全运行,设备巡视工作一直以来都是整个变电所在运行过程中的核心工作。其主要目的就是为了对当前设备的运行状态进行检查,从而第一时间发现设备运行过程中所存在的缺陷,促使设备能够安全、可靠、稳定的运行。但就目前对绝大多数变电所的巡视工作来看,仍然存在着较大的问题,部分巡检人员在进行巡检的过程中,对于巡视工作自身所具有的重要性不够重视,巡视工作的质量不高,无法保证设备能够正常运行,这对变电所的安全设备来说,埋下了巨大的安全隐患。
电力巡视的内容主要是指设备在正常运行的情况下,从设备的外观来直接观察变电设备有无任何异常,工作中还包括了设备的简单维护管理工作。设备巡视的主要目的就是为了确认设备在运行的过程中有无突然变化,有无任何异物落入的设备运行过程中,人为损坏等因素的出现,第一时间发现事故的出现,避免任何危害情况。
利用无人机巡检,可以有效提高巡检效率,自动检测设备异常,但无人机巡检需要知道电力杆塔与电力线的空间位置,用以规划线路。还对容易出现问题的巡检重点区域进行定位,如绝缘子串、耐张管定位和电力走廊树障距离等。同时需要建立精确的电力杆塔与电力线空间位置与三维模型。
发明内容
针对背景技术存在的问题,本发明提供提出了一种基于三维格网的电力杆塔和电力线点云方法及系统。
为解决上述技术问题,本发明采用如下技术方案:一种基于三维格网的变电站场景下的点云自动分类方法,包括以下步骤:
步骤1、获取电力线路的三维点云数据,将三维点云数据去噪后降采样,然后格网化,利用线塔的空间关系,得到粗分类的目标格网;
步骤2、基于格网的基本类别,利用电力线空间线特征对电力线进行修正与补全;
步骤3、基于电力杆塔与电力线的空间关系,提取电力杆塔的中心,并以此为种子点进行聚类得到精细的电力杆塔点云,上采样得到分类点云。
在上述基于三维格网的电力杆塔和电力线点云方法中,步骤1的实现包括以下步骤:
步骤1.1、将无人机扫描获取的三维点云数据去噪,按预设噪声半径划分格网,在预设的范围内统计其他点的数目,若计算的点的数目少于设定阈值个数则被认定为噪声;
步骤1.2、按照设定的空间间隔在点云空间中生成格网,每个格网范围内取第一点作为降采样后的坐标,完成降采样;
步骤1.3、利用预设的宽度为降采样后的点云划分格网,利用预设参数对格网分层,将低于预设高度阈值的格网层预分为地面,有空白层的格网中非空白层预分为电力线层,预设高度阈值层处连续的格网为电力杆塔,从而得到粗分类的目标格网;连续的格网指阈值高度上一层的点的数目大于等于20。
在上述基于三维格网的电力杆塔和电力线点云方法中,步骤2的实现包括以下步骤:
步骤2.1、根据电力线空间上连续的特征,去除不合理的错分为电力线的孤立点云;在有电力线点的格网的去心邻域中,统计电力线点的数量,若电力线数量小于等于10,则从电力线中去除,将其暂时划分为电力杆塔;
步骤2.2、根据电力线不接地的空间特征,在格网内以地面点为聚类中心,利用距离聚类方法,遍历地面中的点,在格网中找到距离该点小于设定阈值的点,存放到一个集合中,将分为电力线的疑似点云重新划分为地面点;
步骤2.3、利用步骤2.2修正后的电力线点云,在其邻域格网中寻找其他电力线点,再利用空间直线拟合;将设定遍历点方向上到电力线拟合直线距离小于设定阈值的点加入电力线点云,再按反方向遍历,补全电力线点;
步骤2.3.1、将格网及其邻域格网的电力线点云坐标归一化,计算其协方差矩阵C,矩阵C对应的最大特征值对应的特征向量λ1,λ1向量对应的方向为电力线的方向,当特征值满足λ1/λ3+λ2+λ1>0.9时,确认电力线为线性分布,以λ1为方向,点云坐标中心为起点延伸,距离射线小于设定阈值距离的点分类为电力线;
步骤2.3.2、再按不同方向重复步骤2.3.1的过程,实现电力线的提取与补全。
在上述基于三维格网的电力杆塔和电力线点云方法中,步骤3的实现包括以下步骤:
步骤3.1、利用电力杆塔格网的邻域格网,当其邻域格网内电力线点数量小于预设阈值,为孤立建筑,而非电力杆塔,将其划分为地面类;
步骤3.2、利用格网的邻域内最大高程,向下5m点云为顶层,确认顶层电力杆塔点云,格网顶层的点云的几何中心(x,y)坐标为电力杆塔中心的(x,y)坐标;
步骤3.3、以电力杆塔中心所在格网的大邻域中,确定候选电力线及其方向,利用常规距离聚类,计算电力线点最多的一个聚类,计算其坐标协方差矩阵最大特征值对应特征向量为其方向向量,第二特征值对应特征向量为其垂直方向;
步骤3.4、再将上层点云按到塔中心的距离划分,中间柱体为塔身,加入种子点,其他距离范围内点云根据其高度加入待定点;电力线点到塔中心距离小于设定值,加入种子点,以其种子点为中心聚类,寻找种子集合边界附近待定点,将其分为电力杆塔;
步骤3.5、再将原始点云按步骤1.2所述相同大小划分体素网格,根据分类后的降采样的点云类别赋予网格属性,再根据网格属性赋予网格内点云类别属性,完成电力杆塔和电力线的点云提取。
一种用于基于三维格网的电力杆塔和电力线点云方法的系统,包括预处理模块、电力线提取模块和电力杆塔提取模块;
预处理模块用于处理电力杆塔的三维点云数据,去除三维点云数据噪声,并按预设体素大小降采样,按预设的宽度划分格网,再利用预设的高度阈值对格网内点云分类,得到粗分类的点云;
电力线提取模块用于根据电力线的空间分布对预分类的电力线点云的误分点进行修正,再利用空间直线拟合,补全电力线;
电力杆塔提取模块用于以计算电力杆塔点云顶部中心,并以此为寻找种子进行区域生长,以提取电力杆塔的三维点云。
与现有技术相比,本发明利用无人机巡检的三维点云数据,去噪后降采样划分格网,再利用电力线的和电力杆塔的空间特征对格网进行粗分类。然后利用电力线的空间线特征,对电力线进行修正和补全。再利用电力杆塔和电力线的空间关系,对电力杆塔类别修正并计算电力杆塔中心,并以此为种子点,进行聚类分割,然后上采样得到精确的电力杆塔与电力线空间位置与三维模型。该三维模型用于规划无人机巡线路,有效提高了巡检效率。对于不同的电力场景下,本发明具有较高的准确度和鲁棒性。
附图说明
图1是本发明实施例提供的一种方法流程示意图;
图2(a)是本发明实施例提供的水平面二维格网划分的示意图;
图2(b)是本发明实施例提供的格网划分后分层处理图;
图3是本发明实施例提供的一种方向向量示意图;
图4是本发明实施例提供的一种系统结构示意图。
具体实施方式
下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施例利用无人机巡检的三维点云数据,去噪后降采样划分格网,再利用电力线的和电力杆塔的空间特征对格网进行粗分类。利用电力线的空间线特征,对电力线进行修正和补全。利用电力杆塔和电力线的空间关系,对电力杆塔类别修正并计算电力杆塔中心,并以此为种子点,进行聚类分割,然后上采样得到精确的电力杆塔和电力线点云分类。
本实施例是通过以下技术方案来实现的,一种基于三维格网的变电站场景下的点云自动分类方法,包括:
(1)获取电力线路的三维点云数据,将三维点云数据去噪后降采样,然后格网化,利用线塔的空间关系,得到粗分类的目标格网;
(2)基于格网的基本类别,电力线利用空间线特征对电力线进行修正与补全;
(3)基于电力杆塔与电力线的空间关系,提取电力杆塔的中心,并以此为种子点进行聚类得到精细的电塔点云,上采样得到精细的分类点云;
步骤(1)包括:
(1.1)将无人机扫描获取的三维点云,在预设的范围内若其他点少于阈值个数则被认定为噪声。
(1.2)按预定的体素大小,每一个体素内,只取其中一个点参与后续运算,完成降采样;
(1.3)利用预设的宽度为降采样后的点云划分格网,利用预设参数对格网分层,将低于预设高度阈值的格网层预分为地面,格网内有空白层的格网中非空白层预分为电力线层,预设高度阈值层处连续的格网为电力杆塔格网,得到粗分类的目标格网,连续的格网指阈值高度上一层的点的数目大于等于20。
步骤(2)包括:
(2.1)根据电力线空间上连续的特征,去除不合理的错分为电力线的孤立点云。在有电力线点的格网的去心邻域中,统计电力线点的数量,如果电力线的数量小于等于10,则将其从电力线中去除,将其暂时分为电力杆塔;
(2.2)根据电力线不接地的空间特征,在格网内以地面点为聚类中心,利用距离聚类方法,遍历地面中的点,在格网中找到距离该点小于设定阈值的点,存放到一个集合中,将分为电力线的疑似点云重新划分为地面点。
(2.3)利用步骤(2.2)修正后的电力线点云,在其邻域格网中寻找其他电力线点,再利用空间直线拟合,设定一个遍历点的方向,将遍历点方向上到电力线拟合直线距离小于设定阈值的点加入电力线点云,再按反方向遍历,补全电力线点。
