CN116311222A - 配电线路激光点云自动分类提取方法 - Google Patents
配电线路激光点云自动分类提取方法 Download PDFInfo
- Publication number
- CN116311222A CN116311222A CN202310123154.9A CN202310123154A CN116311222A CN 116311222 A CN116311222 A CN 116311222A CN 202310123154 A CN202310123154 A CN 202310123154A CN 116311222 A CN116311222 A CN 116311222A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tower
- grid
- point clouds
- preliminary
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 12
- 230000008901 benefit Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V10/764—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
-
- 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)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种配电线路激光点云自动分类提取方法,方法包括:构建配电线路的激光点云模型,并将激光点云模型中的点云按照预设尺寸划分成多个格网单元;利用各格网单元内点云的局部空间特征对各格网单元进行杆塔粗定位,以标记出对应的初步杆塔;对初步杆塔进行相对定位,以得到初步杆塔的定位坐标,并结合格网单元的尺寸划定初步杆塔的点云范围;将定位坐标为中心、点云范围内的点云作为杆塔候选点云,并对各杆塔候选点云进行定位分类,以得到对应的杆塔边界信息;根据定位坐标和杆塔边界信息设定走廊宽度阈值,并对走廊宽度内的点云进行导线检测分类,以实现导线的分类提取。
Description
技术领域
本申请涉及配电网数据处理技术领域,特别是涉及配电线路激光点云自动分类提取方法。
背景技术
树障隐患是造成线路单相接地、两相弧光短路以及断线故障的主要因素,传统树障测量分析仅能依靠红外测距仪、望远镜等设备完成,测距误差大、效率慢。
近年来,激光雷达扫描技术因其外业工作量少、测量精度高等特性,广泛应用于配电网线路通道隐患测量工作中。因激光点云为游离的点,不具备任何业务属性,难以支撑线路树障分析场景业务应用需求,需提前对点云模型中的杆塔、导线等特征进行标记分类。当前分类方式有两种,一是通过人工结合点云物体特征,手动进行标记框定赋值分类;二是对点云杆塔进行标记划档,而后逐档进行分类的半自动分类方式,现有方式数据处理慢、分类效率低,难以满足当前点云数据应用增长规模。
发明内容
本申请实施例提供了一种配电线路激光点云自动分类提取方法,以至少解决上述相关技术中的不足。
第一方面,本申请实施例提供了一种配电线路激光点云自动分类提取方法,包括以下步骤:
步骤一:构建配电线路的激光点云模型,并将所述激光点云模型中的点云按照预设尺寸划分成多个格网单元;
步骤二:利用各所述格网单元内点云的局部空间特征对各所述格网单元进行杆塔粗定位,以标记出对应的初步杆塔;
步骤三:对所述初步杆塔进行相对定位,以得到所述初步杆塔的定位坐标,并结合所述格网单元的尺寸划定所述初步杆塔的点云范围;
步骤四:将所述定位坐标为中心、所述点云范围内的点云作为杆塔候选点云,并对各所述杆塔候选点云进行定位分类,以得到对应的杆塔边界信息;
步骤五:根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以实现导线的分类提取。
进一步的,所述步骤一包括:
构建配电线路的激光点云模型,并以点云平均距离为预设尺寸,对所述激光点云模型中的点云进行格网划分;
设定格网阈值,并利用所述格网阈值对格网划分后的点云进行点云过滤,以得到多个格网单元。
进一步的,所述步骤二包括:
计算出各所述格网单元内点云的局部空间特征,并通过设定格网单元特征阈值从各所述局部空间特征中筛选出符合要求的局部空间特征;
将所述符合要求的局部空间特征所对应的格网单元标记为初步杆塔。
进一步的,所述步骤三包括:
获取所述初步杆塔在预设邻域内的格网单元的点云,并计算出所述预设邻域内的格网单元的点云的平均坐标,以得到所述初步杆塔的粗筛坐标;
