CN116148880A - 基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 - Google Patents
基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 Download PDFInfo
- Publication number
- CN116148880A CN116148880A CN202211425847.5A CN202211425847A CN116148880A CN 116148880 A CN116148880 A CN 116148880A CN 202211425847 A CN202211425847 A CN 202211425847A CN 116148880 A CN116148880 A CN 116148880A
- Authority
- CN
- China
- Prior art keywords
- voxel
- points
- point cloud
- cloud data
- transmission line
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000005484 gravity Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 239000004744 fabric Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 4
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/08—Systems determining position data of a target for measuring distance only
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，包括以下步骤：获取输电线路点云数据，并将点云数据分类为地面点和非地面点；消除地面点，将非地面点体素化，提取每个体素点云的体素特征，并根据高度阈值移除电力线以外的体素点；测定出其中的种子体素，根据种子体素测量体素重心的3D距离，基于体素领域滤波检测出电力线体素点和塔架体素点；将电力线体素点和塔架体素点分离开，最后使用KNN算法计算高物体点到凹形船体的表面距离，进行危险对象分析，确定0～20m和20～30m两类危险物体点。适用于输电线路的自动检测。
Description
技术领域
本发明涉及输电线路检测技术领域，具体是一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法。
背景技术
目前，架空输电线路是国家关系国民经济发展的重要基础设施之一，输电线线路的管理以及维护是建设现代化电网的重要内容。为保障稳定可靠的电能供应，避免安全事故发生，相关部分需要投入大量的人力对输电线路进行定期巡检。
传统的人工巡检工作强度大、效率低，具有一定的安全隐患，巡检准确度不高，难以满足快速发展的电网建设需求。随着机载激光雷达技术在无人机电力巡检的快速发展，智能巡检法可以实现输电线的高精度快速自动提取与危险分析报告，能够极大提高电力巡检的工作效率。
现在最常用的输电线提取检测方法是基于监督分类方法，比如随机森林模型，选取了多个特征进行输电线走廊分类，但是其效率偏低且需要人工干预。此外还有基于二维Hough变换方法和基于三维点特征方法，基于二维Hough变换方法通过将点云进行预处理后投影成二维影像，通过影像处理技术提取输电线，但是其对数据质量要求较高，且易漏提取；基于三维点特征方法主要是通过分析基于点的几何特征已经分布特征，通过特征阈值判断实现输电线提取，然而其存在体素格网欠分割现象，易导致漏提取。
综上所述，现有技术对输电线以及危险点的检测和识别，都存在检测结果不准确的问题。
发明内容
本发明的目的在于提供一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，包括以下步骤：
S1:获取输电线路点云数据，使用布料模拟滤波算法将点云数据分类为地面点和非地面点；
S2:根据Delaunay三角剖分的原理，消除地面点，将非地面点体素化，提取每个体素点云的体素特征，并根据高度阈值移除电力线以外的体素点；
S3:使用RANSAC算法分析高度方差滤波后所有剩余体素点，测定出其中的种子体素，根据种子体素测量体素重心的3D距离，然后基于体素领域滤波检测出电力线体素点和塔架体素点；
S4:将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，将电力线体素点和塔架体素点分离开，最后使用KNN算法计算高物体点到凹形船体的表面距离，进行危险对象分析，确定0～20m和20～30m两类危险物体点。
优选地，步骤S1具体为：
采用无人机机载激光雷达扫描输电线路，获取现场点云数据，然后使用布料模拟滤波算法CSF通过对比原始点云与模拟地表布料节点之间距离，自动将点云数据分类为地面点和非地面点。
优选地，步骤S2具体为：
首先利用Delaunay三角剖分方法，在LiDAR地面点云中创建一个三角表面模型，使用K近邻算法k-nearest neighbor计算靠近地面低点到三角形表面的3D距离，然后应用距离阈值消除地面附近的低点，保留高物体和电力线这些非地面点，并将非地面点云划分为三维空间中标准子体积区域的体素，为每个体素点云推导出体素特征，最后使用基于直方图的Otsu阈值算法计算每个体素特征的高度方差值，其表达式如下：
