CN116452604A - 一种复杂变电站场景分割方法、设备及存储介质 - Google Patents
一种复杂变电站场景分割方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116452604A CN116452604A CN202310373084.2A CN202310373084A CN116452604A CN 116452604 A CN116452604 A CN 116452604A CN 202310373084 A CN202310373084 A CN 202310373084A CN 116452604 A CN116452604 A CN 116452604A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- power line
- straight line
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000011218 segmentation Effects 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000003708 edge detection Methods 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种复杂变电站场景分割方法、设备及存储介质,方法包括:获取变电站场景点云;采用随机抽样一致性算法提取得到地面点云;将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像;对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像;采用霍夫直线检测算法提取边缘图像中的直线,确定直线上点位于变电站场景点云中的对应点,根据空间中电力线的特征去除非电力线直线,得到电力线直线段;采用区域生长算法延长电力线直线段获取完整的电力线直线段;采用欧式聚类算法进行聚类得到电力线点云;从不包含地面点云的变电站场景点云中去除电力线点云,得到变电站场景分割结果。
Description
技术领域
本发明属于点云分割技术领域,涉及一种复杂变电站场景分割方法、设备及存储介质。
背景技术
电力是我国能源的重要组成部分,电力的安全和稳定事关居民的人身安全和国家经济的正常发展。在电力系统中,变电站起着变换电流电压,接收电能和分配的电能的作用。因此,对变电站的维护和检修对电力的安全和稳定有重要作用。近年来,随着三维激光扫描技术的发展,点云正在推动着目标识别、场景分割等领域的发展。传统的变电站的检修,通过人工检查,以人工巡查为主,存在风险大,成本高,工作环境危险和巡检不全等缺点。随着点云在相关领域的应用,人们可以通过使用点云提供的丰富的变电站场景三维信息来构建变电站三维模型,在终端查看变电站设备的状态或者在三维模型上规划检修路线,减少与检修工人与带电设备的接触,从而使变电站检修的成本和危险降低。
点云分割是处理点云的重要一步,其将三维点云数据依据诸如颜色、形状、纹理、接近度等属性分割为人们感兴趣或者容易处理的更小簇点云。经过分割处理后的点云能够支持后续的诸如场景重建、点云识别、缺陷检测等工作的进行。人们可以通过点云分割将场景分割成多个小场景,特定的分析和处理部分,而不需要对整个场景进行操作,可以提高算法效率和准确度。通过点云分割处理,将整个变电站场景分割为空间上独立的设备点云簇,从而使设备和部件的识别更加高效和准确。点云分割方法包括传统的点云分割方法和基于深度学习的点云分割方法。传统的点云分割方法依赖于几何约束和统计规则来人工设计特征进行点云分割。传统的点云分割方法通常基于边缘、模型拟合、区域增长、属性等一个或几个方面结合进行点云分割。基于深度学习的点云分割方法通过卷积神经网络等,训练模型从点云数据中自动提取相关特征,对每个点所属种类做出预测。
目前,大多数的场景分割和目标识别面对的对象是简单的三维场景或非变电站对象。传统的分割方法难以对复杂的变电站场景进行有效的分割,从而无法有效得到待识别的物体。而基于深度学习的分割方法类精度严重依赖于模型构建方法和阈值设置,需要大量的数据标本来要提高特征集合,使工作的成本变大,实时性降低。传统的物体识别多面对空间周边不复杂的对象。但在变电站场景中,通常多个零部件组成一个设备,且变电站场景复杂,在获取点云时,可能会因为遮挡导致点云残缺并且存在噪声,使识别的精度变低。且基于深度学习的识别方法同样需要大量的数据来提高精度。由于变电站的特殊性,缺乏公开的数据集供模型训练和学习。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种复杂变电站场景分割方法、设备及存储介质,
技术方案:为解决上述技术问题,本发明采用的技术方案为:
第一方面,提供一种复杂变电站场景分割方法,包括:
步骤S1、获取变电站场景点云;
步骤S2、对所述变电站场景点云采用随机抽样一致性算法提取得到地面点云,从变电站场景点云中去除地面点云得到不包含地面点云的变电站场景点云;
步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像;
