CN114387506A - 输电杆塔监测方法、装置、计算机设备、存储介质 - Google Patents
输电杆塔监测方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114387506A CN114387506A CN202111512867.1A CN202111512867A CN114387506A CN 114387506 A CN114387506 A CN 114387506A CN 202111512867 A CN202111512867 A CN 202111512867A CN 114387506 A CN114387506 A CN 114387506A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- transmission tower
- cloud data
- data
- pyramid
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 273
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 36
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 39
- 230000001133 acceleration Effects 0.000 claims description 23
- 230000011218 segmentation Effects 0.000 claims description 18
- 238000005192 partition Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 abstract description 16
- 239000013598 vector Substances 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000000638 solvent extraction Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004883 computer application Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
- G07C1/20—Checking timed patrols, e.g. of watchman
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种输电杆塔监测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取包含输电杆塔的图像点云数据；根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据，构建点云金字塔；获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集；对输电杆塔点云数据集分析，得到输电杆塔的分类信息；根据输电杆塔的分类信息计算输电杆塔的倾斜程度。采用本方法不仅提高对输电杆塔的巡检效率，还提高了输电杆塔的监测精度。
Description
技术领域
本申请涉及计算机应用领域，特别是涉及一种输电杆塔监测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
输电线路分布广泛，气候地质等运行环境复杂，输电线路铁塔倾斜引起的坍塌等事故时有发生。通常采用人工巡检的方式对输电线杆塔的进行监测。然后采用这种方式存在巡检效率低的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高巡检效率的输电杆塔监测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种输电杆塔监测方法。所述方法包括：
获取包含输电杆塔的图像点云数据；
根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
在其中一个实施例中，所述根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据构建点云金字塔，包括：
获取所述图像点云数据的二维边界；
根据所述二维边界及输电杆塔的指定参数计算点云金字塔的结构参数；
基于所述二维边界和所述结构参数，生成点云金字塔各层瓦片的二维边界区间；
根据所述各层瓦片的二维边间区间由下至上按顺序抽取所述图像点云信息部署在各层次瓦片内，构建所述点云金字塔；其中，所述点云金字塔底层点云数据为所述图像点云数据，第i+1层的点云数据为第i层数据抽稀后得到的点云数据，其中，i为正整数。
在其中一个实施例中，所述获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集，包括：
获取数据请求；
根据所述数据请求，确定所述点云金字塔最优层数对瓦片的检索区间；
根据所述检索区间计算所述数据请求的二维边界与瓦片结构，得到重叠瓦片；
获取所述重叠瓦片的第一候选点云数据，根据所述第一候选点云数据生成所述输电杆塔点云数据集。
在其中一个实施例中，在所述获取所述重叠瓦片的第一候选点云数据，根据所述第一候选点云数据生成所述输电杆塔点云数据集之后，所述方法还包括：
将所述输电杆塔点云数据集中的点云数据设为多叉树结构，并进行粗差去除得到第二候选点云数据；
在多叉树的子节点边界位置处理所述第二候选点云数据并分组；
删除未分组的子节点，将所述第二候选点云数据存储子节点内1/N个点，得到预处理后的输电杆塔点云数据。
