CN116433750B - 一种基于激光点云的输电杆塔提取方法及系统 - Google Patents
一种基于激光点云的输电杆塔提取方法及系统 Download PDFInfo
- Publication number
- CN116433750B CN116433750B CN202310706976.XA CN202310706976A CN116433750B CN 116433750 B CN116433750 B CN 116433750B CN 202310706976 A CN202310706976 A CN 202310706976A CN 116433750 B CN116433750 B CN 116433750B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- tower
- cloud data
- point
- 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.)
- Active
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 66
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 25
- 238000007689 inspection Methods 0.000 abstract description 5
- 239000000284 extract Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000011160 research Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/68—Analysis of geometric attributes of symmetry
-
- 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
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于激光点云的输电杆塔提取方法及系统,通过获取激光点云数据后,对其进行基本的处理,之后根据处理后的点云数据与点云的空间特征快速过滤杆塔,以进行对杆塔的粗提取与精提取。本发明相较于同类专利而言能够从庞大的点云数据中快速分离出全部杆塔,并获取全部杆塔的坐标,同时适用于山地,丘陵,平原等各种地形的塔杆提取,无需人工过多干预,通过算法流程可自动分离提取一段线路中的全部杆塔,并最终还原杆塔点云以供无人机精细化巡检的航迹规划。
Description
技术领域
本发明属于涉及信息技术领域,具体涉及一种基于激光点云的输电杆塔提取方法及系统。
背景技术
杆塔精细化巡检是无人机智能巡检工作的重要一环,激光点云技术是当前杆塔三维建模的重要方法。现有技术一般将全局中密度较大的位置判断为杆塔,某些地形复杂处会被误判为杆塔,并且致力于还原单个杆塔的点云模型,忽略了点云数据中杆塔数量的完整性,现有技术中的一些算法,如K-means 聚类算法、区域生长算法等需耗费大量的时间成本。
现有技术文件1(CN 113076870 A)公开了“一种基于激光点云的杆塔识别方法及系统”,方法包括以下步骤:建立杆塔标准点云库,杆塔标准点云库包括多个杆塔标准点云数据;获取待处理点云数据;将待处理点云数据输入预先建立的分类模型中,并分类出待处理杆塔点云数据;获取与待处理杆塔点云数据相似程度最高的杆塔标准点云数据,并确定对应的杆塔类型;依据该杆塔标准点云数据对待处理杆塔点云数据进行修正,并获得最终杆塔点云数据;依据最终杆塔点云数据计算出杆塔的倾斜度。现有技术文件1的不足之处在于杆塔提取流程较多,需事先建立各种类型杆塔的模型,人工处理干预较多。
现有技术文件2(CN 113009452 A)公开了“一种激光点云电力杆塔提取方法” 包括以下步骤:获取原始点云,设置所述原始点云中的提取范围;粗提取:将所述提取范围内,相对高程值大于预设的杆塔粗提取高程阈值的点云提取作为杆塔点云,并筛选出未通过粗提取的点云;精细化提取:对所述未通过粗提取的点云进行PCA变换,根据PCA变换的结果提取杆塔点云。现有技术文件2的不足之处在于通过高程阈值粗提取出杆塔容错率较低,当线路较长,或者线路位于山区,单个高程阈值便不再适用于全局;精提取过程中,PCA算法流程时间较长,因此整个提取流程偏慢。
同类研究一般将全局中密度较大的位置判断为杆塔,某些地形复杂处会被误判为杆塔;同类研究致力于还原单个杆塔的点云模型,忽略了点云数据中杆塔数量的完整性;同类研究的杆塔提取算法大多只适用于平原地区的杆塔,同时,同类研究的一些算法,如K-means 聚类算法、区域生长算法,PCA算法等需耗费大量的时间成本,严重影响杆塔巡检工作的效率。