步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像;
步骤S5、采用霍夫直线检测算法提取边缘图像中的直线,确定直线上点位于变电站场景点云中的对应点,根据空间中电力线的特征去除非电力线直线,得到电力线直线段;
步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段;
步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云;
步骤S8、从不包含地面点云的变电站场景点云中去除电力线点云,得到变电站场景分割结果。
在一些实施例中,步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段,包括:
S61、以电力线直线段的像素点为种子点,退出当前种子点,搜索像素点周围8个方向的像素点;
S62、计算搜索到的像素点到电力线直线段的距离H;
S63、当搜索到的像素点是图像像素点且H<δ,将该像素点加入种子点且加入电力线直线中,其中δ为所设阈值;
S64、重复S61至S63,直到种子点序列清零,获得完整的电力线直线段。
进一步地,在一些实施例中,计算搜索到的像素点pxi(ui,vi)到端点为px1(u1,v1)和px2(u2,v2)的电力线直线段的距离H,包括:
其中中间参数α=v2-v1,β=u1-u2,γ=(v1-v2)*u1+(u2-u1)*v1。
在一些实施例中,步骤S2中,对所述变电站场景点云采用随机抽样一致性算法提取得到地面点云,包括:
平面模型的方程为:A*x+B*y+C*z+D=0,其中A,B,C不同时为零;
在变电站场景点云中随机选取三个点p1(x1,y1,z1),p2(x2,y2,z3),p3(x3,y3,z3),求解平面模型的参数值A,B,C,D;
基于求得的平面模型的参数值,根据公式求得其他点云点pi(xi,yi,zi)到平面的距离di,距离大于预设阈值的点为局外点,距离小于预设阈值的点为局内点,并记录局内点数量;
迭代执行上述步骤,直到达到迭代次数k,迭代次数k通过下列公式计算:
其中,z为局内点与点云总数的比例,n为模拟平面模型所需的最少点个数,p为迭代过程中选取的样本点为局内点的概率;
在迭代完成后选取局内点数量最多的平面作为地面,得到地面点云。
在一些实施例中,步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像,包括:
S31、基于设置的图像分辨率,根据点云最大的x坐标和y坐标和点云最小的x坐标和y坐标,计算得到单个像素代表的实际长度;
其中,l为单个像素代表的实际长度,lx、ly分别为x、y轴方向上单个像素代表的实际长度,dpix,dpiy为设置的图像分辨率,xmax为点云最大的x坐标,ymax为点云最大的y坐标,xmin为点云最小的x坐标,ymin为点云最小的y坐标;
S32、基于点云三维点坐标,根据点云最小的x坐标和y坐标、单个像素代表的实际长度,计算点云中的点对应二维图像像素点的坐标;
其中,ximage,yimage为点云中的点对应二维图像像素点的坐标,xcloud,ycloud为点云三维点坐标;
S33、基于点云中的每个点对应二维图像像素点的坐标,将点云三维点的颜色赋予相对应的像素点,得到点云的二维图像。
在一些实施例中,步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像,包括:
使用高斯滤波处理去除变电站的二维平面图像的噪声,通过离散化窗口滑窗卷积;
使用Sobel算子计算高斯滤波处理后的变电站的二维平面图像的像素梯度;
基于计算得到的图像的像素梯度,使用非极大值抑制,将局部范围内的梯度方向上,灰度变化最大的保留下来,其它的不保留,得到边缘图像。
在一些实施例中,步骤S5中,根据空间中电力线的特征去除非电力线直线,得到电力线直线段,包括:
根据直线上点位于变电站场景点云中的对应点检测该点周围的三维特征,如果周围设定范围内没有其他点云且周围点云特征不为平面,则认为这个直线段是电力线直线段;否则认为这个直线段不是电力线直线段,去除这个直线段。
在一些实施例中,步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云,包括:
获取完整的电力线直线段两端的坐标,根据二维平面图像与三维点云的对应关系,得到两端的三维点坐标;
采用欧式聚类算法进行聚类获取两端的三维点坐标范围之间的电力线点云。
第二方面,本发明提供了一种复杂变电站场景分割装置,包括处理器及存储介质;
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第一方面所述方法的步骤。
第三方面,本发明提供了一种设备,包括,
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现上述第一方面所述的方法。
第四方面,本发明提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面所述的方法。
