CN114037921B - 基于无人机智能识别的弧垂建模方法及系统 - Google Patents
基于无人机智能识别的弧垂建模方法及系统 Download PDFInfo
- Publication number
- CN114037921B CN114037921B CN202111419948.7A CN202111419948A CN114037921B CN 114037921 B CN114037921 B CN 114037921B CN 202111419948 A CN202111419948 A CN 202111419948A CN 114037921 B CN114037921 B CN 114037921B
- Authority
- CN
- China
- Prior art keywords
- sag
- image
- data set
- modeling method
- unmanned aerial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000007665 sagging Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002365 multiple layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种基于无人机智能识别的弧垂建模方法及系统,属于无人机的3D建模技术领域。所述弧垂建模方法包括:构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集;采用第一虚拟数据集训练预设的第一神经网络,采用第二虚拟数据集训练第二神经网络;获取多张无人机拍摄的图片;将获取的图片分别输入第一神经网络中以得到对应的平面坐标。该弧垂建模方法及系统通过同时采用两个神经网络对无人机拍摄的图片进行识别,相较于传统的距离计算方式而言,能够不依赖无人机拍摄设备的图像精度,提高了弧垂建模方法的应用范围,节约了设备成本。
Description
技术领域
本发明涉及基于无人机的3D建模技术领域,具体地涉及一种基于无人机智能识别的弧垂建模方法及系统。
背景技术
目前电力线路弧垂观测质量对线路施工质量及线路的安全运行起着重要作用,施工中弧垂值一旦超差,返工处理工作十分困难,浪费大量人力、物力。因此,在工程质量规划的过程中,弧垂线路的建模是重要的环节之一。
现有技术中的弧垂线路的建模通常是采用无人机的AI距离算法,通过采用不同视角的拍摄,并结合角度公式计算,得到弧垂线路中的位置。这种方法虽然能够较为精准地得到弧垂线路的实际坐标,但是极度依赖于无人机本身的硬件设备。
发明内容
本发明实施例的目的是提供一种基于无人机智能识别的弧垂建模方法及系统,该弧垂建模方法及系统能够在不对无人机拍摄设备进行改造的情况下,完成对弧垂线路的识别和建模。
为了实现上述目的,本发明实施例提供一种基于无人机智能识别的弧垂建模方法,包括:
构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集;
采用第一虚拟数据集训练预设的第一神经网络,采用第二虚拟数据集训练第二神经网络;
获取多张无人机拍摄的图片;
将获取的图片分别输入所述第一神经网络中以得到对应的平面坐标;
根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像;
将最接近视角的数据图像输入所述第二神经网络中以得到对应的空间坐标;
从所述第二虚拟数据集中获取与所述空间坐标对应的待验证数据图像;
比对所述最接近视角的数据图像和所述待验证数据图像以确定当前的准确率;
判断所述准确率是否大于或等于预设的阈值;
在判断所述准确率小于所述阈值的情况下,再次返回执行获取多张无人机拍摄的图片的步骤,直到判断所述准确略大于或等于所述阈值;
在判断所述准确率大于或等于所述阈值的情况下,基于所述待验证数据图像所对应的空间坐标计算弧垂值;
根据计算出的弧垂值建模生成所述弧垂线。
可选地,构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集包括:
建立转角电线杆的三维模型以及对应的弧垂线路;
通过不同的视角拍摄弧垂线路以得到对应的数据图像;
标记每个所述数据图像中的弧垂线路和转角电线杆的交点;
以其中一个转角电线杆的三维模型的中心线为z轴,水平方向上相互垂直的任意两条直线为x轴和y轴,建立空间坐标系;
以所述数据图像的左下角为原点,相邻的两条边为x轴和y轴,建立平面坐标系;
将所述数据图像、对应的交点在平面坐标系中的平面坐标相关联以得到所述第一虚拟数据集;
将所述数据图像、对应的交点在空间坐标系中的空间坐标相关联以得到所述第二虚拟数据集。
可选地,根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像包括:
分别以两个交点的所述平面坐标为圆心,预设值r0为半径作圆形区域;
从所述第一虚拟数据集中寻找两个交点分别位于两个所述圆形区域的数据图像以作为待计算图像。
可选地,根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像包括:
根据公式(1)计算得到的平面坐标与所述待计算图像的图像位移差,
Δd=(x1-x0)2+(y1-y0)2, (1)
其中,Δd为所述图像位移差,x1、y1为得到的平面坐标,x0、y0为所述待计算图像的平面坐标;
筛选图像位移差小于预设的近似阈值的待计算图像作为最接近视角的数据图像。
可选地,在判断所述准确率大于或等于所述阈值的情况下,基于所述待验证数据图像所对应的空间坐标计算弧垂值包括:
根据公式(2)计算所述弧垂值,
其中,f为所述弧垂值,l为两个交点之间的水平距离,g为重力加速度,σ为与导线相关的参数,为相位幅角。
可选地,获取多张无人机拍摄的图片包括:
获取至少20张图片。
可选地,所述第一神经网络和所述第二神经网络为BP神经网络。
另一方面,本发明还提供一种基于无人机智能识别的弧垂建模系统,所述弧垂建模系统包括处理器,所述处理器被配置为执行如上述任一所述的弧垂建模方法。
再一方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如上述任一所述的弧垂建模方法。
通过上述技术方案,本发明提供的基于无人机智能识别的弧垂建模方法及系统通过同时采用两个神经网络对无人机拍摄的图片进行识别,相较于传统的距离计算方式而言,能够不依赖无人机拍摄设备的图像精度,提高了弧垂建模方法的应用范围,节约了设备成本。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是根据本发明的一个实施方式的基于无人机智能识别的弧垂建模方法的流程图;
图2是根据本发明的一个实施方式的基于无人机智能识别的弧垂建模方法的部分流程图;
图3是根据本发明的一个实施方式的基于无人机智能识别的弧垂建模方法的部分流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的基于无人机智能识别的弧垂建模方法的流程图。在该图1中,该弧垂建模方法可以包括:
在步骤S10中,构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集;
在步骤S11中,采用第一虚拟数据集训练预设的第一神经网络,采用第二虚拟数据集训练第二神经网络;
在步骤S12中,获取多张无人机拍摄的图片;
在步骤S13中,将获取的图片分别输入第一神经网络中以得到对应的平面坐标;
在步骤S14中,根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像;
在步骤S15中,将最接近视角的数据图像输入第二神经网络中以得到对应的空间坐标;
在步骤S16中,从第二虚拟数据集中获取与空间坐标对应的待验证数据图像;
在步骤S17中,比对最接近视角的数据图像和待验证数据图像以确定当前的准确率;
在步骤S18中,判断准确率是否大于或等于预设的阈值;
在判断准确率小于阈值的情况下,再次返回执行获取多张无人机拍摄的图片的步骤,直到判断准确略大于或等于阈值;
在步骤S19中,在判断准确率大于或等于阈值的情况下,基于待验证数据图像所对应的空间坐标计算弧垂值;
在步骤S20中,根据计算出的弧垂值建模生成弧垂线。
在该如图1所示的方法中,步骤S10可以用于获取第一虚拟数据集和第二虚拟数据集。至于获取该第一虚拟数据集和第二虚拟数据集的具体过程,虽然可以是本领域人员所知的多种形式。但是在本发明的一个优选示例中,该步骤S10也可以是包括如图2中所示出的步骤。在该图2中,该步骤S10可以包括:
在步骤S30中,建立转角电线杆的三维模型以及对应的弧垂线路;
在步骤S31中,通过不同的视角拍摄弧垂线路以得到对应的数据图像;
在步骤S32中,标记每个数据图像中的弧垂线路和转角电线杆的交点;
在步骤S33中,以其中一个转角电线杆的三维模型的中心线为z轴,水平方向上相互垂直的任意两条直线为x轴和y轴,建立空间坐标系;
在步骤S34中,以数据图像的左下角为原点,相邻的两条边为x轴和y轴,建立平面坐标系;
在步骤S35中,将数据图像、对应的交点在平面坐标系中的平面坐标相关联以得到第一虚拟数据集;
在步骤S36中,将数据图像、对应的交点在空间坐标系中的空间坐标相关联以得到第二虚拟数据集。
步骤S11可以用于获取能够识别平面坐标的第一神经网络和能够识别空间坐标的第二神经网络,至于该第一神经网络和第二神经网络的具体类型,则可以是本领域人员所知的多种形式,但是在本发明的一个优选示例中,该第一神经网络和第二神经网络均可以是BP(Error Back Propagation Multiple-Layer Feedforward Network,基于误差反向传播算法的多层前馈网络)神经网络。至于训练该第一神经网络和第二神经网络的具体方法,则也可以是本领域人员所知的多种方法。例如常规的通过将第一虚拟数据集输入第一神经网络中,通过对该第一神经网络的输出值的判断,确定该第一神经网络当前是否满足精度要求;在判断不满足精度要求的情况下,此时可以对该第一神经网络进行更新,直到判断满足精度要求。该第二神经网络的训练方法类似,故不再赘述。
步骤S12可以用于获取无人机拍摄的图片。对于该图片的数量,可以是本领域人员结合识别精度来确定。在本发明的一个示例中,通过大量实验的数据验证,在该图片的数量为20的情况下,能够很好地平衡神经网络复杂度和结果精度。
步骤S14至步骤S19可以用于根据获取的图片来计算现场的弧垂线路的交点的空间坐标。由于本发明提供的第一神经网络和第二神经网络均是通过虚拟数据集(第一虚拟数据集或第二虚拟数据集)训练得到的,而无人机现场拍摄的图片相对于虚拟数据集(第一神经网络的维度为二维,因此识别精度较高,此时该误差可以忽略不计,但是第二神经网络的维度为三维,识别精度较低,因此图片需要经过步骤S14的处理)中的图片显然会有较大的出入,因此通过步骤S14来获取在虚拟数据集中与该图片视角最接近的数据图像,再将获取的数据图像输入第二神经网络,从而得到精度较高的空间坐标。最后,通过在第二虚拟数据集中的数据图像和最接近视角的数据图像进行比对,从而确定当前得到的空间坐标的精度。在满足精度要求的情况下,此时可以基于得到的空间坐标来计算弧垂值,并结合弧垂值来建模生成弧垂线。
其中,对于步骤S14中根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像的具体方法,虽然可以是本领域人员所知的多种方式。但是,考虑到该第一虚拟数据集的数据量,如果直接进行图像位移比算法,显然会导致该计算量大大增加。因此,在本发明的一个优选示例中,该步骤S14可以进一步包括如图3中所示出的步骤。在该图3中,该方法弧垂建模方法可以包括:
在步骤S40中,分别以两个交点的平面坐标为圆心,预设值r0为半径作圆形区域;
在步骤S41中,从第一虚拟数据集中寻找两个交点分别位于两个圆形区域的数据图像以作为待计算图像。
在步骤S42中,根据公式(1)计算得到的平面坐标与待计算图像的图像位移差,
Δd=(x1-x0)2+(y1-y0)2, (1)
其中,Δd为图像位移差,x1、y1为得到的平面坐标,x0、y0为待计算图像的平面坐标;
在步骤S43中,筛选图像位移差小于预设的近似阈值的待计算图像作为最接近视角的数据图像。
对于步骤S19中计算弧垂值的方法,则也可以是本领域人员所知的多种方法。但是在本发明的一个示例中,计算该弧垂值的方法可以是例如根据公式(2)计算弧垂值,
其中,f为弧垂值,l为两个交点之间的水平距离,g为重力加速度,σ为与导线相关的参数,为相位幅角。
另一方面,本发明还提供一种基于无人机智能识别的弧垂建模系统,所述弧垂建模系统包括处理器,所述处理器被配置为执行如上述任一所述的弧垂建模方法。
再一方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如上述任一所述的弧垂建模方法。
通过上述技术方案,本发明提供的基于无人机智能识别的弧垂建模方法及系统通过同时采用两个神经网络对无人机拍摄的图片进行识别,相较于传统的距离计算方式而言,能够不依赖无人机拍摄设备的图像精度,提高了弧垂建模方法的应用范围,节约了设备成本。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种基于无人机智能识别的弧垂建模方法,其特征在于,所述弧垂建模方法包括:
构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集;
采用第一虚拟数据集训练预设的第一神经网络,采用第二虚拟数据集训练第二神经网络;
获取多张无人机拍摄的图片;
将获取的图片分别输入所述第一神经网络中以得到对应的平面坐标;
根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像;
将最接近视角的数据图像输入所述第二神经网络中以得到对应的空间坐标;
从所述第二虚拟数据集中获取与所述空间坐标对应的待验证数据图像;
比对所述最接近视角的数据图像和所述待验证数据图像以确定当前的准确率;
判断所述准确率是否大于或等于预设的阈值;
在判断所述准确率小于所述阈值的情况下,再次返回执行获取多张无人机拍摄的图片的步骤,直到判断所述准确略大于或等于所述阈值;
在判断所述准确率大于或等于所述阈值的情况下,基于所述待验证数据图像所对应的空间坐标计算弧垂值;
根据计算出的弧垂值建模生成所述弧垂线。
2.根据权利要求1所述的弧垂建模方法,其特征在于,构建用于表示数据图像和对应的交点在平面坐标系中的位置坐标的第一虚拟数据集以及用于表示数据图像和对应的交点在空间坐标系中的位置坐标的第二虚拟数据集包括:
建立转角电线杆的三维模型以及对应的弧垂线路;
通过不同的视角拍摄弧垂线路以得到对应的数据图像;
标记每个所述数据图像中的弧垂线路和转角电线杆的交点;
以其中一个转角电线杆的三维模型的中心线为z轴,水平方向上相互垂直的任意两条直线为x轴和y轴,建立空间坐标系;
以所述数据图像的左下角为原点,相邻的两条边为x轴和y轴,建立平面坐标系;
将所述数据图像、对应的交点在平面坐标系中的平面坐标相关联以得到所述第一虚拟数据集;
将所述数据图像、对应的交点在空间坐标系中的空间坐标相关联以得到所述第二虚拟数据集。
3.根据权利要求1所述的弧垂建模方法,其特征在于,根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像包括:
分别以两个交点的所述平面坐标为圆心,预设值r0为半径作圆形区域;
从所述第一虚拟数据集中寻找两个交点分别位于两个所述圆形区域的数据图像以作为待计算图像。
4.根据权利要求3所述的弧垂建模方法,其特征在于,根据得到的平面坐标采用图像位移比对算法从第一虚拟数据集中寻找与获取的图片最接近视角的数据图像包括:
根据公式(1)计算得到的平面坐标与所述待计算图像的图像位移差,
Ad=(x1-x0)2+(yl-y0)2, (1)
其中,Δd为所述图像位移差,x1、y1为得到的平面坐标,x0、y0为所述待计算图像的平面坐标;
筛选图像位移差小于预设的近似阈值的待计算图像作为最接近视角的数据图像。
5.根据权利要求1所述的弧垂建模方法,其特征在于,在判断所述准确率大于或等于所述阈值的情况下,基于所述待验证数据图像所对应的空间坐标计算弧垂值包括:
根据公式(2)计算所述弧垂值,
其中,f为所述弧垂值,l为两个交点之间的水平距离,g为重力加速度,σ为与导线相关的参数,为相位幅角。
6.根据权利要求1所述的弧垂建模方法,其特征在于,获取多张无人机拍摄的图片包括:
获取至少20张图片。
7.根据权利要求1所述的弧垂建模方法,其特征在于,所述第一神经网络和所述第二神经网络为BP神经网络。
8.一种基于无人机智能识别的弧垂建模系统,其特征在于,所述弧垂建模系统包括处理器,所述处理器被配置为执行如权利要求1至7任一所述的弧垂建模方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有指令,所述指令用于被机器读取以使得所述机器执行如权利要求1至7任一所述的弧垂建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419948.7A CN114037921B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机智能识别的弧垂建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111419948.7A CN114037921B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机智能识别的弧垂建模方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114037921A CN114037921A (zh) | 2022-02-11 |
CN114037921B true CN114037921B (zh) | 2024-05-10 |
Family
ID=80145628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111419948.7A Active CN114037921B (zh) | 2021-11-26 | 2021-11-26 | 基于无人机智能识别的弧垂建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114037921B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116718122B (zh) * | 2023-08-09 | 2023-10-20 | 南方电网数字电网研究院有限公司 | 基于图像视差深度的弧垂测量方法、装置和计算机设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458947A (zh) * | 2019-08-09 | 2019-11-15 | 江苏濠汉信息技术有限公司 | 一种输电导线弧垂的三维重建方法及系统 |
WO2021036353A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海亦我信息技术有限公司 | 基于拍照的3d建模系统及方法、自动3d建模装置及方法 |
CN113610172A (zh) * | 2021-08-13 | 2021-11-05 | 北京地平线信息技术有限公司 | 神经网络模型训练方法和装置、传感数据融合方法和装置 |
-
2021
- 2021-11-26 CN CN202111419948.7A patent/CN114037921B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458947A (zh) * | 2019-08-09 | 2019-11-15 | 江苏濠汉信息技术有限公司 | 一种输电导线弧垂的三维重建方法及系统 |
WO2021036353A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海亦我信息技术有限公司 | 基于拍照的3d建模系统及方法、自动3d建模装置及方法 |
CN113610172A (zh) * | 2021-08-13 | 2021-11-05 | 北京地平线信息技术有限公司 | 神经网络模型训练方法和装置、传感数据融合方法和装置 |
Non-Patent Citations (1)
Title |
---|
应用神经网络隐式视觉模型进行立体视觉的三维重建;袁野, 欧宗瑛, 田中旭;计算机辅助设计与图形学学报;20030330(第03期);第293-296页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114037921A (zh) | 2022-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568447B (zh) | 视觉定位的方法、装置及计算机可读介质 | |
CN111080804B (zh) | 三维图像生成方法及装置 | |
CN111291768B (zh) | 图像特征匹配方法及装置、设备、存储介质 | |
KR101965878B1 (ko) | 시각적 피처들을 이용한 이미지들의 자동 연결 | |
CN111612834B (zh) | 生成目标图像的方法、装置及设备 | |
JP5035195B2 (ja) | 画像生成装置及びプログラム | |
CN109035423B (zh) | 一种房屋的虚拟三维模型的楼层分割方法及装置 | |
CN110930453B (zh) | 目标物体定位方法、装置及可读存储介质 | |
CN112511767B (zh) | 一种视频拼接方法及设备、存储介质 | |
CN109658497B (zh) | 一种三维模型重建方法及装置 | |
CN114037921B (zh) | 基于无人机智能识别的弧垂建模方法及系统 | |
Ahmadabadian et al. | Stereo‐imaging network design for precise and dense 3D reconstruction | |
WO2023016182A1 (zh) | 位姿确定方法、装置、电子设备和可读存储介质 | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
CN112529006B (zh) | 全景图片的检测方法、装置、终端及存储介质 | |
CN115457202B (zh) | 一种三维模型更新的方法、装置及存储介质 | |
JP4998422B2 (ja) | 画像生成装置、方法、通信システム及びプログラム | |
KR20220055072A (ko) | 딥러닝을 이용한 실내 위치 측위 방법 | |
Zieliński et al. | 3d dense mapping with the graph of keyframe-based and view-dependent local maps | |
KR102495005B1 (ko) | 딥러닝을 이용한 실내 위치 측위 방법 | |
JP7493793B2 (ja) | 画像標定方法、画像標定装置、画像標定システム及び画像標定プログラム | |
Abdulov et al. | Visual odometry system simulator | |
CN114677734B (zh) | 关键点的标注方法及装置 | |
CN112991241B (zh) | 一种道路场景图像处理方法、装置、电子设备及存储介质 | |
CN112991542B (zh) | 房屋三维重建方法、装置和电子设备 |
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 |