发明内容
为解决现有技术中存在的不足,本发明提供一种基于激光点云的输电杆塔提取方法及系统及系统,能够从庞大的点云数据中快速分离出全部杆塔,并获取全部杆塔的坐标的问题,以供无人机精细化巡检的航迹规划,同时适用于山地,丘陵,平原等各种地形的塔杆提取。
本发明采用如下的技术方案。
本发明提出了一种基于激光点云的输电杆塔提取方法及系统,包括:
步骤1,获取激光点云数据;
步骤2,对获取的激光点云数据进行预处理得到预处理后的点云数据;
步骤2.1,采用open3d库中已有的geometry.PointCloud.uniform_down_sample函数,将激光点云数据作为该函数的输入,设置每隔30点提取一个点,作为降采样的结果,经过该函数处理后得到降采样后的点云数据;
步骤2.2,对降采样后的点云数据作过滤地面点处理,得到预处理后的点云数据。
步骤3,根据步骤2得到的预处理后的点云数据对杆塔进行粗提取得到粗提取后余留的点云数据;
步骤3.1,将步骤2中得到的所有预处理后的点云数据,提取高程在12米~100米的点云数据,按高程每2米设置一个区间;
步骤3.2,计算每个区间内点云数据的高程之和,构成高程和列表,列表中的每一个元素都代表该区间内一点云数据的高程之和;
步骤3.3,根据高程和列表中元素的排列规律,对杆塔点进行粗提取。
高程和列表中元素的排列规律如下:
第一排列规律:起始为若干非零值组成的分段一,在分段一后为若干零值组成的分段二,在分段二后为若干非零值组成的分段三,在分段三后为若干零值组成的分段四,以数列形式表现如式(1):
[n1,n2,...nx,0,0,0,...0,n3,n4,...ny,0,0,0...0] (1)
第二排列规律:起始为若干非零值组成的分段一,在分段一后为若干零值组成的分段二,以数列形式表写如式(2):
[m1,m2,m3,m4,m5,....mx,0,0,0...0] (2)
第三排列规律:起始为若干零值组成的分段一,在分段一后为若干非零值组成的分段二,在分段二后为若干零值组成的分段三,在分段三后为若干非零值组成的分段四,以数列形式表现如式(3):
[0,0,0,...0,a1,a2,...ax,0,0,0,...0,a3,a4,...ay,0,0,0..0] (3)
第四排列规律:起始为若干零值组成的分段一,在分段一后为若干非零值组成的分段二,在分段二后为若干零值组成的分段三,以数列形式表现如式(4):
[0,0,0,...0,b1,b2,b3,b4,b5,...bx,0,0,0...0] (4)
其中n 1 -n 4 ,n x ,n y ,m 1 -m 5 ,m x ,a 1 -a 4 ,a x ,a y ,b 1 -b 5 ,b x 均为列表中的元素且均为非零值,x、y均是自然数。
基于杆塔为竖直安装在地面上,导线为悬空布置,故杆塔点在垂直方向上存在连续的点云,导线点与地面点则没有的分布状况,同时,结合在高程和列表中的每个区间内点云数据的高程之和,其中若干零值的两边分别为地面点与导线点,地面点中的每一个点的高程和减去0后的差值的绝对值低于导线点中的所有点的高程和减去0后的差值的绝对值。
对于式1,n 1~n x为地面点,n 3 ~n y 为导线点,高程和列表中元素的排列方式说明不存在杆塔点,故排除式1所示的高程和列表对应的全部点云数据;
对于式2,m1~mx为地面点或杆塔点,保留式1所示的高程和列表中m1~mx对应的点云数据;
对于所有点云的高程均大于12米的区域,去除由于海拔较高的地区在计算高程时选取的水平基准面较高所以计算区间高程时开始会出现的零值,所述海拔较高的区域即区域内所有点云的高程均大于12米的区域,如式3、式4,式3中a1之前的零值,去除式4中b1之前的零值,再分别按式1、式2的方式进行杆塔点的粗提取。
步骤3.3.1,通过index 函数得到列表中第一次出现零值的位置position;该函数是python语言中pandas库的内置函数,没有表达式
步骤3.3.2,判断position是否为0,若是,则删除列表首位的零值,继续计算position,直到position不为0;
步骤3.3.3,通过count 函数得到列表中0的个数total,以第一次零值位置为分界点,通过式5计算分界点后面列表的元素个数number
(5)
式中,len表示函数,可得到列表元素个数;
步骤3.3.4,判断total是否等于number,若是,则保留点云,否则去除。
步骤4,根据步骤3粗提取后得到的余留点云数据对杆塔精提取。
步骤4.1,将粗提取后的点云数据按高程每2米设置一个区间,依次计算各个区间点云在二维平面的质心;
步骤4.2,依次计算相邻的上下两层区间质心在垂直方向的tan值,设置tan阈值为0.5,此tan值对应的角度为26.5°,判断选取相邻的几段区间,是否满足区间内点云数据的质心在垂直方向的tan值小于0.5,计算这几段区间的平均质心作为杆塔的中轴;
