CN115131417A - 激光点云2d-3d双模态交互增强不规则电线检测方法 - Google Patents
激光点云2d-3d双模态交互增强不规则电线检测方法 Download PDFInfo
- Publication number
- CN115131417A CN115131417A CN202210847890.4A CN202210847890A CN115131417A CN 115131417 A CN115131417 A CN 115131417A CN 202210847890 A CN202210847890 A CN 202210847890A CN 115131417 A CN115131417 A CN 115131417A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- detection method
- laser
- irregular
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 230000002902 bimodal effect Effects 0.000 title claims abstract description 22
- 230000003993 interaction Effects 0.000 title claims abstract description 22
- 230000001788 irregular Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 239000012212 insulator Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000012634 fragment Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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
-
- 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明属于电力系统配网带电技术领域，更具体地，涉及一种激光点云2D‑3D双模态交互增强不规则电线检测方法。该方法包括以下步骤：步骤S1、由激光雷达扫描获得作业环境的三维点云；步骤S2、对点云进行预处理，除去干扰部分的点云，获取作业区域的点云；步骤S3、双模态交互增强不规则电线检测；步骤S4、输出电线结构检测结果。本发明降低了配网带电任务中人工的参与度，提高了作业安全性，填补了针对引线这一目标的识别方法的空白，通过自动识别引线，可以为后续操作引线提供基础，省去了人工操作机械臂的劳动，省时省力。
Description
技术领域
本发明属于电力系统配网带电技术领域，更具体地，涉及一种激光点云2D-3D双模态交互增强不规则电线检测方法。
背景技术
配网带电作业机器人是电力系统应用于带电作业(如线路装配、检修等)的智能化装备。近年来，为了提升带电作业的效率，同时降低作业风险，配网带电作业机器人越来越多地应用在电力系统的实际作业之中。配网带电作业机器人一般配备激光雷达传感器，帮助它感知作业环境，从而进行后续的操作。在复杂的操作环境下，如何从激光获取的点云中准确感知并定位作业目标(如形状不规则电线等)，是进行后续操作的基础，也是配网带电作业机器人亟待解决的关键技术问题。通常会采用针对激光点云的目标识别算法完成这一技术任务。
现有的针对配网带电作业机器人激光点云电线结构的检测，多是针对电线杆之间架设的行线。常用的方法包括迭代优化、直线模板匹配、随机采样一致性(RANSAC)和基于深度学习的目标识别方法。然而，除了行线之外，配网带电作业机器人的作业目标，常包括一些形状不规则的电线，即本发明针对的检测目标。这些电线结构具有曲率变化较大、弯曲的方向难以预测、以及长度较短等特点，无法直接采用上述方法进行很好的检测。目前为止，并没有针对形状不规则的电线这一作业目标的较好的检测算法。
发明内容
针对现有技术存在的问题，本发明提出了一种基于激光点云的2D-3D双模态交互增强、将深度图信息与点云信息相结合的检测方法，实现了对作业场景点云中不规则电线结构的准确检测。该方法解决了如下技术问题：
1.解决了配网带电作业机器人在配网带电环境中，通过激光雷达感知环境，并从中准确检测出形状不规则电线结构的问题。
2.结合了激光点云的深度图信息，实现了2D-3D双模态的交互增强，提升了对作业目标的检测效果。
3.实现了配网带电作业机器人对作业目标的自动检测功能，提升了其智能化程度。
为实现上述目的，本发明采用如下技术方案：
激光点云2D-3D双模态交互增强不规则电线检测方法，该方法包括以下步骤：
步骤S1、由激光雷达扫描获得作业环境的三维点云；
步骤S2、对点云进行预处理，除去干扰部分的点云，获取作业区域的点云；
步骤S3、双模态交互增强不规则电线检测；
步骤S4、输出电线结构检测结果。
本技术方案进一步的优化，所述步骤S2包括采用降采样函数对点云进行降采样和去外点，使点云密度均匀化；之后利用去除外点函数，去除掉一些在空间中分布较为离散的离群噪声点。
本技术方案更进一步的优化，所述步骤S2还包括利用结合几何特征与迭代优化的平面拟合算法，识别并去除电线杆和绝缘子支架部分的点云。
本技术方案更进一步的优化，所述步骤S2将点云划分成若干个三维单元。
本技术方案进一步的优化，所所述步骤S3包括：
步骤S3.1，将点云投影到深度图，检测角点，作为种子点；
步骤S3.2，将种子点投影回点云，从领域开始，根据一致性进行扩充，得到电线片段；
步骤S3.3，将点云投影到深度图，合并片段；
步骤S3.4，判断是否存在片段满足合并条件，如果是则转到步骤S3.1，否则得到电线结构检测结果。
本技术方案更进一步的优化，所述步骤S3.2中采用主成分分析法，首先得到点云的分布矩阵C，计算过程为:根据式(1)计算出点云的中心点pc，