在其中一个实施例中，所述对输电杆塔点云数据集分析，得到所述输电杆塔的分类信息，包括：
对输电杆塔点云数据集进行空间分割，得到不同分割片；
提取不同分割片的点云数据，计算杆塔特征值；其中，杆塔特征值包括第一特征值、第二特征值和第三特征值，当只有所述第一特征值、第二特征值和第三特征值中任一个杆塔特征值时，分割片呈一维分布，当有所述第一特征值、第二特征值和第三特征值中任意两个杆塔特征值时，分割片呈二维分布，当有第一特征值、第二特征值和第三特征值三个杆塔特征值时，分割片呈三维分布；
根据所述杆塔特征值获取方差比例，基于所述方差比例获取不同维度的点云数据集；
将不同维度的点云数据集分为以基于最优分类超平面为约束条件的第一类点云数据，和以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件的第二类点云数据，构建多尺度分类器；
根据所述多尺度分类器生成所述输电杆塔的分类信息。
在其中一个实施例中，根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度，包括：
根据所述输电杆塔的分类信息获取输电杆塔的倾斜角度；
获取三轴加速度数据，根据所述三轴加速度数据构建空间直角坐标系；
根据所述倾斜角度和所述空间直角坐标系三个正方向的夹角确定所述输电杆塔的倾斜程度。
第二方面，本申请还提供了一种输电杆塔监测装置。所述装置包括：
数据获取模块，用于获取包含输电杆塔的图像点云数据；
构建模块，用于根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
选取模块，用于获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
分析模块，用于对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
计算模块，用于根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取包含输电杆塔的图像点云数据；
根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取包含输电杆塔的图像点云数据；
根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取包含输电杆塔的图像点云数据；
根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
上述输电杆塔监测方法、装置、计算机设备、存储介质和计算机程序产品，通过获取包含输电杆塔的图像点云数据；根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据，构建点云金字塔；获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集；对输电杆塔点云数据集分析，得到输电杆塔的分类信息；根据输电杆塔的分类信息计算输电杆塔的倾斜程度。通过获取输电杆塔的图像点云数据，然后根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据构建点云金字塔，根据数据请求，从点云金字塔中得到输电杆塔点云数据集，再分析输电杆塔点云数据集得到输电杆塔的分类信息，最后根据输电杆塔的分类信息计算输电杆塔的倾斜角度，不仅提高对输电杆塔的巡检效率，还提高了输电杆塔的监测精度。
附图说明
图1为一个实施例中输电杆塔监测方法的应用环境图；
图2为一个实施例中输电杆塔监测方法的流程示意图；
图3(a)为另一个实施例中巡检无人机采集到的输电杆塔正常运行下无倾斜的图像；
图3(b)为另一个实施例中巡检无人机采集到的输电杆塔经历7级风后发生倾斜的图像；
图4为另一个实施例中无倾斜角度的输电杆塔图像；
图5为另一个实施例中与处理后的输电杆塔的图像；
图6为另一个实施例中输电杆塔的分类图像；
图7为另一个实施例中误监测的输电杆塔区域的图像；
图8为另一个实施例中漏监测的输电杆塔区域的图像；
图9为另一个实施例中输电杆塔倾角在线监测结果分析图；
图10为另一个实施例中输电杆塔倾角在线监测实际应用前后的效果分析图；
图11为一个实施例中输电杆塔监测装置的结构框图；
图12为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的输电杆塔监测方法，可以应用于如图1所示的应用环境中。其中，监控终端102通过网络与处理设备104进行通信。数据存储系统可以存储处理设备104需要处理的数据。数据存储系统可以集成在处理设备104 上，也可以放在云上或其他网络服务器上。处理设备104获取监控终端102中包含输电杆塔的图像点云数据；根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据，构建点云金字塔；获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集；对输电杆塔点云数据集分析，得到输电杆塔的分类信息；根据输电杆塔的分类信息计算输电杆塔的倾斜程度。其中，监控终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备、便携式可穿戴设备和无人机等，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。处理设备104可以用独立的计算机设备或者是多个计算机设备组成的计算机集群来实现。
在一个实施例中，如图2所示，提供了一种输电杆塔监测方法，以该方法应用于图1中的处理设备104为例进行说明，包括以下步骤：
步骤202，获取包含输电杆塔的图像点云数据。
