CN115049793B - 基于数字孪生的输电线路树木生长可视化预测方法及装置 - Google Patents
基于数字孪生的输电线路树木生长可视化预测方法及装置 Download PDFInfo
- Publication number
- CN115049793B CN115049793B CN202210984081.8A CN202210984081A CN115049793B CN 115049793 B CN115049793 B CN 115049793B CN 202210984081 A CN202210984081 A CN 202210984081A CN 115049793 B CN115049793 B CN 115049793B
- Authority
- CN
- China
- Prior art keywords
- tree
- transmission line
- power transmission
- point cloud
- growth
- 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
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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及输电线路安全技术领域,公开了基于数字孪生的输电线路树木生长可视化预测方法及装置。本发明获取目标输电线路的激光点云数据和图像数据,从中提取树木点云数据并构建树种三维模型库;根据从图像数据中识别到的图像目标种类从该模型库中匹配相应的目标三维模型,采用迭代最近点算法将目标三维模型放置于对应树木点云位置,搭建成输电线路三维场景模型;构建目标输电线路沿线环境的数字孪生体,并对该场景模型中的各树种三维模型关联相应的树木生长模型,构建成数字孪生空间,并以树木生长环境数据作为树木生长模型的输入,实现在所述数字孪生空间中不同周期内树木生长的可视化预测。本发明能够实现高效直观的输电线路树木生长预测。
Description
技术领域
本发明涉及输电线路安全技术领域,尤其涉及基于数字孪生的输电线路树木生长可视化预测方法及装置。
背景技术
输电线路在电能远距离输送上具有重要的作用,其稳定与安全问题格外重要。由于树木与输电线路的安全距离不足而引发的输电线路故障时有发生,严重影响电网的稳定运行。
为保证电网的稳定运行,传统技术中通过人工巡检方式对输电线路进行定期实地巡查,以查看输电线路区域树木生长的情况。人工巡检方式受时间、天气以及线路复杂地理位置的影响,存在着费时费力,检测到的数据无法及时录入数据库并进行分析,且难以预测树木的生长趋势。
现有技术中利用激光雷达、摄像头等在线监测手段实现对输电线路区域树木情况的监测,然而这类手段无法难以实现对输电线路中树木生长趋势的可视化预测。
发明内容
本发明提供了基于数字孪生的输电线路树木生长可视化预测方法及装置,解决了如何实现高效直观的输电线路树木生长预测的技术问题。
本发明第一方面提供一种基于数字孪生的输电线路树木生长可视化预测方法,包括:
获取目标输电线路的激光点云数据和图像数据;
从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库;
对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类;
根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型;
构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间;
获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
根据本发明第一方面的一种能够实现的方式,所述从所述激光点云数据中提取树木点云数据,包括:
根据杆塔、线路及不同种类树木对应的三维点云特征高度,对所述激光点云数据进行分层,对每层激光点云数据进行聚类,根据得到的聚类结果提取树木点云数据。
根据本发明第一方面的一种能够实现的方式,所述对所述图像数据进行树木及对应树木种类识别,包括:
将不同种类的树木图像划分为训练集和测试集;
根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
根据本发明第一方面的一种能够实现的方式,所述方法还包括:
根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
若所述距离超过预置的安全距离,输出相应的预警信息。
本发明第二方面提供一种基于数字孪生的输电线路树木生长可视化预测装置,包括:
数据获取模块,用于获取目标输电线路的激光点云数据和图像数据;
树种三维模型库构建模块,用于从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库;
图像识别模块,用于对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类;
输电线路三维场景模型构建模块,用于根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型;
数字孪生空间搭建模块,用于构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间;
树木生长可视化预测模块,用于获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
根据本发明第二方面的一种能够实现的方式,所述树种三维模型库构建模块包括:
数据处理单元,用于根据杆塔、线路及不同种类树木对应的三维点云特征高度,对所述激光点云数据进行分层,对每层激光点云数据进行聚类,根据得到的聚类结果提取树木点云数据。
根据本发明第二方面的一种能够实现的方式,所述图像识别模块包括:
样本构建单元,用于将不同种类的树木图像划分为训练集和测试集;
网络训练及测试单元,用于根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