式中，x是体素点特征值，xi是加权特征平均值，Pr(xi)是概率函数；
体素特征最小高度方差值为最佳阈值即自动阈值t，根据自动阈值t移除大于t/10的高物体体素点云，并保留电力线体素点云。
优选地，步骤S3具体为：
首先使用随机抽样一致算法RANSAC分析根据高度方差滤波后所有剩余体素点，确定在XY平面中呈线性分布同时又在YZ和XZ平面中处于二阶曲线分布的内点，并记录包含这些内点的体素索引值，然后随机选择一个作为种子体素，并根据种子体素确定体素重心位置的3D距离，查找其附近26个相邻体素，检查他们之间的特征关系，最后在从选择种子体素开始的迭代搜索过程中，满足筛选条件的点为输电线路体素点，直到全部搜索完成，并确定电力线体素点和塔架体素点。
优选地，所述筛选条件为：绝对斜率差小于5的体素点、中心线参数之一和附近的26个相邻体素中的一个。
优选地，步骤S4具体为：
将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，计算每个网格区域中垂直体素点总数，并将其指定为XY平面中相应的网格值，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，通过使用自动阈值，将电力线和塔架的体素点分离开，然后基于塔架点之间的3D距离完成塔架体素点在空间上聚类，确定塔架聚类边界，分离所有剩余体素点并保存为电力线点，同时为了恢复之前线点检测过程中消除的少量点，使用确定的电力线体素点创建了一个凹形船体来定义点体积，通过空间分析检测未过滤的点云数据中凹形船体内剩余体素点，从而获得所有电力线点云，最后使用KNN算法测量高物体点到凹形船体表面的3D距离，通过对此距离进行评估，最终确定0～20m和20～30m两类危险物体点。
与现有技术相比，本发明的有益效果是：
1、通过获取输电线路点云数据，使用布料模拟滤波算法将点云数据自动分类为地面和非地面点，根据“Delaunay三角剖分”的原理，消除地面点，将非地面点体素化，提取每个体素点云的特征，并根据高度阈值移除电力线以外的高物体点，使用RANSAC算法分析高度方差滤波后所有剩余体素点，测定出其中的种子体素，根据种子体素测量体素重心的3D距离，然后基于体素领域滤波检测出电力线体素点和塔架体素点，将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，将电力线和塔架的体素点分离开，最后使用KNN算法计算高物体点到凹形船体的表面距离，进行危险对象分析，确定0～20m和20～30m两类危险物体点
2、本方法能实现无需现场勘探，可以从激光点云数据中精确提取出输输电线和塔架，检测出各种危险物体，快速进行输电线路电力巡检和安全勘探，节省了输电线路运维过程中大量的时间和人力成本。
附图说明
图1为本发明的流程结构示意框图；
图2为本发明的步骤2流程结构示意框图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。
请参阅图1和图2，本发明实施例中，一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，所述方法包括以下步骤：
1)获取输电线路点云数据，使用布料模拟滤波算法将点云数据自动分类为地面和非地面点；
其中，步骤1)中，采用无人机机载激光雷达扫描输电线路，获取现场点云数据；然后利用布料模拟滤波算法(CSF)根据原始点云和模拟陆地表面之间距离，使用五个参数(模拟场表面地形的织物厚度、两个相邻粒子之间水平距离的网格分辨率、地面与非地面点分类阈值、控制重力引起的粒子位移的时间阈值、模拟迭代值)自动将点云数据分类为地面和非地面点，蓝色为分类的地面点，红色为分类的非地面点。
2)根据“Delaunay三角剖分”的原理，消除地面点，将非地面点体素化，提取每个体素点云的特征，并根据高度阈值移除电力线以外的高物体点；
其中，步骤2)中，首先利用“Delaunay三角剖分”方法在LiDAR地面点云中创建一个三角表面模型，使用K近邻算法(k-nearest neighbor)计算靠近地面低点到三角形表面的3D距离，然后应用20m距离阈值消除地面附近的低点，保留高物体和电力线等非地面点，并将非地面点云划分为三维空间中标准子体积区域的体素，为每个体素点云推导出各种几何体、形状和纹理等特征，最后使用基于直方图的Otsu阈值算法计算每个体素特征的高度方差值，其表达式如下：
式中x是体素点特征值，xi是加权特征平均值，Pr(xi)是概率函数。
体素特征最小高度方差值为最佳阈值(自动阈值t)，根据自动阈值t移除大于t/10的高物体体素点云，并保留电力线体素点云。
3)使用RANSAC算法分析高度方差滤波后所有剩余体素点，测定出其中的种子体素，根据种子体素测量体素重心的3D距离，然后基于体素领域滤波检测出电力线体素点和塔架体素点；
其中，步骤3)中，使用随机抽样一致算法(RANSAC)分析根据高度方差滤波后所有剩余体素点，确定在XY平面中呈线性分布同时又在YZ和XZ平面中处于二阶曲线分布的内点，并记录包含这些点的体素索引值。然后随机选择一个作为种子体素，并根据种子体素确定体素重心位置的3D距离，查找其附近26个相邻体素，检查他们之间的特征关系。最后在从选择种子体素开始的迭代搜索过程中，满足三种条件之一(绝对斜率差小于5的体素点、中心线参数之一和附近的26个相邻体素)的点指定为输电线路体素点，直到全部搜索完成，确定所有的电力线和塔架的体素点。