步骤4.3,步骤4.2中若不存在tan小于阈值的区间,则表明该区间的点云数据中不存在完整的杆塔,去除该区间,进行下一区间点云数据中杆塔的精提取;
步骤4.4,利用步骤4.2得到的杆塔的中轴,过滤中轴周围超过10米的点云;
步骤4.5,基于步骤4.2得到的杆塔中轴和步骤4.4过滤后的点云,根据杆塔的对称性,遍历所有的点云,计算每个点云point 关于杆塔中轴的中心对称点point’ 的位置,以point’ 位置为球心,若球心周围1米不存在点云,则去除point。
本发明的有益效果在于,与现有技术相比,本发明的杆塔提取算法适用于各种地形下激光点云数据中的杆塔提取,本发明的杆塔提取算法可从冗杂点云数据中快速完整得提取出全部杆塔,适用于平原、山区等各种地形的杆塔提取。
附图说明
图1是本发明中基于激光点云的输电杆塔提取方法的流程图;
图2是实施例2中经过步骤3对杆塔的粗提取后的点云示意图;
图3是实施例2中执行至步骤4时的杆塔点云示意图;
图4是实施例2中执行至步骤5时的杆塔点云示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例,都属于本发明的保护范围。
实施例1。
一种基于激光点云的输电杆塔提取方法及系统,如图1,包括以下步骤:
步骤1,获取激光点云数据。
本实施例优选地,选取两条220kV输电线路的激光点云数据,点云数据包括:被测点的平面位置和高程,RGB颜色信息,反射强度;
步骤2,对步骤1采集的数据进行预处理,具体包括:
步骤2.1,对激光点云数据进行降采样处理;
本发明采用open3d 库里的函数对激光点云数据进行降采样处理,本发明直接采用open3d库中已有的geometry.PointCloud.uniform_down_sample函数,设置每30点提取一个点,一般降采样都是用已有函数直接处理,更换参数,不会改进已有降采样方法,最多综合比较各种降采样方法。
步骤2.2,对降采样后的点云作初步的过滤地面点处理。
经步骤2处理后得到已经预处理的4000个点云数据。
步骤3,杆塔粗提取;具体包括:
相较于同类型专利中粗提取需设置高程阈值,容错率较低,无论是平原地区还是山区,不同区域应设置不同的高程阈值;本发明无需设置高程阈值,通过杆塔、地面和导线的空间特征,可过滤掉杆塔中间的地面和导线点云,分离出每个杆塔
步骤3.1,将4000个点按高程每2米设置一个区间,区间范围为12至100米,保证不会遗漏塔顶点云;
步骤3.2,计算每个区间内点云数据的高程之和,并以列表形式储存,根据其中的数据排列方式可将所有情况概括成式1-4,再根据地面点,导线点与杆塔点的地面特征对杆塔进行分离,其中n1-n4,nx,ny,m1-m5,mx,a1-a4,ax,ay,b1-b5,bx均为非零值;
[n1,n2,...nx,0,0,0,...n3,n4,...ny,0,0,0] (1)
[m1,m2,m3,m4,m5,....mx,0,0,0] (2)
[0,0,0,a1,a2,...ax,0,0,0,...a3,a4,...ay,0,0,0] (3)
[0,0,0,...b1,b2,b3,b4,b5,...bx,0,0,0] (4)
步骤3.3,通过列表检验这些点云数据内是否存在杆塔,中间存在大量零值的即为非杆塔点云,对于式1,n1~nx为地面点,n3~ny为导线点,这种排列方式下说明该部分点云中不存在杆塔故需排除式1中的所有点云;对于式2,m1~mx的排列方式表明m1~mx为地面点或杆塔点,需保留该部分点云,存在海拔较高,即区域内所有点云高程大于12的区域,计算区间高程时开始会出现零值,如式3、4,先去除前面的零值,再分别按式1、2计算。
步骤3.3中的计算方法如下:
步骤3.3.1,通过index 函数得到列表中第一次出现0的位置position;
步骤3.3.2,判断position是否为0,若是,则删除列表首位的零值,继续计算position,直到position不为0;
步骤3.3.3,通过count 函数得到列表中0的个数total,以第一次零值位置为分界点,通过式5计算分界点后面列表的元素个数number
(5)
式中,len表示函数,可得到列表元素个数。
步骤3.3.4,判断total是否等于number,若是,则保留这4000个点云,否则去除。
每段线路按4000个点云判断计算,最终可分离所有杆塔,并过滤接近50%的导线地面点云,但是依旧包含大量的地面点,需进一步提取。本发明的区间大小4000,是根据点云采集密度、降采样方式和杆塔密度设置的,区间过小,容错率低,可能使杆塔不完整;区间过大,容错率高,能完整保留杆塔,但会多出很多导线地面点云。综合考虑,设置区间大小为4000,相同的点云采集密度和降采样方式,可采用相同的区间大小,同时可根据杆塔密度进行微调。