图像识别单元,用于采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
根据本发明第二方面的一种能够实现的方式,所述装置还包括:
计算模块,用于根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
预警模块,用于在所述距离超过预置的安全距离时,输出相应的预警信息。
本发明第三方面提供了一种基于数字孪生的输电线路树木生长可视化预测装置,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项能够实现的方式所述的基于数字孪生的输电线路树木生长可视化预测方法;
处理器,用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质,所述计算机可读存储介质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如上任意一项能够实现的方式所述的基于数字孪生的输电线路树木生长可视化预测方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明获取目标输电线路的激光点云数据和图像数据,从激光点云数据中提取树木点云数据并构建树种三维模型库;对图像数据进行树木及对应树木种类识别,确定相应的图像目标位置和图像目标种类;根据图像目标种类从树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将目标三维模型放置于与相应图像目标位置对应的树木点云位置,搭建成输电线路三维场景模型;构建目标输电线路沿线环境的数字孪生体,并对输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间,以树木生长环境数据作为数字孪生空间中的树木生长模型的输入,实现在所述数字孪生空间中不同周期内树木生长的可视化预测;本发明通过建立输电线路沿线的数字孪生空间,为输电线路的树木生长提供了可靠的可视化分析预测模型,对分析结果的形成过程做到了全过程、全透明的可视化展示,树木的生长在结合多种外部参数的介入后其预测结果更接近实际工况,整体操作简单易用,能够适用于复杂地理环境下的不同电压等级的输电线路树障预警应用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测方法的流程图;
图2为本发明另一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测方法的流程图;
图3为本发明一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测装置的结构连接框图;
图4为本发明另一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测装置的结构连接框图。
附图标记:
1-数据获取模块;2-树种三维模型库构建模块;3-图像识别模块;4-输电线路三维场景模型构建模块;5-数字孪生空间搭建模块;6-树木生长可视化预测模块;7-计算模块;8-预警模块。
具体实施方式
本发明实施例提供了基于数字孪生的输电线路树木生长可视化预测方法及装置,用于解决如何实现高效直观的输电线路树木生长预测的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。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它实施例,都属于本发明保护的范围。
本发明提供了一种基于数字孪生的输电线路树木生长可视化预测方法。
请参阅图1,图1示出了本发明实施例提供的一种基于数字孪生的输电线路树木生长可视化预测方法的流程图。
本发明实施例提供的一种基于数字孪生的输电线路树木生长可视化预测方法,包括:
步骤S1,获取目标输电线路的激光点云数据和图像数据。
其中,可以通过接收无人机巡检模块所传送数据的方式得到该目标输电线路的激光点云数据和图像数据。
作为一种能够实现的方式,该无人机巡检模块可以是无人机搭载的激光雷达及摄像头,通过使用该激光雷达及摄像头对输电架空线路沿线进行来回巡视扫描,实现输电线路高密度的三维点云数据和图像信息的采集。激光雷达及摄像头可以采用微型工控机控制,微型工控机配置大容量移动硬盘用于存储数据。
具体地,针对每一条输电线路,无人机巡线模块需要沿线路首端到末端飞行一遍,飞行过程中实时同步记录线路的三维点云信息及图像信息,并保存到大容量移动硬盘中,每一条线路扫描完成后,将大量的三维点云数据进行转存。
作为一种能够实现的方式,激光雷达点云位置与摄像头图像位置可以事先经过目标匹配校正,校正后同一个目标在激光雷达点云位置与摄像头图像位置具有唯一的对应关系,以便于后续将目标三维模型放置于与相应图像目标位置对应的树木点云位置。
步骤S2,从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库。
具体地,可以根据该树木点云数据,区分不同树木的树冠、叶片及形态特征,对主要树种在点云的基础上进行三维模型建模,从而形成树种三维模型库。
在一种能够实现的方式中,提取树木点云数据时,可以基于所述输电线路的三维点云特征,对不同高度、不同形状特征的杆塔、导线、树木、地面、灌木的空间点云数据集进行分割、分类,将输电线路三维点云数据进行分层。然后对每一层进行初步聚类得到聚类结果后,快速提取有关树木类型的点云数据。
步骤S3,对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类。
在一种能够实现的方式中,所述对所述图像数据进行树木及对应树木种类识别,包括:
将不同种类的树木图像划分为训练集和测试集;
根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
本实施例中,使用卷积神经网络算法展开树种识别训练。可以使用无人机采集的树木快照图像数据作为识别素材,对沿途的主要树木如桉树、棕榈树、榕树等图像信息进行标记后作为图像数据集,进而以该图像数据集划分训练集和测试集。使用卷积神经网络算法进行树种识别,能够有效保障树种识别的准确率。
