CN114639024A - 一种输电线路激光点云自动分类方法 - Google Patents
一种输电线路激光点云自动分类方法 Download PDFInfo
- Publication number
- CN114639024A CN114639024A CN202210201879.0A CN202210201879A CN114639024A CN 114639024 A CN114639024 A CN 114639024A CN 202210201879 A CN202210201879 A CN 202210201879A CN 114639024 A CN114639024 A CN 114639024A
- Authority
- CN
- China
- Prior art keywords
- height difference
- voxels
- laser point
- point cloud
- voxel
- 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 41
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000003860 storage Methods 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种输电线路的激光点云自动分类方法,包括以下步骤:旋转档间的激光点云使两根输电杆塔的电力线转至同一方向;将旋转后的激光点云拆分为体素;根据高度差对初始类别体素进行一次识别;利用高度差对电力线类别的体素进行二次识别;利用聚类方法对二次识别后的电力线类别体素进行三次识别;识别杆塔类别的激光点;识别地面类别的激光点。该分类方法提高了激光点云处理算法的自动化程度,有效提升点云分析处理效率,保证及时发现输电线路运行安全的缺陷和隐患,为输电线路安全运行提供重要技术支撑。
Description
技术领域
本发明涉及电力巡检技术领域,特别涉及一种输电线路激光点云自动分类。
背景技术
随着国民经济的高速发展,对高电压、大功率、长距离输电需求的提高,线路走廊穿越的地理环境越来越复杂,对其运行维护日趋困难。输电线路覆盖区域广,沿线地形复杂多样,当线路穿越植被覆盖的山区时,对于植被茂密的地区无法测量,或直接采取将视野范围内植被砍伐掉再进行测量的手段,造成许多不必要的植被砍伐,破坏了周围环境。机载激光雷达以无人机、直升机等为平台,发射的高频率激光脉冲具有一定穿透性,能够穿透茂密植被冠层,获取林下地形信息,非常适于狭长区域、植被覆盖、地形复杂区域的三维信息获取,这为数字电网建设和线路安全巡检等提供了强有力的技术支撑,其应用可覆盖线路走廊危险地物检测、电力线间距离的精细量测、输电线路三维可视化管理、输电线路增容分析、树木砍伐评估和管理等。机载雷达获取的激光点云数据海量密集,信息丰富,数据量大,而目前的激光点云处理算法自动化程度低,不能自动对激光点云类别进行分类,无法满足电力运维的需求。
发明内容
本发明的目的在于克服现有技术的缺陷,提供一种输电线路的激光点云自动分类方法,提高激光点云处理算法的自动化程度,有效提升点云分析处理效率,保证及时发现输电线路运行安全的缺陷和隐患,为输电线路安全运行提供重要技术支撑。
本发明的技术方案是:一种输电线路的激光点云自动分类方法,包括以下步骤:
步骤S100:旋转档间的激光点云使两根输电杆塔的电力线转至同一方向;
步骤S200:将旋转后的激光点云拆分为体素;
步骤S300:根据高度差对初始类别体素进行一次识别;
步骤S400:利用高度差对电力线类别的体素进行二次识别;
步骤S500:利用聚类方法对二次识别后的电力线类别体素进行三次识别;
步骤S600:识别杆塔类别的激光点;
步骤S700:识别地面类别的激光点。
进一步地,步骤S300、S400和步骤S500中是以体素为单位进行识别,步骤S600、S700中是以激光点为单位进行识别。
进一步地,所述步骤S100还包括以下步骤:
步骤S110:获取档间两根输电杆塔的中心位置坐标;
步骤S120:根据位置坐标计算两根输电杆塔连线的斜率;
步骤S130:计算斜率对应的旋转角度;
步骤S140:根据旋转角度旋转档间的激光点云;
步骤S150:计算旋转后的激光点云各方向的坐标最小值;
步骤S160:设置激光点的类别。
进一步地,所述步骤S200还包括以下步骤:
步骤S210:根据旋转后的激光点云坐标,放入对应体素中;
步骤S220:根据海拔高度对所有体素进行排序;
步骤S230:创建体素标号与体素高度差的关联关系。
进一步地,所述步骤S300还包括以下步骤:
步骤S310:将关联关系中所有的高度差相加并除以体素数量,得到平均高度差Zavg;
步骤S320:以平均高度差Zavg将所有体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素;
步骤S330:对步骤S320中的两部分体素分别再求平均高度差ZavgTop和ZavgBottom;
步骤S340:对平均高度差Zavg进行优化;
步骤S350:根据平均高度差Zavg识别体素类别。
进一步地,所述步骤S400还包括以下步骤:
步骤S410:计算电力线类别体素的平均高度差ZavgCube;
步骤S420:以平均高度差ZavgCube将电力线类别体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素;
步骤S430:对步骤S420中的两部分体素分别再求平均高度差ZavgCubeTop和ZavgCubeBottom;
步骤S440:对平均高度差ZavgCube进行优化;