步骤4,杆塔精提取;
同类专利中通过PCA变换提取剩余杆塔,是通过已有的算法技术进行提取;本发明通过纵向分层确定杆塔中轴,基于中轴进行两次精细化提取,第一次是在中轴四周设置固定数值的位置,本实例中优选使用10米,保留点云,第二次是基于杆塔的对称性,遍历剩下的点,通过中心对称确定是否保留该点。相较于同类型其他专利,本发明提取速度快,提取的杆塔数量完整。
遍历粗提取后的点云,每2000个点云确定一个位置,在该点云位置左右分别提取2000个点云,以这4000点云进行杆塔精提取,通过纵向分层的方法确定杆塔中轴位置,再基于中心对称的思想进一步去除杂点,具体提取流程如下:
步骤4.1,将粗提取后的点云按高程每2米设置一个区间,计算该区间点云在二维平面的质心,并存进列表;
步骤4.2,依次计算上下层区间质心在垂直方向的tan值,设置tan阈值为0.5,即26.5°,判断选取相邻的几段区间,满足tan小于0.5,计算这几段区间的平均质心作为杆塔的中轴,实际tan小于1基本都能得到较好的结果;
步骤4.3,步骤4.2中若不存在tan小于阈值的区间,则表明这4000点不存在完整的杆塔,直接进入下一个循环;
步骤4.4,利用步骤4.2得到的杆塔中轴,过滤中轴周围超过10米的点云,可过滤掉接近50%的地面点云;
步骤4.5,基于步骤4.2得到的杆塔中轴和步骤4.4过滤后的点云,根据杆塔的对称性,遍历所有的点云,计算每个点云point关于杆塔中轴的中心对称点point’的位置,以point’位置为球心,若球心周围1米不存在点云,则去除point,若杆塔非对称,则扩大球心半径范围,原先的1米可扩大,便可保留完整的杆塔点云。
实施例2。
基于实施例1所述方法的实验。
本发明采用张家港市电网两条220kV输电线路的激光点云为研究数据,每条线路分为5段,每段点云数量为4000万至9000万,数据为las 格式。首先利用python 将数据转换为pcd 格式,以供后续编程处理。点云信息包括:被测点的平面位置和高程,RGB颜色信息,反射强度等。每条线路的点云数据约3亿多,数据大小达10G 多。通过python 的laspy 库提取所有激光点云的平面位置和高程信息进行研究。
平面位置采用CGCS2000(China Geodetic Coordinate System 2000)坐标系,以地球为中心,固定在地球上的右手3D坐标由3个正交轴组成,其中x和y轴位于赤道平面,z轴平行于平均地球旋转轴并指向北极。高程即海拔高度,单位为米。
本发明采用open3d 库里的函数对激光点云数据降采样处理。降采样方法一般有均匀下采样、体素下采样和曲率下采样,三者区别如下。
(1)均匀下采样首先需选取一个种子点,并设置一个内点集合,每次从点云中找出一个不属于内点集合且距离内点最远的点。本发明设置每30个点采样1个点。此采样方式时间短,效果较好。
(2)体素下采样是将三维空间体素化,然后在每个体素内采样一个点,通常选用中心点作为采样点。本发明设置体素大小为3。此采样方式时间短,但容易导致杆塔导线部分点缺失。
(3)曲率下采样是在点云曲率越大的地方,采样点越多。首先计算每个点的邻域;然后计算点到邻域点的法线夹角值,曲率越大的地方,该夹角值越大;接着设置一个角度阈值,点的邻域夹角值大于该阈值的点为特征明显的区域,其余为不明显区域;最后均匀采样特征明显区域和不明显区域。本发明设置邻域点数为1000,角度阈值为30°,特征明显区域每30个点采样1个点,不明显区域每100个点采样1个点。此采样方式效果好,但非常耗时,以某段包含8万点云的线路为例,均匀下采样和体素下采样只需几秒钟,曲率下采样需两个多小时。
为去除多余地面点,先对降采样后的点云作初步的过滤地面点处理。张家港地处平原地区,平均海拔高度为7米,220kV 的杆塔最矮也能达到20多米,因为本发明设置高度阈值为12米,容错率高,能保留全部杆塔,同时可过滤接近一半的点云,大大提高后续程序处理效率。过滤地面点后的线路中地面点密度大大降低。
本发明基于杆塔、导线和地面点云的空间分布特征将每个杆塔分离。采集点云数据时,无人机位于导线或杆塔的正上方,在一定范围内通过雷达发射激光点,距离近的点会先反射回来被接收,距离远的点则反之,因此在一定范围内,点云在空间里是无序的,但从全局看,是沿着线路方向有序的。本发明设置4000个点云为一个区间,根据其空间特征判断是否存在杆塔,算法流程如下:
1)将这4000个点按高程每2米设置一个区间,区间范围为12至100米,保证不会遗漏塔顶点云;
2)计算每个区间内点云数据的高程之和,并以列表形式储存,根据其中的数据排列方式可将所有情况概括成式1-4,再根据地面点,导线点与杆塔点的地面特征对杆塔进行分离,其中n1-n4,nx,ny,m1-m5,mx,a1-a4,ax,ay,b1-b5,bx均为非零值;
