CN116091493A - 一种用于输电线树障隐患的测距方法 - Google Patents
一种用于输电线树障隐患的测距方法 Download PDFInfo
- Publication number
- CN116091493A CN116091493A CN202310361170.1A CN202310361170A CN116091493A CN 116091493 A CN116091493 A CN 116091493A CN 202310361170 A CN202310361170 A CN 202310361170A CN 116091493 A CN116091493 A CN 116091493A
- Authority
- CN
- China
- Prior art keywords
- tree
- wire
- point cloud
- power transmission
- tree obstacle
- 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.)
- Granted
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 76
- 238000000691 measurement method Methods 0.000 title claims abstract description 8
- 230000004888 barrier function Effects 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 29
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 230000000903 blocking effect Effects 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000003709 image segmentation Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100391172 Dictyostelium discoideum forA gene Proteins 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
- G06T7/85—Stereo camera calibration
-
- 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
- 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
Abstract
本发明提供了一种用于输电线树障隐患的测距方法，属于输电线路智能运检领域，所述方法包括：建立模型，获取可见光图片的深度图、导线分割像素位置、树障分割像素位置、导线深度信息和树障深度信息；通过相机内参矩阵将导线深度信息转换为导线点云，将树障深度信息转换为树障点云；对树障点云进行分块处理，计算分块树障点云与导线点云的最小欧氏距离，将最小欧氏距离作为每一块树障点云与导线的最小距离，选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离。本发明对树障点云分块进行最小树线距离测量能够降低由于重建生成的大量树障点云对硬件设备要求，并极大的增加了方法的实时性。
Description
技术领域
本发明涉及输电线路智能运检领域，尤其是涉及一种用于输电线树障隐患的测距方法。
背景技术
随着国民经济的快速发展，作为电力系统的重要组成部分重要组成部分的电力输电线路的数量也越来越多。其的可靠安全运行直接关系着电网供电可靠性。但是在电力输电线路实际运行过程中，面临着多种多样的隐患威胁，其中线路走廊内的树木是输电线路极大的安全隐患，不断生长的树木在靠近输电线路时会造成输电线路闪络、跳闸事故，这也严重影响着输电线路安全运行。如何及时发现、处理和预防树障隐患并且保障电力输送安全成为输电运维人员关注的重要问题。
中国发明专利名称：一种输电线隐患距离的计算方法及终端，专利号：CN114066985A公开一种输电线隐患距离的计算方法及终端，获取输电线路通道的二维图像数据与三维点云数据；对二维图像数据进行深度估计，得到与所述二维图像数据对应的深度图，并基于所述二维图像数据与所述深度图使用预设目标轮廓提取网络进行轮廓提取，得到二维隐患轮廓；基于所述二维图像数据与所述三维点云数据确定所述二维隐患轮廓对应的三维隐患轮廓；根据所述三维点云数据确定输电线位置信息，并根据所述输电线位置信息与所述三维隐患轮廓计算得到所述输电线与所述隐患的目标最短距离。
但是现有输电线隐患距离数据来源和计算过程复杂，测量精度较低。
发明内容