其中，监控终端102拍摄输电杆塔的图像，拍摄的图像包含有输电杆塔以及输电杆塔所在的环境，则得到的图像点云数据包括有输电杆塔的点云数据以及输电杆塔所在环境的点云数据。监控终端102将采集的包含输电杆塔的图像点云数据传输给处理设备104。处理设备104获取包含输电杆塔的图像点云数据。
具体地，处理设备104控制监控终端102的机载相机在不同位姿下采集输电杆塔以及输电杆塔周围环境的图像点云数据。
步骤204，根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据，构建点云金字塔。
其中，点云金字塔是指根据输电杆塔以及输电杆塔所在环境的整体空间范围，将空间划分为多个大小一致的方格，再依据输电杆塔以及输电杆塔周围环境的点云数据中的坐标将每个点放入对应的方格形成金字塔状的点云数据。点云金字塔的构建主要是描述输电塔的图像点云数据与空间的对应关系；金字塔第二层中的点云数据由第一层的输电塔的图像点云数据抽稀得到，第三层的点云由第二层的点云数据抽稀得到，依次类推，直至抽稀后的全部点云都在某一层的同一个方格内部，构建完成点云金字塔。结构参数是构建点云金字塔的条件。
具体地，处理设备获取根据图像点云数据计算点云金字塔的结构参数，再根据结构参数，将图像点云数据作为金字塔最底层的点运数据，构建点云金字塔。
步骤206，获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集。
其中，数据请求是指根据输电杆塔的型号和电压等级，获取标准输电杆塔图像点云数据，将标准输电杆塔图像点云数据与采集到的图像点云数据进行对比，读取点云数据密度不同的区域的点云数据，生成的差异点云数据请求。数据请求包括，差异点云数据的分辨率和差异点云数据的二维区间。
具体地，处理设备获取采集到的输电杆塔的型号和电压等级，根据输电杆塔的型号和电压等级获取标准输电杆塔的图像点云数据，再将标准输电杆塔的图像点云数据和采集的图像点云数据进行对比，读取点云数据密度不同的区域的点云数据，生成的差异点云数据请求，根据差异点云数据的分辨率和差异点云数据的二维区间从点云金字塔中得到输电杆塔的点云数据集。
步骤208，对输电杆塔点云数据集分析，得到输电杆塔的分类信息。
其中，输电杆塔的分类信息是指拍摄输电杆塔的图像区域内成的分类信息，例如，输电杆塔属性、输电线路和地理环境中的一个，但不限于此。其中输电杆塔的属性信息包括输电杆的结构形态、输电线路是指用变压器将发电机发出的电能升压后，再经断路器等控制设备接入所用的线路。地理环境是指输电杆塔所在的地理环境。例如绿地、雪地等中的一个，但不限于此。
具体地，处理设备对输电杆塔点云数据集的成分分析，得到输电杆塔的分类信息。
步骤210，根据输电杆塔的分类信息计算输电杆塔的倾斜程度。
具体地，处理设备根据输电杆塔的分类信息计算输电杆塔的倾斜角度。
上述输电杆塔监测方法中，获取包含输电杆塔的图像点云数据；根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据，构建点云金字塔；获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集；对输电杆塔点云数据集分析，得到输电杆塔的分类信息；根据输电杆塔的分类信息计算输电杆塔的倾斜程度，不仅提高对输电杆塔的巡检效率，还提高了输电杆塔的检测精度。
在一个实施例中，根据图像点云数据计算点云金字塔的结构参数，根据结构参数和图像点云数据构建点云金字塔，包括：获取图像点云数据的二维边界；根据二维边界及输电杆塔的指定参数计算点云金字塔的结构参数；基于二维边界和结构参数，生成点云金字塔各层瓦片的二维边界区间；根据各层瓦片的二维边间区间由下至上按顺序抽取图像点云信息部署在各层次瓦片内，构建点云金字塔；其中，点云金字塔底层点云数据为图像点云数据，第i+1层的点云数据为第i层数据抽稀后得到的点云数据，其中，i为正整数。
其中，二维边界是指描述点云数据的区域限定。输电杆塔的指定参数是指根据输电杆塔的型号和电压等级确定的参数。
具体地，处理设备根据点云数据获取点云数据的二维边界以及根据输电杆塔的型号和电压等级确定的指定参数，根据点云数据的二维边界确定点云坐标的最大值和最小值。通过点云坐标的最大值和最小值设定点云金字塔首层的尺寸，其余层则均匀抽稀，基于输电杆塔图像点云数据的二维边界以及指定参数，计算得出点云金字塔的结构参数并存储至设置文件内；基于金字塔各层瓦片的二维边界区间由下至上按顺序抽取部署数据至各层次瓦片内，塔底层点云数据为无人机搭载相机所采集的数据，第i+1层的点云数据为第i层数据抽稀后得到，其中，i为正整数。
本实施例中，通过构建金字塔，能够将输电杆塔点云数据有序存储起来。
在一个实施例中，获取数据请求，根据数据请求从点云金字塔中得到输电杆塔点云数据集，包括：获取数据请求；根据数据请求，确定点云金字塔最优层数对瓦片的检索区间；根据检索区间计算数据请求的二维边界与瓦片结构，得到重叠瓦片；获取重叠瓦片的第一候选点云数据，根据第一候选点云数据生成输电杆塔点云数据集。
具体地，处理设备获取数据请求，根据数据请求的分辨率，确定一个最优的点云金字塔层数n，即从最高层开始第一个平均点密度高于请求分辨率的金字塔层。根据数据请求的二维区间，获取数据请求的二维区间，将二维区间边界与瓦片结构进行重叠，确定覆盖区域的瓦片，对于完全重叠的瓦片，读取全部数据，对于部分重叠的瓦片，则选取落于数据请求范围的点云数据，通过点云滤波算法整合得到第一候选点云数据，再根据第一候选点云数据生成输电杆塔点云数据集。其中，根据数据请求的分辨率，确定一个最优的点云金字塔层数n，如要生成5米的数字高程模型。也可根据当前用户浏览的视角高度动态确定，如视点高度1000米对应1米点云浏览分辨率，高度5000米对应5米点云浏览分辨率。假设请求分辨率为r米，则最佳的点云金字塔层应当为从最上层数起，第一个点云平均密度大于r的金字塔层。