有益效果:本发明提供的一种窄带环境下复杂变电站场景分割方法,具有以下优点:由于在滤除周边环境后变电站中设备通过地面和电力线相连,本发明通过地面点云提取和电力线提取的方式完成场景的分割。本发明通过RANSAC方法提取地面点云,通过投影方法获取变电站二维图像,并结合边缘检测算法和直线提取算法提取电力线直线,通过电力线三维特征去除非电力线直线段,结合电力线直线段使用欧几里得聚类完成电力线提取。本发明通过改进的直线检测算法提取完整电力线直线段。
附图说明
图1为根据本发明一实施例的方法流程示意图;
图2为现有Hough直线检测与本申请提取的电力线效果图;
图3为根据本发明一实施例的分割结果效果图。
具体实施方式
下面结合附图和实施例对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在本发明的描述中,若干的含义是一个以上,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
实施例1:
如图1所示,一种复杂变电站场景分割方法,包括:
步骤S1、获取变电站场景点云;
步骤S2、对所述变电站场景点云采用随机抽样一致性算法提取得到地面点云,从变电站场景点云中去除地面点云得到不包含地面点云的变电站场景点云;
步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像;
步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像;
步骤S5、采用霍夫直线检测算法提取边缘图像中的直线,确定直线上点位于变电站场景点云中的对应点,根据空间中电力线的特征去除非电力线直线,得到电力线直线段;
步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段;
步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云;
步骤S8、从不包含地面点云的变电站场景点云中去除电力线点云,得到变电站场景分割结果。
在一些实施例中,步骤S1、获取变电站场景点云,包括:通过地面激光扫描仪获取变电站场景原始点云集合,进行去噪配准操作,得到变电站场景点云。
在这个步骤中,可以通过架设地面的三维激光扫描仪对变电站进行扫描,分为几个站点,每个站点在变电站场景中架设标点,使用三维激光扫描仪自动扫描场景,通看仪器查看预扫描生成的点云场景,将整个感兴趣的变电站场景进行扫描;
将数据导出配备专门软件进行处理,进行配准,去噪声,滤波等处理;
对最终获取的点云数据输出成pcd格式。
在一些实施例中,步骤S2中,对所述变电站场景点云采用随机抽样一致性RANSAC算法提取得到地面点云,包括:
平面模型的方程为:A*x+B*y+C*z+D=0,其中A,B,C不同时为零;
在变电站场景点云中随机选取三个点p1(x1,y1,z1),p2(x2,y2,z3),p3(x3,y3,z3),求解平面模型的参数值A,B,C,D;
基于求得的平面模型的参数值,根据公式求得其他点云点pi(xi,yi,zi)到平面的距离di,距离大于预设阈值的点为局外点,距离小于预设阈值的点为局内点,并记录局内点数量;
迭代执行上述步骤,直到达到迭代次数k,迭代次数k通过下列公式计算:
其中,z为局内点与点云总数的比例,n为模拟平面模型所需的最少点个数,p为迭代过程中选取的样本点为局内点的概率;
在迭代完成后选取局内点数量最多的平面作为地面,得到地面点云。
在滤除地面后,此时变电站中电力线在垂直高度上只有电力线点云,所以在投影到XOY平面上获得的图像中,电力线都以直线形式呈现,所以通过图像直线检测获取到的直线包括电力线。而变电站中电力线在空间上具有特性,电力线在垂直高度上只有电力线,并且其形状为柱状,而在图像中呈直线的点云物体在三维中呈平面,以此进行电力线的提纯。然后本申请通过电力线的点开始,进行聚类得到电力线的点云,最终完成电力线的提取。
在一些实施例中,步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像,包括:
S31、基于设置的图像分辨率,根据点云最大的x坐标和y坐标和点云最小的x坐标和y坐标,计算得到单个像素代表的实际长度;
其中,l为单个像素代表的实际长度,lx、ly分别为x、y轴方向上单个像素代表的实际长度,dpix,dpiy为设置的图像分辨率,xmax为点云最大的x坐标,ymax为点云最大的y坐标,xmin为点云最小的x坐标,ymin为点云最小的y坐标;
S32、基于点云三维点坐标,根据点云最小的x坐标和y坐标、单个像素代表的实际长度,计算点云中的点对应二维图像像素点的坐标;
其中,ximage,yimage为点云中的点对应二维图像像素点的坐标,xcloud,ycloud为点云三维点坐标;
S33、基于点云中的每个点对应二维图像像素点的坐标,将点云三维点的颜色赋予相对应的像素点,得到点云的二维图像。
在一些实施例中,步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像,包括:
为了更好地检测图像的边缘,使用高斯滤波处理去除变电站的二维平面图像的噪声,通过离散化窗口滑窗卷积;公式如下:
