CN115792900A - 一种输电通道地质敏感区的形变检测方法及系统 - Google Patents
一种输电通道地质敏感区的形变检测方法及系统 Download PDFInfo
- Publication number
- CN115792900A CN115792900A CN202211279035.4A CN202211279035A CN115792900A CN 115792900 A CN115792900 A CN 115792900A CN 202211279035 A CN202211279035 A CN 202211279035A CN 115792900 A CN115792900 A CN 115792900A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- time phase
- phase point
- data
- 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
Images
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种输电通道地质敏感区的形变检测方法及系统。其中,输电通道地质敏感区的形变检测方法,包括:将前后时相点云数据设置给检测点云数据和目标点云数据,前后时相点云数据包括前时相点云数据以及后时相点云数据;将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据;将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型;根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
Description
技术领域
本发明涉及遥感技术领域,特别是涉及一种输电通道地质敏感区的形变检测方法及系统。
背景技术
地表形变变化检测是输电通道巡检中一项重要检测内容。结合输电通道的特点,地表形变通常范围连续形变和突变两种类型。连续形变目前开展的研究比较多,传统手段是基于水准测量方法开展,该方法耗时耗力,单次检测范围小,但检测精度高,适合开展建筑物的定点检测,如基坑检测、桥梁检测;另外,通过时序INSAR技术进行地表形变检测也是新的检测技术。突变主要是由于地震、地陷、泥石流等自然灾害或者其他不可抗拒的外力因素造成的地表突变,目前应用较多的是基于人工测量、INSAR方式或多时相激光雷达方式进行检测,检测效率较低。
针对上述的现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题,目前尚未提出有效的解决方案。
发明内容
本公开的实施例提供了一种输电通道地质敏感区的形变检测方法及系统,以至少解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
根据本公开实施例的一个方面,提供了一种输电通道地质敏感区的形变检测方法,包括:将前后时相点云数据设置给检测点云数据和目标点云数据,前后时相点云数据包括前时相点云数据以及后时相点云数据;将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据;将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型;根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。
根据本公开实施例的另一个方面,还提供了一种存储介质,存储介质包括存储的程序,其中,在程序运行时由处理器执行以上任意一项所述的方法。
根据本公开实施例的另一个方面,还提供了一种输电通道地质敏感区的形变检测系统,包括:设置模块,用于将前后时相点云数据设置给检测点云数据和目标点云数据,前后时相点云数据包括前时相点云数据以及后时相点云数据;生成模块,用于将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据;第一确定模块,用于将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型;第二确定模块,用于根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。
在本公开实施例中,本申请提出的地表形变变化检测分析研究基于改进型ICP算法的点集匹配、基于坡度熵地表抽稀计算的方式进行三维地表检测,可提高了检测效率。进而解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
附图说明
此处所说明的附图用来提供对本公开的进一步理解,构成本发明的一部分,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。在附图中:
图1是用于实现根据本公开实施例1所述的方法的计算设备的硬件结构框图;
图2是根据本公开实施例1的第一个方面所述的输电通道地质敏感区的形变检测方法的流程示意图;
图3是根据本公开实施例1的第一个方面所述的输电通道地质敏感区的形变检测方法的另一流程示意图;
图4a根据本公开实施例1的第一个方面所述的ICP算法点间距离最近原则的示意图;
图4b根据本公开实施例1的第一个方面所述的ICP算法点面距离最近原则的示意图;
图5根据本公开实施例1的第一个方面所述的基于坡度熵的抽稀算法的示意图;
图6根据本公开实施例1的第一个方面所述的地形关键点以及熵阈值的示意图;
图7是根据本公开实施例2所述的输电通道地质敏感区的形变检测系统的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本公开的技术方案,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本公开一部分的实施例,而不是全部的实施例。基于本公开中的实施例,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,都应当属于本公开保护的范围。
需要说明的是,本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本实施例,还提供了一种输电通道地质敏感区的形变检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本实施例所提供的方法实施例可以在移动终端、计算机终端、服务器或者类似的计算设备中执行。图1示出了一种用于实现输电通道地质敏感区的形变检测方法的计算设备的硬件结构框图。如图1所示,计算设备可以包括一个或多个处理器(处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器、以及用于通信功能的传输装置。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为I/O接口的端口中的一个端口被包括)、网络接口、点云和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算设备中的其他元件中的任意一个内。如本公开实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器可用于存储应用软件的软件程序以及模块,如本公开实施例中的输电通道地质敏感区的形变检测方法对应的程序指令/数据存储装置,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的输电通道地质敏感区的形变检测方法。存储器可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算设备的通信供应商提供的无线网络。在一个实例中,传输装置包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算设备的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算设备可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算设备中的部件的类型。
在上述运行环境下,根据本实施例的第一个方面,提供了一种输电通道地质敏感区的形变检测方法。图2示出了该方法的流程示意图,参考图2所示,该方法包括:
S201:将前后时相点云数据设置给检测点云数据和目标点云数据,前后时相点云数据包括前时相点云数据以及后时相点云数据;
S202:将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据;
S203:将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型;
S204:根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。
正如背景技术中所述的,突变主要是由于地震、地陷、泥石流等自然灾害或者其他不可抗拒的外力因素造成的地表突变,目前应用较多的是基于人工测量、INSAR方式或多时相激光雷达方式进行检测,检测效率较低。
有鉴于此,参考图2和图3所示,本申请实施例提供的一种基于激光雷达扫描数据的输电通道地质敏感区的形变检测方法,首先将前后时相点云数据设置给检测点云数据和目标点云数据。依据正向检测原则,依次将前后时相点云设置给检测点云和目标点云,以前时相点云数据作为基准。进一步地,将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据。进一步地,将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型。将前后时相点云数据进行TIN数据结构设计,并基于抽稀后的地面点进行数据构网。最后根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。以改进型ICP算法为基础,基于坡度墒抽稀算子处理后,形成最终的三维地表变化检测策略,提高检测效率。
从而,本申请提出的地表形变变化检测分析研究基于改进型ICP算法的点集匹配、基于坡度熵地表抽稀计算的方式进行三维地表检测,可提高了检测效率。进而解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
可选地,还包括:通过预先设定的改进型ICP点集匹配算法对不同时相点云数据的配准,确定前后时相点云数据。
具体地,迭代最近点算法,简称为ICP(Iterative Closest Point)算法。它是一种精确高效率的二维、三维形状配准算法,可快捷、高效的处理六自由度配准问题,且匹配结果与形状表示无关,算法鲁棒性高,可靠性佳。因此,ICP算法目前被大量应用于复杂的激光点云拼接、遥感影像(高光谱影像、SAR影像)的配准中,且表现良好。
目前,该算法被国内外很多学者研究并改进,在科研和生产中都开展了大量应用。为了便于说明,我们这里称P.J.Besl和N.D.McKay提出的ICP算法为基本ICP算法,该配准方法可以用于描述点集、折现、隐式曲线、参数曲线以及各种曲面。
基本ICP算法主要包含对应点搜索和位姿求解,通常采用点间距离最近原则(见图4a左)和点面距离最近原则(见图4b)。其目的是寻求不同点集的最佳空间匹配关系,求解点集间的空间平移和旋转关系。图4a和图4b是采用利用ICP算法进行不同时相点云配准的三维空间示意。从而提高点云数据的匹配精度。
可选地,通过预先设定的改进型ICP点集匹配算法对不同时相点云数据的配准,确定前后时相点云数据的操作,包括:确定不同时相点云数据的第一点集以及第二点集,并通过最近邻搜索对第一点集以及第二点集进行匹配,确定对应点集;通过迭代算法对对应点集进行空间参数变换,直到对应点集收敛,确定前后时相点云数据。可选地,还包括:基于稳健估计方式对对应点集进行误差数据剔除。
具体地,为更直观的进行数学描述,本申请用M和P表示两个不同的数学点集。其中,用P来表示待配准点集,用M来表示基准数据点集。那么基本ICP算法计算流程可表达为:
(1)最邻近点搜索。随机取出点集P中任意一点i,用p(i)表示。遍历点集M,搜索与之最临近的点m(i),这样(pi,mi)成功构建了第一组对应点集;
(2)基于迭代算法解算空间变换参数,这里我们用(R,T)来表示其变化关系。为尽可能精确的计算变换关系,通常我们采用迭代计算的方式进行求解;
(3)根据用户指定的精度阈值,当点集P1中的每一个点通过迭代出的变化关系换算到P2时,如果精度符合阈值条件,则停止迭代,可用下式(1)进行表示。
其中,Ed(r,T)为目标函数,Rr为空间旋转参数,T为空间平移参数。
(4)对点集P进行重复迭代,直至结束。
在激光雷达点云匹配过程中,利用ICP匹配算法进行两个时相点集间的匹配其核心是最小二乘方式的对三维相似变化的正确估算。然后,由于在数据处理过程中,虽然通过数据预处理剔除了一部分误差,但必然还存在一定误差,基于最小二乘计算并不具备最优估计的特性,最终导致计算结果不收敛或者错误。为了在平差计算过程中对粗差具有一定的抵抗力,采用剔除的基于稳健估计方式对由于粗差造成匹配点错误的影响进行一定的抑制。
由于M估计在理论上属于极大似然估计类的估值,我们可按下公式对其进行表示公式(2):
这里假定:
将其带入后,可简化为:
∑wiviai=0 (4)
这样,M估计就可转化成基于选权迭代方式的最小二乘估计。Huber权函数可修正为:
可选地,基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据的操作,包括:对地面点数据进行三角坡坡面的坡度计算,并根据坡度,计算地面点数据中多个局部地形的多个坡度熵;将多个坡度熵进行排序,并根据预先设定的精度阈值对坡度熵对应的地面点进行剔除,确定地面关键点数据。
具体地,“坡度熵”作为对城市地表和建筑物区域的坡度特征表达的量化指标,用以区域地形复杂度。这里,定义坡度熵如公式如下(6):
式中,i表示第几个坡度面,Si代表第i个坡度面的坡度值,n为实际计算用到的坡面数。H(S)为坡度熵的数学表达。
在地形表达过程中,坡度熵的特性包括:
(1)坡度熵是对真实地表情况的数学表达,其数值建立在真实地表模型上,无需任何假定条件,计算结果与激光点云构建的坡度面有关;当实际点云密度大时,其构建的坡度面多,计算的复杂度高。为了提高计算效率需要在地形表达精度满足条件的基础下,进行点云抽稀处理。
(2)地表坡度熵计算结果为一个非负数的数值表达,值大小直接决定了地表复杂程度,也就是地形复杂度。当坡度熵数值越大,说明地表纹理特征丰富,但地表的变化情况小,地形起伏相对平缓;当坡度熵数值越小,说明地表纹理简单,地形变化剧烈。
采用激光雷达点云数据构建地面模型时,通常使用的是滤波分类完成的地面点。在植被茂密区域,穿透的地面点数量有限,地面点数据量较少,TIN模型面的坡度值差异较大。但在平坦地面或者裸露地,激光点几乎都是地面点,地面点数据量庞大,构建的TIN模型面非常庞大,但其坡度值趋于一致,这种情况下需要对点云进行抽稀处理,以提高检索效率。
对机载LiDAR点云进行抽稀时,为了兼顾地形表达和抽稀尺度,需要考虑两方面的因素:
(1)保留地形特征,基于地面点分类成果提取关键区域和关键点;
(2)点云抽稀尺度应和DEM表达精度一致,同时保证关键点点位分布合理(均匀分布)。
参考图5所示,基于坡度熵的抽稀算法具体步骤包括:
(1)对载入的机载LiDAR点云数据,按照基于特征属性的多层次滤波分类方法进行分类,生成地面点;
(2)按照的构网原则,基于地面点构建约束条件下的TIN模型;
读取三角网中第一个顶点,基于空间属性查找相邻的三角形;
(3)按照格网划分,读取第一个格网中第一个三角网数据,基于空间属性和拓扑关系查找与第一个三角形的邻边三角形;
(4)依次计算与中心顶相邻所有三角面的坡度;
(5)以块文件为基础,统计块中局部地形的坡度熵;
(6)遍历所有格网数据块,计算实验范围内的坡度熵;
(7)设定熵阈值,根据阈值对数据点进行有效取舍。熵阈值即为关键点构建的三角网模型和由地形点构建的三角网模型之间的高程差异。如图6所示,0.15m即为用户设定的熵阈值,超过该区域的数据点才予以保留。
可选地,该方法还包括:根据前时相点云数据依次对前后时相点云数据进行预处理。可选地,根据前时相点云数据依次对前后时相点云数据进行预处理的操作,包括:将前时相点云数据作为基准,依次对前后时相点云数据进行基于连接线的航带平差计算和基于特征属性的多层次滤波处理。
具体地,参考图3所示,通过对点云数据进行预处理,提高点云数据的质量。
可选地,根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量的操作,还包括:根据构网模型对前后时相点云数据进行差值计算,确定差异性结果;根据对前后时相点云数据的变化区域检测,对差异性结果进行精化计算,确定输电通道地质敏感区的形变量。
具体地,参考图3所示,从而通过对差异性结果进行精化处理,是的变形检测的结果更加精准,进而可以更好地进行精度分析与评价。达到准确计算输电通道地质敏感区的形变量的技术效果。
此外,参考图3所示,基于激光雷达扫描数据的输电通道地质敏感区的形变检测方法,以改进型ICP算法为基础,基于坡度墒抽稀算子处理后,形成最终的三维地表变化检测策略,具体步骤包括:
(1)依据正向检测原则,依次将前后时相点云设置给检测点云和目标点云,以前一时相的点云作为基准。对点云数据预处理依次对前后时相点云数据进行基于连接线的航带平差计算和基于特征属性的多层次滤波处理。
(2)将前后时相点云数据进行点云分类,并进行基于坡度熵的抽稀;
(3)将前后时相点云数据进行TIN数据结构设计,并基于抽稀后的地面点进行数据构网;
(4)根据步骤三中的构网模型进行差值运算,并对计算结果进行精化处理。
(5)根据计算结果进行变化检测精度分析和评价。
此外,参考图1所示,根据本实施例的第二个方面,提供了一种存储介质。所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行以上任意一项所述的方法。
从而根据本实施例,本申请提出的地表形变变化检测分析研究基于改进型ICP算法的点集匹配、基于坡度熵地表抽稀计算的方式进行三维地表检测,可提高了检测效率。进而解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本发明所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,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的方法。
实施例2
图7示出了根据本实施例所述的输电通道地质敏感区的形变检测系统700,该装置700与根据实施例1的第一个方面所述的方法相对应。参考图7所示,该装置700包括:设置模块710,用于将前后时相点云数据设置给检测点云数据和目标点云数据,前后时相点云数据包括前时相点云数据以及后时相点云数据;生成模块720,用于将前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对地面点数据的进行抽稀,确定地面关键点数据;第一确定模块730,用于将前后时相点云数据基于抽稀后的地面关键点数据进行构网,确定构网模型;第二确定模块740,用于根据构网模型对前后时相点云数据进行差值计算,确定输电通道地质敏感区的形变量。
可选地,装置700还包括:第三确定模块,用于通过预先设定的改进型I CP点集匹配算法对不同时相点云数据的配准,确定前后时相点云数据。
可选地,第三确定模块,包括:第一确定子模块,用于确定不同时相点云数据的第一点集以及第二点集,并通过最近邻搜索对第一点集以及第二点集进行匹配,确定对应点集;第二确定子模块,用于通过迭代算法对对应点集进行空间参数变换,直到对应点集收敛,确定前后时相点云数据。
可选地,装置700还包括:误差剔除模块,用于基于稳健估计方式对对应点集进行误差数据剔除。
可选地,第一确定模块730,包括:计算子模块,用于对地面点数据进行三角坡坡面的坡度计算,并根据坡度,计算地面点数据中多个局部地形的多个坡度熵;第三确定子模块,用于将多个坡度熵进行排序,并根据预先设定的精度阈值对坡度熵对应的地面点进行剔除,确定地面关键点数据。
可选地,装置700还包括:预处理模块,用于根据前时相点云数据依次对前后时相点云数据进行预处理。
可选地,预处理模块,包括:预处理子模块,用于将前时相点云数据作为基准,依次对前后时相点云数据进行基于连接线的航带平差计算和基于特征属性的多层次滤波处理。
可选地,第二确定模块740,还包括:第四确定模块,用于根据构网模型对前后时相点云数据进行差值计算,确定差异性结果;第五确定模块,用于根据对前后时相点云数据的变化区域检测,对差异性结果进行精化计算,确定输电通道地质敏感区的形变量。
从而根据本实施例,本申请提出的地表形变变化检测分析研究基于改进型ICP算法的点集匹配、基于坡度熵地表抽稀计算的方式进行三维地表检测,可提高了检测效率。进而解决现有技术中存在的目前应用较多的基于人工测量、INSAR方式或多时相激光雷达方式进行地表形变检测,检测效率较低的技术问题。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元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单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元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(可为个人计算机、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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于激光雷达扫描数据的输电通道地质敏感区的形变检测方法,其特征在于,包括:
将前后时相点云数据设置给检测点云数据和目标点云数据,所述前后时相点云数据包括前时相点云数据以及后时相点云数据;
将所述前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对所述地面点数据的进行抽稀,确定地面关键点数据;
将所述前后时相点云数据基于所述抽稀后的所述地面关键点数据进行构网,确定构网模型;
根据所述构网模型对所述前后时相点云数据进行差值计算,确定所述输电通道地质敏感区的形变量。
2.根据权利要求1所述的方法,其特征在于,还包括:
通过预先设定的改进型ICP点集匹配算法对不同时相点云数据的配准,确定所述前后时相点云数据。
3.根据权利要求2所述的方法,其特征在于,通过预先设定的改进型ICP点集匹配算法对不同时相点云数据的配准,确定所述前后时相点云数据的操作,包括:
确定不同时相点云数据的第一点集以及第二点集,并通过最近邻搜索对所述第一点集以及所述第二点集进行匹配,确定对应点集;
通过迭代算法对所述对应点集进行空间参数变换,直到所述对应点集收敛,确定所述前后时相点云数据。
4.根据权利要求3所述的方法,其特征在于,还包括:
基于稳健估计方式对所述对应点集进行误差数据剔除。
5.根据权利要求1所述的方法,其特征在于,基于坡度熵对所述地面点数据的进行抽稀,确定地面关键点数据的操作,包括:
对所述地面点数据进行三角坡坡面的坡度计算,并根据所述坡度,计算所述地面点数据中多个局部地形的多个坡度熵;
将所述多个坡度熵进行排序,并根据预先设定的精度阈值对所述坡度熵对应的地面点进行剔除,确定所述地面关键点数据。
6.根据权利要求1所述的方法,还包括:根据所述前时相点云数据依次对所述前后时相点云数据进行预处理。
7.根据权利要求6所述的方法,其特征在于,根据所述前时相点云数据依次对所述前后时相点云数据进行预处理的操作,包括:
将所述前时相点云数据作为基准,依次对所述前后时相点云数据进行基于连接线的航带平差计算和基于特征属性的多层次滤波处理。
8.根据权利要求1所述的方法,其特征在于,根据所述构网模型对所述前后时相点云数据进行差值计算,确定所述输电通道地质敏感区的形变量的操作,还包括:
根据所述构网模型对所述前后时相点云数据进行差值计算,确定差异性结果;
根据对所述前后时相点云数据的变化区域检测,对所述差异性结果进行精化计算,确定所述输电通道地质敏感区的所述形变量。
9.一种计算机可读存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时由处理器执行权利要求1至8中任意一项所述的方法。
10.一种基于激光雷达扫描数据的输电通道地质敏感区的形变检测系统,其特征在于,包括:
设置模块,用于将前后时相点云数据设置给检测点云数据和目标点云数据,所述前后时相点云数据包括前时相点云数据以及后时相点云数据;
生成模块,用于将所述前后时相点云数据进行分类,生成地面点数据,并基于坡度熵对所述地面点数据的进行抽稀,确定地面关键点数据;
第一确定模块,用于将所述前后时相点云数据基于所述抽稀后的所述地面关键点数据进行构网,确定构网模型;
第二确定模块,用于根据所述构网模型对所述前后时相点云数据进行差值计算,确定所述输电通道地质敏感区的形变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279035.4A CN115792900A (zh) | 2022-10-19 | 2022-10-19 | 一种输电通道地质敏感区的形变检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211279035.4A CN115792900A (zh) | 2022-10-19 | 2022-10-19 | 一种输电通道地质敏感区的形变检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115792900A true CN115792900A (zh) | 2023-03-14 |
Family
ID=85433231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211279035.4A Pending CN115792900A (zh) | 2022-10-19 | 2022-10-19 | 一种输电通道地质敏感区的形变检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115792900A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031443A (zh) * | 2023-10-09 | 2023-11-10 | 天津云圣智能科技有限责任公司 | 点云数据构建方法、系统及电子设备 |
-
2022
- 2022-10-19 CN CN202211279035.4A patent/CN115792900A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117031443A (zh) * | 2023-10-09 | 2023-11-10 | 天津云圣智能科技有限责任公司 | 点云数据构建方法、系统及电子设备 |
CN117031443B (zh) * | 2023-10-09 | 2024-01-19 | 天津云圣智能科技有限责任公司 | 点云数据构建方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Grilli et al. | A review of point clouds segmentation and classification algorithms | |
Zhong | Intrinsic shape signatures: A shape descriptor for 3D object recognition | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
Wu et al. | An extended minimum spanning tree method for characterizing local urban patterns | |
CN112257597B (zh) | 一种点云数据的语义分割方法 | |
CN105118090B (zh) | 一种自适应复杂地形结构的点云滤波方法 | |
Qin et al. | Deep fusion of multi-view and multimodal representation of ALS point cloud for 3D terrain scene recognition | |
Mohamed et al. | Reeb graph path dissimilarity for 3D object matching and retrieval | |
CN113963262B (zh) | 一种矿区土地覆盖分类方法、设备、装置及存储介质 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CN101477529A (zh) | 一种三维对象的检索方法和装置 | |
CN108961294A (zh) | 一种三维点云的分割方法及装置 | |
CN112183434B (zh) | 建筑物变化检测方法和装置 | |
CN116206079B (zh) | 基于移动四面体的地质体建模方法及相关设备 | |
CN115792900A (zh) | 一种输电通道地质敏感区的形变检测方法及系统 | |
Li et al. | GGM-net: Graph geometric moments convolution neural network for point cloud shape classification | |
CN112241676A (zh) | 一种地形杂物自动识别的方法 | |
CN111861750A (zh) | 一种基于决策树方法的特征衍生系统及可读存储介质 | |
CN109191484B (zh) | 一种从机载激光雷达点云中快速提取平面片的方法 | |
CN113409332B (zh) | 一种基于三维点云的建筑物平面分割方法 | |
Kumar et al. | A two-stage algorithm for ground filtering of airborne laser scanning data | |
Xiao et al. | Filtering method of rock points based on BP neural network and principal component analysis | |
CN116958485A (zh) | 一种可视域分析方法及装置 | |
Yang et al. | A surface graph based deep learning framework for large-scale urban mesh semantic segmentation | |
CN116452764A (zh) | 一种融合地形信息的机载激光雷达点云分级抽稀方法 |
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 |