[n1,n2,...nx,0,0,0,...n3,n4,...ny,0,0,0] (1)
[m1,m2,m3,m4,m5,....mx,0,0,0] (2)
[0,0,0,a1,a2,...ax,0,0,0,...a3,a4,...ay,0,0,0] (3)
[0,0,0,...b1,b2,b3,b4,b5,...bx,0,0,0] (4)
3)通过列表检验这些点云数据内是否存在杆塔,中间存在大量零值的即为非杆塔点云,对于式1,n1~nx为地面点,n3~ny为导线点,这种排列方式下说明该部分点云中不存在杆塔故需排除式1中的所有点云;对于式2,m1~mx的排列方式表明m1~mx为地面点或杆塔点,需保留该部分点云,存在海拔较高,即区域内所有点云的高程皆大于12的区域,计算区间高程时开始会出现零值,如式3、4,先去除前面的零值,再分别按式1、2计算。
算法流程3中的计算方法如下:
1)通过index 函数得到列表中第一次出现0的位置position;
2)判断position是否为0,若是,则删除列表首位的零值,继续计算position,直到position不为0;
3)通过count 函数得到列表中0的个数total,以第一次零值位置为分界点,通过式5计算分界点后面列表的元素个数number
(5)
式中len为函数,可得到列表元素个数。
4)判断total是否等于number,若是,则保留这4000个点云,否则去除。
每段线路按4000个点云判断计算,最终可分离所有杆塔,并过滤接近50%的导线地面点云,如图2所示,但此时提取后的杆塔点云依旧包含大量的地面点,需进一步提取。本发明的区间大小4000,是根据点云采集密度、降采样方式和杆塔密度设置的,区间过小,容错率低,可能使杆塔不完整;区间过大,容错率高,能完整保留杆塔,但会多出很多导线地面点云。综合考虑,设置区间大小为4000,相同的点云采集密度和降采样方式,可采用相同的区间大小,同时可根据杆塔密度进行微调。
本发明经过杆塔粗提取后,可将所有杆塔分离,可通过gaussian_kde 函数计算二维平面内的点云密度分布,但此方法非常耗时,60万的点云数量需计算4个多小时。因此本发明直接遍历粗提取后的点云,每2000个点云确定一个位置,在该点云位置左右分别提取2000个点云,以这4000点云进行杆塔精提取,通过纵向分层的方法确定杆塔中轴位置,再基于中心对称的思想进一步去除杂点,具体提取流程如下:
步骤S1:将粗提取后的点云按高程每2米设置一个区间,计算该区间点云在二维平面的质心,并存进列表;
步骤S2:依次计算上下层区间质心在垂直方向的tan值,设置tan阈值为0.5,即26.5°,判断选取相邻的几段区间,满足tan小于0.5,计算这几段区间的平均质心作为杆塔的中轴,实际tan小于1基本都能得到较好的结果;
步骤S3:步骤S2中若不存在tan小于阈值的区间,则表明这4000点不存在完整的杆塔,直接进入下一个循环;
步骤S4:利用步骤2得到的杆塔中轴,过滤中轴周围超过10米的点云,可过滤掉接近50%的地面点云;
步骤S5:基于步骤2得到的杆塔中轴和步骤4过滤后的点云,根据杆塔的对称性,遍历所有的点云,计算每个点云point关于杆塔中轴的中心对称点point’的位置,以point’位置为球心,若球心周围1米不存在点云,则去除point。
步骤S4处理得到的杆塔如图3所示,地面点云基本被过滤干净,底部少部分点云为树木。经过步骤S4的过滤,步骤S5的处理效率大大提高,步骤S5处理得到的杆塔如图4所示,只剩杆塔和部分导线点云,多出的导线点云不影响杆塔的精细化巡检航迹规划。
根据点云采集密度、降采样方式和杆塔粗提取方法,本发明设置的区间4000可完全包含整个杆塔点云,以每2000点云遍历粗提取后的点云可得到该段线路的全部杆塔。若杆塔非对称,如上字塔,可增大point’的球心半径,以保证杆塔上部不会遗漏点云。从降采样、过滤地面点、杆塔粗提取到杆塔精提取,平均每基杆塔耗时不超过2分钟。
本发明采用平原地区的输电杆塔点云数据对算法进行验证,实际对于位处山区或地形复杂的输电线路,本发明的算法依旧有效,只需去除过滤地面点这一步,然后调整杆塔提取的区间范围即可。此外,若存在并行杆塔,本发明基于杆塔中轴的精提取算法则失效,但基于空间分布特征的粗提取算法依旧有效,粗提取后再通过人工判断精提取。
本发明的有益效果在于,与现有技术相比,同类研究一般将全局中密度较大的位置判断为杆塔,某些地形复杂处会被误判为杆塔;同类研究致力于还原单个杆塔的点云模型,忽略了点云数据中杆塔数量的完整性;同类研究的杆塔提取算法大多只适用于平原地区的杆塔,本发明的杆塔提取算法适用于各种地形下激光点云数据中的杆塔提取,同类研究的一些算法,如K-means 聚类算法、区域生长算法,PCA算法等需耗费大量的时间成本。本发明的杆塔提取算法可从冗杂点云数据中快速完整得提取出全部杆塔,适用于平原、山区等各种地形的杆塔提取。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