其中，n∈N为点云中点的个数，[xi,yi,zi]∈R3为点云中第i个点的坐标；之后根据式(2)计算出PP的分布矩阵C:
其中，
之后利用奇异值分解，求出分布矩阵C的特征值和特征向量，用于后续分析；记特征值按从大到小的顺序依次为e1、e2、e3，利用式(3)计算出点云的线性度Lλ:
利用式(4)计算出点云的曲率Cλ：
同时，最大特征值e1所对应的特征向量即为点云的主方向；从种子点开始，利用邻域内点云数据的曲率一致性、线性度的一致性、端点一致性和方向一致性扩散并恢复电线的片段结构。
区别于现有技术，上述技术方案具有如下有益效果：
1.降低了配网带电任务中人工的参与度，提高了作业安全性
2.填补了针对引线这一目标的识别方法的空白
3.通过自动识别引线，可以为后续操作引线提供基础，省去了人工操作机械臂的劳动，省时省力。
附图说明
图1为激光点云2D-3D双模态交互增强不规则电线检测方法的流程图；
图2为2D-3D双模态交互增强不规则电线检测算法的流程图；
图3为电线检测结果示意图。
具体实施方式
为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实施例并配合附图详予说明。
参阅图1所示，为激光点云2D-3D双模态交互增强不规则电线检测方法的流程图。本发明优选一实施例，激光点云2D-3D双模态交互增强不规则电线检测方法包括如下步骤：
步骤S1、由激光雷达扫描获得作业环境的三维点云。
步骤S2、对点云进行预处理，除掉干扰部分的点云，获取作业区域的点云。
激光扫描得到的点云包括许多构成干扰的部分。为了尽可能得到好的检测结果，需要尽可能去除掉干扰部分的点云，保留作业区域的点云。为了实现这一目标，该方法首先利用PCL库提供的降采样函数，对点云进行降采样和去外点，使点云密度均匀化；之后利用去除外点函数，去除掉一些在空间中分布较为离散的离群噪声点。在此基础上，考虑到电线杆和绝缘子支架结构可以看作位于同一个平面上，可以利用结合几何特征与迭代优化的平面拟合算法，识别并去除电线杆和绝缘子支架部分的点云。经过这些处理，基本保留了包括了检测目标电线以及电线支架的作业区域的点云，也就是主要处理的点云区域。
经过上述处理后得到的点云(记为PO)中仍包括支架以及其他对检测造成干扰的部分。对这部分点云，考虑到各个结构之间的距离较近，传统的欧式聚类分割方法无法将它们较好地分开。因此采取将点云划分成若干个三维单元，考虑每个单元内的点云点个数、点云的线性度以及线的长度，认为满足点云点个数大于10个、点云线性度大于0.5、线的长度大于0.5m的三维单元较可能是电线结构。这些三维单元组合而成的点云，即需要处理的作业区域的点云PP。
步骤S3、双模态交互增强不规则电线检测。
参阅图2所示，为2D-3D双模态交互增强不规则电线检测算法的流程图。对经过步骤S2处理得到的点云，首先将点云投影至深度图像上，并利用角点检测(如Harris角点等)方法提取角点，将它们作为候选的端点，并投影回三维空间中，作为检测算法的种子点，接着从种子点开始，获取它们各自邻域内(设定为与种子点的距离在0.15m之内的点)的点云，利用主成分分析法，首先得到点云的分布矩阵C，计算过程为:根据式(1)计算出点云的中心点pc，
其中，n∈N为点云中点的个数，[xi,yi,zi]∈R3为点云中第i个点的坐标。之后根据式(2)计算出需要处理的作业区域的点云PP的分布矩阵C:
其中，
之后利用奇异值分解，求出分布矩阵C的特征值和特征向量，用于后续分析。记特征值按从大到小的顺序依次为e1、e2、e3，利用式(3)计算出点云的线性度Lλ:
利用式(4)计算出点云的曲率Cλ：
同时，最大特征值e1所对应的特征向量即为点云的主方向。从种子点开始，利用邻域内点云数据的曲率一致性、线性度的一致性、端点一致性和方向一致性扩散并恢复电线的片段结构,具体而言，添加入一个新的点，再计算四个指标，若指标的变化较小，则合并该点，完成扩散。然后，将电线片段重新投影至深度图空间，完成端点信息的优化和片段的合并，同时提取种子点并开始下一轮的迭代，直到无电线片段满足上述曲率一致性、线性度的一致性、端点一致性和方向一致性的合并条件为止。
步骤S4、输出电线结构检测结果。
利用配网带电作业机器人上装配的激光雷达，在室内、室外两个作业场景分别采集54帧、32帧点云数据，用以检验本发明所提方法的效果。每帧点云中包括1-3个待检测的电线结构。机器人所装配的激光为SICK Tim激光雷达，采集时结合旋转平台完成对周围三维环境的扫描。激光的水平分辨率为0.33°，扫描范围为360°，旋转平台实现的垂直角度分辨率为0.3°。电线检测结果示意图如图3所示。立方体标注了电线的端点。
为了证明本发明所提检测方法的有效性，将其与两种利用传统点云分割方法完成电线检测的算法进行实验对比，分别计算电线检测的精确率和召回率，作为评价指标。精确率与召回率是识别算法常用的评价指标，具体而言计算方法如下：
识别的结果共有四种情况，记识别的结果中四种情况的个数分别为：TP:TurePositive，把正的判断为正的数目；FN:False Negative，把正的错判为负的数目；FP:FalsePositive，把负的错判为正的数目；TN:True Negative，把负的判为负的数目。则精确率P的计算公式如式(5)所示：
精确率P表征了识别的精度；而召回率R的计算公式如式(6)所示：
召回率R表征了识别的全度。
对比算法包括基于欧式距离的聚类方法与基于平滑度约束的区域生长聚类方法，基于欧式距离聚类方法根据点之间的欧氏距离分割点云，之后根据先验知识，判断其中分割的各部分是否为电线结构。区域生长聚类方法根据曲率一致性完成点云分割，之后根据先验知识的方法做出判断。在采集的点云数据上得到的实验结果如表1所示。比起两种传统的分割方法，本发明所提出的检测方法取得了更好的检测效果。
表1室内外场景下电线检测的精确率和召回率
此外，在配网带电作业环境中，机器人需要根据命令实时抓取作业对象，因此电线检测算法运行需要满足实时性的要求。本发明所提出的算法在室内场景和室外场景下电线检测的平均时间为0.6012s和0.5532s，能够满足配网带电作业的实时性要求。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括……”或“包含……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的要素。此外，在本文中，“大于”、“小于”、“超过”等理解为不包括本数；“以上”、“以下”、“以内”等理解为包括本数。
尽管已经对上述各实施例进行了描述，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改，所以以上所述仅为本发明的实施例，并非因此限制本发明的专利保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围之内。
Claims (6)
1.激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，该方法包括以下步骤：
步骤S1、由激光雷达扫描获得作业环境的三维点云；
步骤S2、对点云进行预处理，除去干扰部分的点云，获取作业区域的点云；
步骤S3、双模态交互增强不规则电线检测；
步骤S4、输出电线结构检测结果。
2.如权利要求1所述的激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，所述步骤S2包括采用降采样函数对点云进行降采样和去外点，使点云密度均匀化；之后利用去除外点函数，去除掉一些在空间中分布较为离散的离群噪声点。
3.如权利要求2所述的激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，所述步骤S2还包括利用结合几何特征与迭代优化的平面拟合算法，识别并去除电线杆和绝缘子支架部分的点云。
4.如权利要求3所述的激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，所述步骤S2将点云划分成若干个三维单元。
5.如权利要求1所述的激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，所所述步骤S3包括：
步骤S3.1，将点云投影到深度图，检测角点，作为种子点；
步骤S3.2，将种子点投影回点云，从领域开始，根据一致性进行扩充，得到电线片段；
步骤S3.3，将点云投影到深度图，合并片段；
步骤S3.4，判断是否存在片段满足合并条件，如果是则转到步骤S3.1，否则得到电线结构检测结果。
6.如权利要求5所述的激光点云2D-3D双模态交互增强不规则电线检测方法，其特征在于，所述步骤S3.2中采用主成分分析法，首先得到点云的分布矩阵C，计算过程为:根据式(1)计算出点云的中心点pc，
其中，n∈N为点云中点的个数，[xi,yi,zi]∈R3为点云中第i个点的坐标；之后根据式(2)计算出PP的分布矩阵C:
其中，
之后利用奇异值分解，求出分布矩阵C的特征值和特征向量，用于后续分析；记特征值按从大到小的顺序依次为e1、e2、e3，利用式(3)计算出点云的线性度Lλ:
利用式(4)计算出点云的曲率Cλ：
同时，最大特征值e1所对应的特征向量即为点云的主方向；从种子点开始，利用邻域内点云数据的曲率一致性、线性度的一致性、端点一致性和方向一致性扩散并恢复电线的片段结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210847890.4A CN115131417A (zh) | 2022-07-19 | 2022-07-19 | 激光点云2d-3d双模态交互增强不规则电线检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210847890.4A CN115131417A (zh) | 2022-07-19 | 2022-07-19 | 激光点云2d-3d双模态交互增强不规则电线检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115131417A true CN115131417A (zh) | 2022-09-30 |
Family
ID=83384332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210847890.4A Pending CN115131417A (zh) | 2022-07-19 | 2022-07-19 | 激光点云2d-3d双模态交互增强不规则电线检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115131417A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071550A (zh) * | 2023-02-09 | 2023-05-05 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN111815757A (zh) * | 2019-06-29 | 2020-10-23 | 浙江大学山东工业技术研究院 | 基于图像序列的大型构件三维重建方法 |
| CN113468706A (zh) * | 2021-07-26 | 2021-10-01 | 南开大学 | 配网带电作业机器人的激光点云输电线引线拟合方法 |
| CN114155355A (zh) * | 2021-12-07 | 2022-03-08 | 亿嘉和科技股份有限公司 | 基于点云的带电主电线检测方法及装置 |
-
2022
- 2022-07-19 CN CN202210847890.4A patent/CN115131417A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108764012A (zh) * | 2018-03-27 | 2018-11-06 | 国网辽宁省电力有限公司电力科学研究院 | 基于多帧联合的车载激光雷达数据的城市道路杆状物识别算法 |
| WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
| CN111815757A (zh) * | 2019-06-29 | 2020-10-23 | 浙江大学山东工业技术研究院 | 基于图像序列的大型构件三维重建方法 |
| CN113468706A (zh) * | 2021-07-26 | 2021-10-01 | 南开大学 | 配网带电作业机器人的激光点云输电线引线拟合方法 |
| CN114155355A (zh) * | 2021-12-07 | 2022-03-08 | 亿嘉和科技股份有限公司 | 基于点云的带电主电线检测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 浮丹丹;周绍光;田慧;: "基于逐条线区域生长的点云平面提取", 科学技术与工程, no. 32, 18 November 2012 (2012-11-18) * |
| 董星亮;苑晶;黄枢子;杨少坤;张雪波;孙凤池;黄亚楼;: "室内环境下基于平面与线段特征的RGB-D视觉里程计", 机器人, no. 06, 22 June 2018 (2018-06-22) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071550A (zh) * | 2023-02-09 | 2023-05-05 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
| CN116071550B (zh) * | 2023-02-09 | 2023-10-20 | 安徽海博智能科技有限责任公司 | 一种激光雷达灰尘点云过滤方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fan et al. | Pothole detection based on disparity transformation and road surface modeling | |
| CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取系统及方法 | |
| CN106780524B (zh) | 一种三维点云道路边界自动提取方法 | |
| Kang et al. | Automatic targetless camera–lidar calibration by aligning edge with gaussian mixture model | |
| CN107133966B (zh) | 一种基于采样一致性算法的三维声纳图像背景分割方法 | |
| CN112257722B (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
| CN115290097B (zh) | 基于bim的实时精确地图构建方法、终端及存储介质 | |
| CN111178138A (zh) | 基于激光点云和双目视觉的配网导线作业点检测方法及装置 | |
| Belhaoua et al. | Error evaluation in a stereovision-based 3D reconstruction system | |
| CN114743259A (zh) | 位姿估计方法、位姿估计系统、终端、存储介质及应用 | |
| CN111311618A (zh) | 一种基于高精度几何基元提取的圆弧工件匹配与定位方法 | |
| US20020158636A1 (en) | Model -based localization and measurement of miniature surface mount components | |
| CN115131417A (zh) | 激光点云2d-3d双模态交互增强不规则电线检测方法 | |
| CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
| CN116109601A (zh) | 一种基于三维激光雷达点云的实时目标检测方法 | |
| CN115546116A (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
| CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
| CN114359437A (zh) | 基于点云的建筑结构二维平面图重建方法 | |
| CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
| CN117324221A (zh) | 一种曲面构件腻子喷涂方法 | |
| CN115619780B (zh) | 一种激光扫描图像质量评估方法及系统 | |
| CN111474560A (zh) | 一种障碍物定位方法、装置及设备 | |
| CN116469092A (zh) | 基于DBSCAN算法的自适应Alpha Shapes轮廓提取方法 | |
| CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
| CN114820505A (zh) | 一种动态目标的非接触测量方法 |
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 |