步骤S450:对于每个电力线类别体素,高度差大于等于ZavgCube的体素类别不变,高度差小于ZavgCube的体素变为植被类型。
进一步地,所述步骤S500还包括:对于所有电力线类型的体素进行DBScan聚类,在聚类结果中,数量最大的体素类别不变,其他的聚类结果对应的体素设为植被类别。
进一步地,所述步骤S600还包括以下步骤:
步骤S610:确定档间线路宽度;
步骤S620:根据档间线路宽度识别杆塔类别的激光点。
进一步地,所述步骤S700还包括以下步骤:
步骤S710:计算所有植被类别的体素的高度差,最小值为Heightmin;
步骤S720:遍历所有体素,以每个体素的最低点为基准,找到和最低点高度差小于等于Heightmin的激光点,设置激光点的类别为地面类别,否则保持原有类别。
本发明具有以下有益效果:本发明是针对输电线路档间的激光点云数据特点提出的快速分类算法,相较于其他算法,针对性强、适用性好、分类速度快;本发明提出利用高度差来衡量激光点云数据在空间分布上的连续性,比直接使用高度、密度等数据分类更加精确;本发明提出了输电线路档间点云数据自动分类为杆塔、电力线、植被、地面类别的整体思路及算法,且分类结果精确,提高了激光点云自动分类算法的自动化程度,有效提升了激光点云分析处理效率。
附图说明
图1是本发明实施方式的输电线路的激光点云自动分类方法的流程简图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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做出创造性劳动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。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
一种输电线路的激光点云自动分类方法,在处理激光点云前,首先对激光点云数据进行切档,每两根输电杆塔以及之间的通道作为一个档间;激光点云本身是离散的,没有属性类别,根据输电线路的实际地表情况,对激光点的类别进行分类,定义为初始类别、电力线类别、植被类别、杆塔类别、地面类别。
激光点云坐标是三维坐标,定义东西方向为X轴方向,南北方向为Y轴方向,海拔高度为Z轴方向。
具体包括以下步骤:
步骤S100:旋转档间的激光点云使两根输电杆塔的电力线转至同一方向。
该方向可以是X轴方向,也可以是Y轴方向,
步骤S110:获取档间两根输电杆塔的中心位置坐标。
根据起始杆塔的位置Xstart、Ystart以及终止杆塔的位置Xend、Yend,计算两根杆塔坐标的中心点坐标Xmiddle、Ymiddle:
X_middle=(Xstart+Xend)/2;
Y_middle=(Ystart+Yend)/2;
步骤S120:根据位置坐标计算两根输电杆塔连线的斜率。
根据起始杆塔的位置Xstart、Ystart以及终止杆塔的位置Xend、Yend,计算两根杆塔组成的斜率K:
K=(Yend-Ystart)/(Xend-Xstart);
步骤S130:计算斜率对应的旋转角度。
根据上步骤中计算得到的斜率K,根据反正切公式求出斜率K对应的角度α:
α=tan-1K;
步骤S140:根据旋转角度旋转档间的激光点云。
根据角度α对当前档间的激光点云进行旋转,旋转中心为Xmiddle、Ymiddle。如果设定旋转至X轴平行的方向,则斜率α≥0顺时针旋转,斜率α<0逆时针旋转。
步骤S150:计算旋转后的激光点云各方向的坐标最小值。
计算旋转后的激光点云数据中每个点的坐标值X、Y,其计算公式如下:
X=(X-X_middle)×cosα-(Y-Y_middle)×sinα+X_middle;
Y=(X-X_middle)×sinα-(Y-Y_middle)×sinα+Y_middle;
根据上述公式确定所有激光点中,三个方向的坐标最小值Xmin、Ymin、Zmin。以Xmin举例:先将Xmin设置为特别大的值,如果旋转后的激光点云坐标X≤Xmin,则以此时的X刷新Xmin的值,大于则不刷新;之后比较下一个激光点的X,小于则刷新,大于则不刷新,如此循环反复,直至处理完当前档间的所有激光点云数据。Ymin、Zmin同理。
步骤S160:设置激光点的类别。
开始时将所有激光点的类别都设置为初始类别。
档间的激光点云是一个细长的区域,如果直接体素分割,会产生许多空的区域,大大的增加了计算量和存储量,所以对档间的激光点云先进行旋转,然后进行体素化。
步骤S200:将旋转后的激光点云拆分为体素。
步骤S210:根据旋转后的激光点云坐标,放入对应体素中。
设置体素宽度阈值CUBE,在XY方向分别以宽度阈值CUBE划分网格,生成体素,根据激光点云的坐标,将每个档间的激光点云中的每个激光点分别放入对应位置的体素当中,根据XY坐标最小值、体素宽度阈值即可计算得出体素所在行列。XIndex、YIndex为体素标号,体素标号指出了这是第几行第几列的体素:
Xindex=(X-Xmin)/CUBE;
Yindex=(Y-Ymin)/CUBE;
步骤S220:根据海拔高度对所有体素进行排序。
对每个体素中所有激光点的Z值从高到低进行排序,以相邻两点间差值的最大值作为该体素的高度差。
步骤S230:创建体素标号与体素高度差的关联关系。
受地形和地物的影响,每个体素的最低点的高度并不相同。如果统一以某个体素的最低点为基准点,其他体素的最低点都平移至该基准点高度,且体素中剩余点也按照偏移距离和偏移方向进行偏移,导致所有体素都需要遍历包含的所有激光点云,效率过低,因此需要保留每个体素的高度值。