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 (9)
1.一种基于激光点云的输电杆塔提取方法,其特征在于,包括:
步骤1,获取输电杆塔的激光点云数据;
步骤2,对获取的激光点云数据进行预处理得到预处理后的点云数据;
步骤3,根据步骤2得到的预处理后的点云数据对杆塔进行粗提取得到粗提取后余留的点云数据;包括:
步骤3.1,将步骤2中得到的所有预处理后的点云数据,提取高程在12米~100米,包含12米与100米,的点云数据,按高程每2米设置一个区间;
步骤3.2,计算每个区间内点云数据的高程之和,构成高程和列表;
步骤3.3,根据高程和列表中元素的排列规律,对杆塔点进行粗提取;
高程和列表中元素的排列规律如下:
第一排列规律:起始为若干非零值组成的分段一,在分段一后为若干零值组成的分段二,在分段二后为若干非零值组成的分段三,在分段三后为若干零值组成的分段四,以数列形式表现如式(1):
[n1,n2,...nx,0,0,0,...0,n3,n4,...ny,0,0,0...0] (1)
第二排列规律:起始为若干非零值组成的分段一,在分段一后为若干零值组成的分段二,以数列形式表写如式(2):
[m1,m2,m3,m4,m5,....mx,0,0,0...0] (2)
第三排列规律:起始为若干零值组成的分段一,在分段一后为若干非零值组成的分段二,在分段二后为若干零值组成的分段三,在分段三后为若干非零值组成的分段四,以数列形式表现如式(3):
[0,0,0,...0,a1,a2,...ax,0,0,0,...0,a3,a4,...ay,0,0,0..0] (3)
第四排列规律:起始为若干零值组成的分段一,在分段一后为若干非零值组成的分段二,在分段二后为若干零值组成的分段三,以数列形式表现如式(4):
[0,0,0,...0,b1,b2,b3,b4,b5,...bx,0,0,0...0] (4)
其中n 1 -n 4 ,n x ,n y ,m 1 -m 5 ,m x ,a 1 -a 4 ,a x ,a y ,b 1 -b 5 ,b x 均为列表中的元素且均为非零值,x、y均是自然数;
步骤4,根据步骤3得到的余留的点云数据对杆塔进行精提取。
2.根据权利要求1所述的基于激光点云的输电杆塔提取方法,其特征在于:
步骤2包括:
步骤2.1,采用open3d库中已有的geometry.PointCloud.uniform_down_sample函数,将激光点云数据作为该函数的输入,设置每隔30点提取一个点作为降采样的结果,经过该函数处理后得到降采样后的点云数据;
步骤2.2,对降采样后的点云数据作过滤地面点处理,得到预处理后的点云数据。
3.根据权利要求1所述的基于激光点云的输电杆塔提取方法,其特征在于:
根据地面点、导线点与杆塔点的空间特征对杆塔进行认定,包括:
基于杆塔为竖直安装在地面上,导线为悬空布置,故杆塔点在垂直方向上存在连续的点云,导线点与地面点则没有的分布状况,同时,结合在高程和列表中的每个区间内点云数据的高程之和,其中若干零值的两边分别为地面点与导线点,地面点中的每一个点的高程和减去0后的差值的绝对值低于导线点中的所有点的高程和减去0后的差值的绝对值。
4.根据权利要求3所述的基于激光点云的输电杆塔提取方法,其特征在于:
高程和列表中元素按照第一排列规律进行排列时,则高程和列表中不存在杆塔点;高程和列表中元素按照第二排列规律进行排列时,则高程和列表中存在杆塔点;
对于式1,参照权利要求3中所述的空间特征,n1~nx为地面点,n3~ny为导线点,所述高程和列表中元素的排列方式说明不存在杆塔点,故排除式1所示的高程和列表对应的全部点云数据;
对于式2,参照权利要求3中所述的空间特征,m1~mx为地面点或杆塔点,保留式1所示的高程和列表中m1~mx对应的点云数据;
对于区域内所有点云的高程均大于12米的区域,去除式3、式4,式3中a1之前的零值,去除式4中b1之前的零值,再分别按式1、式2的方式进行杆塔点的粗提取。
5.根据权利要求3所述的基于激光点云的输电杆塔提取方法,其特征在于:步骤3.3中计算零值出现位置的方法,包括以下步骤:
步骤3.3.1,通过index 函数得到列表中第一次出现零值的位置position;
步骤3.3.2,判断position 是否为0,若是,则删除列表首位的零值,继续计算position,直到position 不为0;
步骤3.3.3,通过count 函数得到列表中0的个数total,以第一次零值位置为分界点,通过式5计算分界点后面列表的元素个数number
(5)
式中,len表示函数,可得到列表元素个数;
步骤3.3.4,判断total是否等于number,若是,则保留点云,否则去除。