在得到所述图像数据后,对所述图像数据进行树木及对应树木种类识别,并标记对应位置的桉树、棕榈树、榕树等目标,便可以确定图像目标位置和图像目标种类。
步骤S4,根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型。
步骤S5,构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间。
其中,可以预先设置桉树、棕榈树、榕树等目标的树木生长模型,从而针对所述输电线路三维场景模型中的各树种三维模型,调用预先设置好的对应树木生长模型进行关联。当然,也可以在线搭建不同树木种类的树木生长模型。
需要说明的是,可以采用现有的树木生长模型构建方法进行树木生长模型的构建,本实施例对此不做限定。
步骤S6,获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
其中,该树木生长环境数据可以包括线路管廊所在地的地理信息及气象数据。该气象数据包括土壤温度、水分、酸碱度、大气温湿度、光照和导线舞动数据。其中土壤温度、水分、酸碱度、大气温湿度、光照等参数可以采用已有或搭建的线路参数监测模块实现监测。
例如,搭建采用太阳能供电的线路参数监测模块,该监测模块可以配置4G通信单元及GPS同步单元,同时配备长焦距的摄像头及AI处理模块来实现导线舞动幅度监测。不同位置的线路参数监测模块通过4G通信单元将监测数据上传到数字孪生空间中的树木生长模型,所有监测模块上传数据具有统一的GPS时标。
该树木生长模型在被输入至目标输电线路所处区域的树木生长环境数据时,可以进行树木生长计算,输出对应树木的预测生长状态参数。作为一种具体的实施方式,该预测生长状态参数为树木高度。
图2示出了本发明另一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测方法的流程图。
如图2所示,所述方法还包括:
步骤S7,根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
步骤S8,若所述距离超过预置的安全距离,输出相应的预警信息。
作为一种具体的实施方式,该预警信息可以包括存在安全距离越界的树障位置。
本发明还提供了一种基于数字孪生的输电线路树木生长可视化预测装置。
请参阅图3,图3示出了本发明实施例提供的一种基于数字孪生的输电线路树木生长可视化预测装置的结构连接框图。
本发明实施例提供的一种基于数字孪生的输电线路树木生长可视化预测装置,包括:
数据获取模块1,用于获取目标输电线路的激光点云数据和图像数据;
树种三维模型库构建模块2,用于从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库;
图像识别模块3,用于对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类;
输电线路三维场景模型构建模块4,用于根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型;
数字孪生空间搭建模块5,用于构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间;
树木生长可视化预测模块6,用于获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
在一种能够实现的方式中,所述树种三维模型库构建模块2包括:
数据处理单元,用于根据杆塔、线路及不同种类树木对应的三维点云特征高度,对所述激光点云数据进行分层,对每层激光点云数据进行聚类,根据得到的聚类结果提取树木点云数据。
在一种能够实现的方式中,所述图像识别模块3包括:
样本构建单元,用于将不同种类的树木图像划分为训练集和测试集;
网络训练及测试单元,用于根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
图像识别单元,用于采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
图4示出了本发明另一个可选实施例提供的一种基于数字孪生的输电线路树木生长可视化预测装置的结构连接框图。
如图4所示,所述装置还包括:
计算模块7,用于根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
预警模块8,用于在所述距离超过预置的安全距离时,输出相应的预警信息。
本发明还提供了一种基于数字孪生的输电线路树木生长可视化预测装置,包括:
存储器,用于存储指令;其中,所述指令用于实现如上任意一项实施例所述的基于数字孪生的输电线路树木生长可视化预测方法;
处理器,用于执行所述存储器中的指令。
本发明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如上任意一项实施例所述的基于数字孪生的输电线路树木生长可视化预测方法。
本发明上述实施例,至少具有以下有益效果:
(1)通过建立输电线路沿线的数字孪生空间,为输电线路的树木生长提供了可靠的分析预测模型,树木的生长在结合多种外部参数的介入后其预测结果更接近实际工况;
(2)本方法发明除了提供分析预测结果外,更提供了输电线路通道可视化的三维场景模型展示,通过动态参数的输入,对分析结果的形成过程做到了全过程、全透明的可视化预警;
(3)本发明基于激光雷达点云数据和图像数据,灵活配置树木生长模型建立数字孪生空间,整体操作简单易用,能够适用于复杂地理环境下的不同电压等级的输电线路树障预警应用。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,上述描述的装置和模块的具体有益效果,可以参考前述方法实施例中的对应有益效果,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个装置,或一些特征可以忽略,或不执行。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于数字孪生的输电线路树木生长可视化预测方法,其特征在于,包括:
获取目标输电线路的激光点云数据和图像数据;
从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库;
对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类;
根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型;
构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间;
获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
2.根据权利要求1所述的基于数字孪生的输电线路树木生长可视化预测方法,其特征在于,所述从所述激光点云数据中提取树木点云数据,包括:
根据杆塔、线路及不同种类树木对应的三维点云特征高度,对所述激光点云数据进行分层,对每层激光点云数据进行聚类,根据得到的聚类结果提取树木点云数据。
3.根据权利要求1所述的基于数字孪生的输电线路树木生长可视化预测方法,其特征在于,所述对所述图像数据进行树木及对应树木种类识别,包括:
将不同种类的树木图像划分为训练集和测试集;
根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
4.根据权利要求1所述的基于数字孪生的输电线路树木生长可视化预测方法,其特征在于,所述方法还包括:
根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
若所述距离超过预置的安全距离,输出相应的预警信息。
5.一种基于数字孪生的输电线路树木生长可视化预测装置,其特征在于,包括:
数据获取模块,用于获取目标输电线路的激光点云数据和图像数据;
树种三维模型库构建模块,用于从所述激光点云数据中提取树木点云数据,基于所述树木点云数据构建不同树木种类的树种三维模型,形成树种三维模型库;
图像识别模块,用于对所述图像数据进行树木及对应树木种类识别,得到对应的识别结果;其中,所述识别结果包括图像目标位置和图像目标种类;
输电线路三维场景模型构建模块,用于根据所述图像目标种类从所述树种三维模型库中匹配相应的树种三维模型作为目标三维模型,采用迭代最近点算法将所述目标三维模型放置于与相应图像目标位置对应的树木点云位置,形成输电线路三维场景模型;
数字孪生空间搭建模块,用于构建所述目标输电线路的沿线环境的数字孪生体,并对所述输电线路三维场景模型中的各树种三维模型关联相应的树木生长模型,得到目标输电线路环境的数字孪生空间;
树木生长可视化预测模块,用于获取所述目标输电线路所处区域的树木生长环境数据,将所述树木生长环境数据输入至所述数字孪生空间中的树木生长模型,以实现在所述数字孪生空间中不同周期内树木生长的可视化预测。
6.根据权利要求5所述的基于数字孪生的输电线路树木生长可视化预测装置,其特征在于,所述树种三维模型库构建模块包括:
数据处理单元,用于根据杆塔、线路及不同种类树木对应的三维点云特征高度,对所述激光点云数据进行分层,对每层激光点云数据进行聚类,根据得到的聚类结果提取树木点云数据。
7.根据权利要求5所述的基于数字孪生的输电线路树木生长可视化预测装置,其特征在于,所述图像识别模块包括:
样本构建单元,用于将不同种类的树木图像划分为训练集和测试集;
网络训练及测试单元,用于根据所述训练集训练卷积神经网络,并用所述测试集测试卷积神经网络的准确率,选出准确率最高的卷积神经网络模型作为树木检测模型;
图像识别单元,用于采用所述树木检测模型对所述图像数据进行树木及对应树木种类识别。
8.根据权利要求5所述的基于数字孪生的输电线路树木生长可视化预测装置,其特征在于,所述装置还包括:
计算模块,用于根据所述目标输电线路的导线舞动数据及所述树木生长模型预测的树木高度,计算所述数字孪生空间中树木与导线的距离;
预警模块,用于在所述距离超过预置的安全距离时,输出相应的预警信息。
9.一种基于数字孪生的输电线路树木生长可视化预测装置,其特征在于,包括:
存储器,用于存储指令;其中,所述指令用于实现如权利要求1-4任意一项所述的基于数字孪生的输电线路树木生长可视化预测方法;
处理器,用于执行所述存储器中的指令。
10.一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如权利要求1-4任意一项所述的基于数字孪生的输电线路树木生长可视化预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984081.8A CN115049793B (zh) | 2022-08-17 | 2022-08-17 | 基于数字孪生的输电线路树木生长可视化预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210984081.8A CN115049793B (zh) | 2022-08-17 | 2022-08-17 | 基于数字孪生的输电线路树木生长可视化预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049793A CN115049793A (zh) | 2022-09-13 |
CN115049793B true CN115049793B (zh) | 2023-01-03 |
Family
ID=83168379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210984081.8A Active CN115049793B (zh) | 2022-08-17 | 2022-08-17 | 基于数字孪生的输电线路树木生长可视化预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049793B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117036828A (zh) * | 2023-09-19 | 2023-11-10 | 南方电网数字电网研究院有限公司 | 用于保护输电线路的速生树监测方法、装置、设备和介质 |
CN117351521B (zh) * | 2023-12-04 | 2024-04-09 | 国网山东省电力公司电力科学研究院 | 基于数字孪生的输电线鸟类检测方法、系统、介质及设备 |
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 |
CN111652964A (zh) * | 2020-04-10 | 2020-09-11 | 合肥工业大学 | 基于数字孪生的电力巡检无人机辅助定位方法和系统 |
CN113935366A (zh) * | 2021-09-30 | 2022-01-14 | 海南电网有限责任公司海南输变电检修分公司 | 点云单木分割自动分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8306941B2 (en) * | 2009-03-24 | 2012-11-06 | Weyerhaeuser Nr Company | System and method for identifying trees using LiDAR tree models |
-
2022
- 2022-08-17 CN CN202210984081.8A patent/CN115049793B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111652964A (zh) * | 2020-04-10 | 2020-09-11 | 合肥工业大学 | 基于数字孪生的电力巡检无人机辅助定位方法和系统 |
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 |
CN113935366A (zh) * | 2021-09-30 | 2022-01-14 | 海南电网有限责任公司海南输变电检修分公司 | 点云单木分割自动分类方法 |
Non-Patent Citations (2)
Title |
---|
Early detection of tree encroachment in high voltage powerline corridor using growth model and UAV-borne LiDAR;Yangyu Chen et al.;《International Journal of Applied Earth Observation and Geoinformation》;20220430;第108卷;第1-12页 * |
可见光影像与激光雷达点云融合技术在配网树障巡检中的应用;吴锦秋 等;《湖南电力》;20201225;第40卷(第6期);第45-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115049793A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115049793B (zh) | 基于数字孪生的输电线路树木生长可视化预测方法及装置 | |
CN111340317B (zh) | 架空输电线路树障隐患的自动预警方法及电子设备 | |
CN108958288A (zh) | 基于地理信息的低空作业无人机系统及其航迹规划方法 | |
CN111460990A (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
CN108632832B (zh) | 网络覆盖分析方法及系统 | |
CN114548277B (zh) | 基于点云数据的地面点拟合、作物高度提取的方法及系统 | |
CN117016517A (zh) | 一种农药喷洒的防喷药漂移方法 | |
CN115586536A (zh) | 一种基于激光点云的森林资源调查监测系统及方法 | |
CN113688909B (zh) | 一种生态区土地分类方法、装置及电子设备 | |
CN114067060A (zh) | 用于三维建模的稠密点云快速生成方法 | |
CN109146177A (zh) | 一种输配电线路树障预测方法及装置 | |
CN115639842B (zh) | 一种利用无人机的巡检方法及其系统 | |
Zou et al. | Density estimation method of mature wheat based on point cloud segmentation and clustering | |
CN113156082B (zh) | 一种识别作物根系活动层深度的方法及系统 | |
Nedevschi | A Critical Evaluation of Aerial Datasets for Semantic Segmentation | |
CN114581450A (zh) | 基于点云图像转换的玉米株高茎粗测量方法及装置 | |
CN113223155A (zh) | 一种距离预测方法、装置、设备及介质 | |
CN114943114A (zh) | 一种跑道运行方向的预测方法、设备、存储介质 | |
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 | |
CN112733582A (zh) | 农作物产量的确定方法及装置、非易失性存储介质 | |
CN117274359B (zh) | 一种作物群体的株高测算方法和系统 | |
CN116975789B (zh) | 一种基于大数据的农田场地智能分析方法、系统及介质 | |
CN115861821B (zh) | 一种基于多目标优化的生态环境监测保护方法 | |
CN117151353B (zh) | 一种荔枝虫害智能识别与生态调控方法、系统及介质 | |
CN117197502A (zh) | 一种基于数据识别的施药信息智能管理方法、系统及介质 |
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 |