使用Sobel算子计算高斯滤波处理后的变电站的二维平面图像的像素梯度;
Sobel算子是两个3*3的矩阵,分别为Sx和Sy,表示如下:
Sx和Sy用于计算图像x方向像素梯度矩阵Gx和用于计算图像y方向像素梯度矩阵Gy,计算公式如下:
Gx=Sx*I,Gy=Sy*I,其中,I为灰度图像矩阵。
然后通过下列公式计算得到梯度灰度矩阵Gxy:
基于计算得到的图像的像素梯度,使用非极大值抑制,将局部范围内的梯度方向上,灰度变化最大的保留下来,其它的不保留,得到边缘图像。
进一步地,还可以包括:进行双阈值筛选,设置一个高阈值和一个低阈值,灰度变化大于高阈值的设置为强边缘像素,小于低阈值的剔除,两个阈值之间的设置为弱边缘。如果边缘不闭合的话,从弱阈值的点进行补充。
然后,使用霍夫Hough直线检测算法检测直线。霍夫直线检测是一种经典的直线检测算法,其通过变换参数空间,来检测直线。在参数空间中,多条直线的交点得到的参数即为直线的参数。如果直线的斜率不存在,则参数空间k-b无法表式,因此引入极坐标参数空间。直线表示如下:
ρ=x cosθ+y sinθ,其中ρ为原点到直线的距离,θ为直线与x轴正半轴的夹角。
Hough直线检测算法统计参数空间中相交个数大于阈值的点,得到直线。通过Hough直线检测算法得到二维图像中的直线,直线段包括电力线直线段和一些方向物体的边缘直线段,所以需要去除电力线之外的直线段。
在一些实施例中,步骤S5中,通过上述的XOY平面投影公式反求出直线上点位于变电站场景点云中的对应点。
在一些实施例中,步骤S5中,根据空间中电力线的特征去除非电力线直线,得到电力线直线段,包括:
根据直线上点位于变电站场景点云中的对应点检测该点周围的三维特征,如果周围设定范围内没有其他点云且周围点云特征不为平面,则认为这个直线段是电力线直线段;否则认为这个直线段不是电力线直线段,去除这个直线段。
在实际变电站中电力线在二维图像上的投影并不是一条完全的直线,因此Hough直线检测只能识别到电力线直线中的一段,本发明使用区域生长算法将与电力线直线段邻近的像素且与直线的距离小于阈值的像素加入直线中,从而对电力线直线进行延长获取整段电力线直线。然后根据电力线直线的两端的三维坐标,对在其范围之内的点进行欧几里得聚类,最终得到电力线点云完成对场景的分割。
在一些实施例中,步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段,包括:
S61、以电力线直线段的像素点为种子点,退出当前种子点,搜索像素点周围8个方向的像素点;
S62、计算搜索到的像素点到电力线直线段的距离H;
S63、当搜索到的像素点是图像像素点且H<δ,将该像素点加入种子点且加入电力线直线中,其中δ为所设阈值;
S64、重复S61至S63,直到种子点序列清零,获得完整的电力线直线段。
进一步地,计算搜索到的像素点pxi(ui,vi)到端点为px1(u1,v1)和px2(u2,v2)的电力线直线段的距离H,包括:
其中中间参数α=v2-v1,β=u1-u2,γ=(v1-v2)*u1+(u2-u1)*v1。
在一些实施例中,步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云,包括:
获取完整的电力线直线段两端的坐标,根据二维平面图像与三维点云的对应关系,得到两端的三维点坐标;
采用欧式聚类算法进行聚类获取两端的三维点坐标范围之间的电力线点云。
欧式聚类算法具体步骤如下:
(1)根据电力线点云选择一个合适的距离阈值,选择一个属于电力线的初始点。
(2)通过KD树计算点云点的邻域,计算邻域内点到目标点的欧式距离,将与目标点之间欧式距离小于阈值的邻域且xy值在两个端点范围之内的点加入同一聚类内。
(3)选取聚类内计算过邻域的点,重复步骤1和步骤2,直至空间中没有新的点云加入这个聚类或者是聚类中的点都计算过邻域。
去除地面和电力线后的场景中设备都是在空间隔离的,最终完成变电站场景的分割。
实施例2
第二方面,本实施例提供了一种基于图像的车表面损伤检测装置,包括处理器及存储介质;
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实施例1所述的方法。
实施例3
第三方面,本实施例提供了一种设备,包括,
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现实施例1所述的方法。
实施例4
第四方面,本实施例提供了一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种复杂变电站场景分割方法,其特征在于,包括:
步骤S1、获取变电站场景点云;
步骤S2、对所述变电站场景点云采用随机抽样一致性算法提取得到地面点云,从变电站场景点云中去除地面点云得到不包含地面点云的变电站场景点云;
步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像;
步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像;
步骤S5、采用霍夫直线检测算法提取边缘图像中的直线,确定直线上点位于变电站场景点云中的对应点,根据空间中电力线的特征去除非电力线直线,得到电力线直线段;
步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段;
步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云;
步骤S8、从不包含地面点云的变电站场景点云中去除电力线点云,得到变电站场景分割结果。
2.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S6、采用区域生长算法延长边缘图像中电力线直线段获取完整的电力线直线段,包括:
S61、以电力线直线段的像素点为种子点,退出当前种子点,搜索像素点周围8个方向的像素点;
S62、计算搜索到的像素点到电力线直线段的距离H;
S63、当搜索到的像素点是图像像素点且H<δ,将该像素点加入种子点且加入电力线直线中,其中δ为所设阈值;
S64、重复S61至S63,直到种子点序列清零,获得完整的电力线直线段。
3.根据权利要求2所述的复杂变电站场景分割方法,其特征在于,计算搜索到的像素点pxi(ui,vi)到端点为px1(u1,v1)和px2(u2,v2)的电力线直线段的距离H,包括:
其中中间参数α=v2-v1,β=u1-u2,γ=(v1-v2)*u1+(u2-u1)*v1。
4.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S2中,对所述变电站场景点云采用随机抽样一致性算法提取得到地面点云,包括:
平面模型的方程为:A*x+B*y+C*z+D=0,其中A,B,C不同时为零;
在变电站场景点云中随机选取三个点p1(x1,y1,z1),p2(x2,y2,z3),p3(x3,y3,z3),求解平面模型的参数值A,B,C,D;
基于求得的平面模型的参数值,根据公式求得其他点云点pi(xi,yi,zi)到平面的距离di,距离大于预设阈值的点为局外点,距离小于预设阈值的点为局内点,并记录局内点数量;
迭代执行上述步骤,直到达到迭代次数k,迭代次数k通过下列公式计算:
其中,z为局内点与点云总数的比例,n为模拟平面模型所需的最少点个数,p为迭代过程中选取的样本点为局内点的概率;
在迭代完成后选取局内点数量最多的平面作为地面,得到地面点云。
5.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S3、将不包含地面点云的变电站场景点云向XOY平面投影,得到变电站的二维平面图像,包括:
S31、基于设置的图像分辨率,根据点云最大的x坐标和y坐标和点云最小的x坐标和y坐标,计算得到单个像素代表的实际长度;
其中,l为单个像素代表的实际长度,lx、ly分别为x、y轴方向上单个像素代表的实际长度,dpix,dpiy为设置的图像分辨率,xmax为点云最大的x坐标,ymax为点云最大的y坐标,xmin为点云最小的x坐标,ymin为点云最小的y坐标;
S32、基于点云三维点坐标,根据点云最小的x坐标和y坐标、单个像素代表的实际长度,计算点云中的点对应二维图像像素点的坐标;
其中,ximage,yimage为点云中的点对应二维图像像素点的坐标,xcloud,ycloud为点云三维点坐标;
S33、基于点云中的每个点对应二维图像像素点的坐标,将点云三维点的颜色赋予相对应的像素点,得到点云的二维图像。
6.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S4、对变电站的二维平面图像采用cannay边缘检测算法计算得到边缘图像,包括:
使用高斯滤波处理去除变电站的二维平面图像的噪声,通过离散化窗口滑窗卷积;
使用Sobel算子计算高斯滤波处理后的变电站的二维平面图像的像素梯度;
基于计算得到的图像的像素梯度,使用非极大值抑制,将局部范围内的梯度方向上,灰度变化最大的保留下来,其它的不保留,得到边缘图像。
7.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S5中,根据空间中电力线的特征去除非电力线直线,得到电力线直线段,包括:
根据直线上点位于变电站场景点云中的对应点检测该点周围的三维特征,如果周围设定范围内没有其他点云且周围点云特征不为平面,则认为这个直线段是电力线直线段;否则认为这个直线段不是电力线直线段,去除这个直线段。
8.根据权利要求1所述的复杂变电站场景分割方法,其特征在于,步骤S7、根据完整的电力线直线段采用欧式聚类算法进行聚类得到电力线点云,包括:
获取完整的电力线直线段两端的坐标,根据二维平面图像与三维点云的对应关系,得到两端的三维点坐标;
采用欧式聚类算法进行聚类获取两端的三维点坐标范围之间的电力线点云。
9.一种电子设备,其特征在于,包括:
存储器;
处理器;
以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-8任一项所述的方法。
10.一种存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373084.2A CN116452604B (zh) | 2023-04-10 | 2023-04-10 | 一种复杂变电站场景分割方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310373084.2A CN116452604B (zh) | 2023-04-10 | 2023-04-10 | 一种复杂变电站场景分割方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452604A true CN116452604A (zh) | 2023-07-18 |
CN116452604B CN116452604B (zh) | 2024-07-05 |
Family
ID=87133137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310373084.2A Active CN116452604B (zh) | 2023-04-10 | 2023-04-10 | 一种复杂变电站场景分割方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452604B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314903A (zh) * | 2023-11-28 | 2023-12-29 | 四川港投云港科技有限公司 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 |
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN106657882A (zh) * | 2016-10-18 | 2017-05-10 | 国网湖北省电力公司检修公司 | 基于无人机的输变电系统实时监控方法 |
CN110793543A (zh) * | 2019-10-21 | 2020-02-14 | 国网电力科学研究院有限公司 | 基于激光扫描的电力巡检机器人的定位导航精度测量装置及方法 |
US20200380694A1 (en) * | 2019-06-03 | 2020-12-03 | Zebra Technologies Corporation | Method, System and Apparatus for Shelf Edge Detection |
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 |
CN113763529A (zh) * | 2020-06-02 | 2021-12-07 | 国网江苏省电力有限公司电力科学研究院 | 一种基于三维扫描的变电站建模方法 |
CN114627374A (zh) * | 2022-03-09 | 2022-06-14 | 国网湖北省电力有限公司电力科学研究院 | 一种基于激光雷达和云台的点云采集系统及绝缘子识别定位方法 |
CN114782357A (zh) * | 2022-04-18 | 2022-07-22 | 杭州电子科技大学 | 一种用于变电站场景的自适应分割系统及方法 |
-
2023
- 2023-04-10 CN CN202310373084.2A patent/CN116452604B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150199839A1 (en) * | 2012-08-02 | 2015-07-16 | Earthmine, Inc. | Three-Dimentional Plane Panorama Creation Through Hough-Based Line Detection |
CN103954897A (zh) * | 2014-05-20 | 2014-07-30 | 电子科技大学 | 基于紫外成像的智能电网高压绝缘损坏监控系统及方法 |
CN106657882A (zh) * | 2016-10-18 | 2017-05-10 | 国网湖北省电力公司检修公司 | 基于无人机的输变电系统实时监控方法 |
US20200380694A1 (en) * | 2019-06-03 | 2020-12-03 | Zebra Technologies Corporation | Method, System and Apparatus for Shelf Edge Detection |
CN110793543A (zh) * | 2019-10-21 | 2020-02-14 | 国网电力科学研究院有限公司 | 基于激光扫描的电力巡检机器人的定位导航精度测量装置及方法 |
CN113763529A (zh) * | 2020-06-02 | 2021-12-07 | 国网江苏省电力有限公司电力科学研究院 | 一种基于三维扫描的变电站建模方法 |
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 |
CN114627374A (zh) * | 2022-03-09 | 2022-06-14 | 国网湖北省电力有限公司电力科学研究院 | 一种基于激光雷达和云台的点云采集系统及绝缘子识别定位方法 |
CN114782357A (zh) * | 2022-04-18 | 2022-07-22 | 杭州电子科技大学 | 一种用于变电站场景的自适应分割系统及方法 |
Non-Patent Citations (2)
Title |
---|
WEI GAO等: "Semantic Segmentation of Substation Site Cloud Based on Seg-PointNet", 《JOURNAL OF ADVANCED COMPUTATIONAL INTELLIGENCE AND INTELLIGENT INFORMATICS》, vol. 26, no. 6, 31 December 2022 (2022-12-31), pages 1004 - 1012 * |
袁千金: "基于三维点云的变电站设备附属电线分割及识别算法研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 09, 15 September 2022 (2022-09-15), pages 042 - 212 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117314903A (zh) * | 2023-11-28 | 2023-12-29 | 四川港投云港科技有限公司 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
CN117314903B (zh) * | 2023-11-28 | 2024-03-15 | 四川港投云港科技有限公司 | 一种大宗商品室内仓储激光雷达3d点云数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452604B (zh) | 2024-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
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 | |
CN109214422B (zh) | 基于dcgan的停车数据修补方法、装置、设备及存储介质 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
Galvanin et al. | Extraction of building roof contours from LiDAR data using a Markov-random-field-based approach | |
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 | |
CN115546116B (zh) | 全覆盖式岩体不连续面提取与间距计算方法及系统 | |
CN111783721B (zh) | 一种激光点云的车道线提取方法及电子设备 | |
CN110288571B (zh) | 一种基于图像处理的高铁接触网绝缘子异常检测方法 | |
CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
Hu et al. | Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization | |
CN117115390A (zh) | 一种变电站中变电设备的三维模型布局方法 | |
WO2024125434A1 (zh) | 基于区域一致性的建筑物主角度修正方法 | |
Shen et al. | An automatic framework for pylon detection by a hierarchical coarse-to-fine segmentation of powerline corridors from UAV LiDAR point clouds | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN115937492B (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
CN112884026B (zh) | 一种图像识别辅助的输电线路激光LiDAR点云分类方法 | |
CN116091562A (zh) | 基于二维投影线段的建筑物点云自动配准的方法 | |
EP3137895A1 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
Song et al. | A region-based approach to building detection in densely build-up high resolution satellite image | |
CN107123140B (zh) | 基于点云数据对变电站均压环进行建模的方法 | |
CN114565629B (zh) | 一种基于多尺度邻域的大型蒙皮边缘缺陷检测方法 |
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 |