CN116052023A - 基于三维点云的电力巡检地物分类方法及存储介质 - Google Patents

基于三维点云的电力巡检地物分类方法及存储介质 Download PDF

Info

Publication number
CN116052023A
CN116052023A CN202310013701.8A CN202310013701A CN116052023A CN 116052023 A CN116052023 A CN 116052023A CN 202310013701 A CN202310013701 A CN 202310013701A CN 116052023 A CN116052023 A CN 116052023A
Authority
CN
China
Prior art keywords
point cloud
preset
dimensional point
dimensional
points
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
Application number
CN202310013701.8A
Other languages
English (en)
Inventor
朱厦
李强
臧志斌
张春光
赵光
赵峰
李静
夏传福
王霁野
刘琦
龙强
赵光俊
谈辉
张艺林
丁士帅
安文强
杨博
张晓曼
赵林林
王誉博
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Siji Location Service Co ltd
State Grid Information and Telecommunication Co Ltd
Original Assignee
State Grid Siji Location Service Co ltd
State Grid Information and Telecommunication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Siji Location Service Co ltd, State Grid Information and Telecommunication Co Ltd filed Critical State Grid Siji Location Service Co ltd
Priority to CN202310013701.8A priority Critical patent/CN116052023A/zh
Publication of CN116052023A publication Critical patent/CN116052023A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/42—Global feature extraction by analysis of the whole pattern, e.g. using frequency domain transformations or autocorrelation
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
    • 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
    • G06V20/176—Urban or other man-made structures
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于三维点云的电力巡检地物分类方法及存储介质，方法包括：通过无人机三维激光雷达，获取输电线路的三维点云；对所述三维点云进行数据清理；根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本；根据所述训练样本，对预设的动态图卷积神经网络进行训练，得到训练好的动态图卷积神经网络；获取待测点云，并将所述待测点云输入所述训练好的动态图卷积神经网络，得到待测点云的类别。本发明可快速准确地识别出输电线和杆塔。