针对现有技术中存在的问题，本发明使用基于深度学习的输电场景静态物体图像分割模型提取导线和树障像素位置，结合深度图和相机内参矩阵实现基于单张图片的导线，树障三维重建，极大的降低了输电场景景物点云重建的成本和时间。对树障点云分块进行最小树线距离测量能够降低由于重建生成的大量树障点云对硬件设备要求，并极大的增加了方法的实时性。
本发明采用的技术方案如下：
一种用于输电线树障隐患的测距方法，包括如下步骤：
建立单目深度估计模型、输电场景静态物体图像分割模型；
采用单目深度估计模型对输电线路可见光图片进行场景景物的单目深度估计，获取可见光图片的深度图；
采用输电场景静态物体图像分割模型对输电线路可见光图片中的静态景物进行图像分割获取导线分割像素位置、树障分割像素位置；
将导线分割像素位置、树障分割像素位置分别与可见光的深度图结合，获取导线深度信息和树障深度信息；
通过相机内参矩阵将导线深度信息转换为导线点云，将树障深度信息转换为树障点云；
对树障点云进行分块处理，计算分块树障点云与导线点云的最小欧氏距离，将最小欧氏距离作为每一块树障点云与导线的最小距离，选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离。
本发明的有益效果为：
本发明使用单个相机拍摄的单张图片以及相机内参作为数据源，简单方便的通过图片中树障隐患以及导线重建来进行树障隐患的测距，数据来源简单方便，整个过程完全自动化；本发明相比于传统树障隐患测距方法，本发明使用基于深度学习的输电场景静态物体图像分割模型可以很好的提取导线和树障像素位置，结合深度图和相机内参矩阵能够实现基于单张图片的导线，树障三维重建，极大的降低了输电场景景物点云重建的成本和时间，并且测距精度高，操作方便。
附图说明
图1 为本发明一种用于输电线树障隐患的测距方法流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示本发明提供了一种用于输电线树障隐患的测距方法，所述方法包括如下步骤：
建立单目深度估计模型、输电场景静态物体图像分割模型；
采用单目深度估计模型对输电线路可见光图片进行场景景物的单目深度估计，获取可见光图片的深度图；
采用输电场景静态物体图像分割模型对输电线路可见光图片中的静态景物进行图像分割获取导线分割像素位置、树障分割像素位置；
将导线分割像素位置、树障分割像素位置分别与可见光的深度图结合，获取导线深度信息和树障深度信息；
通过相机内参矩阵将导线深度信息转换为导线点云，将树障深度信息转换为树障点云；
对树障点云进行分块处理，选取每块分块树障点云中具有代表性的点云分别计算与导线点云的最小欧式距离，作为每一块分块树障点云与导线的树线最小距离，选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离。
所述的输电通道可见光图片，是指W*H*3的数组，W和H分别为图片的横向像素数目和纵向像素数目。
所述的单目深度估计模型，通过输电通道可见光图片以及对应深度图组成的输电通道深度估计数据训练得到的能够生成输电通道可见光图片中场景深度图能力的神经网络模型，其输出是和输入输电通道可见光图片同样尺寸的2维数组。
所述的输电通道可见光图片中场景深度图是指由输电通道可见光图片中每个像素所展示的现实空间中的景物到拍摄该张图片的相机光心平面的距离组成的二维数组。
所述的基于深度学习的输电场景静态物体图像分割模型，是指通过输电通道分割图片数据集训练得到的能够分割输电线路可视化监拍设备拍摄的可见光图片中的树障隐患（一般指树木灌木等植物）以及输电线路可视化监拍设备所在的线路的杆塔中设备朝向的输电导线能力的神经网络模型。
所述的导线，树障分割像素位置，是指其为一个2维的数组，第一维是在导线或者树障的像素在可见光图片中所在的横向位置，第二维表示导线或者树障的像素在可见光图片中所在的纵向位置，两者能够描述导线树木在可见光图片的位置信息。
所述的导线树障分割像素位置与该可见光图片的深度图结合，是指获取导线树障分割像素位置以及在深度图中对应位置的数值进行组合拼接。
所述的导线深度信息，是指其为一个行数为3的数组，第一行表示导线的每一个像素在可见光图片的横向位置，第二行是指导线的每一个像素在可见光图片的纵向位置，第三行是在深度图中获取的由前两维数据确定的深度图位置上的像素深度信息。所述的树障深度信息，是指其为一个行数为3的数组，第一行表示树障的每一个像素在可见光图片的横向位置，第二行是指导线的每一个像素在可见光图片的纵向位置，第三行是在深度图中获取的由前两维数据确定的深度图位置上的像素深度信息。
所述的通过相机内参矩阵，是指其为一个3*3的矩阵。其表征了点云与深度图的映射关系。可以通过相机参数标定或者通过可见光图片尺寸，相机焦距f和相机CCD或者COMS传感器尺寸计算得到，具体计算形式如下：
其中，M为相机内参矩阵，fx为相机水平焦距，fy为相机垂直焦距，cx为图像坐标系水平方向中心点，cy为图像坐标系垂直方向中心点。