6.根据权利要求1所述的基于激光点云的输电杆塔提取方法,其特征在于:
步骤4包括:
步骤4.1,将粗提取后的点云数据按高程每2米设置一个区间,依次计算各个区间点云在二维平面的质心;
步骤4.2,依次计算相邻的上下两层区间质心在垂直方向的tan值,设置tan阈值为0.5,tan阈值对应的角度为26.5°,判断选取相邻的几段区间,是否满足区间内点云数据的质心在垂直方向的tan值小于0.5,计算这几段区间的平均质心作为杆塔的中轴;
步骤4.3,步骤4.2中若不存在tan小于阈值的区间,则表明该区间的点云数据中不存在完整的杆塔,去除该区间,进行下一区间点云数据中杆塔的精提取;
步骤4.4,利用步骤4.2得到的杆塔的中轴,过滤中轴周围超过10米的点云;
步骤4.5,基于步骤4.2得到的杆塔中轴和步骤4.4过滤后的点云,根据杆塔的对称性,遍历所有的点云,计算每个点云point 关于杆塔中轴的中心对称点point’ 的位置,以point’ 位置为球心,若球心周围1米不存在点云,则去除point。
7.一种基于激光点云的输电杆塔提取系统,用于实现权利要求1-6任一项权利要求所述方法,包括:
数据采集单元,用于输电杆塔的获取激光点云数据;
预处理单元,用于将获取的激光点云数据进行降采样和过滤地面点处理;
杆塔粗提取单元,用于过滤掉杆塔中间的地面和导线点云,初步分离出每个杆塔;
杆塔精提取单元,用于通过纵向分层确定杆塔中轴,基于中轴进行两次精细化提取,提取经过粗提取后剩余的其余杆塔。
8.一种终端,包括处理器及存储介质;其特征在于:
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1-6任一项所述方法的步骤。
9.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-6任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706976.XA CN116433750B (zh) | 2023-06-15 | 2023-06-15 | 一种基于激光点云的输电杆塔提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310706976.XA CN116433750B (zh) | 2023-06-15 | 2023-06-15 | 一种基于激光点云的输电杆塔提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433750A CN116433750A (zh) | 2023-07-14 |
CN116433750B true CN116433750B (zh) | 2023-08-18 |
Family
ID=87083693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310706976.XA Active CN116433750B (zh) | 2023-06-15 | 2023-06-15 | 一种基于激光点云的输电杆塔提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433750B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
CN113009452A (zh) * | 2019-12-20 | 2021-06-22 | 广东科诺勘测工程有限公司 | 一种激光点云电力杆塔提取方法 |
CN115410036A (zh) * | 2022-08-17 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种高压架空输电线路关键要素激光点云自动分类方法 |
CN115755088A (zh) * | 2022-09-08 | 2023-03-07 | 广东电网有限责任公司惠州供电局 | 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 |
CN115841545A (zh) * | 2022-12-22 | 2023-03-24 | 山西省能源互联网研究院 | 一种基于机载雷达的3d点云电力线提取与重建方法 |
-
2023
- 2023-06-15 CN CN202310706976.XA patent/CN116433750B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113009452A (zh) * | 2019-12-20 | 2021-06-22 | 广东科诺勘测工程有限公司 | 一种激光点云电力杆塔提取方法 |
CN112883878A (zh) * | 2021-02-24 | 2021-06-01 | 武汉大学 | 一种基于三维格网的变电站场景下的点云自动分类方法 |
CN115410036A (zh) * | 2022-08-17 | 2022-11-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种高压架空输电线路关键要素激光点云自动分类方法 |
CN115755088A (zh) * | 2022-09-08 | 2023-03-07 | 广东电网有限责任公司惠州供电局 | 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 |
CN115841545A (zh) * | 2022-12-22 | 2023-03-24 | 山西省能源互联网研究院 | 一种基于机载雷达的3d点云电力线提取与重建方法 |
Non-Patent Citations (1)
Title |
---|
Python点云数据处理(四)点云下采样;攻城狮(网友);《知乎专栏》;第1-5页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116433750A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
Zhang et al. | Filtering airborne LiDAR data by embedding smoothness-constrained segmentation in progressive TIN densification | |
CN111985496B (zh) | 一种基于植被三维凸包的树障隐患快速检测方法和终端 | |
CN104376595B (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
CN110992473B (zh) | 一种基于车载激光扫描点云的树木枝干建模方法及系统 | |
Király et al. | Tree height estimation methods for terrestrial laser scanning in a forest reserve | |
CN112883878B (zh) | 一种基于三维格网的变电站场景下的点云自动分类方法 | |
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 | |
Li et al. | An automatic tree skeleton extracting method based on point cloud of terrestrial laser scanner | |
CN111340723B (zh) | 一种地形自适应的机载LiDAR点云正则化薄板样条插值滤波方法 | |
CN109816664A (zh) | 一种三维点云分割方法及装置 | |
Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
CN111950589B (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN114119902A (zh) | 一种基于无人机倾斜三维模型的建筑物提取方法 | |
CN105701856B (zh) | 一种植被提取方法及系统 | |
CN115018982A (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
CN114862715A (zh) | 一种融合地形特征语义信息的tin渐进加密去噪方法 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
CN116433750B (zh) | 一种基于激光点云的输电杆塔提取方法及系统 | |
Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
Sarıtaş et al. | Enhancing Ground Point Extraction in Airborne LiDAR Point Cloud Data Using the CSF Filter Algorithm | |
Lei et al. | Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape | |
CN116520881A (zh) | 基于激光点云的无人机连续塔基三维巡检路径规划方法 |
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 |