本实施例中，通过数据请求加载瓦片，能够节省计算资源。
在一个实施例中，在获取重叠瓦片的第一候选点云数据，根据第一候选点云数据生成输电杆塔点云数据集之后还包括：将输电杆塔点云数据集中的点云数据设为多叉树结构，并进行粗差去除得到第二候选点云数据；在多叉树的子节点边界位置处理第二候选点云数据并分组；删除未分组的子节点，将第二候选点云数据存储子节点内1/N个点，得到预处理后的输电杆塔点云数据。
其中，多叉树结构是指一个节点可能有若干个子节点，构造的一个较为复杂的树结构。多叉树结构包括：八叉树划分、四叉树划分、二叉树划分中的一种或多种。粗差是指在测量过程中不确定的意外因素造成的测量偏差。利用高程插值法对输电杆塔点云数据集进行粗差去除。
具体地，处理设备将将输电杆塔点云数据集中的点云数据设为多叉树结构，并利用高程插值法进行粗差去除，得到第二候选点云数据，在多叉树的子节点增加最小像素尺寸的边界位置优化第二候选点云数据，并将优化后的第二候选点云数据进行分组，删除未分组的子节点，将第二候选点云数据存储子节点内 1/N个点，得到预处理后的输电杆塔点云数据，其中，N是第二候选点云总数。
本实施例中，通过对点云数据集的预处理，能够达到大幅度节省计算资源。
在一个实施例中，对输电杆塔点云数据集分析，得到输电杆塔的分类信息，包括：对输电杆塔点云数据集进行空间分割，得到不同分割片；提取不同分割片的点云数据，计算杆塔特征值；其中，杆塔特征值包括第一特征值、第二特征值和第三特征值，当只有第一特征值、第二特征值和第三特征值中任一个杆塔特征值时，分割片呈一维分布，当有第一特征值、第二特征值和第三特征值中任意两个杆塔特征值时，分割片呈二维分布，当有第一特征值、第二特征值和第三特征值三个杆塔特征值时，分割片呈三维分布；根据杆塔特征值获取方差比例，基于方差比例获取不同维度的点云数据；将不同维度的点云数据集分为以基于最优分类超平面为约束条件的第一类点云数据，和以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件的第二类点云数据，构建多尺度分类器；根据多尺度分类器生成输电杆塔的分类信息。
其中，空间分割是指根据点云的特性，将三维坐标内的空间分成不同的区域，各个区域的特性是由点云数据的特性所决定。
具体地，处理设备对点云数据集进行空间扩展性分割，将点云数据按所处空间平面进行分类；提取不同分割片的点云数据，在利用主成分分析法计算，生成杆塔特征值，杆塔特征值包括第一特征值t1、第二特征值t2和第三特征值t3，当只有第一特征值t1、第二特征值t2和第三特征值t3中任一个杆塔特征值时，分割片呈一维分布，当有第一特征值t1、第二特征值t2和第三特征值t3中任意两个杆塔特征值时，分割片呈二维分布，当有第一特征值t1、第二特征值t2和第三特征值t3三个杆塔特征值时，分割片呈三维分布；通过第一特征值t1、第二特征值 t2和第三特征值t3，计算方差比例Pi；根据方差比例获取不同维度下的点云数据集；其中，方差Pi的计算公式是：Pi＝ti/(t1+t2+t3)，i＝1,2,3；设为不同维度下的点云数据集为(xi,yi)，xi为样本特征向量，yi为样本类别标签集，基于最优分类超平面为约束条件，将不同维度下的点云数据集分为第一类点云数据；其中，最优分类超平面为约束条件为：
yi(ω.xi+b)>1
上式中，xi为样本特征向量，yi为样本类别标签集，ω、x为向量，b为实数。以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件，通过拉格朗日乘数法求解最优分类超平面，对拉格朗日乘数法进行求偏导，获取多尺度分类器的判别函数，再根据多尺度分类器的判别函数获取多尺度分类器。其中，通过拉格朗日乘数法求解最优分类超平面的公式是：
上式中，xi为样本特征向量，yi为样本类别标签集，ω、x为向量，b为实数，ai为拉格朗日乘子。
分别对向量ω和实数b求偏导，在向量ω和实数b的偏导数为0时，求取其最优解，获取多尺度分类器的判别函数为：
上式中，xi为样本特征向量，yi为样本类别标签集，ω、x为向量，b为实数，ai为拉格朗日乘子，b*为分类阈值。
利用逻辑回归函数预测样本到超平面的距离d的置信度。在超平面中投影点云数据集，求解样本到超平面的距离d＝ωT·x-b，ωT、x为向量，b为实数，d 为样本到超平面的距离。
获取在两个方向上正交的d1与d2，(d1，d2)为二维平面的最大可分离坐标，根据d1与d2，生成二维平面内的直线，根据二维平面内的直线获取输电杆塔的分类信息。
本实施例中，通过不同约束条件对点云数据集进行分类，能够找到分割的最佳尺度组合。
在一个实施例中，根据输电杆塔的分类信息计算输电杆塔的倾斜程度，包括：根据输电杆塔的分类信息获取输电杆塔的倾斜角度；获取三轴加速度数据，根据三轴加速度数据构建空间直角坐标系；根据倾斜角度和所述空间直角坐标系三个正方向的夹角确定输电杆塔的倾斜程度。
其中，三轴加速度数据是指三轴加速度传感器基于加速度原理测得的空间加速度的数据。
具体地，处理设备根据输电杆塔的分类信息获取输电杆塔的倾斜角度以及获取三轴加速度数据，根据三轴加速度数据构建空间直角坐标系，通过计算输电杆塔各方向倾斜度和空间直角坐标系三个正方向的夹角，得到输电杆塔倾斜程度。其中，令输电杆塔杆塔倾斜情况下和三轴加速度数据构建空间直角坐标系X、Y、Z轴正方向的夹角分别为α、β、γ，夹角α、β、γ的计算公式分别为：
上式中，GX、GY、GZ、是空间直角坐标系X、Y、Z轴上重力加速度分量，α、β、γ是输电杆塔倾斜情况下和三轴加速度数据构建空间直角坐标系X、Y、Z轴正方向的夹角，α、β、γ的取值范围均为[-90°，+90°]。
本实施例中，通过三轴加速度数据构建空间直角坐标系计算输电杆塔倾斜程度，能够精准的分析出输电杆塔的倾斜程度。
本申请输电杆塔监测方法，下面结合一个详细的实施例描述输电杆塔监测的具体步骤：
(1)处理设备获取巡检无人机在不同位姿下沿着输电线路巡检时采集并反馈至地面站的输电杆塔图像，如图3所示，其中，图3(a)是巡检无人机在不同位姿下沿着输电线路巡检时采集并反馈至地面站的输电杆塔正常运行下无倾斜的图像，图3(b)是巡检无人机在不同位姿下沿着输电线路巡检时采集并反馈至地面站的输电杆塔经历7级风后发生倾斜的图像；
(2)处理设备根据巡检无人机在不同位姿下沿着输电线路巡检时采集并反馈至地面站的输电杆塔图像获取图像的点云数据；
(3)处理设备根据图像的点云数据，获取图像的点云数据的二维边界，为点云坐标的最大、最小值；
(4)处理设备根据输电杆塔的型号和电压等级获取指定参数，将整合输电杆塔图像点云数据的二维边界以及指定参数，计算得出点云金字塔的结构参数并存储至设置文件内；
(5)处理设备基于金字塔各层瓦片的二维边界区间由下至上按顺序抽取部署数据至各层次瓦片内，塔底层点云数据为无人机搭载相机所采集的数据，第 i+1层的点云数据为第i层数据抽稀后得到，构建9层点云金字塔，部分输电杆塔的第9层点云金字塔的点云效果如图4所示，其中，i为正整数。
(6)处理设备根据数据库中的输电杆塔的图像点云数据与巡检无人机在不同位姿下沿着输电线路巡检时采集并反馈至地面站的输电杆塔图像点云信息对比，生成数据请求；
(7)处理设备根据数据请求，确定最优层数n内对瓦片的检索区间进行读取，计算数据请求区间的二维边界并整合其余瓦片结构，得出重叠瓦片，读取完全重叠的瓦片数据，对于部分重叠的瓦片，选取落于请求范围多边形内的数据，由此得到机载相机在不同位姿下采集图像内的杆塔信息，归为一个点云数据集。
(8)处理设备对点云数据集中的点云设为八叉树结构对完成粗差去除的点云数据中的点属性队列予以存储；
(9)读取全部点云数据，在八叉树的子节点边界位置处理所有点云数据并分组；去除未分组的子节点，存储子节点内1/N个点，作为处理完成的数据点，以存储的数据点为抽稀后的点云数据，将初始点云删除，得到预处理后的图像信息，其中，部分输电杆塔的第9层点云金字塔的与处理后的点云效果如图5 所示；
(10)处理设备对点云进行空间扩展性分割，将所有点按所处空间平面进行分类；提取不同分割片的点云，利用主成分分析法计算杆塔特征值，得到t1、 t2、t3以及方差比例Pi＝ti/(t1+t2+t3)，i＝1,2,3；通过方差比例得出一维、二维、三维下的点云数量，其中，当只有一个特征值t1时，分割片呈一维分布，当有两个特征值t1、t2时，分割片呈二维分布，当有三个特征值t1、t2、t3时，分割片呈三维分布；
(11)处理设备设点云数据集为(xi,yi)，xi为样本特征向量，yi为样本类别标签集，对点云数据集进行二分类操作，其中第一类是以最优分类超平面为约束条件，公式表示为：
yi(ω.xi+b)>1
上式中，ω、x为向量，b为实数；
(12)处理设备以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件，通过拉格朗日乘数法求解最优分类超平面，公式表示为：
上式中，xi为样本特征向量，yi为样本类别标签集，ω、x为向量，b为实数，ai为拉格朗日乘子；
(13)处理设备分别对向量ω和实数b求偏导，在向量ω和实数b的偏导数为0时，求取其最优解，获取多尺度分类器的判别函数为：
上式中，xi为样本特征向量，yi为样本类别标签集，ω、x为向量，b为实数，ai为拉格朗日乘子，b*为分类阈值；
(14)处理设备利用逻辑回归函数预测样本到超平面的距离d的置信度。在超平面中投影点云数据集，求解样本到超平面的距离d＝ωT·x-b，ωT、x为向量，b为实数，d为样本到超平面的距离；
(15)获取在两个方向上正交的d1与d2，(d1，d2)为二维平面的最大可分离坐标，根据d1与d2，生成二维平面内的直线，根据二维平面内的直线获取输电杆塔的分类信息，如图6所示；
(16)处理设备根据输电杆塔的分类信息获取输电塔杆的倾斜角度以及获取三轴加速度数据，根据三轴加速度数据构建空间直角坐标系，通过计算杆塔各方向倾斜度和空间直角坐标系三个正方向的夹角，令杆塔倾斜情况下和三轴加速度数据构建空间直角坐标系X、Y、Z轴正方向的夹角分别为α、β、γ，夹角α、β、γ的计算公式分别为：
上式中，GX、GY、GZ、是空间直角坐标系X、Y、Z轴上重力加速度分量，α、β、γ是杆塔倾斜情况下和三轴加速度数据构建空间直角坐标系X、Y、Z轴正方向的夹角，α、β、γ的取值范围均为[-90°，+90°]；
(17)通过输电杆塔监测方法在线监测的输电杆塔倾斜数据分析其在不同风力因素下受到的影响，监测数据如表1所示，根据表1可知，8号线路在8级北风的情况下，倾角α、β、γ分别为47°、35°、48°，综合倾斜程度最低，6号线路在9级东南风的情况下，倾角α、β、γ分别为60°、75°、68°，综合倾斜程度最大；
表1
(18)结合图7所示，存在2个误监测的输电杆塔区域，杆塔的结构为镂空形态，其受恶劣且复杂的野外环境影响，造成少量输电杆塔的误监测；图8 可以看出，存在3个漏监测的输电杆塔区域，受到入射角的影响，输电塔区被塔体结构堵塞，虚假监测和漏检面积小，利用输电杆塔监测方法，能够正确显示输电塔的具体状态，监测精度高，符合预期目标，可以直观地显示远程监控终端中的工作人员的塔架状态。任意抽取某一个输电杆塔，利用本方法分析该杆塔在不同风力下的倾角，完成输电杆塔倾角在线监测，分析结果如图9所示。
(19)根据图9可知，不同风力下，输电杆塔的倾角随着风速的增加而扩大，稳定风时，风速低于2m/s时杆塔倾角未出现改变，风速超过2m/s后，杆塔倾角稳定提升，与杆塔倾角差距不大，最大差距约为0.2°；脉动风时，风速低于 1m/s时杆塔倾角未出现改变，风速超过1m/s后，杆塔倾角开始扩大，因为脉动风比较强烈，所以杆塔倾角摆动较为复杂，波动幅度较大，本方法获取的杆塔倾角与实际之间的差距较小，最大差距约为0.3°。说明本方法能够精准监测出输电杆塔的倾角，风速越大，杆塔倾角越大。
(20)对比输电杆塔监测方法在实际应用前后的效果，结果如图10所示。通过图10可以发现，本方法能够有效加强输电杆塔的运行安全性、减少工作人员的工作强度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的输电杆塔监测方法的输电杆塔监测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个输电杆塔监测装置实施例中的具体限定可以参见上文中对于输电杆塔监测方法的限定，在此不再赘述。
在一个实施例中，如图11所示，提供了一种输电杆塔监测装置，包括：数据获取模块1110、构建模块1120、选取模块1130、分析模块1140和计算模块1150，其中：
数据获取1110，用于获取包含输电杆塔的图像点云数据；
构建模块1120，用于根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
选取模块1130，用于获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
分析模块1140，用于对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
计算模块1150，用于根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
在一个实施例中，数据获取1110用于获取图像点云数据的二维边界；计算模块1150用于根据二维边界及输电杆塔的指定参数计算点云金字塔的结构参数；基于二维边界和结构参数，生成点云金字塔各层瓦片的二维边界区间；构建模块1120用于根据各层瓦片的二维边间区间由下至上按顺序抽取图像点云信息部署在各层次瓦片内，构建点云金字塔；其中，点云金字塔底层点云数据为图像点云数据，第i+1层的点云数据为第i层数据抽稀后得到的点云数据，其中， i为正整数。
在一个实施例中，上述输电杆塔监测装置还包括：区间确定模块。数据获取1110用于获取数据请求；区间确定模块用于根据数据请求，确定点云金字塔最优层数对瓦片的检索区间；根据检索区间计算数据请求的二维边界与瓦片结构，得到重叠瓦片；选取模块1130用于获取重叠瓦片的第一候选点云数据，根据第一候选点云数据生成输电杆塔点云数据集。
在一个实施例中，上述输电杆塔监测装置还包括：结构设置模块、粗差去除模块和存储模块。结构设置模块用于将输电杆塔点云数据集中的点云数据设为多叉树结构，粗差去除模块用于进行粗差去除得到第二候选点云数据；在多叉树的子节点边界位置处理所述第二候选点云数据并分组；存储模块用于删除未分组的子节点，将第二候选点云数据存储子节点内1/N个点，得到预处理后的输电杆塔点云数据。
在一个实施例中，上述输电杆塔监测装置还包括：分割模块。分割模块用于对输电杆塔点云数据集进行空间分割，得到不同分割片；计算模块1150用于提取不同分割片的点云数据，计算杆塔特征值；其中，杆塔特征值包括第一特征值、第二特征值和第三特征值，当只有所述第一特征值、第二特征值和第三特征值中任一个杆塔特征值时，分割片呈一维分布，当有第一特征值、第二特征值和第三特征值中任意两个杆塔特征值时，分割片呈二维分布，当有第一特征值、第二特征值和第三特征值三个杆塔特征值时，分割片呈三维分布；，数据获取1110用于根据杆塔特征值获取方差比例，基于方差比例获取不同维度的点云数据；构建模块1120将不同维度的点云数据集分为以基于最优分类超平面为约束条件的第一类点云数据，和以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件的第二类点云数据，构建多尺度分类器根据所述多尺度分类器生成所述输电杆塔的分类信息。
在一个实施例中，数据获取1110用于根据所述输电杆塔的分类信息获取输电杆塔的倾斜角度；数据获取1110用于获取三轴加速度数据，构建模块1120 根据三轴加速度数据构建空间直角坐标系；计算模块1150用于根据所述倾斜角度和所述空间直角坐标系三个正方向的夹角确定所述输电杆塔的倾斜程度。
上述输电杆塔监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储点云数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电杆塔监测方法。
本领域技术人员可以理解，图12中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器 (Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory， DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电杆塔监测方法，其特征在于，所述方法包括：
获取包含输电杆塔的图像点云数据；
根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据构建点云金字塔，包括：
获取所述图像点云数据的二维边界；
根据所述二维边界及输电杆塔的指定参数计算点云金字塔的结构参数；
基于所述二维边界和所述结构参数，生成点云金字塔各层瓦片的二维边界区间；
根据所述各层瓦片的二维边间区间由下至上按顺序抽取所述图像点云信息部署在各层次瓦片内，构建所述点云金字塔；其中，所述点云金字塔底层点云数据为所述图像点云数据，第i+1层的点云数据为第i层数据抽稀后得到的点云数据，其中，i为正整数。
3.根据权利要求2所述的方法，其特征在于，所述获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集，包括：
获取数据请求；
根据所述数据请求，确定所述点云金字塔最优层数对瓦片的检索区间；
根据所述检索区间计算所述数据请求的二维边界与瓦片结构，得到重叠瓦片；
获取所述重叠瓦片的第一候选点云数据，根据所述第一候选点云数据生成所述输电杆塔点云数据集。
4.根据权利要求3所述的方法，其特征在于，在所述获取所述重叠瓦片的第一候选点云数据，根据所述第一候选点云数据生成所述输电杆塔点云数据集之后，所述方法还包括：
将所述输电杆塔点云数据集中的点云数据设为多叉树结构，并进行粗差去除得到第二候选点云数据；
在多叉树的子节点边界位置处理所述第二候选点云数据并分组；
删除未分组的子节点，将所述第二候选点云数据存储子节点内1/N个点，得到预处理后的输电杆塔点云数据。
5.根据权利要求1所述的方法，其特征在于，所述对输电杆塔点云数据集分析，得到所述输电杆塔的分类信息，包括：
对输电杆塔点云数据集进行空间分割，得到不同分割片；
提取不同分割片的点云数据，计算杆塔特征值；其中，杆塔特征值包括第一特征值、第二特征值和第三特征值，当只有所述第一特征值、第二特征值和第三特征值中任一个杆塔特征值时，分割片呈一维分布，当有所述第一特征值、第二特征值和第三特征值中任意两个杆塔特征值时，分割片呈二维分布，当有第一特征值、第二特征值和第三特征值三个杆塔特征值时，分割片呈三维分布；
根据所述杆塔特征值获取方差比例，基于所述方差比例获取不同维度的点云数据集；
将所述不同维度的点云数据集分为以基于最优分类超平面为约束条件的第一类点云数据，和以点云数据集两个样本与超平面之间的最小距离之和最大为约束条件的第二类点云数据，构建多尺度分类器；
根据所述多尺度分类器生成所述输电杆塔的分类信息。
6.根据权利要求1所述的方法，其特征在于，所述根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度，包括：
根据所述输电杆塔的分类信息获取输电杆塔的倾斜角度；
获取三轴加速度数据，根据所述三轴加速度数据构建空间直角坐标系；
根据所述倾斜角度和所述空间直角坐标系三个正方向的夹角确定所述输电杆塔的倾斜程度。
7.一种输电杆塔监测装置，其特征在于，所述装置包括：
数据获取模块，用于获取包含输电杆塔的图像点云数据；
构建模块，用于根据所述图像点云数据计算点云金字塔的结构参数，根据所述结构参数和所述图像点云数据，构建点云金字塔；
选取模块，用于获取数据请求，根据所述数据请求从所述点云金字塔中得到输电杆塔点云数据集；
分析模块，用于对所述输电杆塔点云数据集分析，得到输电杆塔的分类信息；
计算模块，用于根据所述输电杆塔的分类信息计算所述输电杆塔的倾斜程度。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一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，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111512867.1A CN114387506A (zh) | 2021-12-11 | 2021-12-11 | 输电杆塔监测方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111512867.1A CN114387506A (zh) | 2021-12-11 | 2021-12-11 | 输电杆塔监测方法、装置、计算机设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114387506A true CN114387506A (zh) | 2022-04-22 |
Family
ID=81196574
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111512867.1A Pending CN114387506A (zh) | 2021-12-11 | 2021-12-11 | 输电杆塔监测方法、装置、计算机设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114387506A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019111A (zh) * | 2022-08-05 | 2022-09-06 | 天津艺点意创科技有限公司 | 用于互联网文创作品的数据处理方法 |
| CN115601688A (zh) * | 2022-12-15 | 2023-01-13 | 中译文娱科技（青岛）有限公司（Cn） | 基于深度学习的视频主体内容检测方法及系统 |
| CN115880276A (zh) * | 2023-01-09 | 2023-03-31 | 广东电网有限责任公司肇庆供电局 | 一种基于多期点云对比的塔杆运行状态评估方法及系统 |
-
2021
- 2021-12-11 CN CN202111512867.1A patent/CN114387506A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115019111A (zh) * | 2022-08-05 | 2022-09-06 | 天津艺点意创科技有限公司 | 用于互联网文创作品的数据处理方法 |
| CN115019111B (zh) * | 2022-08-05 | 2022-10-04 | 天津艺点意创科技有限公司 | 用于互联网文创作品的数据处理方法 |
| CN115601688A (zh) * | 2022-12-15 | 2023-01-13 | 中译文娱科技（青岛）有限公司（Cn） | 基于深度学习的视频主体内容检测方法及系统 |
| CN115880276A (zh) * | 2023-01-09 | 2023-03-31 | 广东电网有限责任公司肇庆供电局 | 一种基于多期点云对比的塔杆运行状态评估方法及系统 |
| CN115880276B (zh) * | 2023-01-09 | 2023-05-12 | 广东电网有限责任公司肇庆供电局 | 一种基于多期点云对比的塔杆运行状态评估方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220028163A1 (en) | Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images | |
| US11686849B2 (en) | Augmented three dimensional point collection of vertical structures | |
| US20210026377A1 (en) | Method and Device for Generating an Unmanned Aerial Vehicle Flight Trajectory, Computer Apparatus and Storage Medium | |
| CN114387506A (zh) | 输电杆塔监测方法、装置、计算机设备、存储介质 | |
| EP2849117B1 (en) | Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling | |
| Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
| Jiang et al. | Efficient structure from motion for oblique UAV images based on maximal spanning tree expansion | |
| CN112305559A (zh) | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 | |
| CN112070870B (zh) | 点云地图评估方法、装置、计算机设备和存储介质 | |
| Xiao et al. | Building segmentation and modeling from airborne LiDAR data | |
| CN113537180B (zh) | 树障的识别方法、装置、计算机设备和存储介质 | |
| Yadav et al. | Identification of trees and their trunks from mobile laser scanning data of roadway scenes | |
| CN116482711A (zh) | 一种用于着陆区自主选择的局部静态环境感知方法及装置 | |
| CN112836698A (zh) | 一种定位方法、装置、存储介质及电子设备 | |
| CN114332134A (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
| CN114022760A (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
| Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
| Zhou | 3D urban modeling from city-scale aerial LiDAR data | |
| CN116052023A (zh) | 基于三维点云的电力巡检地物分类方法及存储介质 | |
| Li et al. | [Retracted] PointLAE: A Point Cloud Semantic Segmentation Neural Network via Multifeature Aggregation for Large‐Scale Application | |
| Chen et al. | Intelligent interpretation of the geometric properties of rock mass discontinuities based on an unmanned aerial vehicle | |
| Husain et al. | An automated method for power line points detection from terrestrial LiDAR data | |
| Pendyala et al. | Comparative Study of Automatic Urban Building Extraction Methods from Remote Sensing Data | |
| Xu et al. | A method for accurately extracting power lines and identifying potential intrusion risks from urban laser scanning data | |
| Gézero et al. | Multigrid cell shape evaluation in DTM filtering of mobile lidar point clouds |
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 |