所述的所述的导线深度信息转换成导线点云，是指使用导线深度信息与相机内参矩阵相乘，所得到的结果就是导线点云。具体计算形式如下：
其中，为导线点云，是一个行数为3的二维矩阵，M为相机内参矩阵，为导线深度信息。
所述的树障深度信息转换成树障点云，是指使用树障深度信息与相机内参矩阵相乘，所得到的结果就是树障点云。具体计算形式如下：
其中，为树障点云，是一个行数为3的二维矩阵，M为相机内参矩阵，为树障深度信息。
所述的树障点云，导线点云，都是由3*N的数组组成，其数组中第一个维度描述的是点云在笛卡尔空间坐标系中x轴的位置，第二个维度描述点云在笛卡尔空间坐标系中y轴的位置，第三个维度描述点云在笛卡尔空间坐标系中z轴的位置，这样每3*1的行向量描述了点云中的一个点云点的空间位置。
所述的对树障点云进行分块处理，具体包括：
获取树障点云第一维度的最大值，最小值和第二维度的最大值，最小值，设定第一维度分块数目等于20、第二维度分块数目等于50，计算第一维度分块步长、第二维度分块步长：
获取树障点云中每一个第一维度小于且大于，第二个维度小于且大于的点云点共同组成第i行第j个分块点云
其中，i的取值范围为0到，j的取值范围为0到。
这里我们把一整块点云分割成*个分块点云，i的取值为0到,j的取值为,而、、、是随着i，j变化的就是第i行第j个分块点云点的第一，第二维度的最大最小值，这样通过获取这四个数就能够渠道一个分块点云。
每块分块树障点云中具有代表性的点云，每块分块树障点云第三个维度中数值从大到小排列前10%的点云点或者第一个维度中数值从大到小排列前10%和最后10%的点云点。
每块分块树障点云中具有代表性的点云分别计算与导线点云的最小欧式距离，每一块点云中的所有点云点与另一块点云中的点云点计算空间欧式距离，选取数值最小的空间欧式距离最为两块点云的最小欧式距离。空间欧式距离的计算如下：
其中，分别为分块树障点云中具有代表性的点云第个点云点的空间坐标系中三个维度的数值，为导线点云第1个点云点的空间坐标系中三个维度的数值，的取值范围为0到中点云点数目减去1，的取值范围为0到中点云点数目减去1，为的具有代表性的点云；
每块分块树障点云中具有代表性的点云分别计算与导线点云的最小欧式距离具体为：遍历，计算树线距离的最小值：
选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离具体为：
其中，为所有分块树障点云与导线的树线最小距离的最小值，为第一维度分块数目，为第二维度分块数目。
下面结合实施例对本发明做进一步说明。
实施例1
本实施例使用的是某输电检修公司的使用输电线路监拍设备拍摄的图片，图片尺寸为1408*1408*3，输电线路监拍设备对应的相机内参矩阵为：
a、使用单目深度估计模型对输电线路可视化监拍设备拍摄的可见光图片进行场景景物的单目深度估计，获取可见光图片的深度图，深度图为1408*1408的矩阵，获取到的深度图矩阵如下：
。
b、使用基于深度学习的输电场景静态物体图像分割模型对输电线路可视化监拍设备拍摄的可见光图片中的导线，树障等静态景物进行图像分割获取导线，树障分割像素位置。其中导线分割像素位置可表示为2*243044的矩阵：
树障分割像素位置可表示为2*305768的矩阵：
。
c、通过导线树障分割像素位置与该可见光图片的深度图结合，获取导线深度信息和树障深度信息，其中导线深度信息为3*243044大小的矩阵：
树障深度信息为3*305768的矩阵：
d、随后通过相机内参矩阵将导线深度信息转换成导线点云，将树障深度信息转换成树障点云，得到的导线点云矩阵为：
得到的树障点云矩阵为：
e、最后通过对树障点云进行分块处理，首先获取到树障点云第一维度和最大值-29.63，最小值-81.17和第二维度的最大值401.98，最小值173.83,然后设定第一维度分块数目等于20，第二维度分块数目等于50，根据下列公式计算第一维度分块步长，第二维度分块步长：
获取树障点云中每一个第一维度小于且大于，同时第二个维度小于且大于的点云点共同组成第i行第j个分块点云。以分块矩阵为例，
则就是由矩阵中每一个第一个维度小于且大于，同时第二维度小于且大于的点云点共同组成矩阵：
然后选取每块分块树障点云中具有代表性的点云分别计算与导线点云的最小欧式距离，作为每一块分块树障点云与导线的树线最小距离。
以分块树障点云为例，获取到的具有代表性的点云为：
其中为3*200大小的矩阵。
计算每个分块树障点云中具有代表性的点云每一个点云点与导线点云中每一个点云点的最小欧式距离，在每个分块树障点云中具有代表性的点云中的取值为0-199（199等于列数减去1），在导线点云中的取值为0-243043（243043等于导线点云列数减去1）。
以的计算为例，
即
然后遍历、，最后取最小值得到每一块分块树障点云与导线的树线最小距离。
最终得到=23.1米。
f、最后选取所有分块树障点云与导线的树线最小距离的最小值作为该张图片的最小树线距离。
即