通过计算所述初步杆塔的粗筛坐标所分布的主方向,并按所述初步杆塔的粗筛坐标在主方向上的投影对杆塔坐标进行排序;
对排序后的初步杆塔的粗筛坐标进行线路方向正确性校验,以得到所述初步杆塔的定位坐标。
进一步的,所述步骤四包括:
根据所述定位坐标和所述杆塔边界信息内的点云作为杆塔候选点云,并根据不同电压等级设定不同的垂直分仓步长;
将所述杆塔候选点云从上之下按照所述垂直分仓步长划分为多个分仓,其中,每个分仓内都包含有部分杆塔候选电云;
为各所述分仓生成一个掩码二值图像,并统计出各所述掩码二值图像中的连通分量;
将相邻的分仓的掩码二值图像中存在交集的连通分量进行保留,并通过设定分量阈值确定各所述分仓的高程区间;
根据处理后的掩码二值图像中在掩码范围内的点云设置为杆塔类别。
进一步的,所述步骤五包括:
根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以得到多个切片数据;
设定聚类相关阈值,并对各所述切片数据进行聚类,以得到对应的多个类簇;
计算出各所述类簇的线性系数,并将满足所述聚类相关阈值的线性系数标记为电力线候选电云;
对所述电力线候选电云进行再次聚类,并对再次聚类的类簇进行抛物线拟合,并根据拟合结果划分出电力线,以实现导线的分类提取。
相比于相关技术,本申请实施例提供的配电线路激光点云自动分类提取方法,通过采用格网化方式,对点云数据进行预处理,通过格网划分,提高点云处理过程检索效率,大幅提升点云分类性能的效果。结合划分的点云网格,采用设定空间阀值及格网均值和标准差,实现配网杆塔的定位分类。基于杆塔模型定位分类结果,对格网中的点云进行聚类、拟合分析,实现导线的分类提取。通过格网化点云数据逐一分析的方式,实现配网点云数据杆塔、导线模型的快速自动分类提取。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明第一实施例中的配电线路激光点云自动分类提取方法的流程图;
图2为图1中步骤S101的详细流程图;
图3为图1中步骤S102的详细流程图;
图4为图1中步骤S103的详细流程图;
图5为图1中步骤S104的详细流程图;
图6为图1中步骤S105的详细流程图。
如下具体实施方式将结合上述附图进一步说明本发明。
实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行描述和说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。基于本申请提供的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其他类似情景。此外,还可以理解的是,虽然这种开发过程中所作出的努力可能是复杂并且冗长的,然而对于与本申请公开的内容相关的本领域的普通技术人员而言,在本申请揭露的技术内容的基础上进行的一些设计,制造或者生产等变更只是常规的技术手段,不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是,本申请所描述的实施例在不冲突的情况下,可以与其它实施例相结合。
除非另作定义,本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制,可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形,意图在于覆盖不排他的包含;例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可以还包括没有列出的步骤或单元,或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电气的连接,不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象,不代表针对对象的特定排序。
本发明提出了一种配电线路激光点云自动分类提取方法,依据航线进行无人机自主巡检作业,无人机飞行时基于搭载红外镜头回传展现巡检过程中的测温数据,系统将测温数据与过热预警阈值实时进行分析比对,出现超出过热阈值时,无人机遥控器震动提示检测到温度过热区域,并控制云台PAI接口触发拍照指令,记录当前设备过热隐患的红外影像信息,并进行预警提示。
实施例
请参阅图1,所示为本发明第一实施例中的配电线路激光点云自动分类提取方法,所述方法具体包括步骤S101至S105:
S101,构建配电线路的激光点云模型,并将所述激光点云模型中的点云按照预设尺寸划分成多个格网单元;
进一步的,请参阅图2,所述步骤S101具体包括步骤S1011~S1012:
S1011,构建配电线路的激光点云模型,并以点云平均距离为预设尺寸,对所述激光点云模型中的点云进行格网划分;
S1012,设定格网阈值,并利用所述格网阈值对格网划分后的点云进行点云过滤,以得到多个格网单元。
在具体实施时,构建配电线路的激光点云模型,并将点云模型以点云平均距离为格网尺寸对点云进行格网划分;设定格网阈值,过滤格网内点云最大高程低于阈值的格网(以220kV为例,12米以下的格网被过滤掉),其中,格网单元分包括2D格网和3D格网。
可以理解的,通过格网划分,提高点云处理过程检索效率,大幅提高点云分类性能的效果,并规避掉因点云噪声造成检索结果的不准确。
S102,利用各所述格网单元内点云的局部空间特征对各所述格网单元进行杆塔粗定位,以标记出对应的初步杆塔;
进一步的,请参阅图3,所述步骤S102具体包括步骤S1021~S1022:
S1021,计算出各所述格网单元内点云的局部空间特征,并通过设定格网单元特征阈值从各所述局部空间特征中筛选出符合要求的局部空间特征;
S1022,将所述符合要求的局部空间特征所对应的格网单元标记为初步杆塔。
在具体实施时,在上述点云进行格网化的基础上,计算出格网单元内点云的局部空间特征,局部空间特征包括:垂直分布系数、凸包系数、密度、密度均值、密度标准差。通过设定格网单元特征阈值筛选出最有可能成为杆塔的格网,以实现杆塔粗定位。
S103,对所述初步杆塔进行相对定位,以得到所述初步杆塔的定位坐标,并结合所述格网单元的尺寸划定所述初步杆塔的点云范围;
进一步的,请参阅图4,所述步骤S103具体包括步骤S1031~S1033:
S1031,获取所述初步杆塔在预设邻域内的格网单元的点云,并计算出所述预设邻域内的格网单元的点云的平均坐标,以得到所述初步杆塔的粗筛坐标;
S1032,通过计算所述初步杆塔的粗筛坐标所分布的主方向,并按所述初步杆塔的粗筛坐标在主方向上的投影对杆塔坐标进行排序;
S1033,对排序后的初步杆塔的粗筛坐标进行线路方向正确性校验,以得到所述初步杆塔的定位坐标。
在具体实施时,在进行杆塔粗定位后,通过合并预设邻域(在本实施例中,该预设邻域由系统自动生成,也可以由用户自行设定)内的格网并计算格网内点云的平均坐标,计算出杆塔粗筛坐标。通过计算杆塔粗筛坐标分布的主方向,按杆塔坐标在主方向上的投影对杆塔坐标进行排序。对排序后的杆塔坐标进行线路方向正确性校验:
其中,正确的杆塔坐标满足的校验原则是:按线路方向,两杆塔之间存在二维直线,并且直线方向与两杆塔坐标连成直线的方向一致;不满足该原则的杆塔粗筛坐标将被舍弃,最终获得杆塔定位准确坐标(即定位坐标)。
S104,将所述定位坐标为中心、所述点云范围内的点云作为杆塔候选点云,并对各所述杆塔候选点云进行定位分类,以得到对应的杆塔边界信息;
进一步的,请参阅图5,所述步骤S104具体包括步骤S1041~S1045:
S1041,根据所述定位坐标和所述杆塔边界信息内的点云作为杆塔候选点云,并根据不同电压等级设定不同的垂直分仓步长;
S1042,将所述杆塔候选点云从上之下按照所述垂直分仓步长划分为多个分仓,其中,每个分仓内都包含有部分杆塔候选电云;
S1043,为各所述分仓生成一个掩码二值图像,并统计出各所述掩码二值图像中的连通分量;
S1044,将相邻的分仓的掩码二值图像中存在交集的连通分量进行保留,并通过设定分量阈值确定各所述分仓的高程区间;
S1045,根据处理后的掩码二值图像中在掩码范围内的点云设置为杆塔类别。
在具体实施时,基于上述所得到的杆塔坐标(杆塔定位准确坐标),结合格网的尺寸,划定杆塔点云的所在范围,这个范围用2D多边形作为边界表示。以杆塔坐标为中心,边界范围内的点云作为杆塔候选点云。根据不同电压等级设定不同的垂直分仓步长,将杆塔候选点云从上到下按照步长划分为仓。每个仓内都包含了部分杆塔候选点云。
为每个仓生成一个掩码二值图像,统计出二值掩码图中的连通分量,自顶向下,比较相邻仓对应的掩码,将相邻掩码中联通分量有交集的部分保留,无交集的连通分量舍弃。通过设定阈值,确定垂直分仓的高程区间,根据上述处理后的掩码二值图,在掩码范围内点云设置为杆塔类别,掩码范围之外的设置为未分类。通过上述步骤可规避杆塔底部大部分植被,完整地保留了塔体部分。
S105,根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以实现导线的分类提取。
进一步的,请参阅图6,所述步骤S105具体包括步骤S1051~S1054:
S1051,根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以得到多个切片数据;
S1052,设定聚类相关阈值,并对各所述切片数据进行聚类,以得到对应的多个类簇;
S1053,计算出各所述类簇的线性系数,并将满足所述聚类相关阈值的线性系数标记为电力线候选电云;