步骤(2.3)包括:
将格网及其邻域格网的电力线点云坐标归一化,计算其协方差矩阵C,矩阵C对应的最大特征值对应的特征向量λ1,λ1向量对应的方向为电力线的方向,当特征值满足λ1/λ3+λ2+λ1>0.9时,可以确认电力线为线性分布,以λ1为方向,点云坐标中心为起点延伸,距离射线小于设定阈值距离的点分类为电力线。再按不同方向重复以上过程,实现电力线的提取与补全。
步骤(3)包括:
(3.1)利用电力杆塔格网的邻域格网,当其邻域格网内电力线点数量小于预设阈值,说明其为孤立建筑,而非电力杆塔,将其划分为地面类。
(3.2)利用格网的邻域内最大高程,向下5m点云为顶层,顶层电力杆塔点云可以确认,格网顶层的点云的几何中心(x,y)坐标为电力杆塔中心的(x,y)坐标。
(3.3)以电力杆塔中心所在格网的大邻域中,确定候选电力线及其方向,利用常规距离聚类,计算电力线点最多的一个聚类,计算其坐标协方差矩阵最大特征值对应特征向量计算其方向向量,第二特征值对应特征向量为其垂直方向。
(3.4)再将上层点云按到塔中心的距离划分,中间柱体为塔身,加入种子点,其他距离范围内点云根据其高度是否加入待定点。电力线点到塔中心距离小于设定值,加入种子点。然后,以其种子点为中心聚类,寻找种子集合边界附近待定点,将其分为电力杆塔。
(3.4)再将原始点云按步骤(1.2)相同大小划分体素网格,根据分类后的降采样的点云类别赋予网格属性,再根据网格属性赋予网格内点云类别属性,完成电力杆塔和电力线的点云提取。
本实施例还提供了用于基于三维格网的变电站场景下的点云自动分类方法的系统,包括:
预处理模块,用于处理电力杆塔的三维点云数据,将三维点云数据去除噪声,并按预设的体素大小降采样,按预设的宽度划分格网,再利用预设的高度阈值对格网内点云分类,得到粗分类的点云;
电力线提取模块,用于根据电力线的空间分布对预分类的电力线点云的误分点修正,再利用空间直线拟合,补全电力线;
电力杆塔提取模块用于以计算电力杆塔点云顶部中心,并以此为寻找种子进行区域生长,以提取电力杆塔的三维点云。
具体实施时,如图1所示是本发明实施例提供的一种基于三维格网的变电站场景下的点云自动分类方法流程示意图,具体包括以下几个步骤:
I.点云预处理与预分类:由于无人机获取电力线路的三维点云数据密集,需要的算量巨大且存在一定的噪声影响,将所述三维点云数据去噪后降采样,然后格网化,利用线塔的空间关系,得到粗分类的目标格网;
II.基于格网的基本类别,电力线利用空间线特征对电力线进行修正与补全;
III.基于电力杆塔与电力线的空间关系,提取电力杆塔的中心,并以此为种子点进行聚类得到精细的电塔点云,上采样得到精细的分类点云;
步骤I通过以下方式实现:
i.点云去噪:由于无人机扫描获取的三维点云存在一定的噪声,会对后续处理产生干扰,噪声在空间分布上有着孤立的特征。按预设噪声半径划分格网,在预设的范围内统计其他点的数目,若计算的点的数目少于设定阈值个数则被认定为噪声。
ii.点云降采样:为了能够便于获得点云中每个点的邻域信息,快速计算并保留较高分类的精确度,需要先对点云进行体素化处理,得到规则点云。体素化过程按照设定的空间间隔在点云空间中生成格网,每个格网范围内的只取第一点作为降采样后的坐标,完成降采样;
iii.划分格网:为了能够便于获得点云中较大尺度范围的邻域信息,并且减少查询时间,如图2(a)所示,利用预设的宽度为降采样后的点云划分格网,每一个格网中保存对应的点云数据,查询时可以根据需求在格网内和邻域格网内查询使用点云属性。
iv.格网分层及预分类:根据电力走廊和变电站电力线塔的空间分布情况。如图2(b)所示,利用预设参数对格网分层,将绝对高度低于预设高度阈值的点保存到一层,并且预分为地面。其中绝对高度
H1=Hp-Hmin (1)
其中Hp为待分层点的高度Hmin为格网内的最低高度。
如图2(b)所示,格网内其余点从阈值高度起按设定高度分层。有空白层的格网中非空白层所有点预分为电力线,预设高度阈值层处连续的格网为电力杆塔,连续的格网定义为阈值高度上一层的点的数目大于等于20。如此得到粗分类的目标格网;
在本发明实施例中,步骤II可以通过以下方式实现:
i.电力线修正:根据电力线空间上连续的特征,不会存在孤立的一小段电力线,去除不合理的错分为电力线的孤立点云。在有电力线点的格网的去心邻域中,统计电力线点的数量,如果电力线数量小于等于10,则将其从预分类的电力线集合中去除,将其暂时分为电力杆塔;
ii.地面扩展:根据电力线不接地的空间特征,在格网内以地面点为聚类中心,利用距离聚类方法,遍历格网内地面点,建立集合,在格网中找到距离该集合小于设定阈值的点,存放到集合中,将分为电力线的疑似点云重新划分为地面点。
iii.电力线补全:利用步骤ii修正后的电力线点云,在其邻域格网中寻找其他电力线点,再利用空间直线拟合,将设定的遍历点的方向上到电力线拟合直线距离小于设定阈值的点加入电力线点云,再按反方向遍历,补全电力线点。
将格网及其邻域格网的电力线点云坐标归一化,计算其协方差矩阵C,矩阵C对应的最大特征值对应的特征向量α1,α1向量对应的方向为电力线的方向,如图3。当特征值满足λ1/λ3+λ2+λ1>0.9时,可以确认电力线为线性分布,以α1为方向,点云坐标中心为起点延伸,距离射线小于设定阈值距离的点分类为电力线。其中距离为
其中xi,yi,zi为电力线点云的x,y,z坐标,n为电力线点的个数。
再按不同的方向重复以上过程,实现电力线的提取与补全。
在本实施例中,步骤III可以通过以下方式实现::
i.排除孤立建筑:利用电力杆塔必有电力线连接的特点,在预分为电力杆塔的格网的邻域格网内,当电力线点数量小于预设阈值,说明其为孤立建筑,而非电力杆塔,将其划分为地面类。
ii.计算电塔中心:电力杆塔通常比周围其他目标物更高,可以确认顶层点云除电力线外全为电力杆塔,利用电力杆塔格网的邻域内最大高程,向下5m点云为顶层,顶层电力杆塔点云可以确认,格网顶层的点云的几何中心坐标为电力杆塔中心的坐标。计算几何中心是只有顶层的电力杆塔点参与运算,由(3)计算。
其中xi,yi为电力杆塔的x,y坐标,n为有顶层的电力杆塔点的数目。
iii.确定连接电力杆塔电力线的方向:以电力杆塔中心所在格网的大邻域中,确定候选电力线及其方向,利用常规距离聚类,计算电力线点最多的一个聚类,计算其坐标协方差矩阵最大特征值对应特征向量计算其方向向量,第二特征值对应特征向量为其垂直方向。
iv.中心聚类:再将上层点云按到塔中心的距离划分,中间柱体为塔身,加入种子点,其他距离范围内点云根据其高度是否加入待定点。电力线点到塔中心距离小于设定值,加入种子点。然后,以其种子点为中心聚类,寻找种子集合边界附近待定点,将其分为电力杆塔。
v.上采样:再将原始点云按步骤I中的步骤ii相同大小划分体素网格,根据分类后的降采样的点云类别赋予网格属性,再根据网格属性赋予网格内点云类别属性,完成电力杆塔和电力线的点云提取。
如图4所示是本实施例提供的一种用于基于三维格网的变电站场景下的点云自动分类方法系统结构示意图,包括:
预处理模块201,用于处理电力杆塔的三维点云数据,将所述三维点云数据去除噪声,并按预设的体素大小降采样,按预设的宽度划分格网,再利用预设的高度阈值对格网内点云分类,得到粗分类的点云。
电力线提取模块202,用于根据电力线的空间分布对预分类的电力线点云的误分点进行修正,再利用空间直线拟合,补全电力线。
电力杆塔提取模块203,用于以计算电力杆塔点云顶部中心,并以此为寻找种子进行区域生长,以提取电力杆塔的三维点云。
其中,各模块的具体实施方式可以参考上述方法实施例的描述,本实施例将不再复述。
需要指出,根据实施的需要,可将本申请中描述的各个步骤/部件拆分为更多步骤/部件,也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件,以实现本发明的目的。
本实施例的方法可在硬件、固件中实现,或者被实现为可存储在记录介质(诸如CDROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码,或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如,RAM、ROM、闪存等),当所述软件或计算机代码被计算机、处理器或硬件访问且执行时,实现在此描述的处理方法。此外,当通用计算机访问用于实现在此示出的处理的代码时,代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (5)
1.一种基于三维格网的变电站场景下的点云自动分类方法,其特征是,包括以下步骤:
步骤1、获取电力线路的三维点云数据,将三维点云数据去噪后降采样,然后格网化,利用线塔的空间关系,得到粗分类的目标格网;
步骤2、基于格网的基本类别,利用电力线空间线特征对电力线进行修正与补全;
步骤3、基于电力杆塔与电力线的空间关系,提取电力杆塔的中心,并以此为种子点进行聚类得到精细的电力杆塔点云,上采样得到分类点云。
2.如权利要求1所述基于三维格网的电力杆塔和电力线点云方法,其特征是,步骤1的实现包括以下步骤:
步骤1.1、将无人机扫描获取的三维点云数据去噪,按预设噪声半径划分格网,在预设的范围内统计其他点的数目,若计算的点的数目少于设定阈值个数则被认定为噪声;
步骤1.2、按照设定的空间间隔在点云空间中生成格网,每个格网范围内取第一点作为降采样后的坐标,完成降采样;
步骤1.3、利用预设的宽度为降采样后的点云划分格网,利用预设参数对格网分层,将低于预设高度阈值的格网层预分为地面,有空白层的格网中非空白层预分为电力线层,预设高度阈值层处连续的格网为电力杆塔,从而得到粗分类的目标格网;连续的格网指阈值高度上一层的点的数目大于等于20。
3.如权利要求1所述基于三维格网的电力杆塔和电力线点云方法,其特征是,步骤2的实现包括以下步骤:
步骤2.1、根据电力线空间上连续的特征,去除不合理的错分为电力线的孤立点云;在有电力线点的格网的去心邻域中,统计电力线点的数量,若电力线数量小于等于10,则从电力线中去除,将其暂时划分为电力杆塔;
步骤2.2、根据电力线不接地的空间特征,在格网内以地面点为聚类中心,利用距离聚类方法,遍历地面中的点,在格网中找到距离该点小于设定阈值的点,存放到一个集合中,将分为电力线的疑似点云重新划分为地面点;
步骤2.3、利用步骤2.2修正后的电力线点云,在其邻域格网中寻找其他电力线点,再利用空间直线拟合;将设定遍历点方向上到电力线拟合直线距离小于设定阈值的点加入电力线点云,再按反方向遍历,补全电力线点;
步骤2.3.1、将格网及其邻域格网的电力线点云坐标归一化,计算其协方差矩阵C,矩阵C对应的最大特征值对应的特征向量λ1,λ1向量对应的方向为电力线的方向,当特征值满足λ1/λ3+λ2+λ1>0.9时,确认电力线为线性分布,以λ1为方向,点云坐标中心为起点延伸,距离射线小于设定阈值距离的点分类为电力线;
步骤2.3.2、再按不同方向重复步骤2.3.1的过程,实现电力线的提取与补全。
4.如权利要求2所述基于三维格网的电力杆塔和电力线点云方法,其特征是,步骤3的实现包括以下步骤:
步骤3.1、利用电力杆塔格网的邻域格网,当其邻域格网内电力线点数量小于预设阈值,为孤立建筑,而非电力杆塔,将其划分为地面类;
步骤3.2、利用格网的邻域内最大高程,向下5m点云为顶层,确认顶层电力杆塔点云,格网顶层的点云的几何中心(x,y)坐标为电力杆塔中心的(x,y)坐标;
步骤3.3、以电力杆塔中心所在格网的大邻域中,确定候选电力线及其方向,利用常规距离聚类,计算电力线点最多的一个聚类,计算其坐标协方差矩阵最大特征值对应特征向量为其方向向量,第二特征值对应特征向量为其垂直方向;
步骤3.4、再将上层点云按到塔中心的距离划分,中间柱体为塔身,加入种子点,其他距离范围内点云根据其高度加入待定点;电力线点到塔中心距离小于设定值,加入种子点,以其种子点为中心聚类,寻找种子集合边界附近待定点,将其分为电力杆塔;
步骤3.5、再将原始点云按步骤1.2所述相同大小划分体素网格,根据分类后的降采样的点云类别赋予网格属性,再根据网格属性赋予网格内点云类别属性,完成电力杆塔和电力线的点云提取。
5.用于权利要求1-4任意一项所述的基于三维格网的电力杆塔和电力线点云方法的系统,其特征是,包括预处理模块、电力线提取模块和电力杆塔提取模块;
预处理模块用于处理电力杆塔的三维点云数据,去除三维点云数据噪声,并按预设体素大小降采样,按预设的宽度划分格网,再利用预设的高度阈值对格网内点云分类,得到粗分类的点云;
电力线提取模块用于根据电力线的空间分布对预分类的电力线点云的误分点进行修正,再利用空间直线拟合,补全电力线;
电力杆塔提取模块用于以计算电力杆塔点云顶部中心,并以此为寻找种子进行区域生长,以提取电力杆塔的三维点云。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208822.9A CN112883878B (zh) | 2021-02-24 | 2021-02-24 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208822.9A CN112883878B (zh) | 2021-02-24 | 2021-02-24 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883878A true CN112883878A (zh) | 2021-06-01 |
CN112883878B CN112883878B (zh) | 2022-10-04 |
Family
ID=76054360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208822.9A Active CN112883878B (zh) | 2021-02-24 | 2021-02-24 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883878B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487555A (zh) * | 2021-07-01 | 2021-10-08 | 中国电建集团贵州电力设计研究院有限公司 | 一种基于点云网格化的输电线路隐患点快速检测方法 |
CN114332848A (zh) * | 2022-03-10 | 2022-04-12 | 北京云圣智能科技有限责任公司 | 点云标注方法、装置及服务器 |
CN114998547A (zh) * | 2022-04-29 | 2022-09-02 | 北京数字绿土科技股份有限公司 | 电力线和杆塔点的网格随机采样方法、系统及存储介质 |
CN116433750A (zh) * | 2023-06-15 | 2023-07-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及系统 |
CN117095318A (zh) * | 2023-10-20 | 2023-11-21 | 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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101404655B1 (ko) * | 2014-04-18 | 2014-06-09 | 국방과학연구소 | 레이저 레이더의 3차원 원시 데이터의 고유값 비율을 이용한 송전선 추출 방법 |
CN106897686A (zh) * | 2017-02-19 | 2017-06-27 | 北京林业大学 | 一种机载lidar电力巡检点云分类方法 |
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和系统 |
-
2021
- 2021-02-24 CN CN202110208822.9A patent/CN112883878B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101404655B1 (ko) * | 2014-04-18 | 2014-06-09 | 국방과학연구소 | 레이저 레이더의 3차원 원시 데이터의 고유값 비율을 이용한 송전선 추출 방법 |
CN106897686A (zh) * | 2017-02-19 | 2017-06-27 | 北京林业大学 | 一种机载lidar电力巡检点云分类方法 |
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和系统 |
Non-Patent Citations (1)
Title |
---|
LEI WANG: "《MSNet: Multi-Scale Convolutional Network for Point Cloud Class》", 《REMOTE SENSING》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113487555A (zh) * | 2021-07-01 | 2021-10-08 | 中国电建集团贵州电力设计研究院有限公司 | 一种基于点云网格化的输电线路隐患点快速检测方法 |
CN114332848A (zh) * | 2022-03-10 | 2022-04-12 | 北京云圣智能科技有限责任公司 | 点云标注方法、装置及服务器 |
CN114998547A (zh) * | 2022-04-29 | 2022-09-02 | 北京数字绿土科技股份有限公司 | 电力线和杆塔点的网格随机采样方法、系统及存储介质 |
CN116433750A (zh) * | 2023-06-15 | 2023-07-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及系统 |
CN116433750B (zh) * | 2023-06-15 | 2023-08-18 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及系统 |
CN117095318A (zh) * | 2023-10-20 | 2023-11-21 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112883878B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
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 | |
CN110675441B (zh) | 基于激光点云的输电线路导地线建模提取方法 | |
CN111260668A (zh) | 一种电力线提取方法、系统及终端 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
CN112150412B (zh) | 一种基于投影曲线分析的绝缘子自爆缺陷检测方法 | |
CN113920360A (zh) | 一种道路点云杆状物提取与多尺度识别方法 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检系统及巡检方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及系统 | |
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 | |
CN112529044B (zh) | 基于车载LiDAR的铁路接触网提取分类的方法 | |
CN111404075B (zh) | 一种无人机巡检的输电线路自动测量方法 | |
CN117115390A (zh) | 一种变电站中变电设备的三维模型布局方法 | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN116824379A (zh) | 一种基于多维特征的激光点云建筑物轮廓渐进优化方法 | |
CN116256771A (zh) | 一种基于无人机激光点云树障分析方法 | |
CN116309828A (zh) | 一种基于三维激光点云数据的电力杆塔信息提取方法 | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN111932574B (zh) | 基于多层次语义特征的建筑立面点云提取系统及方法 | |
Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
CN112053365B (zh) | 一种基于线性特征的输电线路导线激光点云数据的提取方法 | |
CN113487601A (zh) | 基于高精度三维点云数据计算雷击保护角的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |