CN116630361B - 一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 - Google Patents
一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 Download PDFInfo
- Publication number
- CN116630361B CN116630361B CN202310445072.6A CN202310445072A CN116630361B CN 116630361 B CN116630361 B CN 116630361B CN 202310445072 A CN202310445072 A CN 202310445072A CN 116630361 B CN116630361 B CN 116630361B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- insulator
- transmission tower
- point
- power 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.)
- Active
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 102
- 230000005540 biological transmission Effects 0.000 title claims abstract description 71
- 230000011218 segmentation Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000000725 suspension Substances 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 239000000919 ceramic Substances 0.000 description 3
- 238000013499 data model Methods 0.000 description 3
- 239000011521 glass Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 229920002379 silicone rubber Polymers 0.000 description 3
- 239000004945 silicone rubber Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 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
- G06T7/194—Segmentation; Edge detection involving foreground-background 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
- G06V10/70—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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Electric Cable Installation (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提出一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,包括以下步骤:S1,获取电杆塔原始点云数据,按照高程信息过滤地面点云,得到不含地面点的输电杆塔点云;S2,基于网络学习算法对不含地面点的输电杆塔点云进行分割得到电力线点云和带绝缘子的输电杆塔点云;S3,包括2个同时进行的步骤:步骤A,将电力线点云进行拟合重建得到完整的单根电力线点云;步骤B,将带绝缘子的输电杆塔点云分割为输电杆塔点云和绝缘子串点云;S4,对绝缘子串点云进行聚类分割得到悬垂串子点云和耐张绝缘子点云。本发明基于电网广泛存在的Lidar点云数据,为点云模型数据的各个电力构件模块的独立应用提供了新的方法和手段。
Description
技术领域
本发明涉及输电杆塔技术领域,尤其是一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法。
背景技术
输电线路点云数据量庞大并且有很多噪点,如果要统一进行仿真或者分析处理,需要庞大的硬件支持,并且有的时候分析对象不同分析方法不同。输电线路是电力系统的重要部分,跨越距离长、节点数量多、设备数量多、分布范围广、网络结构复杂是当今输电线路的主要特点,随着电力网络系统的不断扩大,以及各类自动化技术的普及、智能终端的设置、分布式电源的并网、电力电子设备的投入,输电线路在复杂程度上呈指数上升趋势,给相应的线路运行和维护带来了巨大的挑战。
发明内容
本发明解决了复杂电网难以独立分析的问题,提出一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,基于电网广泛存在的Lidar点云数据,为点云模型数据的各个电力构件模块的独立应用提供了新的方法和手段,能够对原有的数据模型进行解耦降阶处理,把群组分割成多个状态空间子组群,每个状态空间族群对各自状态空间矩阵进行单独计算,这样就可以减小每个状态空间群组的计算量,大幅度缩短分析计算时间,从而达到能够实现复杂电网独立分析的要求。
为实现上述目的,提出以下技术方案:
一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,包括以下步骤:
S1,获取电杆塔原始点云数据,按照高程信息过滤地面点云,得到不含地面点的输电杆塔点云;
S2,基于网络学习算法对不含地面点的输电杆塔点云进行分割得到电力线点云和带绝缘子的输电杆塔点云;
S3,包括2个同时进行的步骤:
步骤A,将电力线点云进行拟合重建得到完整的单根电力线点云;
步骤B,将带绝缘子的输电杆塔点云分割为输电杆塔点云和绝缘子串点云;
S4,对绝缘子串点云进行聚类分割得到悬垂串子点云和耐张绝缘子点云。
作为优选,所述S1具体包括以下步骤:采用高程滤波方法剔除地面点,输入输电杆塔原始点云数据,统计点云的高程信息,生成点云分布统计图,点云分布统计图数量庞大、密集的区域即为地面点。设置阈值,将小于阈值的点云全部剔除,即剔除地面点,得到不含地面点的输电杆塔点云。
作为优选,所述S2具体包括以下步骤:
将不含地面点的输电杆塔点云经过PointNet++网络进行分割,PointNet++网络先在输入点集中选择一些点作为中心点,然后围绕每个中心点选择周围的点组成一个区域,每个区域作为PointNet++网络的一个输入样本,得到一组特征,所述特征为该区域的特征;保持中心点不变,扩大区域,把上一步得到的特征作为输入送入PointNet++网络,循环上述步骤,将输电杆塔中的电力线部分点云全部提取出来得到电力线点云,剩余部分为带绝缘子的输电杆塔点云。
作为优选,所述步骤A具体包括以下步骤:
将电力线点云经过半径搜索聚类、抛物线拟合、点云插值重建得到完整的单根电力线点云。分离出的电力线点云比较稀疏,将电力线点云进行抛物线拟合,将拟合后的电力线进行聚类,将拟合方程高度相似的电力线簇归为一类,将同一类的电力线簇进行插值重建,生成稠密的单根电力线点云。
作为优选,所述步骤B具体包括以下步骤:
B1,将带绝缘子输电杆塔点云按照强度值信息进行粗分割,过滤剔除一部分的塔身点云,得到过滤后的输电杆塔点云;
B2,将过滤后的输电杆塔点云使用点云最小割法进行细分割,分别得到绝缘子串点云和输电杆塔点云。
利用强度值滤波剔除部分杆塔塔身点云,减少塔身点云对绝缘子分割的影响。点云数据可以提供激光回波信号的强度信息,介质材料不同强度信息不同。绝缘子不同于杆塔中其他部位,通常由玻璃、陶瓷或硅橡胶制成。绝缘子于杆塔的差异性可通过反射强度信息来体现。强度值滤波需要通过遍历整个杆塔的点云强度信息,设定合适的阈值,保留强度值在阈值内的点,反之则去除。剔除大部分塔身点云可有效地减少塔身点云对后续绝缘子点云分割的影响,提高绝缘子分割的准确率。
利用点云最小割算法分离杆塔塔身和绝缘子效果较好。将过滤后的输电杆塔点云建立一个包围盒,获取包围盒的中心和长度作为最小割算法的目标点和半径。最小割算法可以将输入点云集合划分为两个点集,前景点集即目标物体和背景点云即剩余部分,将塔身点云作为前景点云,将绝缘子点云作为背景点云,可准确的实现绝缘子与塔身的分割。
作为优选,所述S4具体包括以下步骤:
将绝缘子串点云进行欧式聚类分割得到单个绝缘子点云,判断单个绝缘子点云与水平方向的夹角是否满足阈值θ,若是则为悬垂绝缘子点云,若否则为耐张绝缘子点云。
作为优选,所述阈值θ为绝缘子和水平方向的夹角:
θ=arctan(y/x);
通过获取单个绝缘子最高点和最低点的坐标求得绝缘子在XOY平面的投影长度x和在YOZ平面的投影长度y。
本发明的有益效果是:本发明能够实现Lidar点云数据模型的快速分割,对原有的数据模型进行解耦降阶处理,把群组分割成多个状态空间子组群,每个状态空间族群对各自状态空间矩阵进行单独计算,这样就可以减小每个状态空间群组的计算量,大幅度缩短分析计算时间,能够实现复杂电网的独立分析。
附图说明
图1是实施例的流程图。
具体实施方式
实施例:
本实施例提出一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,参考图1,包括以下步骤:
S1,获取电杆塔原始点云数据,按照高程信息过滤地面点云,得到不含地面点的输电杆塔点云;S1具体包括以下步骤:采用高程滤波方法剔除地面点,输入输电杆塔原始点云数据,统计点云的高程信息,生成点云分布统计图,点云分布统计图数量庞大、密集的区域即为地面点。设置阈值,将小于阈值的点云全部剔除,即剔除地面点,得到不含地面点的输电杆塔点云。
S2,基于网络学习算法对不含地面点的输电杆塔点云进行分割得到电力线点云和带绝缘子的输电杆塔点云;S2具体包括以下步骤:
将不含地面点的输电杆塔点云经过PointNet++网络进行分割,PointNet++网络先在输入点集中选择一些点作为中心点,然后围绕每个中心点选择周围的点组成一个区域,每个区域作为PointNet++网络的一个输入样本,得到一组特征,特征为该区域的特征;保持中心点不变,扩大区域,把上一步得到的特征作为输入送入PointNet++网络,循环上述步骤,将输电杆塔中的电力线部分点云全部提取出来得到电力线点云,剩余部分为带绝缘子的输电杆塔点云。
S3,包括2个同时进行的步骤:
步骤A,将电力线点云进行拟合重建得到完整的单根电力线点云;步骤A具体包括以下步骤:将电力线点云经过半径搜索聚类、抛物线拟合、点云插值重建得到完整的单根电力线点云。分离出的电力线点云比较稀疏,将电力线点云进行抛物线拟合,将拟合后的电力线进行聚类,将拟合方程高度相似的电力线簇归为一类,将同一类的电力线簇进行插值重建,生成稠密的单根电力线点云。
步骤B,将带绝缘子的输电杆塔点云分割为输电杆塔点云和绝缘子串点云;步骤B具体包括以下步骤:
B1,将带绝缘子输电杆塔点云按照强度值信息进行粗分割,过滤剔除一部分的塔身点云,得到过滤后的输电杆塔点云;点云数据可以提供激光回波信号的强度信息,介质材料不同强度信息不同。绝缘子不同于杆塔中其他部位,通常由玻璃、陶瓷或硅橡胶制成。绝缘子于杆塔的差异性可通过反射强度信息来体现。强度值滤波需要通过遍历整个杆塔的点云强度信息,设定合适的阈值,保留强度值在阈值内的点,反之则去除。
B2,将过滤后的输电杆塔点云使用点云最小割法进行细分割,分别得到绝缘子串点云和输电杆塔点云。将过滤后的输电杆塔点云建立一个包围盒,获取包围盒的中心和长度作为最小割算法的目标点和半径。最小割算法可以精确的将杆塔点云和绝缘子点云分割开来。
利用强度值滤波剔除部分杆塔塔身点云,减少塔身点云对绝缘子分割的影响。点云数据可以提供激光回波信号的强度信息,介质材料不同强度信息不同。绝缘子不同于杆塔中其他部位,通常由玻璃、陶瓷或硅橡胶制成。绝缘子于杆塔的差异性可通过反射强度信息来体现。强度值滤波需要通过遍历整个杆塔的点云强度信息,设定合适的阈值,保留强度值在阈值内的点,反之则去除。剔除大部分塔身点云可有效地减少塔身点云对后续绝缘子点云分割的影响,提高绝缘子分割的准确率。
利用点云最小割算法分离杆塔塔身和绝缘子效果较好。将过滤后的输电杆塔点云建立一个包围盒,获取包围盒的中心和长度作为最小割算法的目标点和半径。最小割算法可以将输入点云集合划分为两个点集,前景点集即目标物体和背景点云即剩余部分,将塔身点云作为前景点云,将绝缘子点云作为背景点云,可准确的实现绝缘子与塔身的分割。
S4,对绝缘子串点云进行聚类分割得到悬垂串子点云和耐张绝缘子点云。
S4具体包括以下步骤:
将绝缘子串点云进行欧式聚类分割得到单个绝缘子点云,判断单个绝缘子点云与水平方向的夹角是否满足阈值θ,若是则为悬垂绝缘子点云,若否则为耐张绝缘子点云。阈值θ为绝缘子和水平方向的夹角:
θ=arctan(y/x);
通过获取单个绝缘子最高点和最低点的坐标求得绝缘子在XOY平面的投影长度x和在YOZ平面的投影长度y。
具体的利用绝缘子点云与水平方向的夹角判断绝缘子所属类型。获取单个绝缘子最高点和最低点的坐标求得绝缘子在XOY平面的投影长度x和YOZ平面的投影长度y,通过θ=arctan(y/x)求得绝缘子和水平方向的夹角,建立合适的阈值,若θ大于阈值则该绝缘子判断为悬垂串,否则为耐张串。
Claims (6)
1.一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,包括以下步骤:
S1,获取电杆塔原始点云数据,按照高程信息过滤地面点云,得到不含地面点的输电杆塔点云;
S2,基于网络学习算法对不含地面点的输电杆塔点云进行分割得到电力线点云和带绝缘子的输电杆塔点云;
S3,包括2个同时进行的步骤:
步骤A,将电力线点云进行拟合重建得到完整的单根电力线点云;
步骤B,将带绝缘子的输电杆塔点云分割为输电杆塔点云和绝缘子串点云;所述步骤B具体包括以下步骤:
B1,将带绝缘子输电杆塔点云按照强度值信息进行粗分割,过滤剔除一部分的塔身点云,得到过滤后的输电杆塔点云;
B2,将过滤后的输电杆塔点云使用点云最小割法进行细分割,分别得到绝缘子串点云和输电杆塔点云;
S4,对绝缘子串点云进行欧式聚类分割得到悬垂串子点云和耐张绝缘子点云。
2.根据权利要求1所述的一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,所述S1具体包括以下步骤:采用高程滤波方法剔除地面点,输入输电杆塔原始点云数据,统计点云的高程信息,生成点云分布统计图,设置阈值,将小于阈值的点云全部剔除,得到不含地面点的输电杆塔点云。
3.根据权利要求1所述的一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,所述S2具体包括以下步骤:
将不含地面点的输电杆塔点云经过PointNet++网络进行分割,PointNet++网络先在输入点集中选择一些点作为中心点,然后围绕每个中心点选择周围的点组成一个区域,每个区域作为PointNet++网络的一个输入样本,得到一组特征,所述特征为该区域的特征;保持中心点不变,扩大区域,把上一步得到的特征作为输入送入PointNet++网络,循环上述步骤,将输电杆塔中的电力线部分点云全部提取出来得到电力线点云,剩余部分为带绝缘子的输电杆塔点云。
4.根据权利要求1所述的一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,所述步骤A具体包括以下步骤:
将电力线点云经过半径搜索聚类、抛物线拟合、点云插值重建得到完整的单根电力线点云。
5.根据权利要求1所述的一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,所述S4具体包括以下步骤:
将绝缘子串点云进行欧式聚类分割得到单个绝缘子点云,判断单个绝缘子点云与水平方向的夹角是否满足阈值θ,若是则为悬垂绝缘子点云,若否则为耐张绝缘子点云。
6.根据权利要求5所述的一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法,其特征是,所述阈值θ为绝缘子和水平方向的夹角:
θ=arctan(y/x);
通过获取单个绝缘子最高点和最低点的坐标求得绝缘子在XOY平面的投影长度x和在YOZ平面的投影长度y。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445072.6A CN116630361B (zh) | 2023-04-24 | 2023-04-24 | 一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310445072.6A CN116630361B (zh) | 2023-04-24 | 2023-04-24 | 一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630361A CN116630361A (zh) | 2023-08-22 |
CN116630361B true CN116630361B (zh) | 2024-04-19 |
Family
ID=87640772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310445072.6A Active CN116630361B (zh) | 2023-04-24 | 2023-04-24 | 一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630361B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909582A (zh) * | 2017-11-07 | 2018-04-13 | 国网甘肃省电力公司电力科学研究院 | 一种机载LiDAR塔头电力线自动检测分割方法 |
CN108037514A (zh) * | 2017-11-07 | 2018-05-15 | 国网甘肃省电力公司电力科学研究院 | 一种使用激光点云进行树障安全检测方法 |
CN112990235A (zh) * | 2021-05-06 | 2021-06-18 | 北京云圣智能科技有限责任公司 | 点云数据的处理方法、装置及电子设备 |
EP3886043A1 (en) * | 2020-03-25 | 2021-09-29 | INTEL Corporation | Point cloud based 3d semantic segmentation |
WO2022061945A1 (zh) * | 2020-09-27 | 2022-03-31 | 广东电网有限责任公司 | 一种电力线路安全距离检测方法 |
CN115222883A (zh) * | 2022-07-15 | 2022-10-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于地基LiDAR点云的电力杆塔重建方法 |
CN115761262A (zh) * | 2022-12-01 | 2023-03-07 | 国网福建省电力有限公司电力科学研究院 | 一种基于模板匹配的架空输电线路绝缘子识别方法 |
CN115841568A (zh) * | 2023-02-16 | 2023-03-24 | 北京华科智行科技有限公司 | 一种基于台账数据的输电杆塔绝缘子重建的方法 |
-
2023
- 2023-04-24 CN CN202310445072.6A patent/CN116630361B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909582A (zh) * | 2017-11-07 | 2018-04-13 | 国网甘肃省电力公司电力科学研究院 | 一种机载LiDAR塔头电力线自动检测分割方法 |
CN108037514A (zh) * | 2017-11-07 | 2018-05-15 | 国网甘肃省电力公司电力科学研究院 | 一种使用激光点云进行树障安全检测方法 |
EP3886043A1 (en) * | 2020-03-25 | 2021-09-29 | INTEL Corporation | Point cloud based 3d semantic segmentation |
WO2022061945A1 (zh) * | 2020-09-27 | 2022-03-31 | 广东电网有限责任公司 | 一种电力线路安全距离检测方法 |
CN112990235A (zh) * | 2021-05-06 | 2021-06-18 | 北京云圣智能科技有限责任公司 | 点云数据的处理方法、装置及电子设备 |
CN115222883A (zh) * | 2022-07-15 | 2022-10-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于地基LiDAR点云的电力杆塔重建方法 |
CN115761262A (zh) * | 2022-12-01 | 2023-03-07 | 国网福建省电力有限公司电力科学研究院 | 一种基于模板匹配的架空输电线路绝缘子识别方法 |
CN115841568A (zh) * | 2023-02-16 | 2023-03-24 | 北京华科智行科技有限公司 | 一种基于台账数据的输电杆塔绝缘子重建的方法 |
Non-Patent Citations (1)
Title |
---|
《基于改进 PointNet++的电力杆塔绝缘子分割方法》;胡益民;《长江信息通信》;第180-184页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630361A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229550B (zh) | 一种基于多粒度级联森林网络的云图分类方法 | |
CN108648256B (zh) | 一种基于超维的灰度岩心三维重建方法 | |
CN103456192A (zh) | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 | |
CN109259764B (zh) | 一种确定动态脑功能网络阈值方法 | |
CN111507415A (zh) | 一种基于分布密度的多源大气数据聚类方法 | |
CN107194415A (zh) | 一种基于拉普拉斯中心性的峰值聚类方法 | |
CN107516108A (zh) | 分类器创建方法及变压器局部放电故障模式识别方法 | |
CN115631793B (zh) | 一种单细胞转录组Pseudo-Cell分析方法、模型及存储介质和设备 | |
CN112749633A (zh) | 分离与重构的个体辐射源识别方法 | |
CN116630361B (zh) | 一种基于Lidar点云的输电杆塔与绝缘子模型自动分割方法 | |
CN112288714A (zh) | 基于深度学习的硬件木马检测方法 | |
CN112215199A (zh) | 基于多感受野与密集特征聚合网络的sar图像舰船检测方法 | |
CN114359167B (zh) | 一种复杂场景下基于轻量化YOLOv4的绝缘子缺陷检测方法 | |
CN105354591B (zh) | 基于高阶类别相关先验知识的三维室外场景语义分割系统 | |
CN117935041A (zh) | 基于激光点云聚类分离的分裂子导线提取及建模方法 | |
CN110009035B (zh) | 一种基于图像匹配的测风站群空间聚类方法 | |
CN116628626A (zh) | 基于特征交叉融合的短时强降水分型方法 | |
CN111414937A (zh) | 物联网场景下提升多分支预测单模型鲁棒性的训练方法 | |
CN111414941B (zh) | 一种基于特征复用的点云卷积神经网络 | |
CN113537053B (zh) | 一种构建民航领域射频指纹识别模型的方法 | |
CN115203940A (zh) | 用于大电网暂态仿真的自适应分网方法 | |
CN109522575A (zh) | 交通网络仿真系统 | |
CN109389672B (zh) | 一种反光工件点云的处理方法 | |
CN111914923B (zh) | 一种基于聚类特征提取的目标分布式识别方法 | |
CN111818404B (zh) | 一种无源光网络用户端反射信号离散化链路状态判别方法 |
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 |