CN113487555A - 一种基于点云网格化的输电线路隐患点快速检测方法 - Google Patents
一种基于点云网格化的输电线路隐患点快速检测方法 Download PDFInfo
- Publication number
- CN113487555A CN113487555A CN202110745126.1A CN202110745126A CN113487555A CN 113487555 A CN113487555 A CN 113487555A CN 202110745126 A CN202110745126 A CN 202110745126A CN 113487555 A CN113487555 A CN 113487555A
- Authority
- CN
- China
- Prior art keywords
- point
- hidden danger
- tower
- 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.)
- Granted
Links
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
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于点云网格化的输电线路隐患点快速检测方法,它包括:对输电线路通道点云进行分类处理,得到分类后的电力线与植被点云;并提取出各杆塔的坐标;依据杆塔坐标,将电力线点云与植被点云切割分段为以塔段为单位的点云集合,以单档电力线构建kdTree树;将输电线路通道按塔段划分为1m×1m的平面网格,预先利用网格内高点与电力线的邻近关系,基于球体包含原理确定网格内相对低点为隐患点的可能性,对不存在隐患可能性的三维点进行过滤;通过对各塔段的点云类别修改状态进行记录,在重复计算隐患点的过程中仅计算修改类别的塔段,以达到加速隐患点重复检测效率的目的。
Description
技术领域
本发明属于输电线路巡检技术,尤其涉及一种基于点云网格化的输电线路隐患点快速检测方法。
背景技术
机载激光雷达技术相对于传统人工巡线,其作业灵活、可快速获取输电线路通道的高精度点云,在输电线路巡检中得到了广泛应用。输电线路隐患点是指到电力线距离不符合安全距离要求的三维点,输电线路隐患点检测一直是激光电力巡检的核心任务,目前常用的检测方法基本是基于kdTree或ocTree邻近搜索实现的,然而邻近搜索计算复杂耗时长,一旦点云数量级较大,隐患点检测将会有较长计算时间。同时,隐患点是验证和修正点云分类正确性的重要依据,由于点云分类不可避免会存在错误,因分类错误导致误检的隐患点可帮助分类人员快速定位分类错误所在位置,进而修正分类错误重新进行隐患点检测。因此,在激光电力巡检点云数据处理过程中,隐患点检测往往需要进行多次运算,隐患点检测的运算速度直接影响了整个点云数据处理工作效率。
随着雷达设备的发展,点云密度进一步提高,单档输电线路点云中含有的三维点高达千万级别,为隐患点检测造成了极大的运算负担。同时,输电线路巡检点云往往是以单条输电线路为处理单位的,涉及上百档的隐患点检测运算,以I7-6820处理器为例,一条上百档输电线路数据进行隐患点检测需要1个小时以上的计算时间,严重影响数据处理工作效率与用户使用体验。
现有关于加速隐患点检测计算的方法有两种,1)将植被、建筑等待检测地物构建kdTree,将电力线点云作为被搜索点,通过设置步长,从电力线上选点进行邻近搜索,该方法计算效率与计算精度无法兼顾,步长设置较大时,能够调过大量的邻近搜索计算,加快运算速度,但会导致部分隐患点漏检,存在较大计算误差;步长设置较小时,计算误差较小但计算效率慢。2)利用电力线的空间特征,建立空间曲线方程式对电力线进行矢量化,通过计算三维点到空间曲线的最短距离来实现隐患点判别,该方法可以避免进行邻近搜索,但由于无法直接计算三维点到空间曲线,需要将空间曲线投影至竖直和水平平面再采用简化方式计算,易导致非隐患点的三维点被误判为隐患点,同时对于某些极限工况下,电力线在水平面上不呈直线分布,该方法并不适用。
发明内容:
本发明要解决的技术问题:提供一种基于点云网格化的输电线路隐患点快速检测方法,以解决现有LiDAR点云隐患点检测算法计算效率慢,相关优化算法计算效率与计算精度无法兼顾、存在隐患点漏检多检情况以及极限工况下不能适用等技术问题。
本发明技术方案:
一种基于点云网格化的输电线路隐患点快速检测方法,它包括:
步骤1、数据准备:对输电线路通道点云进行分类处理,得到分类后的电力线与植被点云;并提取出各杆塔的坐标,作为起算数据;