S1054,对所述电力线候选电云进行再次聚类,并对再次聚类的类簇进行抛物线拟合,并根据拟合结果划分出电力线,以实现导线的分类提取。
在具体实施时,导线分类根据杆塔定位阶段确定的杆塔坐标和杆塔分类阶段确定杆塔点云计算的杆塔边界作为依据,设置走廊宽度阈值,对走廊宽度内一定高度的点云进行导线检测分类。对线路方向相邻两杆塔坐标划分为一档,收集走廊宽度内点云为档内点云,设定切分阈值,将档内点云按档方向划分为多个等长的切片,各切片包含部分档内点云。
设定聚类相关阈值如:类簇最小点数、聚类半径,对切片内点云进行聚类,针对每个符合阈值要求的类簇,计算类簇的线性系数,线性系数满足设定阈值的类簇被视为电力线候选点云。
依次对档内切片进行删除操作后,统计档内电力线点云,再一次进行聚类。对该聚类产生的类簇,线性系数阈值要求更严格,对筛选后的类簇进行抛物线拟合,将距离拟合曲线周围一定阈值范围内的点划分为电力线,以剔除电力线周围可能存在的噪声。
综上,本发明上述实施例当中的配电线路激光点云自动分类提取方法,通过采用格网化方式,对点云数据进行预处理,通过格网划分,提高点云处理过程检索效率,大幅提升点云分类性能的效果。结合划分的点云网格,采用设定空间阀值及格网均值和标准差,实现配网杆塔的定位分类。基于杆塔模型定位分类结果,对格网中的点云进行聚类、拟合分析,实现导线的分类提取。通过格网化点云数据逐一分析的方式,实现配网点云数据杆塔、导线模型的快速自动分类提取。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种配电线路激光点云自动分类提取方法,其特征在于,包括以下步骤:
步骤一:构建配电线路的激光点云模型,并将所述激光点云模型中的点云按照预设尺寸划分成多个格网单元;
步骤二:利用各所述格网单元内点云的局部空间特征对各所述格网单元进行杆塔粗定位,以标记出对应的初步杆塔;
步骤三:对所述初步杆塔进行相对定位,以得到所述初步杆塔的定位坐标,并结合所述格网单元的尺寸划定所述初步杆塔的点云范围;
步骤四:将所述定位坐标为中心、所述点云范围内的点云作为杆塔候选点云,并对各所述杆塔候选点云进行定位分类,以得到对应的杆塔边界信息;
步骤五:根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以实现导线的分类提取。
2.根据权利要求1所述的配电线路激光点云自动分类提取方法,其特征在于,所述步骤一包括:
构建配电线路的激光点云模型,并以点云平均距离为预设尺寸,对所述激光点云模型中的点云进行格网划分;
设定格网阈值,并利用所述格网阈值对格网划分后的点云进行点云过滤,以得到多个格网单元。
3.根据权利要求1所述的配电线路激光点云自动分类提取方法,其特征在于,所述步骤二包括:
计算出各所述格网单元内点云的局部空间特征,并通过设定格网单元特征阈值从各所述局部空间特征中筛选出符合要求的局部空间特征;
将所述符合要求的局部空间特征所对应的格网单元标记为初步杆塔。
4.根据权利要求1所述的配电线路激光点云自动分类提取方法,其特征在于,所述步骤三包括:
获取所述初步杆塔在预设邻域内的格网单元的点云,并计算出所述预设邻域内的格网单元的点云的平均坐标,以得到所述初步杆塔的粗筛坐标;
通过计算所述初步杆塔的粗筛坐标所分布的主方向,并按所述初步杆塔的粗筛坐标在主方向上的投影对杆塔坐标进行排序;
对排序后的初步杆塔的粗筛坐标进行线路方向正确性校验,以得到所述初步杆塔的定位坐标。
5.根据权利要求1所述的配电线路激光点云自动分类提取方法,其特征在于,所述步骤四包括:
根据所述定位坐标和所述杆塔边界信息内的点云作为杆塔候选点云,并根据不同电压等级设定不同的垂直分仓步长;
将所述杆塔候选点云从上之下按照所述垂直分仓步长划分为多个分仓,其中,每个分仓内都包含有部分杆塔候选电云;
为各所述分仓生成一个掩码二值图像,并统计出各所述掩码二值图像中的连通分量;
将相邻的分仓的掩码二值图像中存在交集的连通分量进行保留,并通过设定分量阈值确定各所述分仓的高程区间;
根据处理后的掩码二值图像中在掩码范围内的点云设置为杆塔类别。
6.根据权利要求1所述的配电线路激光点云自动分类提取方法,其特征在于,所述步骤五包括:
根据所述定位坐标和所述杆塔边界信息设定走廊宽度阈值,并对所述走廊宽度内的点云进行导线检测分类,以得到多个切片数据;
设定聚类相关阈值,并对各所述切片数据进行聚类,以得到对应的多个类簇;
计算出各所述类簇的线性系数,并将满足所述聚类相关阈值的线性系数标记为电力线候选电云;
对所述电力线候选电云进行再次聚类,并对再次聚类的类簇进行抛物线拟合,并根据拟合结果划分出电力线,以实现导线的分类提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123154.9A CN116311222A (zh) | 2023-02-16 | 2023-02-16 | 配电线路激光点云自动分类提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310123154.9A CN116311222A (zh) | 2023-02-16 | 2023-02-16 | 配电线路激光点云自动分类提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116311222A true CN116311222A (zh) | 2023-06-23 |
Family
ID=86795226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310123154.9A Pending CN116311222A (zh) | 2023-02-16 | 2023-02-16 | 配电线路激光点云自动分类提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311222A (zh) |
-
2023
- 2023-02-16 CN CN202310123154.9A patent/CN116311222A/zh active Pending
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 | |
JP6080642B2 (ja) | 3次元点群解析方法 | |
US11495026B2 (en) | Aerial line extraction system and method | |
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 | |
CN109919237B (zh) | 点云处理方法及装置 | |
US20220365186A1 (en) | Automatic detection of a calibration standard in unstructured lidar point clouds | |
CN107679458B (zh) | 一种基于K-Means的道路彩色激光点云中道路标线的提取方法 | |
JP6080641B2 (ja) | 3次元点群解析方法 | |
CN113298035A (zh) | 基于图像识别的无人机电力杆塔检测及自主巡航方法 | |
JP6080640B2 (ja) | 3次元点群解析方法 | |
KR20210041505A (ko) | 공중선 추출 시스템 및 공중선 추출 방법 | |
CN115311587B (zh) | 一种光伏电站巡检航点的智能生成方法 | |
CN109000621A (zh) | 一种电网树障检测方法 | |
Munir et al. | Voxel-based extraction of individual pylons and wires from lidar point cloud data | |
CN110782497B (zh) | 相机外参的标定方法、装置 | |
CN113096181A (zh) | 设备位姿的确定方法、装置、存储介质及电子装置 | |
CN109344750B (zh) | 一种基于结构描述子的复杂结构三维对象识别方法 | |
CN114066999A (zh) | 基于三维建模的目标定位系统及方法 | |
CN116311222A (zh) | 配电线路激光点云自动分类提取方法 | |
CN112033393A (zh) | 基于激光雷达点云数据的三维航线规划方法及装置 | |
CN114625166B (zh) | 一种无人机拍摄位置的智能定位方法 | |
CN116482700A (zh) | 一种鲁棒的无人机激光雷达仿线杆塔识别方法、装置 | |
CN113867410A (zh) | 一种无人机航拍数据的采集模式识别方法和系统 | |
Ogura et al. | Ground object recognition from aerial image-based 3d point cloud | |
US20230243976A1 (en) | Systems and methods for utility pole loading and/or clearance analyses |
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 |