CN113223155A - 一种距离预测方法、装置、设备及介质 - Google Patents
一种距离预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113223155A CN113223155A CN202110572850.9A CN202110572850A CN113223155A CN 113223155 A CN113223155 A CN 113223155A CN 202110572850 A CN202110572850 A CN 202110572850A CN 113223155 A CN113223155 A CN 113223155A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- tree
- information
- trees
- 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 57
- 230000005540 biological transmission Effects 0.000 claims abstract description 188
- 230000003595 spectral effect Effects 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 21
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 241000894007 species Species 0.000 description 77
- 230000009466 transformation Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 244000166124 Eucalyptus globulus Species 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例公开了一种距离预测方法、装置、设备及介质。其中,距离预测方法,包括:将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。本发明实施例的技术方案,通过将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,进行树木与输电线路距离的预测,提高了获取距离的效率和准确度。
Description
技术领域
本发明实施例涉及计算机技术,尤其涉及一种距离预测方法、装置、设备及介质。
背景技术
输电线路走廊常跨越植被茂盛的山区,因山火、树障导致的跳闸事故时有发生,严重影响了电网安全稳定运行。
通过对输电线路廊道内植被类型(桉树、松树等典型树种)识别,研究典型树种环境下树障、山火等情况发展及对线路运行影响规律,可有效地进行线路运行方式优化。
但是由于输电架空线路长,跨度大,大部分杆塔分布于山区等复杂地区,靠人工采用传统测量仪器无法快速、准确识别树种,进而无法对树木到输电线路的距离进行预测。
发明内容
本发明实施例提供一种距离预测方法、装置、设备及介质,通过将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,进而根据融合数据进行树种识别,最终根据识别到的树种信息,进行树木与输电线路距离的预测,提高了获取距离的效率和准确度。
第一方面,本发明实施例提供了一种距离预测方法,所述方法包括:
将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
第二方面,本发明实施例还提供了一种距离预测装置,所述装置包括:
三维模型建立模块,用于将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
树种信息获取模块,用于基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
距离预测模块,用于根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任意实施例提供的距离预测方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明任意实施例提供的距离预测方法。
本发明实施例的技术方案,通过将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型,然后基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息,进而根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,最终根据树木生长预测模型对树木与输电线路之间的距离进行预测,无需靠人工采用传统测量仪器进行距离测量,提高树木和输电线路之间距离的获取效率,且可以根据树木生长规律进行距离预测,保障线路安全运行。
附图说明
图1是本发明实施例一中的一种距离预测方法的流程图;
图2是本发明实施例二中的一种距离预测方法的流程图;
图3是本发明实施例三中的一种距离预测方法的流程图;
图4是本发明实施例四中的一种距离预测装置的结构示意图;
图5是本发明实施例五提供的一种设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一中的一种距离预测方法的流程图,本实施例的技术方案适用于通过将激光雷达点云数据和多光谱数据进行融合,根据融合数据进行树木与输电线路距离的预测的情况,该方法可以由距离预测装置执行,该装置可以由软件和/或硬件来实现,并可以集成在各种通用计算机设备中。本实施例中的距离预测方法,具体包括如下步骤:
步骤110、将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型。
本实施例中,首先使用激光雷达和多光谱采集设备对输电线路走廊区域进行数据采集,具体的,可以通过搭载在无人机上的激光雷达对输电线路走廊进行扫描,获取输电线路走廊区域的激光雷达点云数据,同时还可以通过搭载在无人机上的影像设备采集输电线路走廊区域中的多光谱数据。
在获取到激光雷达点云数据和多光谱数据后,为了对输电线路走廊区域中的树木进行树种识别,需要将激光雷达点云数据和多光谱数据进行融合,得到融合数据,并由融合数据构成输电线路三维模型,其中输电线路三维模型中可以包含输电线路、线路走向、线路对地距离、线路相对树木距离、地表坡度、坡向、树木高度、光谱信息、树木纹理等信息。将表征冠层水平方向信息的光谱数据与表征林分垂直结构信息的激光雷达点云数据融合,可以形成优势互补,便于识别输电线路走廊区域的树种。
示例性的,可以根据采集到的高密度的激光雷达点云数据,构建输电线路走廊中地表三维模型,然后将地表三维模型中各位置的空间坐标转换为多光谱数据对应的光谱坐标,进而实现激光雷达点云数据和多光谱数据的融合。其中,在进行坐标转换时的坐标转换参数可以是将标志性地物的地面坐标信息和空间坐标信息输入至坐标系转换多项式方程计算得到。在进行坐标转换后,可以采用加权求和、机器学习或者小波变换等方式实现激光雷达点云数据和多光谱数据的融合。
步骤120、基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息。
本实施例中,在将激光雷达点云数据和多光谱数据进行融合,得到输电线路三维模型后,基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息,具体的,不同地物对应的光谱信息不同,同样,不同树种对应的光谱信息不同,可以根据输电线路三维模型中包含的光谱信息以及树木纹理信息来识别树种,进而根据树木所属树种进行树木和输电线路之间距离的预测。
示例性的,预先存储有光谱信息和树种信息的对应关系,可以通过读取输电线路三维模型中各点的光谱信息,来识别输电线路走廊区域中的树木的树种。又示例性的,还可以是通过获取输电线路三维模型中各点的光谱信息,并根据光谱信息向服务器请求光谱信息对应树木的树种。
步骤130、根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,并根据树木生长预测模型对树木与输电线路之间的距离进行预测。
本实施例中,在确定树木所属树种后,可以获取与该树种匹配的树木生长参数,进而根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,示例性的,可以根据当前树木高度、冠幅信息、树木生长参数以及树木所处环境信息,建立树木生长预测模型,树木生长预测模型可以预测设定时间内树木的生长信息,例如,根据树木生长预测模型,预测6个月后树木的高度以及冠幅信息等。在建立树木生长预测模型后,可以根据预测得到的树木高度和冠幅信息,计算树木与输电线路之间的距离,作为预测距离。
本发明实施例的技术方案,通过将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型,然后基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息,进而根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,最终根据树木生长预测模型对树木与输电线路之间的距离进行预测,无需靠人工采用传统测量仪器进行距离测量,提高树木和输电线路之间距离的获取效率,且可以根据树木生长规律进行距离预测,保障线路安全运行。
实施例二
图2为本发明实施例二中的一种距离预测方法的流程图,本实施例在上述实施例的基础上进一步细化,提供了将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型的具体步骤。下面结合图2对本发明实施例二提供的一种距离预测方法进行说明,包括以下步骤:
步骤210、对激光雷达点云数据进行滤波,将激光雷达点云数据分为地面点集和非地面点集,并根据非地面点集建立数字表面模型DSM。
本实施例中,采用激光雷达采集的激光雷达点云数据中包含地面点和非地面点(例如,地表的建筑物或者树木等),由于树木信息存在与非地面点中所以需要对激光雷达点云数据进行滤波处理,将激光雷达点云数据分为地面点集和非地面点集,进而根据非地面点集建立数字表面模型(Digital Surface Model,DSM),并根据地面点集建立数字高程模型(Digital Elevation Model,DEM)。
步骤220、将DSM与多光谱数据进行配准。
本实施例中,为了将激光雷达点云数据和多光谱数据进行融合,需要将DSM与多光谱数据进行配准,具体的,采用控制点位法,通过测定多组多光谱影像中的标志性地物的空间坐标信息,以及DSM中的地面坐标信息,将两组对应坐标数据代入坐标系转换多项式方程,求得坐标转换参数,实现DSM与多光谱数据进行配准。
可选的,将DSM与多光谱数据进行配准,包括:
获取DSM中标志性地物的地面坐标信息,并获取多光谱数据中标志性地物的空间坐标信息;
将标志性地物的地面坐标信息和空间坐标信息代入坐标系转换多项式方程,计算地面坐标信息和空间坐标信息的坐标转换参数。
本可选的实施例中,提供了将DSM与多光谱数据进行配准的具体方式,首先获取DSM中标志性地物的地面坐标信息,并获取多光谱数据中同一标志性地物的空间坐标信息,然后将标志性地物的地面坐标信息和空间坐标信息代入坐标系转换多项式方程,计算地面坐标信息和空间坐标信息的坐标转换参数,最终可以根据坐标准换参数实现两种数据的坐标转换。例如,可以将DSM中点的坐标转换到多光谱数据对应的空间坐标系下,以便于DSM和多光谱数据的融合。
步骤230、根据配准结果,将DSM和多光谱数据进行融合,生成输电线路三维模型。
本实施例中,在将DSM与多光谱数据进行配准后,根据配准结果,将DSM和多光谱数据进行融合,得到输电线路三维模型。示例性的,根据对DSM和多光谱数据进行配准得到的坐标转换参数,将两种数据转换到相同坐标系下,进而将二者进行加权求和,实现DSM和多光谱数据进行融合,得到输电线路三维模型。
可选的,根据配准结果,将DSM和所述多光谱数据进行融合,生成输电线路三维模型,包括:
根据坐标转换参数,将DSM中的地面坐标信息转换为空间坐标信息;
采用小波变换法、特征级的聚类分析法或者加权平均法中的至少一种,将进行坐标转换后的DSM和多光谱数据进行融合,生成输电线路三维模型。
本可选的实施例中,提供一种具体的根据配准结果,将DSM和所述多光谱数据进行融合,生成输电线路三维模型,包括根据坐标转换参数,将DSM中的地面坐标信息转换为空间坐标信息,即将DSM和多光谱数据至于相同坐标系下,进而采用小波变换法、特征级的聚类分析法或者加权平均法中的至少一种,将进行坐标转换后的DSM和多光谱数据进行融合,生成输电线路三维模型。示例性的数据融合方法还可以是深度神经网络等方法。
步骤240、基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息。
步骤250、根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,并根据树木生长预测模型对树木与输电线路之间的距离进行预测。
本发明实施例的技术方案,首先对激光雷达点云数据进行滤波,将激光雷达点云数据分为地面点集和非地面点集,并根据非地面点集建立数字表面模型DSM,然后将DSM与多光谱数据进行配准,并根据配准结果,将DSM和多光谱数据进行融合,生成输电线路三维模型,进而基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息,最终根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,并根据树木生长预测模型对树木与输电线路之间的距离进行预测,相较于人工采用传统测量仪器进行距离测量,提高了树木和输电线路之间距离的获取效率,且可以根据树木生长规律进行距离预测,保障线路安全运行。
实施例三
图3为本发明实施例三中的一种距离预测方法的流程图,本实施例在上述实施例的基础上进一步细化,提供了基于输电线路三维模型,对输电线路走廊中的树木进行树种识别的具体步骤,以及根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,并根据树木生长预测模型对树木与输电线路之间的距离进行预测的具体步骤。下面结合图3对本发明实施例三提供的一种距离预测方法进行说明,包括以下步骤:
步骤310、将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型。
可选的,输电线路三维模型包括地表三维结构信息和多光谱信息;
其中,地表三维结构信息包括下述至少一项:
输电线路、输电线路的走向、输电线路相对地表的高度、输电线路相对树木的高度、地表坡度、坡度方向、树木高度、冠幅信息以及树木位姿信息;
多光谱信息包括光谱信息和纹理信息。
本可选的实施例中,提供了输电线路三维模型中包含的信息,具体包括地表三维结构信息和多光谱信息,其中,地表三维结构信息包括输电线路、输电线路的走向、输电线路相对地表的高度、输电线路相对树木的高度、地表坡度、坡度方向、树木高度、冠幅信息以及树木位姿信息等;多光谱信息包括光谱信息和纹理信息,鉴于不同树种的光谱信息不同,可以通过光谱信息和纹理信息来进行树种识别。
步骤320、根据输电线路三维模型中的光谱信息,以及树种信息和光谱信息的对应关系,对输电线路走廊中的植被进行树种识别,得到至少一类树种信息。
本实施例中,在生成输电线路三维模型后,可以根据输电线路三维模型中的光谱信息来进行树种识别,具体的,根据树种信息和光谱信息的对应关系,确定输电线路三维模型中的光谱信息所对应的树种信息,实现输电线路走廊中树木的树种识别,得到至少一类树种信息。将表征冠层水平方向信息的多光谱数据与表征林分垂直结构信息的激光雷达点云数据融合,形成优势互补,能有效提高树种识别的精度。
步骤330、根据树木高度、冠幅信息、树木位姿信息以及与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型;
其中,树木生长预测模型用于根据当前树木的高度、冠幅信息、树木位姿信息、树木所属树种以及环境信息,预测设定时间段内的树木高度以及冠幅信息。
本实施例中,根据当前获取的树木高度、冠幅信息、树木位姿信息以及与当前树木所属树种对应的树木生长参数,建立与输电线路走廊汇总的树木匹配的树木生长预测模型,其中,树木生长预测模型用于根据当前树木的高度、冠幅信息、树木位姿信息、树木所属树种以及环境信息,预测设定时间段内的树木高度以及冠幅信息。
步骤340、根据树木生长预测模型预测的树木高度及冠幅信息,预测树木与输电线路之间的距离。
本实施例中,在采用树木生长预测模型预测到设定时间段内树木高度及冠幅信息后,可以根据上述预测结果,计算设定时间段内树木与路径经过该树木的输电线路之间的距离,作为预测距离,以在二者发生接触前对树木进行处理,避免树障、山火等情况发展及对线路运行影响规律。
本发明实施例的技术方案,首先将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型,然后根据输电线路三维模型中的光谱信息,以及树种信息和光谱信息的对应关系,对输电线路走廊中的植被进行树种识别,得到至少一类树种信息,进而根据树木高度、冠幅信息、树木位姿信息以及与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,根据树木生长预测模型预测的树木高度及冠幅信息,预测树木与输电线路之间的距离,提高了树木和输电线路之间距离的获取效率,且可以根据树木生长规律进行距离预测,保障线路安全运行。
实施例四
图4为本发明实施例四提供的一种距离预测装置的结构示意图,该距离预测装置,包括:三维模型建立模块410、树种信息获取模块420和距离预测模块430。
三维模型建立模块410,用于将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
树种信息获取模块420,用于基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
距离预测模块430,用于根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
本发明实施例的技术方案,通过将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型,然后基于输电线路三维模型,对输电线路走廊中的树木进行树种识别,得到至少一类树种信息,进而根据与树种信息匹配的树木生长参数,建立与输电线路走廊中的树木匹配的树木生长预测模型,最终根据树木生长预测模型对树木与输电线路之间的距离进行预测,无需靠人工采用传统测量仪器进行距离测量,提高树木和输电线路之间距离的获取效率,且可以根据树木生长规律进行距离预测,保障线路安全运行。
可选的,三维模型建立模块410,包括:
数据表面模型建立单元,用于对所述激光雷达点云数据进行滤波,将所述激光雷达点云数据分为地面点集和非地面点集,并根据所述非地面点集建立数字表面模型DSM;
配准单元,用于将DSM与所述多光谱数据进行配准;
三维模型建立单元,用于根据配准结果,将所述DSM和所述多光谱数据进行融合,生成输电线路三维模型。
可选的,所述配准单元,具体用于:
获取所述DSM中标志性地物的地面坐标信息,并获取所述多光谱数据中所述标志性地物的空间坐标信息;
将所述标志性地物的地面坐标信息和空间坐标信息代入坐标系转换多项式方程,计算所述地面坐标信息和空间坐标信息的坐标转换参数;
相应的,三维模型建立单元,具体用于:
根据所述坐标转换参数,将所述DSM中的地面坐标信息转换为空间坐标信息;
采用小波变换法、特征级的聚类分析法或者加权平均法中的至少一种,将进行坐标转换后的DSM和所述多光谱数据进行融合,生成输电线路三维模型。
可选的,所述输电线路三维模型包括地表三维结构信息和多光谱信息;
其中,所述地表三维结构信息包括下述至少一项:
输电线路、输电线路的走向、输电线路相对地表的高度、输电线路相对树木的高度、地表坡度、坡度方向、树木高度、冠幅信息以及树木位姿信息;
所述多光谱信息包括光谱信息和纹理信息。
可选的,树种信息获取模块420,具体用于:
根据所述输电线路三维模型中的光谱信息,以及树种信息和光谱信息的对应关系,对所述输电线路走廊中的植被进行树种识别。
可选的,距离预测模块430,包括:
树木生长预测模型建立单元,用于根据所述树木高度、冠幅信息、树木位姿信息以及与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型;
其中,所述树木生长预测模型用于根据当前树木的高度、冠幅信息、树木位姿信息、树木所属树种以及环境信息,预测设定时间段内的树木高度以及冠幅信息。
可选的,距离预测模块430,还包括:
距离预测单元,用于根据所述树木生长预测模型预测的树木高度及冠幅信息,预测树木与输电线路之间的距离。
本发明实施例所提供的距离预测装置可执行本发明任意实施例所提供的距离预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种电子设备的结构示意图,如图5所示,该电子设备包括处理器50、存储器51、输入装置52和输出装置53;设备中处理器50的数量可以是一个或多个,图5中以一个处理器50为例;设备中的处理器50、存储器51、输入装置52和输出装置53可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器51作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的距离预测方法对应的程序指令/模块(例如,距离预测装置中的三维模型建立模块410、树种信息获取模块420和距离预测模块430)。处理器50通过运行存储在存储器51中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的距离预测方法,包括:
将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
存储器51可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器51可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器51可进一步包括相对于处理器50远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例六
本发明实施例六还提供一种其上存储有计算机程序的计算机可读存储介质,所述计算机程序在由计算机处理器执行时用于执行一种距离预测方法,该方法包括:
将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
当然,本发明实施例所提供的包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的距离预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,应用服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述一种距离预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种距离预测方法,其特征在于,包括:
将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
2.根据权利要求1所述的方法,其特征在于,将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型,包括:
对所述激光雷达点云数据进行滤波,将所述激光雷达点云数据分为地面点集和非地面点集,并根据所述非地面点集建立数字表面模型DSM;
将DSM与所述多光谱数据进行配准;
根据配准结果,将所述DSM和所述多光谱数据进行融合,生成输电线路三维模型。
3.根据权利要求2所述的方法,其特征在于,将DSM与所述多光谱数据进行配准,包括:
获取所述DSM中标志性地物的地面坐标信息,并获取所述多光谱数据中所述标志性地物的空间坐标信息;
将所述标志性地物的地面坐标信息和空间坐标信息代入坐标系转换多项式方程,计算所述地面坐标信息和空间坐标信息的坐标转换参数;
相应的,根据配准结果,将所述DSM和所述多光谱数据进行融合,生成输电线路三维模型,包括:
根据所述坐标转换参数,将所述DSM中的地面坐标信息转换为空间坐标信息;
采用小波变换法、特征级的聚类分析法或者加权平均法中的至少一种,将进行坐标转换后的DSM和所述多光谱数据进行融合,生成输电线路三维模型。
4.根据权利要求1所述的方法,其特征在于,所述输电线路三维模型包括地表三维结构信息和多光谱信息;
其中,所述地表三维结构信息包括下述至少一项:
输电线路、输电线路的走向、输电线路相对地表的高度、输电线路相对树木的高度、地表坡度、坡度方向、树木高度、冠幅信息以及树木位姿信息;
所述多光谱信息包括光谱信息和纹理信息。
5.根据权利要求4所述的方法,其特征在于,基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,包括:
根据所述输电线路三维模型中的光谱信息,以及树种信息和光谱信息的对应关系,对所述输电线路走廊中的植被进行树种识别。
6.根据权利要求4所述的方法,其特征在于,根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,包括:
根据所述树木高度、冠幅信息、树木位姿信息以及与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型;
其中,所述树木生长预测模型用于根据当前树木的高度、冠幅信息、树木位姿信息、树木所属树种以及环境信息,预测设定时间段内的树木高度以及冠幅信息。
7.根据权利要求6所述的方法,其特征在于,根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测,包括:
根据所述树木生长预测模型预测的树木高度及冠幅信息,预测树木与输电线路之间的距离。
8.一种距离预测装置,其特征在于,包括:
三维模型建立模块,用于将输电线路走廊中的激光雷达点云数据和多光谱数据进行融合,生成输电线路三维模型;
树种信息获取模块,用于基于所述输电线路三维模型,对所述输电线路走廊中的树木进行树种识别,得到至少一类树种信息;
距离预测模块,用于根据与所述树种信息匹配的树木生长参数,建立与所述输电线路走廊中的树木匹配的树木生长预测模型,并根据所述树木生长预测模型对所述树木与输电线路之间的距离进行预测。
9.一种电子设备,其特征在于,所述设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的距离预测方法。
10.一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1-7中任一所述距离预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572850.9A CN113223155A (zh) | 2021-05-25 | 2021-05-25 | 一种距离预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110572850.9A CN113223155A (zh) | 2021-05-25 | 2021-05-25 | 一种距离预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113223155A true CN113223155A (zh) | 2021-08-06 |
Family
ID=77098296
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110572850.9A Pending CN113223155A (zh) | 2021-05-25 | 2021-05-25 | 一种距离预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113223155A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237285A (zh) * | 2021-12-03 | 2022-03-25 | 江苏方天电力技术有限公司 | 基于遥感图像的无人机输电线路的巡检方法、装置及设备 |
CN118230232A (zh) * | 2024-05-24 | 2024-06-21 | 广东电网有限责任公司广州供电局 | 基于点云数据的输电线路检测方法、装置、设备和介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340317A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 架空输电线路树障隐患的自动预警方法及电子设备 |
CN111931559A (zh) * | 2020-06-22 | 2020-11-13 | 云南电网有限责任公司带电作业分公司 | 一种输电线路走廊区域内树种的分类方法 |
CN112016396A (zh) * | 2020-07-22 | 2020-12-01 | 国网通用航空有限公司 | 一种基于树木生长预测的线路通道安全性分析方法 |
-
2021
- 2021-05-25 CN CN202110572850.9A patent/CN113223155A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340317A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 架空输电线路树障隐患的自动预警方法及电子设备 |
CN111931559A (zh) * | 2020-06-22 | 2020-11-13 | 云南电网有限责任公司带电作业分公司 | 一种输电线路走廊区域内树种的分类方法 |
CN112016396A (zh) * | 2020-07-22 | 2020-12-01 | 国网通用航空有限公司 | 一种基于树木生长预测的线路通道安全性分析方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114237285A (zh) * | 2021-12-03 | 2022-03-25 | 江苏方天电力技术有限公司 | 基于遥感图像的无人机输电线路的巡检方法、装置及设备 |
CN114237285B (zh) * | 2021-12-03 | 2023-11-03 | 江苏方天电力技术有限公司 | 基于遥感图像的无人机输电线路的巡检方法、装置及设备 |
CN118230232A (zh) * | 2024-05-24 | 2024-06-21 | 广东电网有限责任公司广州供电局 | 基于点云数据的输电线路检测方法、装置、设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340317B (zh) | 架空输电线路树障隐患的自动预警方法及电子设备 | |
US11869192B2 (en) | System and method for vegetation modeling using satellite imagery and/or aerial imagery | |
Meng et al. | Morphology-based building detection from airborne LIDAR data | |
CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
US8897483B2 (en) | System and method for inventorying vegetal substance | |
CN109829908B (zh) | 基于双目影像的电力线下方地物安全距离检测方法及设备 | |
CN113325868B (zh) | 一种基于无人机的农作物实时识别系统及方法 | |
CN113223155A (zh) | 一种距离预测方法、装置、设备及介质 | |
CN109631818B (zh) | 用于输电线路的净空分析方法及装置、存储介质 | |
CN113420674A (zh) | 基于点云数据的森林档案模型构建方法、装置及存储介质 | |
CN114037836A (zh) | 一种将人工智能识别技术应用于三维输变电工程测算的方法 | |
CN115830234A (zh) | 一种输电线路建模用点云处理方法及处理系统 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检系统及巡检方法 | |
CN109358640B (zh) | 一种无人机激光探测实时可视化方法、系统及存储介质 | |
Heinimann et al. | Pre-harvest assessment based on LiDAR data | |
CN113175885B (zh) | 架空输电线与植被距离测量方法、装置、设备和存储介质 | |
CN112082475B (zh) | 活立木的种类识别方法与材积测量方法 | |
CN115346081A (zh) | 基于多数据融合的输电线路点云数据分类方法 | |
CN110910496B (zh) | 基于大数据和ai的vr自然环境自动构成方法 | |
CN112558091A (zh) | 一种输电线对树空间距离的实时检测方法、装置及终端设备 | |
CN112116561A (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 | |
Ali-Sisto et al. | Comparison of 3D point clouds from aerial stereo images and lidar for forest change detection | |
CN112085036A (zh) | 一种区域识别方法、装置、设备及介质 | |
CN117876624B (zh) | 基于无人机遥感影像的复杂环境航迹规划方法 | |
CN117809440B (zh) | 应用三维立体测距的树障山火监测预警方法及系统 |
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 |