步骤2、点云分档:依据杆塔坐标,将电力线点云与植被点云切割分段为以塔段为单位的点云集合,将最小处理单元由以线为单元转换为以塔段为单元,以单档电力线构建kdTree树;
步骤3、隐患点检测:将输电线路通道按塔段划分为1m×1m的平面网格,预先利用网格内高点与电力线的邻近关系,基于球体包含原理确定网格内相对低点为隐患点的可能性,对不存在隐患可能性的三维点进行过滤;隐患点检测过程中,整条线路所有塔段都需要重新进行计算,通过对各塔段的点云类别修改状态进行记录,在重复计算隐患点的过程中仅计算修改类别的塔段,以达到加速隐患点重复检测效率的目的。
步骤2所述点云分档的具体步骤包括:
步骤2.1、从第i个塔段起始进行分档判断,i从0开始;设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB);
步骤2.2、根据杆塔坐标计算出该线路的最大平面档距Dmax与点P到小号塔A的平面距离DAP;
XAB=xB-xA,YAB=yB-yA
XAP=xP-xA,YAP=yP-yA
SABP=(XAB×YAP-XAP×YAB)/2
垂距dP为点P到杆塔AB连线的垂直距离,以线路走向右侧为负、左侧为正。平距lP为点P到小号塔A在AB连线上的投影距离。
步骤2.4、当点P满足约束条件时,点P在以AB连线为中心,带宽100米的平面矩阵中,将点P加入第i个塔段点云PCi中,同时将点P的垂距dP、平距lP记录在对应的数组dArrayi、lArrayi中,遍历点云中下一点;若不满足,则点P不在AB塔段范围内;
步骤2.5、令i=i+1,重复步骤2.1,进行点P是否在下一塔段内的判断,遍历完所有塔段。
步骤3所述隐患点检测具体步骤包括:
步骤3.1、创建数组ischange用来记录各塔段点云类别的修改状态,数组长度与塔段数量一致,数组元素初始值为true;创建隐患点数组集合dangerP{dangerP0,dangerP1,…,dangerPn-1},n为塔段数,集合内各数组元素初始化为空;
步骤3.2、令i=0,遍历各档点云;
步骤3.3、判断ischangei,若ischangei为false则进行步骤3.11跳过该档危险点检测,反之将隐患点数组dangerPi清空,进行步骤3.4对该塔段开始隐患点检测;
步骤3.4、点云PCi中的电力线点构建kdTree,植被点从高到低进行高程排序,清空隐患点数组中dangerPi所有三维点,设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB);
步骤3.6、令j=0,遍历点云PCi中的三维点;
步骤3.7、设点云PCi第j个点为Pi,j,若Pi,j不为植被点,进行步骤3.11;若为植被点则获取点Pi,j坐标(xi,j,yi,j,zi,j),与对应的垂距di,j与平距li,j如下:
di,j=dArrayi,j
li,j=lArrayi,j
确定Pi,j点所对应的网格位置为[di,j+50]行、[li,j]列;
步骤3.8、当zi,j≤DangerH[di+j+50],[lj],则以点Pi,j为被搜索点进行最近点搜索,得到点Pi,j到电力线的最小净空距离Di,j,若Di,j小于等于植被隐患点安全距离阈值D,则点Pi,j为隐患点加入数组dangerPi中;若Di,j大于隐患点距离阈值D,则进行步骤3.9;若zi,j>DangerH[dj+50],[lj],则点Pj不可能为隐患点,跳过该点最近点搜索运算,进行步骤3.10;步骤3.9、计算点Pj到网格边界最大长度maxDj,
点Pi,j到电力线的最近距离为Di,j,即以点Pi,j为球心,以Di,j为半径的球体Ri,j内是不包含电力线点;若Di,j>D,半径为D,球心到点Pj的距离小于的任一球体都包含在球体Rj内;以点Pi,j为球心,以半径的球体内任意点都不是隐患点;由于网格内植被点到点Pj的平面距离小于maxDi,j,得该网格内高程在(zi,j-dzi,j,zi,j+dzi,j)区间内的植被点不是隐患点;同时,由于步骤3.1中将植被点云从高到低进行高程排序,即遍历到点Pi,j时,点Pi,j所在网格后续未遍历植被点高程皆小于zi,j,则该网格后续植被点高程≤zi,j-dzi,j才可能为隐患点;
步骤3.10、令j=j+1,进行步骤3.7对下一植被点进行检测,直至遍历完整个点云PCi所有点,得到第i个塔段的隐患点数组dangerPi,更新ischangei为false,进行步骤3.11;
步骤3.11、令i=i+1,重复步骤3.3至步骤3.10,进行下一塔段检测,直至遍历完所有塔段,得到计算完成后的隐患点数组集合dangerP。
步骤3所述隐患点检测具体步骤还包括:
步骤3.12、利用隐患点数组集合dangerP中隐患点的坐标信息进行定位,对隐患点附近点云的类别正确性进行检查;若第k个塔段存在分类错误,0≤k<n;则对点云PCk中错误分类点的类别属性进行修正,得到修正后的点云PCk,并将isChangei更新为true;
步骤3.13、在步骤3.12检查隐患点结束后,判断数组isChange中是否存在false元素,存在则进行步骤3.3重新进行隐患点检测,如果不存在,则隐患点中不存在因分类错误而导致的误检点,此时隐患点数组集合dangerP中的三维点为最终的隐患点检测结果。
本发明的有益效果:
本发明通过杆塔坐标将整条输电线路通道点云进行分割,将隐患点检测的计算单元由以线路为单位转换为以塔段为单位,同时对各塔段点云的类别修改情况进行标记,在隐患点不断重复检测的过程中,无需对整体线路进行重新计算,仅需重新计算修改了类别的塔段,大大提升了隐患点重复检测的计算效率;
本发明基于网格化思想与球体包含原理,在单个塔段的隐患点检测计算中,将输电线路通道按线路走向划分为1m×1m的平面网格,利用网格内高点与电力线的邻近关系,确定网格内相对低点为隐患点的可能性,对不存在隐患可能性的三维点进行过滤,跳过了大量邻近搜索运算,大大提升了单个塔段隐患点的计算效率;
本发明以平距l为横坐标,垂距d为纵坐标建立1m×1m的平面网格,起点设置在平距l=0、d=-50,三维点可直接通过其在所在塔段的累距、偏距判断点所在网格。同时,做在分档计算的同时,保留其计算过程中生产各点在其所在档的累距、偏距,在隐患点检测过程中,可直接利用被检测点累距、偏距值的整数部分确定点所在网格,小数部分计算点到网格边界最大平面长度,避免了数据重复计算、简化了计算流程,有效减轻了隐患点检测的计算负荷;
本发明解决了现有技术中LiDAR点云隐患点检测算法计算效率慢;相关优化算法计算效率与计算精度无法兼顾、存在隐患点漏检多检情况以及极限工况下不能适用等技术问题。本发明从隐患点单次检测与隐患点重复检测两方面,对隐患点检测方法进行了改进优化,解决了现存隐患点检测方法计算效率低、耗时长的问题。同时,与现有隐患点检测相关优化算法不同,并未采用提取电力线特征点、简化点到空间曲线距离计算等方式来加速隐患点计算速度,而是使用严密的数学原理确定三维点为隐患点的可能性,在保证计算精度的前提下到达隐患点检测效率优化的目的,不存在隐患点漏检或多检情况。其次,本发明检测出的隐患点都是通过点与电力线的邻近搜索实现,与电力线本身的数学模型无关,在各种极限工况情况下同样适用。
具体实施方式:
以下实施方案仅以植被隐患点检测为例,其余类别隐患点检测同理。
步骤1、数据准备:对输电线路通道点云进行自动、人工分类处理,得到精分类后的电力线与植被点云并提取出各杆塔的大致坐标,作为本方法的起算数据。
步骤2、点云分档:依据杆塔坐标,将电力线点云与植被点云切割分段为以塔段为单位的点云集合,将最小处理单元由以线为单元转换为以塔段为单元,以单档电力线构建kdTree树,降低构建kdTree的三维点量级,以达到加快邻近搜索速度的目的。具体计算流程如下:
以电力线或植被点云中任意一点P(xP,yP,zP)为例,
步骤2.1从第i个(i从0开始)塔段起始进行分档判断,设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB)。
步骤2.2根据杆塔坐标计算出该线路的最大平面档距Dmax与点P到小号塔A的平面距离DAP。
XAB=xB-xA,YAB=yB-yA
XAP=xP-xA,YAP=yP-yA
SABP=(XAB×YAP-XAP×YAB)/2
垂距dP为点P到杆塔AB连线的垂直距离,以线路走向右侧为负、左侧为正。平距lP为点P到小号塔A在AB连线上的投影距离。
步骤2.4
当点P满足约束条件时,点P在以AB连线为中心,带宽100米(激光电力巡检数据中常用带宽)的平面矩阵中,将点P加入第i个塔段点云PCi中,同时将点P的垂距dP、平距lP记录在对应的数组dArrayi、lArrayi中,遍历点云中下一点;若不满足,则点P不在AB塔段范围内。
步骤2.5、令i=i+1,重复步骤2.1,进行点P是否在下一塔段内的判断,直至遍历完所有塔段。
本方法在分档计算的同时,保留其计算过程中生产各点在其所在档的累距、偏距,作为后续运算的起算数据,避免重复计算影响计算效率。
步骤3、隐患点检测:由于点云分类不可避免会存在错误,在隐患点检测中往往存在因分类错误导致误检的隐患点,需要对分类错误进行修正后重新进行隐患点检测。然后,分类错误往往难以发现,分类人员需要借助因分类错误导致误检点进行辅助定位。因此,在类别错误修正的过程中,隐患点往往需要进行多次重复检测。在以整条线路为处理单元的隐患点检测算法在重复计算过程中,整条线路所有塔段都需要重新进行计算,严重影响类别错误修正效率,而本方法通过对各塔段的点云类别修改状态进行记录,在重复计算隐患点的过程中仅计算修改了类别的塔段,以达到加速隐患点重复检测效率的目的。
同时,在整个输电线路通道中仅少数区域存在隐患点,而所有区域的三维点全部进行邻近搜索并不合理,严重影响了隐患点检测的运行速度。因此,针对单个塔段的隐患点检测,本方法引入点云网格化思想,将输电线路通道按塔段划分为以平距l为横坐标,垂距d为纵坐标建立1m×1m的平面网格,起点设置在平距l=0、d=-50,预先利用网格内高点与电力线的邻近关系,基于球体包含原理确定网格内相对低点为隐患点的可能性,对不存在隐患可能性的三维点进行过滤,跳过大量邻近搜索运算,有效加快单个塔段隐患点检测的运算效率。具体计算流程如下:
步骤3.1、创建数组ischange用来记录各塔段点云类别的修改状态,数组长度与塔段数量一致,数组元素初始值为true;创建隐患点数组集合dangerP{dangerP0,dangerP1,…,dangerPn-1},n为塔段数,集合内各数组元素初始化为空;
步骤3.2、令i=0,遍历各档点云;
步骤3.3、判断ischangei,若ischangei为false则进行步骤3.11跳过该档危险点检测,反之将隐患点数组dangerPi清空,进行步骤3.4对该塔段开始隐患点检测;
步骤3.4、点云PCi中的电力线点构建kdTree,植被点从高到低进行高程排序,清空隐患点数组中dangerPi所有三维点,设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB);
步骤3.6、令j=0,遍历点云PCi中的三维点;
步骤3.7、设点云PCi第j个点为Pi,j,若Pi,j不为植被点,进行步骤3.10进行下一点检测;若为植被点则获取点Pi,j坐标(xi,j,yi,j,zi,j),与对应的垂距di,j与平距li,j如下:
di,j=dArrayi,j
li,j=lArrayi,j
确定Pi,j点所对应的网格位置为[di,j+50]行、[li,j]列。
步骤3.8、当则以点Pi,j为被搜索点进行最近点搜索,得到点Pi,j到电力线的最小净空距离Di,j,若Di,j小于等于植被隐患点安全距离阈值D,则点Pi,j为隐患点加入数组dangerPi中;若Di,j大于隐患点距离阈值D,则进行步骤3.9。若则点Pj不可能为隐患点,跳过该点最近点搜索运算,进行步骤3.10。
步骤3.9、计算点Pj到网格边界最大长度maxDj,
原理:由于点Pi,j到电力线的最近距离为Di,j,即以点Pi,j为球心,以Di,j为半径的球体Ri,j内是不包含电力线点。若Di,j>D,根据球体的包含原理,半径为D,球心到点Pj的距离小于的任一球体都包含在球体Rj内。根据隐患点的定义可得,以点Pi,j为球心,以半径的球体内任意点都不可能为隐患点。由于网格内植被点到点Pj的平面距离必定小于maxDi,j,可得该网格内高程在(zi,j-dzi,j,zi,j+dzi,j)区间内的植被点不可能为隐患点。同时,由于步骤3.1中将植被点云从高到低进行高程排序,即遍历到点Pi,j时,点Pi,j所在网格后续未遍历植被点高程皆小于zi,j,该网格后续植被点高程≤zi,j-dzi,j才可能为隐患点。
步骤3.10、令j=j+1,进行步骤3.7对下一植被点进行检测,直至遍历完整个点云PCi所有点,得到第i个塔段的隐患点数组dangerPi,更新ischangei为false,进行步骤3.11;
步骤3.11、令i=i+1,重复步骤3.3~3.10,进行下一塔段检测,直至遍历完所有塔段,得到计算完成后的隐患点数组集合dangerP。
步骤3.12、利用隐患点数组集合dangerP中隐患点的坐标信息进行定位,对隐患点附近点云的类别正确性进行检查。以若第k个(0≤k<n)塔段为例,若第k个塔段存在分类错误,则对点云PCk中错误分类点的类别属性进行改,得到修正后的点云PCk,并将isChangei更新为true;
步骤3.13、在步骤3.12检查隐患点结束后,判断数组isChange中是否存在false元素,存在进行步骤3.3重新进行隐患点检测,不存在,则隐患点中不存在因分类错误而导致的误检点,此时隐患点数组集合dangerP中的三维点为最终的隐患点检测结果。
Claims (4)
1.一种基于点云网格化的输电线路隐患点快速检测方法,它包括:
步骤1、数据准备:对输电线路通道点云进行分类处理,得到分类后的电力线与植被点云;并提取出各杆塔的坐标,作为起算数据;
步骤2、点云分档:依据杆塔坐标,将电力线点云与植被点云切割分段为以塔段为单位的点云集合,将最小处理单元由以线为单元转换为以塔段为单元,以单档电力线构建kdTree树;
步骤3、隐患点检测:将输电线路通道按塔段划分为1m×1m的平面网格,预先利用网格内高点与电力线的邻近关系,基于球体包含原理确定网格内相对低点为隐患点的可能性,对不存在隐患可能性的三维点进行过滤;隐患点检测过程中,整条线路所有塔段都需要重新进行计算,通过对各塔段的点云类别修改状态进行记录,在重复计算隐患点的过程中仅计算修改类别的塔段,以达到加速隐患点重复检测效率的目的。
2.根据权利要求1所述的一种基于点云网格化的输电线路隐患点快速检测方法,其特征在于:步骤2所述点云分档的具体步骤包括:
步骤2.1、从第i个塔段起始进行分档判断,i从0开始;设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB);
步骤2.2、根据杆塔坐标计算出该线路的最大平面档距Dmax与点P到小号塔A的平面距离DAP;
XAB=xB-xA,YAB=yB-yA
XAP=xP-xA,YAP=yP-yA
SABP=(XAB×YAP-XAP×YAB)/2
垂距dP为点P到杆塔AB连线的垂直距离,以线路走向右侧为负、左侧为正。平距lP为点P到小号塔A在AB连线上的投影距离。
步骤2.4、当点P满足
约束条件时,点P在以AB连线为中心,带宽100米的平面矩阵中,将点P加入第i个塔段点云PCi中,同时将点P的垂距dP、平距lP记录在对应的数组dArrayi、lArrayi中,遍历点云中下一点;若不满足,则点P不在AB塔段范围内;
步骤2.5、令i=i+1,重复步骤2.1,进行点P是否在下一塔段内的判断,遍历完所有塔段。
3.根据权利要求1所述的一种基于点云网格化的输电线路隐患点快速检测方法,其特征在于:步骤3所述隐患点检测具体步骤包括:
步骤3.1、创建数组ischange用来记录各塔段点云类别的修改状态,数组长度与塔段数量一致,数组元素初始值为true;创建隐患点数组集合dangerP{dangerP0,dangerP1,…,dangerPn-1},n为塔段数,集合内各数组元素初始化为空;
步骤3.2、令i=0,遍历各档点云;
步骤3.3、判断ischangei,若ischangei为false则进行步骤3.11跳过该档危险点检测,反之将隐患点数组dangerPi清空,进行步骤3.4对该塔段开始隐患点检测;
步骤3.4、点云PCi中的电力线点构建kdTree,植被点从高到低进行高程排序,清空隐患点数组中dangerPi所有三维点,设第i个塔段的小号塔A平面坐标为(xA,yA),大号塔B平面坐标为(xB,yB);
步骤3.6、令j=0,遍历点云PCi中的三维点;
步骤3.7、设点云PCi第j个点为Pi,j,若Pi,j不为植被点,进行步骤3.11;若为植被点则获取点Pi,j坐标(xi,j,yi,j,zi,j),与对应的垂距di,j与平距li,j如下:
di,j=dArrayi,j
li,j=lArrayi,j
确定Pi,j点所对应的网格位置为[di,j+50]行、[li,j]列;
步骤3.8、当则以点Pi,j为被搜索点进行最近点搜索,得到点Pi,j到电力线的最小净空距离Di,j,若Di,j小于等于植被隐患点安全距离阈值D,则点Pi,j为隐患点加入数组dangerPi中;若Di,j大于隐患点距离阈值D,则进行步骤3.9;若则点Pj不可能为隐患点,跳过该点最近点搜索运算,进行步骤3.10;
步骤3.9、计算点Pj到网格边界最大长度maxDj,
点Pi,j到电力线的最近距离为Di,j,即以点Pi,j为球心,以Di,j为半径的球体Ri,j内是不包含电力线点;若Di,j>D,半径为D,球心到点Pj的距离小于的任一球体都包含在球体Rj内;以点Pi,j为球心,以半径的球体内任意点都不是隐患点;由于网格内植被点到点Pj的平面距离小于maxDi,j,得该网格内高程在(zi,j-dzi,j,zi,j+dzi,j)区间内的植被点不是隐患点;同时,由于步骤3.1中将植被点云从高到低进行高程排序,即遍历到点Pi,j时,点Pi,j所在网格后续未遍历植被点高程皆小于zi,j,则该网格后续植被点高程≤zi,j-dzi,j才可能为隐患点;
步骤3.10、令j=j+1,进行步骤3.7对下一植被点进行检测,直至遍历完整个点云PCi所有点,得到第i个塔段的隐患点数组dangerPi,更新ischangei为false,进行步骤3.11;
步骤3.11、令i=i+1,重复步骤3.3至步骤3.10,进行下一塔段检测,直至遍历完所有塔段,得到计算完成后的隐患点数组集合dangerP。
4.根据权利要求3所述的一种基于点云网格化的输电线路隐患点快速检测方法,其特征在于:步骤3所述隐患点检测具体步骤还包括:
步骤3.12、利用隐患点数组集合dangerP中隐患点的坐标信息进行定位,对隐患点附近点云的类别正确性进行检查;若第k个塔段存在分类错误,0≤k<n;则对点云PCk中错误分类点的类别属性进行修正,得到修正后的点云PCk,并将isChangei更新为true;
步骤3.13、在步骤3.12检查隐患点结束后,判断数组isChange中是否存在false元素,存在则进行步骤3.3重新进行隐患点检测,如果不存在,则隐患点中不存在因分类错误而导致的误检点,此时隐患点数组集合dangerP中的三维点为最终的隐患点检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745126.1A CN113487555B (zh) | 2021-07-01 | 2021-07-01 | 一种基于点云网格化的输电线路隐患点快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110745126.1A CN113487555B (zh) | 2021-07-01 | 2021-07-01 | 一种基于点云网格化的输电线路隐患点快速检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487555A true CN113487555A (zh) | 2021-10-08 |
CN113487555B CN113487555B (zh) | 2023-04-28 |
Family
ID=77939175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110745126.1A Active CN113487555B (zh) | 2021-07-01 | 2021-07-01 | 一种基于点云网格化的输电线路隐患点快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487555B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885573A (zh) * | 2021-10-27 | 2022-01-04 | 云南电网有限责任公司电力科学研究院 | 基于三维模型和北斗cors差分定位的无人机自主巡检方法 |
CN116758122A (zh) * | 2023-08-14 | 2023-09-15 | 国网智能电网研究院有限公司 | 一种基于跨源点云的输电线路铁塔位姿配准方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
CN110196603A (zh) * | 2019-05-13 | 2019-09-03 | 国家电网有限公司 | 一种基于笼式无人机的电缆隧道故障巡检系统 |
CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
US20210166372A1 (en) * | 2019-11-29 | 2021-06-03 | My Virtual Reality Software As | Real-time data acquisition and visualization for point-cloud recording |
-
2021
- 2021-07-01 CN CN202110745126.1A patent/CN113487555B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN109657569A (zh) * | 2018-11-30 | 2019-04-19 | 贵州电网有限责任公司 | 基于点云分析的多植被地区输电走廊隐患点快速提取方法 |
CN110196603A (zh) * | 2019-05-13 | 2019-09-03 | 国家电网有限公司 | 一种基于笼式无人机的电缆隧道故障巡检系统 |
US20210166372A1 (en) * | 2019-11-29 | 2021-06-03 | My Virtual Reality Software As | Real-time data acquisition and visualization for point-cloud recording |
CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
Non-Patent Citations (4)
Title |
---|
JIAN ZHAO: "Power tower extraction method under complex terrain in mountainous area based on Laser Point Cloud data", 《EARTH AND ENVIRONMENTAL SCIENCE》 * |
XIN LONG: "Reserch on traverse extraction algorithm based on point cloud distribution characteristics of overhead transmission lines", 《SPIE DIGITAL LIBRARY》 * |
白慧鹏: "地面三维激光点云去噪算法研究", 《中国优秀硕士学位论文全文数据库》 * |
龙新: "基于激光点云的电力线悬挂点定位方法", 《激光技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113885573A (zh) * | 2021-10-27 | 2022-01-04 | 云南电网有限责任公司电力科学研究院 | 基于三维模型和北斗cors差分定位的无人机自主巡检方法 |
CN116758122A (zh) * | 2023-08-14 | 2023-09-15 | 国网智能电网研究院有限公司 | 一种基于跨源点云的输电线路铁塔位姿配准方法及装置 |
CN116758122B (zh) * | 2023-08-14 | 2023-11-14 | 国网智能电网研究院有限公司 | 一种基于跨源点云的输电线路铁塔位姿配准方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113487555B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108446349B (zh) | 一种gis异常数据的检测方法 | |
CN113487555A (zh) | 一种基于点云网格化的输电线路隐患点快速检测方法 | |
CN103390169A (zh) | 一种车载激光扫描点云数据的城市地物分类方法 | |
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 | |
CN111598843A (zh) | 基于深度学习的电力变压器呼吸器目标缺陷检测方法 | |
CN111275821B (zh) | 一种电力线拟合方法、系统及终端 | |
US20220277546A1 (en) | Method and system for pollutant identifying and early warning based on cluster analysis | |
CN112711981A (zh) | 一种高精度输电线路缺陷识别方法 | |
CN115099304A (zh) | 一种建筑物立面点云提取方法 | |
CN113970734B (zh) | 路侧多线激光雷达降雪噪点去除方法、装置及设备 | |
CN105740521A (zh) | 油藏数值模拟系统求解过程中的小网格剔除方法和装置 | |
CN117495735B (zh) | 一种基于结构引导的建筑物立面纹理自动修复方法及系统 | |
CN112434583B (zh) | 车道横向减速标线检测方法、系统、电子设备及存储介质 | |
CN117313222B (zh) | 基于bim技术的建筑施工数据处理方法 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
Li et al. | Insect detection and counting based on YOLOv3 model | |
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 | |
CN115757369A (zh) | 一种激光点云数据的自动检查方法及系统 | |
CN106652020B (zh) | 一种基于模型的塔杆三维重建方法 | |
CN115239733A (zh) | 裂缝检测方法、装置、终端设备以及存储介质 | |
CN112627538B (zh) | 基于计算机视觉的钢筋网扎丝绑扎质量智能验收方法 | |
CN114842285A (zh) | 路侧泊位号码识别方法以及装置 | |
CN114140466A (zh) | 基于图像处理的植物根系测量方法、系统及装置 | |
CN114494240A (zh) | 基于多尺度协作深度学习的无砟轨道板裂缝测量方法 |
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 |