4)将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，通过使用聚类算法和自动阈值将电力线和塔架的体素点分离开，最后使用KNN算法计算高物体点到凹形船体的表面距离，进行危险对象分析，确定0～20m和20～30m两类危险物体点。
其中，步骤4)中，将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，计算每个网格区域中垂直体素点总数，并将其指定为XY平面中相应的网格值，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，通过使用自动阈值，将电力线和塔架的体素点分离开。然后基于塔架点之间的3D距离完成塔架体素点在空间上聚类，确定塔架聚类边界，分离所有剩余体素点并保存为电力线点，同时为了恢复之前线点检测过程中消除的少量点，使用确定的电力线体素点创建了一个凹形船体来定义点体积，通过空间分析检测未过滤的点云数据中凹形船体内剩余体素点，从而获得所有电力线点云。最后使用KNN算法测量高物体点到凹形船体表面的3D距离，通过对此距离进行评估，最终确定0～20m和20～30m两类危险物体点。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，包括以下步骤：
S1:获取输电线路点云数据，使用布料模拟滤波算法将点云数据分类为地面点和非地面点；
S2:根据Delaunay三角剖分的原理，消除地面点，将非地面点体素化，提取每个体素点云的体素特征，并根据高度阈值移除电力线以外的体素点；
S3:使用RANSAC算法分析高度方差滤波后所有剩余体素点，测定出其中的种子体素，根据种子体素测量体素重心的3D距离，然后基于体素领域滤波检测出电力线体素点和塔架体素点；
S4:将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，将电力线体素点和塔架体素点分离开，最后使用KNN算法计算高物体点到凹形船体的表面距离，进行危险对象分析，确定0～20m和20～30m两类危险物体点。
2.根据权利要求1所述的基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，步骤S1具体为：
采用无人机机载激光雷达扫描输电线路，获取现场点云数据，然后使用布料模拟滤波算法CSF通过对比原始点云与模拟地表布料节点之间距离，自动将点云数据分类为地面点和非地面点。
3.根据权利要求2所述的基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，步骤S2具体为：
首先利用Delaunay三角剖分方法，在LiDAR地面点云中创建一个三角表面模型，使用K近邻算法k-nearest neighbor计算靠近地面低点到三角形表面的3D距离，然后应用距离阈值消除地面附近的低点，保留高物体和电力线这些非地面点，并将非地面点云划分为三维空间中标准子体积区域的体素，为每个体素点云推导出体素特征，最后使用基于直方图的Otsu阈值算法计算每个体素特征的高度方差值，其表达式如下：
式中，x是体素点特征值，xi是加权特征平均值，Pr(xi)是概率函数；
体素特征最小高度方差值为最佳阈值即自动阈值t，根据自动阈值t移除大于t/10的高物体体素点云，并保留电力线体素点云。
4.根据权利要求3所述的基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，步骤S3具体为：
首先使用随机抽样一致算法RANSAC分析根据高度方差滤波后所有剩余体素点，确定在XY平面中呈线性分布同时又在YZ和XZ平面中处于二阶曲线分布的内点，并记录包含这些内点的体素索引值，然后随机选择一个作为种子体素，并根据种子体素确定体素重心位置的3D距离，查找其附近26个相邻体素，检查他们之间的特征关系，最后在从选择种子体素开始的迭代搜索过程中，满足筛选条件的点为输电线路体素点，直到全部搜索完成，并确定电力线体素点和塔架体素点。
5.根据权利要求4所述的基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，所述筛选条件为：绝对斜率差小于5的体素点、中心线参数之一和附近的26个相邻体素中的一个。
6.根据权利要求5所述的基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法，其特征在于，步骤S4具体为：
将获取的电力线体素点和塔架体素点在二维的XY网格平面中表示，计算每个网格区域中垂直体素点总数，并将其指定为XY平面中相应的网格值，利用Otsu阈值算法根据网格点数生成直方图确定自动阈值，通过使用自动阈值，将电力线和塔架的体素点分离开，然后基于塔架点之间的3D距离完成塔架体素点在空间上聚类，确定塔架聚类边界，分离所有剩余体素点并保存为电力线点，同时为了恢复之前线点检测过程中消除的少量点，使用确定的电力线体素点创建了一个凹形船体来定义点体积，通过空间分析检测未过滤的点云数据中凹形船体内剩余体素点，从而获得所有电力线点云，最后使用KNN算法测量高物体点到凹形船体表面的3D距离，通过对此距离进行评估，最终确定0～20m和20～30m两类危险物体点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211425847.5A CN116148880A (zh) | 2022-11-14 | 2022-11-14 | 基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211425847.5A CN116148880A (zh) | 2022-11-14 | 2022-11-14 | 基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116148880A true CN116148880A (zh) | 2023-05-23 |
Family
ID=86360808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211425847.5A Pending CN116148880A (zh) | 2022-11-14 | 2022-11-14 | 基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116148880A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118393509A (zh) * | 2024-06-28 | 2024-07-26 | 中电建(洛阳)绿色建筑科技有限公司 | 一种复杂环境下的大气校正方法及系统 |
-
2022
- 2022-11-14 CN CN202211425847.5A patent/CN116148880A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118393509A (zh) * | 2024-06-28 | 2024-07-26 | 中电建(洛阳)绿色建筑科技有限公司 | 一种复杂环境下的大气校正方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN108109139B (zh) | 基于灰度体元模型的机载lidar三维建筑物检测方法 | |
| CN110349260B (zh) | 一种路面标线自动提取方法及装置 | |
| CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
| CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和系统 | |
| CN112698303A (zh) | 基于无人机激光雷达点云杆塔倾斜参数测量方法及系统 | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| CN114764871B (zh) | 一种基于机载激光点云的城市建筑物属性提取方法 | |
| CN113868733A (zh) | 一种基于三维点云的既有结构bim模型自动化生成方法 | |
| CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
| Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
| Nardinocchi et al. | Fully automatic point cloud analysis for powerline corridor mapping | |
| CN111859772A (zh) | 基于布料模拟算法的电力线提取方法和系统 | |
| Özdemir et al. | Automatic extraction of trees by using multiple return properties of the lidar point cloud | |
| CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
| CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
| CN115063555A (zh) | 高斯分布区域生长的车载LiDAR点云行道树提取方法 | |
| Shokri et al. | A robust and efficient method for power lines extraction from mobile LiDAR point clouds | |
| CN112419505A (zh) | 一种结合语义规则和模型匹配的车载点云道路杆状物自动提取方法 | |
| CN115761382A (zh) | 一种基于随机森林的als点云分类方法 | |
| CN116148880A (zh) | 基于无人机激光雷达点云数据自动检测输电线路和危险物体的方法 | |
| CN115063698A (zh) | 斜坡地表变形裂缝自动识别与信息提取方法及系统 | |
| CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
| Hetti Arachchige | Automatic tree stem detection–a geometric feature based approach for MLS point clouds |
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 |