。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种用于输电线树障隐患的测距方法，其特征在于，包括如下步骤：
建立单目深度估计模型、输电场景静态物体图像分割模型；
采用单目深度估计模型对输电线路可见光图片进行场景景物的单目深度估计，获取可见光图片的深度图；
采用输电场景静态物体图像分割模型对输电线路可见光图片中的静态景物进行图像分割获取导线分割像素位置、树障分割像素位置；
将导线分割像素位置、树障分割像素位置分别与可见光的深度图结合，获取导线深度信息和树障深度信息；
通过相机内参矩阵将导线深度信息转换为导线点云，将树障深度信息转换为树障点云；
对树障点云进行分块处理，计算分块树障点云与导线点云的最小欧氏距离，将最小欧氏距离作为每一块树障点云与导线的最小距离，选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离。
2.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，
输电通道可见光图片及可见光图片对应的深度图组成输电通道深度估计数据，采用输电通道深度估计数据训练单目深度估计模型，获取生成输电通道可见光图片中场景深度图的神经网络模型，所述单目深度估计模型的输出是与输入可见光图片尺寸相同的二维数组；
输电场景静态物体图像分割模型，用于分割输电线路可视化图片中的树障隐患、输电线路可视化监拍设备朝向的输电导线。
3.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，导线深度信息为一个行数为3的数组，第一行数据表示导线的每一个像素在可见光图片的横向位置，第二行数据表示导线的每一个像素在可见光图片的纵向位置，第三行数据表示像素深度信息；树障深度信息为一个行数为3的数组，第一行数据表示树障的每一个像素在可见光图片的横向位置，第二行数据表示导线的每一个像素在可见光图片的纵向位置，第三行数据表示像素深度信息。
4.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，相机内参矩阵是一个3*3的矩阵，用于表示点云与深度图的映射关系，具体计算方法如下：
其中，M为相机内参矩阵，fx为相机水平焦距，fy为相机垂直焦距，cx为图像坐标系水平方向中心点，cy为图像坐标系垂直方向中心点。
5.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，导线深度信息转换成为导线点云的具体方法为：
其中，为导线点云，是一个行数为3的二维矩阵，M为相机内参矩阵，为导线深度信息。
6.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，树障深度信息转换为树障点云的具体方法为：
其中，为树障点云，是一个行数为3的二维矩阵，M为相机内参矩阵，为树障深度信息。
7.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，树障点云与导线点云均由3*N的数组组成，第一个维度表示点云在笛卡尔空间坐标系中x轴的位置，第二个维度表示点云在笛卡尔空间坐标系中y轴的位置，第三个维度描述点云在笛卡尔空间坐标系中z轴的位置。
8.如权利要求1或7所述的用于输电线树障隐患的测距方法，其特征在于，对树障点云进行分块处理具体包括：
获取树障点云第一维度的最大值，最小值和第二维度的最大值，最小值，设定第一维度分块数目、第二维度分块数目，计算第一维度分块步长、第二维度分块步长：
获取树障点云中每一个第一维度小于且大于，第二个维度小于且大于的点云点共同组成第i行第j个分块点云
其中，i的取值范围为0到，j的取值范围为0到。
9.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，计算分块树障点云与导线点云的最小欧氏距离具体为：
每一块点云中的所有点云点与另一块点云中的点云点计算空间欧氏距离，选取数值最小的空间欧氏距离作为两块点云的最小欧式距离，空间欧氏距离的计算方法如下：
其中，分别为分块树障点云中具有代表性的点云第个点云点的空间坐标系中三个维度的数值，为导线点云第1个点云点的空间坐标系中三个维度的数值，的取值范围为0到中点云点数目减去1，的取值范围为0到导线点云中点云点数目减去1，为分块树障点云中具有代表性的点云；
每块分块树障点云中具有代表性的点云分别计算与导线点云的最小欧式距离具体为：遍历，计算获取每一块分块树障点云与导线的树线最小距离：
。
10.如权利要求1所述的用于输电线树障隐患的测距方法，其特征在于，选取所有分块树障点云与导线的树线最小距离的最小值作为最小树线距离具体为：
其中，为所有分块树障点云与导线的树线最小距离的最小值，为第一维度分块数目，为第二维度分块数目。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361170.1A CN116091493B (zh) | 2023-04-07 | 2023-04-07 | 一种用于输电线树障隐患的测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310361170.1A CN116091493B (zh) | 2023-04-07 | 2023-04-07 | 一种用于输电线树障隐患的测距方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116091493A true CN116091493A (zh) | 2023-05-09 |
| CN116091493B CN116091493B (zh) | 2023-07-18 |
Family
ID=86202922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310361170.1A Active CN116091493B (zh) | 2023-04-07 | 2023-04-07 | 一种用于输电线树障隐患的测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116091493B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245932A (zh) * | 2023-05-10 | 2023-06-09 | 智洋创新科技股份有限公司 | 一种基于网格思想的输电线路隐患测距方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105093232A (zh) * | 2015-08-17 | 2015-11-25 | 广西电网有限责任公司电力科学研究院 | 一种架空输电线路通道树障信息智能采集终端及采集方法 |
| WO2019104781A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
| CN113469947A (zh) * | 2021-06-08 | 2021-10-01 | 智洋创新科技股份有限公司 | 一种适合多种地形的测量隐患与输电导线净空距离的方法 |
| CN113537180A (zh) * | 2021-09-16 | 2021-10-22 | 南方电网数字电网研究院有限公司 | 树障的识别方法、装置、计算机设备和存储介质 |
| CN114061507A (zh) * | 2021-10-21 | 2022-02-18 | 国网天津市电力公司电力科学研究院 | 一种基于无人机的架空输电线路线下障碍物测距方法 |
| CN114066985A (zh) * | 2022-01-11 | 2022-02-18 | 深圳金三立视频科技股份有限公司 | 一种输电线隐患距离的计算方法及终端 |
| CN115830450A (zh) * | 2022-11-30 | 2023-03-21 | 国网山东省电力公司济南供电公司 | 输电线路树障隐患危害的监测方法及装置 |
-
2023
- 2023-04-07 CN CN202310361170.1A patent/CN116091493B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105093232A (zh) * | 2015-08-17 | 2015-11-25 | 广西电网有限责任公司电力科学研究院 | 一种架空输电线路通道树障信息智能采集终端及采集方法 |
| WO2019104781A1 (zh) * | 2017-11-29 | 2019-06-06 | 北京数字绿土科技有限公司 | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 |
| CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
| CN113469947A (zh) * | 2021-06-08 | 2021-10-01 | 智洋创新科技股份有限公司 | 一种适合多种地形的测量隐患与输电导线净空距离的方法 |
| CN113537180A (zh) * | 2021-09-16 | 2021-10-22 | 南方电网数字电网研究院有限公司 | 树障的识别方法、装置、计算机设备和存储介质 |
| CN114061507A (zh) * | 2021-10-21 | 2022-02-18 | 国网天津市电力公司电力科学研究院 | 一种基于无人机的架空输电线路线下障碍物测距方法 |
| CN114066985A (zh) * | 2022-01-11 | 2022-02-18 | 深圳金三立视频科技股份有限公司 | 一种输电线隐患距离的计算方法及终端 |