后续步骤对点云的计算,是以体素为单位进行计算的,创建体素与体素中的点云高度差的关联关系,创建“键值对”类型的关联关系Height-CubeIndex。键为当前体素的最高点高度和最低点高度的高度差;值为当前体素的体素下标XIndex、YIndex,即通过“键值对”将每个体素的高度差都保留下来。
步骤S300:根据高度差对初始类别体素进行一次识别。
为了避免高物对输电线路产生隐患,在输电线路电力线下方以及附近,是不允许存在高植被的,故高物较少且线路一定范围内基本不存在高物,因此,在电力线附近,体素高度差较大;远离电力线的区域,体素高度差较小。
步骤S310:将关联关系Height_CubeIndex中所有的高度差相加并除以体素数量,得到平均高度差Zavg。
步骤S320:以平均高度差Zavg将所有体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素。
步骤S330:对上述两部分体素分别再求平均高度差ZavgTop和ZavgBottom。
步骤S340:对平均高度差Zavg进行优化。
将ZavgTop和ZavgBottom取中值ZavgMiddle,ZavgMiddle和Zavg进行对比。如果两者差别较大,则将当前中值ZavgMiddle的值作为Zavg的值,并重复步骤S320-步骤S340;如果Zavg和ZavgMiddle的差别极小则退出循环,多轮优化后得到稳定的平均高度差Zavg。
步骤S350:根据平均高度差Zavg识别体素的类别。
将所有体素中高度差小于Zavg的体素设置为植被类别,反之设置为电力线类别。这里所值的体素类别,是指每个体素中的所有激光点云为同一类别,植被类别的体素中的所有激光点云都为植被类别,电力线类别的体素中的所有激光点云都为电力线类别。
步骤S400:利用高度差对电力线类别的体素进行二次识别。
考虑到杆塔的激光点云在垂直方向的连贯性强,但是电力线往往和下方的地物(地面及地面物体)保持一定距离。由此可依据高度差变化,分离出包含植被的体素以及包含电力线的体素。
步骤S410:计算电力线类别体素的平均高度差ZavgCube。
步骤S420:以平均高度差ZavgCube将电力线类别体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素。
步骤S430:对上述两部分体素分别再求平均高度差ZavgCubeTop和ZavgCubeBottom。
步骤S440:对平均高度差ZavgCube进行优化。
将ZavgCubeTop和ZavgCubeBottom取中值ZavgCubeMiddle,将和ZavgCube进行对比。如果差别较大,则将当前中值ZavgCubeMiddle的值作为ZavgCube的值,并重复步骤S420-步骤S440;如果ZavgCube和ZavgCubeMiddle的差别极小则退出循环。
经过上述处理后,杆塔基本会在塔身中间被截取,电力线和地物基本会在电力线和地物之间的地方进行截取。
步骤S450:对于每个电力线类别体素,高度差大于等于ZavgCube的体素类别不变,高度差小于ZavgCube的体素变为植被类型。
步骤S500:利用聚类方法对二次识别后的电力线类别体素进行三次识别。
经过上述步骤,已经大致分离出来体素中的植被与电力线,但由于存在较高植被的干扰,需进行筛查。在俯视情况下,考虑到档间的激光点云中线路占比最大,而且此时也将档间中的高物提取了出来,所以需要排除远离杆塔以及电力线的高植被干扰。
对于所有电力线类型的体素进行DBScan聚类,在聚类结果中,数量最大的体素类别不变,其他的聚类结果对应的体素均为干扰,设为植被类别。
步骤S600:识别杆塔类别的激光点。
步骤S610:确定档间线路宽度。
因为激光点云已经被旋转至水平状态,所以选取起始杆塔所在体素的列数XstartIndex和终止杆塔所在体素的列数XendIndex。选取列坐标为XstartIndex+1的所有含有电力线的体素,找出电力线点中Y值最小和最大的,设为YlineMin、YlineMax。再选取列坐标为XstartIndex+2的所有含有电力线体素.如果某一个体素中的电力线点的Y值大于YlineMax则刷新YlineMax;如果某一个体素中的电力线点的Y值小于YlineMin则刷新YlineMin。直至XstartIndex和XendIndex相等。线路宽度lineWidth的计算公式如下:
lineWidth=(YlineMin+YlineMax)/2;
步骤S620:根据档间线路宽度识别杆塔类别的激光点。
因为已知杆塔坐标,则以起始杆塔和终止杆塔坐标为圆心,以lineWidth为半径画圆。遍历所有体素,如果某个体素和任意一个圆有交集,则遍历体素中的激光点云,若该激光点到杆塔坐标的水平距离小于等于lineWidth,则该激光点的类别更新为杆塔类别,否则保持原有类别。
步骤S700:识别地面类别的激光点。
步骤S710:计算所有植被类别的体素的高度差,最小值为Heightmin。
步骤S720:遍历所有体素,以每个体素的最低点为基准,找到和最低点高度差小于等于Heightmin的激光点,设置激光点的类别为地面类别,否则保持原有类别。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种输电线路的激光点云自动分类方法,其特征在于,包括以下步骤:
步骤S100:旋转档间的激光点云使两根输电杆塔的电力线转至同一方向;
步骤S200:将旋转后的激光点云拆分为体素;
步骤S300:根据高度差对初始类别体素进行一次识别;
步骤S400:利用高度差对电力线类别的体素进行二次识别;
步骤S500:利用聚类方法对二次识别后的电力线类别体素进行三次识别;
步骤S600:识别杆塔类别的激光点;
步骤S700:识别地面类别的激光点。
2.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,步骤S300、S400和步骤S500中是以体素为单位进行识别,步骤S600、S700中是以激光点为单位进行识别。
3.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S100还包括以下步骤:
步骤S110:获取档间两根输电杆塔的中心位置坐标;
步骤S120:根据位置坐标计算两根输电杆塔连线的斜率;
步骤S130:计算斜率对应的旋转角度;
步骤S140:根据旋转角度旋转档间的激光点云;
步骤S150:计算旋转后的激光点云各方向的坐标最小值;
步骤S160:设置激光点的类别。
4.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S200还包括以下步骤:
步骤S210:根据旋转后的激光点云坐标,放入对应体素中;
步骤S220:根据海拔高度对所有体素进行排序;
步骤S230:创建体素标号与体素高度差的关联关系。
5.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S300还包括以下步骤:
步骤S310:将关联关系中所有的高度差相加并除以体素数量,得到平均高度差Zavg;
步骤S320:以平均高度差Zavg将所有体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素;
步骤S330:对步骤S320中的两部分体素分别再求平均高度差ZavgTop和ZavgBottom;
步骤S340:对平均高度差Zavg进行优化;
步骤S350:根据平均高度差Zavg识别体素类别。
6.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S400还包括以下步骤:
步骤S410:计算电力线类别体素的平均高度差ZavgCube;
步骤S420:以平均高度差ZavgCube将电力线类别体素分成两部分,即高度差大于等于平均高度差的体素和高度差小于平均高度差的体素;
步骤S430:对步骤S420中的两部分体素分别再求平均高度差ZavgCubeTop和ZavgCubeBottom;
步骤S440:对平均高度差ZavgCube进行优化;
步骤S450:对于每个电力线类别体素,高度差大于等于ZavgCube的体素类别不变,高度差小于ZavgCube的体素变为植被类型。
7.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S500还包括:对于所有电力线类型的体素进行DBScan聚类,在聚类结果中,数量最大的体素类别不变,其他的聚类结果对应的体素设为植被类别。
8.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S600还包括以下步骤:
步骤S610:确定档间线路宽度;
步骤S620:根据档间线路宽度识别杆塔类别的激光点。
9.根据权利要求1所述的一种输电线路的激光点云自动分类方法,其特征在于,所述步骤S700还包括以下步骤:
步骤S710:计算所有植被类别的体素的高度差,最小值为Heightmin;
步骤S720:遍历所有体素,以每个体素的最低点为基准,找到和最低点高度差小于等于Heightmin的激光点,设置激光点的类别为地面类别,否则保持原有类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201879.0A CN114639024A (zh) | 2022-03-03 | 2022-03-03 | 一种输电线路激光点云自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210201879.0A CN114639024A (zh) | 2022-03-03 | 2022-03-03 | 一种输电线路激光点云自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114639024A true CN114639024A (zh) | 2022-06-17 |
Family
ID=81948700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210201879.0A Pending CN114639024A (zh) | 2022-03-03 | 2022-03-03 | 一种输电线路激光点云自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114639024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118657898A (zh) * | 2024-08-21 | 2024-09-17 | 国网江苏省电力有限公司南京供电分公司 | 基于三维点云模型的电力杆塔部件自动提取方法和系统 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767389A (zh) * | 2017-10-27 | 2018-03-06 | 云南电网有限责任公司电力科学研究院 | 一种基于机载激光点云数据的输电线自动提取方法 |
CN108181635A (zh) * | 2017-12-11 | 2018-06-19 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种用于输电线路交叉跨越分析的激光点云分类方法 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN110060289A (zh) * | 2019-04-26 | 2019-07-26 | 深圳市镭神智能系统有限公司 | 电力线提取方法和激光雷达系统、存储介质 |
CN111504195A (zh) * | 2020-05-19 | 2020-08-07 | 北京数字绿土科技有限公司 | 基于激光点云的电力基建验收方法及装置 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及系统 |
CN112380893A (zh) * | 2020-09-15 | 2021-02-19 | 广东电网有限责任公司 | 一种机载激光点云数据的输电线走廊自动识别方法 |
WO2021041854A1 (en) * | 2019-08-30 | 2021-03-04 | Nvidia Corporation | Object detection and classification using lidar range images for autonomous machine applications |
US20210224613A1 (en) * | 2017-11-29 | 2021-07-22 | Beijing Greenvalley Technology Co., Ltd. | Method, Apparatus, and Device for Classifying LiDAR Point Cloud Data, and Storage Medium |
CN113792566A (zh) * | 2020-05-25 | 2021-12-14 | 华为技术有限公司 | 一种激光点云的处理方法及相关设备 |
CN113963276A (zh) * | 2021-10-22 | 2022-01-21 | 云南电网有限责任公司电力科学研究院 | 一种输电线路无人机自主巡检方法及系统 |
CN114120110A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学院紫金山天文台 | 一种混杂场景机载激光点云分类的多粒度计算方法 |
CN114114314A (zh) * | 2021-11-08 | 2022-03-01 | 国网福建省电力有限公司漳州供电公司 | 基于激光点云的输电线路巡检检测系统及检测方法 |
-
2022
- 2022-03-03 CN CN202210201879.0A patent/CN114639024A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107767389A (zh) * | 2017-10-27 | 2018-03-06 | 云南电网有限责任公司电力科学研究院 | 一种基于机载激光点云数据的输电线自动提取方法 |
US20210224613A1 (en) * | 2017-11-29 | 2021-07-22 | Beijing Greenvalley Technology Co., Ltd. | Method, Apparatus, and Device for Classifying LiDAR Point Cloud Data, and Storage Medium |
CN108181635A (zh) * | 2017-12-11 | 2018-06-19 | 中国南方电网有限责任公司超高压输电公司广州局 | 一种用于输电线路交叉跨越分析的激光点云分类方法 |
CN109948414A (zh) * | 2018-12-29 | 2019-06-28 | 中国科学院遥感与数字地球研究所 | 基于LiDAR点云特征的电力走廊场景分类方法 |
CN110060289A (zh) * | 2019-04-26 | 2019-07-26 | 深圳市镭神智能系统有限公司 | 电力线提取方法和激光雷达系统、存储介质 |
WO2021041854A1 (en) * | 2019-08-30 | 2021-03-04 | Nvidia Corporation | Object detection and classification using lidar range images for autonomous machine applications |
CN111504195A (zh) * | 2020-05-19 | 2020-08-07 | 北京数字绿土科技有限公司 | 基于激光点云的电力基建验收方法及装置 |
CN113792566A (zh) * | 2020-05-25 | 2021-12-14 | 华为技术有限公司 | 一种激光点云的处理方法及相关设备 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
CN112101092A (zh) * | 2020-07-31 | 2020-12-18 | 北京智行者科技有限公司 | 自动驾驶环境感知方法及系统 |
CN112380893A (zh) * | 2020-09-15 | 2021-02-19 | 广东电网有限责任公司 | 一种机载激光点云数据的输电线走廊自动识别方法 |
CN113963276A (zh) * | 2021-10-22 | 2022-01-21 | 云南电网有限责任公司电力科学研究院 | 一种输电线路无人机自主巡检方法及系统 |
CN114114314A (zh) * | 2021-11-08 | 2022-03-01 | 国网福建省电力有限公司漳州供电公司 | 基于激光点云的输电线路巡检检测系统及检测方法 |
CN114120110A (zh) * | 2021-11-22 | 2022-03-01 | 中国科学院紫金山天文台 | 一种混杂场景机载激光点云分类的多粒度计算方法 |
Non-Patent Citations (1)
Title |
---|
陈驰;彭向阳;宋爽;王柯;钱金菊;杨必胜;: "大型无人机电力巡检LiDAR点云安全距离诊断方法", 电网技术, no. 08, 31 August 2017 (2017-08-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118657898A (zh) * | 2024-08-21 | 2024-09-17 | 国网江苏省电力有限公司南京供电分公司 | 基于三维点云模型的电力杆塔部件自动提取方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829199B (zh) | 基于LiDAR点云的电力线快速分层提取方法 | |
CN113034689B (zh) | 基于激光点云的地形三维模型及地形图构建方法和系统、存储介质 | |
CN108181635B (zh) | 一种用于输电线路交叉跨越分析的激光点云分类方法 | |
AU2012255696B2 (en) | Method and system for processing image data | |
CN108873013B (zh) | 一种采用多线激光雷达的道路可通行区域获取方法 | |
CN111598823A (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
CN108037514A (zh) | 一种使用激光点云进行树障安全检测方法 | |
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 | |
CN108562885B (zh) | 一种高压输电线路机载LiDAR点云提取方法 | |
CN114065339A (zh) | 一种基于三维可视化模型的高塔建设选址方法 | |
CN114639024A (zh) | 一种输电线路激光点云自动分类方法 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
Janowski | The circle object detection with the use of Msplit estimation | |
CN106383998A (zh) | 一种基于地面激光雷达扫描的树木胸径自动计算方法 | |
Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
CN111895907B (zh) | 一种电塔点云提取方法、系统及设备 | |
CN112199453A (zh) | 话务热点聚类方法、装置、设备及计算机存储介质 | |
CN111951350A (zh) | 一种夷平面级数与高度的自动判别方法 | |
CN111080536A (zh) | 一种机载激光雷达点云的自适应滤波方法 | |
Gaha et al. | A new LiDAR-based approach for poles and distribution lines detection and modelling | |
CN114967728B (zh) | 一种无人机集群协同搜索方法 | |
CN116109751A (zh) | 一种ICESat-2山区地表激光点云提取方法 | |
Zhao et al. | Power Tower extraction method under complex terrain in mountainous area based on Laser Point Cloud data | |
CN116189122A (zh) | 道路边界的识别方法及装置、存储介质、终端 | |
Chen et al. | Power line extraction and analysis based on LiDAR |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231101 Address after: 211112 No.19 Tianyuan Middle Road, Science Park, Jiangning District, Nanjing City, Jiangsu Province Applicant after: JIANGSU FANGTIAN POWER TECHNOLOGY Co.,Ltd. Address before: 211112 No.19 Tianyuan Middle Road, Science Park, Jiangning District, Nanjing City, Jiangsu Province Applicant before: JIANGSU FANGTIAN POWER TECHNOLOGY Co.,Ltd. Applicant before: Beijing Zhongguancun Zhilian Safety Science Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right |