Description

基于三维点云的电力巡检地物分类方法及存储介质
技术领域
本发明涉及点云识别技术领域，尤其涉及一种基于三维点云的电力巡检地物分类方法及存储介质。
背景技术
定期监测电力线路的状态以确保安全可靠的传输至关重要，通过电力巡检才能维护电力线路，以确保稳定、长久地供电。进行电力巡检，对庞大的电力线路网络而言耗时且费力，是一项极具挑战性的任务。目前，巡检方式分为两大类，一类是由工作人员亲临现场的传统人工巡检；另一类是利用传感器技术的遥感数据巡检。第一类可以细分为人工巡检、载人直升机巡检、望远镜巡检等类别。传统的电力巡检需要检修工人沿着电力走廊步行进行检查，而在对电塔检修时，则需要攀爬杆塔才能对电塔的顶部进行全面检查。因此，传统人工电力巡检的方法耗时耗力，巡检人员受限于恶劣天气、地形复杂的影响，且还可能会面临高空坠落与触电的风险。
三维点云遥感数据以其获取的高效性、便利性和安全性等优势，越来越广泛地运用在电力巡检上。三维点云数据通常通过激光雷达扫描获得，激光雷达系统是一种主动传感器，并不受光照条件影响，可以以点云的形式提供密集的三维数据，用于重建物体表面和场景的复杂三维细节。一般地，激光扫描数据可分为机载和地面测量方法。
机载激光扫描(Airborne Laser Scanning，ALS)或无人机系统激光扫描(Unmanned Aircraft Systems Laser Scanning，ULS)等机载系统配备激光扫描传感器和其他辅助传感器，如全球导航卫星系统(Global Navigation Satellite System，GNSS)和惯性导航系统(Inertial Navigation System，INS)。ALS有利于在人员或车辆难以进入的大区域收集点密度相对均匀的扫描数据。然而，鉴于高处的扫描几何结构，ALS通常仅在多层电力线的较低层上获取部分扫描数据，这是由于上面的电力线掩盖了较低的电力线。ULS在野外作业风险与成本较低，且作业更加灵活，对较高层的电力线，获取的数据也更加均匀密集。
基于地面的测量可以通过地面激光扫描(Terrestrial Laser Scanning，TLS)或移动激光扫描(Mobile Laser Scanning，MLS)系统获取，与ALS相比，它们可以提供更密集和准确的扫描数据。
因此，电力线和电塔点云的获取方式多样，针对不同的场景可以快速准确地获取大规模场景下的电力线三维空间信息。但是，由激光雷达扫描获取的海量数据仍需要人工判读得到最终巡检报告。
将激光扫描三维点云进行电力线地物分类的原因归纳为如下几个方面：
(1)激光雷达对电力线及电塔进行扫描所得到的数据比遥感图像更加清晰可分辨，通过先对数据进行预处理，对杆塔位置进行判别，利用不同位置实现杆塔分割和电力线分割，再进行不同电力线的细化；
(2)良好的评价标准可以评估点云地物的分类精度，检测出的模型问题部分有利于系统校准误差，便于重新采集数据以及简化巡检方式等；
(3)评价后的点云模型可以直观显示出点云进行地物分类过程中出现的问题，可以为进一步实时采集数据进行预防和报警。对于电力线目标数字化以及分类识别等方面具有重要的作用。
目前，对于基于激光扫描三维点云的电力线地物分类主要受到以下几个方面的约束：
首先，数据量不足，样本库质量不高。当前公开可用的输电线路数据集十分少，已有的输电线路数据集相比于其他室外大型场景数据集，如SemanticKitti、Semantic3D等，明显存在着点数分布极其不均的特点。在一个场景中，输电杆塔和输电线的点数占比可能只有2％以下，地面(包含植被)点数数量占据绝对优势。此外，输电杆塔相距较远，这导致在一个场景中电塔存在很少，如果对原始数据直接使用深度学习的方法，网络模型很难学到相关特征。
其次，计算时间复杂度，计算成本较大。机载激光雷达可以获取大量点云数据，通常一条输电线路的场景，包含的点云数量可能是几亿或几十亿的数量级，这就带来了如何快速处理庞大数量点云这一问题。现有的方法通常是手工计算描述算子，然后去处理每一个点，这样时间复杂度就比较高。
再者，方法泛化能力太弱。基于传统手工计算的方法，根据数据集中特定的杆塔形状，手动计算几何特征，只能应用于这些特定数据集。虽然，也有学者提出一些普适方法，但精度仍然不高。因此，相比继续使用传统手工计算方法，探索利用目前现有的一些深度学习方法，实现电力线和电力杆塔的快速准确提取是目前要解决的问题。
发明内容
本发明所要解决的技术问题是：提供一种基于三维点云的电力巡检地物分类方法及存储介质，可快速准确地识别出输电线和杆塔。
为了解决上述技术问题，本发明采用的技术方案为：一种基于三维点云的电力巡检地物分类方法其特征在于，包括：
通过无人机三维激光雷达，获取输电线路的三维点云；
对所述三维点云进行数据清理；
根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本；
根据所述训练样本，对预设的动态图卷积神经网络进行训练，得到训练好的动态图卷积神经网络；
获取待测点云，并将所述待测点云输入所述训练好的动态图卷积神经网络，得到待测点云的类别。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
本发明的有益效果在于：通过对获得的三维点云进行数据清理，可去除一些干扰物的点云数据，减少处理数据量，且可提高后续识别结果的准确性；通过动态图卷积神经网络，可直接对点云进行识别分类，且可学习点集的语义信息，能够非常好地提取点云局部形状的特征，从而可快速准确地识别出输电线和杆塔。
附图说明
图1为本发明的一种基于三维点云的电力巡检地物分类方法的流程图；
图2为本发明实施例一的方法流程图；
图3为本发明实施例一的地面点集的示意图；
图4为本发明实施例一的杆塔及其附近点集的示意图；
图5为本发明实施例一的输电线点集的示意图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图详予说明。
请参阅图1，一种基于三维点云的电力巡检地物分类方法，包括：
通过无人机三维激光雷达，获取输电线路的三维点云；
对所述三维点云进行数据清理；
根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本；
根据所述训练样本，对预设的动态图卷积神经网络进行训练，得到训练好的动态图卷积神经网络；
获取待测点云，并将所述待测点云输入所述训练好的动态图卷积神经网络，得到待测点云的类别。
从上述描述可知，本发明的有益效果在于：可快速准确地识别出输电线和杆塔。
进一步地，所述对所述三维点云进行数据清理，包括：
对所述三维点云进行去噪；
对去噪后的三维点云进行稀疏点分离；
对稀疏点分离后的三维点云进行滤波处理。
由上述描述可知，通过进行数据清理，可去除一些干扰物的点云数据，减少处理数据量，且可提高后续识别结果的准确性。
进一步地，所述对所述三维点云进行去噪，具体为：
若在预设大小的一空间内的点数量小于预设的第一数量阈值，则根据预设的扩大倍数，扩大所述一空间；
若扩大后的所述一空间内的点数量与扩大前的所述一空间内的点数量的差值小于预设的第二数量阈值，则剔除扩大前的所述一空间内的点。
由上述描述可知，可去除鸟类等干扰物的点云数据。
进一步地，所述对去噪后的三维点云进行稀疏点分离，具体为：
将所述三维点云投影至XOY平面，所述XOY平面与水平面平行，得到三维点云中各点对应的投影点；
根据预设的网格大小，对所述XOY平面进行网格化，并分别统计各网格内的投影点数量，作为各网格的点密度；
若一网格的点密度小于预设的密度阈值，则剔除所述一网格内的投影点对应的点。
由上述描述可知，可去除不影响输电线提取且会增加数据处理成本的稀疏扫描点。
进一步地，所述对稀疏点分离后的三维点云进行滤波处理，具体为：
根据同一网格内的投影点对应的点的高度，对所述同一网格内的投影对应的点进行排序，并将高度最小的预设比例的点剔除。
由上述描述可知，可去除地面干扰物的点云数据。
进一步地，所述根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本具体为：
根据输电线路的走线方向以及预设的区域尺寸，将所述数据清理后的三维点云划分为至少一个的区域点集；
根据预设的地面裁剪尺寸，分别对各区域点集内的地面点进行随机裁剪，得到各区域点集对应的至少一个的地面点集；
根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的杆塔及其附件点集；
根据预设的输电线裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的输电线点集；
随机选取预设第一数量的杆塔及其附件点集、预设第二数量的输电线点集以及一区域点集对应的预设第三数量的地面点集，组合得到所述一区域点集对应的电力场景点集，并根据预设的样本尺寸，对所述电力场景点集进行裁剪，得到所述一区域点集对应的训练样本。
进一步地，所述根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的杆塔及其附件点集具体为：
若所述输电线路中的杆塔数量小于预设的杆塔数量阈值，则根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点中分别对各杆塔进行两次裁剪，并根据预设的倍数范围进行随机缩放与旋转，得到至少一个的杆塔及其附件点集。
由上述描述可知，可生成不完全相同的杆塔及其附件点集，实现样本增强。
本发明还提出一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上所述的方法。
实施例一
请参照图2-5，本发明的实施例一为：一种基于三维点云的电力巡检地物分类方法，可应用于电力巡检。
如图2所示，包括如下步骤：
S1：通过无人机三维激光雷达，获取输电线路的三维点云；即通过无人机三维激光雷达扫描技术采集输电线路走廊的点云数。
S2：对所述三维点云进行去噪。
具体地，若在预设大小的一空间内的点数量小于预设的第一数量阈值，则根据预设的扩大倍数，扩大所述一空间；若扩大后的所述一空间内的点数量与扩大前的所述一空间内的点数量的差值小于预设的第二数量阈值，则剔除扩大前的所述一空间内的点。
本实施中，预设大小为10m×10m×1m；第一数量阈值为10个；预设的扩大倍数为2，即将空间扩大一倍；第二数量阈值为100
通过对点云进行去噪，可去除鸟类等干扰物的点云数据。
S3：对去噪后的三维点云进行稀疏点分离。
具体地，先将所述三维点云投影至XOY平面，得到三维点云中各点对应的投影点；其中，XOY平面与水平面平行，即与地面平行，也就是说，本实施例中坐标系的Z轴方向时垂直于地面的。然后，根据预设的网格大小，对所述XOY平面进行网格化，并分别统计各网格内的投影点数量，作为各网格的点密度；本实施例中，网格大小为1m×1m。若一网格的点密度小于预设的密度阈值，则剔除所述一网格内的投影点对应的点。
点云密度越高，地物分类的结果越精确。点密度过小的区域不适用于点云数据的后续分类处理分析。根据电力线分布情况，输电线点都是分布在道路轨迹线较近的两侧，根据稀疏点的空间分布位置将密度图与点云数据叠加，根据点密度图的网格位置，对于不影响电力线提取且会增加数据处理成本的稀疏扫描点应予以分离去除。
S4：对稀疏点分离后的三维点云进行滤波处理。
具体地，根据同一网格内的投影点对应的点的高度，对所述同一网格内的投影对应的点进行排序，并将高度最小的预设比例的点剔除。本实施例中，预设比例为5％，即将每个网格中高度最小的5％的点剔除。
进一步地，还可以根据同一网格内的投影点对应的点的高度，对同一网格内的点进行聚类，并根据聚类结果确定高度阈值，将高度小于该高度阈值的点归为地面点，反之归为非地面点。然后进行地面点滤波，以去除地面干扰物的点云数据。
通过确定点是否处在高于地面某一高度范围区间内从而进行点分类，其中输电线一般都高于周围地物，离地面的高度一般在15-50米，据此设置高度阈值，对低于该高度阈值的点进行滤波，经过处理后便可去除大量的植被点和建筑物点，保留输电线点和杆塔点以及小部分的树冠点、建筑物楼顶点或其他散乱点。
S5：根据滤波处理后三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本。
具体地，首先，根据输电线路的走线方向以及预设的区域尺寸，将三维点云划分为至少一个的区域点集。
然后，根据预设的地面裁剪尺寸，分别对各区域点集内的地面点进行随机裁剪，得到各区域点集对应的至少一个的地面点集；根据预设的杆塔裁剪尺寸，对三维点云中的杆塔进行裁剪，得到至少一个的杆塔及其附件点集(部分输电线、线夹、悬空地线与杆塔不可分割，故组成一个整体)；根据预设的输电线裁剪尺寸，对三维点云中的输电线进行裁剪，得到至少一个的输电线点集。
本实施例中，地面裁剪尺寸为250m×120m，杆塔裁剪尺寸为以杆塔为中心点的半径为100m-120m的范围，输电线裁剪尺寸为长度100m-140m。其中，这些裁剪尺寸均为XOY平面上的尺寸。地面点集如图3所示，杆塔及其附件点集如图4所示，输电线点集如图5所示。
进一步地，在对三维点云进行稀疏点分离后，即可确定该三维点云中输电线的宽度，根据该高度，确定地面裁剪尺寸的宽度。
最后，随机选取预设第一数量的杆塔及其附件点集、预设第二数量的输电线点集以及一区域点集对应的预设第三数量地面点集，组合得到所述一区域点集对应的电力场景点集，并根据预设的样本尺寸，对所述电力场景点集进行裁剪，得到所述一区域点集对应的训练样本。也就是说，一个区域的电力场景对应的样本中，地面点集只能来源于从该区域裁剪出的地面点集，而输电线点集和杆塔点集则是可以为其他区域裁剪出的输电线点集和杆塔点集。
本实施例中，第一数量为0-2，第二数量为0-2，第三数量为0-4，且第一数量和第二数量之和为1-3。预设的样本尺寸为250m×120m。
进一步地，在组合时，需要对杆塔点集和输电线点集中的点进行平移旋转(即乘以变化矩阵，再加上一个随机微扰动)，以保证杆塔落在地面上，输电线悬空，且二者绝大部分落在地面的上空范围内。
进一步地，若所述输电线路中的杆塔数量小于预设的杆塔数量阈值，则根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点中分别对各杆塔进行两次裁剪，并根据预设的倍数范围进行随机缩放与旋转，得到至少一个的杆塔及其附件点集。
例如，假设三维点云中只含有17个杆塔，则对每个杆塔进行两次随机裁剪，并进行0.95-1.05倍的随机缩放与旋转，以生成不完全相同的杆塔。
通过上述操作，对于每个区域，都能生成一个对应的训练样本，将这些训练样本作为训练集。进一步地，还可以根据所有区域，生成一个样本，作为验证集。
S6：根据所述训练样本，对预设的动态图卷积神经网络进行训练，得到训练好的动态图卷积神经网络。
本实施例中，动态图卷积神经网络(DGCNN)由三个主要模块组成：邻域维度信息(Neighborhood Dimension Information，NDI)模块、图卷积EdgeConv模块和注意力融合(Attention Fusion，AF)模块。
假设输入的训练样本中点的个数为N，每个点具有三维坐标值，则输入维度为N×3，NDI模块增加输入数据的维度特征，并通过三个连续的用于刻画点云局部特征的EdgeConv模块和多层感知机，将输入维度提升至N×1024维；经过操作将获得一个分辨能力强的全局特征，再使用复制操作得到一个N×1024最大池化维的特征向量作为高层语义信息；将EdgeConv得到的一个N×64维的浅层特征进行残差连接；使用AF模块聚合提取到的信息，生成一个N×1216维的特征向量；使用该特征为每个点预测类别，完成语义分割任务。
S7：获取待测点云，并将所述待测点云输入所述训练好的动态图卷积神经网络，得到待测点云的类别。
进一步地，为了提高识别结果的准确性，先对待测点云进行去噪、稀疏点分离和滤波处理后再输入到训练好的神经网络中进行识别。
本实施例中，通过无人机三维激光雷达，可方便快速地获得电力三维点云，有效保证巡检人员的安全性；通过对三维点云进行去噪、稀疏点分离和滤波，可有效去除干扰物的点云数据，减少处理数据量，提高后续分类的准确性；过动态图卷积神经网络，可直接对点云进行识别分类，且可学习点集的语义信息，能够非常好地提取点云局部形状的特征，从而可快速准确地识别出输电线和杆塔。
实施例二
本实施例是对应上述实施例的一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上述实施例中基于三维点云的电力巡检地物分类方法的各个步骤，且能达到相同的技术效果，此处不再累述。
综上所述，本发明提供的一种基于三维点云的电力巡检地物分类方法及存储介质，通过对获得的三维点云进行数据清理，可去除一些干扰物的点云数据，减少处理数据量，且可提高后续识别结果的准确性；通过动态图卷积神经网络，可直接对点云进行识别分类，且可学习点集的语义信息，能够非常好地提取点云局部形状的特征，从而可快速准确地识别出输电线和杆塔。
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范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于三维点云的电力巡检地物分类方法，其特征在于，包括：
通过无人机三维激光雷达，获取输电线路的三维点云；
对所述三维点云进行数据清理；
根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本；
根据所述训练样本，对预设的动态图卷积神经网络进行训练，得到训练好的动态图卷积神经网络；
获取待测点云，并将所述待测点云输入所述训练好的动态图卷积神经网络，得到待测点云的类别。
2.根据权利要求1所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述对所述三维点云进行数据清理，包括：
对所述三维点云进行去噪；
对去噪后的三维点云进行稀疏点分离；
对稀疏点分离后的三维点云进行滤波处理。
3.根据权利要求2所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述对所述三维点云进行去噪，具体为：
若在预设大小的一空间内的点数量小于预设的第一数量阈值，则根据预设的扩大倍数，扩大所述一空间；
若扩大后的所述一空间内的点数量与扩大前的所述一空间内的点数量的差值小于预设的第二数量阈值，则剔除扩大前的所述一空间内的点。
4.根据权利要求2所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述对去噪后的三维点云进行稀疏点分离，具体为：
将所述三维点云投影至XOY平面，所述XOY平面与水平面平行，得到三维点云中各点对应的投影点；
根据预设的网格大小，对所述XOY平面进行网格化，并分别统计各网格内的投影点数量，作为各网格的点密度；
若一网格的点密度小于预设的密度阈值，则剔除所述一网格内的投影点对应的点。
5.根据权利要求2所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述对稀疏点分离后的三维点云进行滤波处理，具体为：
根据同一网格内的投影点对应的点的高度，对所述同一网格内的投影对应的点进行排序，并将高度最小的预设比例的点剔除。
6.根据权利要求1所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述根据数据清理后的三维点云，裁剪得到各点云类别对应的点集，并根据各点云类别对应的点集，生成训练样本具体为：
根据输电线路的走线方向以及预设的区域尺寸，将所述数据清理后的三维点云划分为至少一个的区域点集；
根据预设的地面裁剪尺寸，分别对各区域点集内的地面点进行随机裁剪，得到各区域点集对应的至少一个的地面点集；
根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的杆塔及其附件点集；
根据预设的输电线裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的输电线点集；
随机选取预设第一数量的杆塔及其附件点集、预设第二数量的输电线点集以及一区域点集对应的预设第三数量的地面点集，组合得到所述一区域点集对应的电力场景点集，并根据预设的样本尺寸，对所述电力场景点集进行裁剪，得到所述一区域点集对应的训练样本。
7.根据权利要求6所述的基于三维点云的电力巡检地物分类方法，其特征在于，所述根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点云中裁剪得到至少一个的杆塔及其附件点集具体为：
若所述输电线路中的杆塔数量小于预设的杆塔数量阈值，则根据预设的杆塔裁剪尺寸，在所述数据清理后的三维点中分别对各杆塔进行两次裁剪，并根据预设的倍数范围进行随机缩放与旋转，得到至少一个的杆塔及其附件点集。
8.一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，所述程序被处理器执行时实现如权利要求1-7任一项所述的方法。
CN202310013701.8A 2023-01-05 2023-01-05 基于三维点云的电力巡检地物分类方法及存储介质 Pending CN116052023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310013701.8A CN116052023A (zh) 2023-01-05 2023-01-05 基于三维点云的电力巡检地物分类方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310013701.8A CN116052023A (zh) 2023-01-05 2023-01-05 基于三维点云的电力巡检地物分类方法及存储介质

Publications (1)

Publication Number Publication Date
CN116052023A true CN116052023A (zh) 2023-05-02

Family

ID=86121399

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310013701.8A Pending CN116052023A (zh) 2023-01-05 2023-01-05 基于三维点云的电力巡检地物分类方法及存储介质

Country Status (1)

Country Link
CN (1) CN116052023A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117517864A (zh) * 2023-11-08 2024-02-06 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117517864A (zh) * 2023-11-08 2024-02-06 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置
CN117517864B (zh) * 2023-11-08 2024-04-26 南京航空航天大学 一种基于激光雷达的输电线路近电预警方法与装置

Similar Documents

Publication Publication Date Title
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
Biçici et al. An approach for the automated extraction of road surface distress from a UAV-derived point cloud
US7046841B1 (en) Method and system for direct classification from three dimensional digital imaging
US10198632B2 (en) Survey data processing device, survey data processing method, and survey data processing program
CN111325138B (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
US20210103727A1 (en) Aerial line extraction system and aerial line extraction method
EP3023912A1 (en) Crack data collection apparatus and server apparatus to collect crack data
CN108562885B (zh) 一种高压输电线路机载LiDAR点云提取方法
Su et al. Extracting wood point cloud of individual trees based on geometric features
Nardinocchi et al. Fully automatic point cloud analysis for powerline corridor mapping
CN112014856A (zh) 一种适于交叉路段的道路边沿提取方法及装置
CN112381041A (zh) 一种用于输电线路的树木识别方法、装置及终端设备
CN113345094A (zh) 基于三维点云的电力走廊安全距离分析方法及系统
Shokri et al. A robust and efficient method for power lines extraction from mobile LiDAR point clouds
CN114387506A (zh) 输电杆塔监测方法、装置、计算机设备、存储介质
CN116052023A (zh) 基于三维点云的电力巡检地物分类方法及存储介质
CN115909096A (zh) 无人机巡航管道隐患分析方法、装置及系统
CN115547003A (zh) 一种输电线路的防外破报警方法和系统
US8483478B1 (en) Grammar-based, cueing method of object recognition, and a system for performing same
CN112184903A (zh) 高压线行树障风险点的检测方法、装置、设备及介质
US20230314169A1 (en) Method and apparatus for generating map data, and non-transitory computer-readable storage medium
CN114200527B (zh) 一种基于倾斜摄影的无人机航磁测量方法及系统
CN115755088A (zh) 一种基于激光点云的输电线路工程建造参数自动化量测方法
Gaha et al. A new LiDAR-based approach for poles and distribution lines detection and modelling
Tyagur et al. Digital terrain models from mobile laser scanning data in Moravian Karst

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