| CN115830450A (zh) * | 2022-11-30 | 2023-03-21 | 国网山东省电力公司济南供电公司 | 输电线路树障隐患危害的监测方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| JINPENG HAO ET AL: "Extraction and analysis of tree canopy height information in high-voltage transmission-line corridors by using integrated optical remote sensing and LiDAR", 《GEODESY AND GEODYNAMICS》, pages 1 - 12 * |
| 张英等: "三维激光雷达无人机树障实时测量系统研究", 《中国测试》, vol. 47, no. 11, pages 147 - 152 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245932A (zh) * | 2023-05-10 | 2023-06-09 | 智洋创新科技股份有限公司 | 一种基于网格思想的输电线路隐患测距方法 |
| CN116245932B (zh) * | 2023-05-10 | 2023-08-22 | 智洋创新科技股份有限公司 | 一种基于网格思想的输电线路隐患测距方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116091493B (zh) | 2023-07-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112633535A (zh) | 一种基于无人机图像的光伏电站智能巡检方法及系统 | |
| CN113345019B (zh) | 一种输电线路通道隐患目标测距方法、设备及介质 | |
| CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
| CN113989450B (zh) | 图像处理方法、装置、电子设备和介质 | |
| CN110084785B (zh) | 一种基于航拍图像的输电线垂弧测量方法及系统 | |
| CN111666876B (zh) | 用于检测障碍物的方法、装置、电子设备和路侧设备 | |
| CN116091493B (zh) | 一种用于输电线树障隐患的测距方法 | |
| CN110595442A (zh) | 输电线路通道树障检测方法、储存介质和计算机设备 | |
| CN112907573B (zh) | 一种基于3d卷积的深度补全方法 | |
| CN110889873A (zh) | 一种目标定位方法、装置、电子设备及存储介质 | |
| CN114743021A (zh) | 一种输电线路图像与点云数据的融合方法及系统 | |
| CN110617772A (zh) | 一种非接触式线径测量装置及方法 | |
| CN111899345B (zh) | 一种基于2d视觉图像的三维重建方法 | |
| CN115240087A (zh) | 基于双目立体视觉及激光点云的树障定位分析方法及系统 | |
| CN109726692A (zh) | 基于深度学习的高清摄像头3d目标检测系统 | |
| CN116363585A (zh) | 一种输电线路在线监测方法及系统 | |
| CN116091494B (zh) | 一种输电机械外破隐患测距方法 | |
| CN111950524B (zh) | 一种基于双目视觉和rtk的果园局部稀疏建图方法和系统 | |
| CN116895059A (zh) | 一种多目透视图像的bev空间目标检测方法及装置 | |
| CN113792645A (zh) | 一种融合图像和激光雷达的ai眼球 | |
| CN114780762B (zh) | 一种输电线路夜视图像的点云测距自动标注方法及系统 | |
| Tang et al. | Automatic geo‐localization framework without GNSS data | |
| Zhou et al. | Object detection and spatial location method for monocular camera based on 3D virtual geographical scene | |
| CN116660916B (zh) | 一种用于果园移动机器人的定位方法、建图方法及电子设备 | |
| CN115170663B (zh) | 跨时空真伪目标多模态关联超远程无源测距方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |