CN116805357A - 一种基于点云的高压输电线三维模型构建方法 - Google Patents
一种基于点云的高压输电线三维模型构建方法 Download PDFInfo
- Publication number
- CN116805357A CN116805357A CN202111485553.7A CN202111485553A CN116805357A CN 116805357 A CN116805357 A CN 116805357A CN 202111485553 A CN202111485553 A CN 202111485553A CN 116805357 A CN116805357 A CN 116805357A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- line
- data
- cluster
- 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 12
- 238000010276 construction Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000005070 sampling Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241001442234 Cosa Species 0.000 description 1
- 244000089409 Erythrina poeppigiana Species 0.000 description 1
- 235000009776 Rathbunia alamosensis Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供基于点云的高压输电线三维模型构建方法，能够电力线点云数据的自动识别和电力线特征的三维重建。是按照下述步骤进行的：S1.截取电力廊道点云；S2.特征计算；S3.电力线点云初选；S4.点云空间聚类，S5.点云分段直线检测，经过空间聚类后，获得各聚类结点数据，并对各聚类结点的数据进行重建；S6.电力多段线生成，对所生成的各分段直线特征，进行顺序连接，即可生成三维电力线多段线。本发明能够快速识别电力线场景中的线性特征，极大的排除参与电力线识别的数据，使得目标识别与重建锁定于一个相对较小的范围，因此其具有较高的计算效率。
Description
技术领域
本发明涉及一种高压输电线的自动检测与三维模型构建方法，尤其适用于利用无人机巡线获取的电力线点云数据。
背景技术
输电线路为工业、农业、居民生活等方面用电提供保障。在线路竣工和日常运营管理阶段，都要对电路进行全面巡检。传统人工巡检线路是我国当前电力巡线的主要方式，但是，存在如下几个方面的问题：
(1)工作强度大、效率低、条件艰苦；
(2)无法大区域、规模化作业，人力成本高；
(3)无法全天候作业；
(4)无法进行空间分析。
随着时代的发展，无人机技术获得了巨大的发展，利用消费级无人机即可实现电力线的野外自动化巡线。无人机可携带的传感器多种多样，其中机载激光雷达具有主动性、全天候、效率高、精度高等特点，是当前电力巡线的重要方式。在获取的海量机载激光点云数据中，进行电力线特征自动检测和三维重建是提高作业效率的必要环节。
本发明基于无人机获取的电力线三维点云信息，研究电力线三维特征重建的方法，为高压输电线路电力线特征检测提供技术支持。
发明内容
本发明的目的在于提供基于点云的高压输电线三维模型构建方法，能够电力线点云数据的自动识别和电力线特征的三维重建。
为实现上述目的，本发明提供如下技术方案：一种基于点云的高压输电线三维模型构建方法，是按照下述步骤进行的：
S1.截取电力廊道点云，电力廊道路线数据为二维数据，廊道点云数据截取的计算均在o-xy面上进行；
S2.特征计算；
2.1三维格网划分，格网划分后，将点云数据根据其空间范围，将其点号，分布存储于各格网单元内部的动态数组中，以便于邻域搜索，格网单元内没有点的称为是空格网单元；
2.2二级线性特征计算，先计算格网单元中的线性特征，再计算线性格网单元内部点云数据的线性特征；
S3.电力线点云初选，根据S2中计算得到的线性特征值，并将其赋给各点作为尺度特征值，根据特征分布统计直方图，初选电力线点云数据集；
S4.点云空间聚类，
S5.点云分段直线检测，经过空间聚类后，获得各聚类结点数据，并对各聚类结点的数据进行重建；
S6.电力多段线生成，对所生成的各分段直线特征，进行顺序连接，即可生成三维电力线多段线，(1)根据空间范围，判断各直线段所属的电力廊道线，并分别对各端点计算相对于廊道起点的矢量长度；(2)对各直线段按矢量长度进行排序；(3)对相邻直线的进行链接；(4)生成电力多段线。
优选的，所述S4点云空间聚类方式是使用空间三维格网的方法对空间点集进行聚类，具体如下：
(1)标识所有格网点为待分类点；
(2)在栅格结构中选取一待分类格网点celli,j,k，由该点创建聚类结点 clusterm，改变该点标识为已分类点；
(3)搜索该格网点的二十六邻域中待分类格网点pn，并加入聚类结点 clusterm，并改变其分类标识；
(4)对clusterm中所有成员执行步骤(3)，对clusterm扩展，直到 clusterm成员不再增加，则聚类集合Cluster＝Cluster∪clusterm；
(5)对当前所有待分类点执行步骤(2)至步骤(4)，直到待分类格网单元数目为0。
进一步的，所述S 5点云直线检测是对聚类结点的数据进行分段直线检测：
(1)点云分段
点云分段分为两个部分：点云分档和档内分段；
点云分档：将S4中聚类后各结点内的点云数据，确定各聚类结点所属的电力廊道的档；
档内分段：一档电力路线一般比较长，各档内分别按照相应长度对各档所属的聚类结点的点云数据进行距离划分，
(2)直线模型检测
对划分后的点云数据，利用随机采样一致性的方法进行直线特征检测，检测中的具体参数和模型如下公式：
直线方程：
直线模型构建：任意两个空间三维点p1和p2确定直线方向dir和所经过的点 p0；
直线模型打分：样本点p0到直线模型的距离满足下式，可视为内点，模型的内点数既为模型的打分
迭代次数：随机抽取样本点构建直线模型的次数T满足以下公式
本发明所设计的方法，能够快速识别电力线场景中的线性特征，极大的排除参与电力线识别的数据，使得目标识别与重建锁定于一个相对较小的范围，因此其具有较高的计算效率。该方法又具有较好的准确性和稳健性，是未来电力线特征提取与重建的重要趋势。
附图说明
图1为本发明技术流程图。
图2为电力廊道点云截取示意图
图3为原始点云数据可视化显示图。
图4为电力廊道点云截取对比图。
图5为三维格网构建图(隐去空的格网单元)。
图6为尺度特征的RGB映射效果图。
图7为线性特征分布图。
图8为电力线点云初选效果。
图9为空间聚类后的点云。
图10为分段随机采样一致性三维直线特征提取。
图11为本发明重建的三维电力线特征。
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。
一种基于点云的高压输电线三维模型构建方法，是按照下述步骤进行的：
S1.截取电力廊道点云，电力廊道路线数据为二维数据，廊道点云数据截取的计算均在o-xy面上进行；
所谓电力廊道点云截取，就是根据电力廊道线路和宽度截取点云数据，以减少计算量，提高计算效率。该项工作中所需的电力廊道路线可由电力线路管理部门所提供，或者人机交互自行大致绘制，偏差不是很大即可。
在电力廊道路线中，每两个相邻点构建一个矩形，按照空间位置关系计算矩形内的点云，即可截取廊道点云，如图2所示，中心部位的多段线即为廊道线路多段线，左、右两个矩形方框即为相邻多段线端点构建的矩形。
直接利用多段线端点构建矩形，在多段线转点区域容易形成数据空洞 (如图2中a，b，c，d，e，f区域)。为了避免这种情况的发生，特在端点矩形的基础上扩大矩形的宽度，即在矩形左下角点、右上角点上直接减去和加上廊道宽度，也就是扩大各段矩形的大小，这样虽然加大了各线段所对应的廊道点云数据，但是后续可以依据点到廊道多段线距离进行约束，从而确定最终廊道电力点云数据(图中中心部位多段线到两侧的直线段的距离即为电力廊道宽度L)。
假设廊道多段线的扩展矩形所形成的矩形集合为R＝{ri|0＜i＜n}，对于点云中任意一点p，根据扩展矩形的左下角和右上角的二维空间坐标确定其所属的扩展矩形ri，如果该扩展矩形所对应的线段起点坐标为ps，终点坐标为pe，则该方向矢量则点pt到直线的垂直距离dv可表达为式(4)。
dv＝s×sina (4)
其中s为pt点到ps点的距离，s＝|p-ps|；a为p与ps连线和直线段方向的夹角，另外，dh＝s×cosa不能大于该档线段长度|pe-ps|。
电力廊道路线数据为二维数据，廊道点云数据截取的计算均在o-xy面上进行。
S2.特征计算；
2.1三维格网划分，格网划分后，将点云数据根据其空间范围，将其点号，分布存储于各格网单元内部的动态数组中，以便于邻域搜索，格网单元内没有点的称为是空格网单元；
三维格网划分，有两个作用，一个是加速邻域搜索计算，另外一个是检测线状格网单元，加速电力线特征检测。具体做法为：统计待计算点云数据的空间范围，也就是统计x,y,z值的最大xmax,ymax,zmax、最小值xmin,ymin,zmin，按照平距点间距的10～20倍确定格网大小cellsize，格网行列信息如下公式(5)所示。
2.2二级线性特征计算，
所谓二级线性特征计算，就是分别计算线性格网特征和线性点云特征。而线性特征计算，采用如下方法：
邻域搜索：搜索兴趣点搜索点xi周围半径R范围内的所有邻域点X，计算均值：
计算样本协方差：
特征分解：对协方差矩阵进行特征分解，获得特征值lmt1>lmt2>lmt3，对于面类对象，lmt1，lmt2比较接近；点类对象，lmt1，lmt2，lmt3都比较接近；线类对象，lmt1远大于lmt2和lmt3，因此可选择
作为线性特征进行特性选择。
二级线性特征计算是先计算格网单元中的线性特征，再计算线性格网单元内部点云数据的线性特征；
1)格网特征计算
统计格网单元中的非空点，以非空格网单元的行、列、高信息创建新的点云，并按公式(8)计算其线性特征，获得线状格网单元。
2)点云特征计算
按公式(8)计算线状格网单元内点云的线性特征值。
进行二级特征计算，可以快速检索到线状特征的点云数据。
S3.电力线点云初选，根据S2中计算得到的线性特征值，并将其赋给各点作为尺度特征值，根据特征分布统计直方图，初选电力线点云数据集；
S4.点云空间聚类，
S5.点云分段直线检测，经过空间聚类后，获得各聚类结点数据，并对各聚类结点的数据进行重建；
S6.电力多段线生成，对所生成的各分段直线特征，进行顺序连接，即可生成三维电力线多段线，(1)根据空间范围，判断各直线段所属的电力廊道线，并分别对各端点计算相对于廊道起点的矢量长度；(2)对各直线段按矢量长度进行排序；(3)对相邻直线的进行链接；(4)生成电力多段线。
其中，所述S4点云空间聚类方式是使用空间三维格网的方法对空间点集进行聚类，具体如下：
(1)标识所有格网点为待分类点；
(2)在栅格结构中选取一待分类格网点celli,j,k，由该点创建聚类结点 clusterm，改变该点标识为已分类点；
(3)搜索该格网点的二十六邻域中待分类格网点celln，并加入聚类结点clusterm，并改变其分类标识；
(4)对clusterm中所有成员执行步骤(3)，对clusterm扩展，直到 clusterm成员不再增加。则聚类集合Cluster＝Cluster∪clusterm；
(5)对当前所有待分类点执行步骤(2)至步骤(4)，直到待分类格网单元数目为0。
所述S5点云直线检测是对聚类结点的数据进行分段直线检测：
(1)点云分段
点云分段分为两个部分：点云分档和档内分段。
点云分档：将S4中聚类后各结点内的点云数据，确定各聚类结点所属的电力廊道的档；
档内分段：一档电力路线一般比较长，各档内分别按照相应长度对各档所属的聚类结点的点云数据进行距离划分。
(2)直线模型检测
对划分后的点云数据，利用随机采样一致性的方法进行直线特征检测，检测中的具体参数和模型如下公式：
直线方程：
直线模型构建：任意两个空间三维点p1和p2确定直线方向dir和所经过的点 p0。
直线模型打分：样本点p0到直线模型的距离满足下式，可视为内点，模型的内点数既为模型的打分。
迭代次数：随机抽取样本点构建直线模型的次数T满足以下公式。
考虑噪声的存在，对检测到的直线模型，做两个方面的约束：
1)一致集数目约束。约束其一致集数目，小于一定数目则不做后续步骤的运算。
2)方向约束。计算检测到的直线与所对应的电力廊道线段之间的水平面夹角，大于一定角度则不参与后续运算。
以下结合具体实施方式介绍本发明的应用方法。
(1)数据采集
利用DJI M300RTK型无人机挂载其激光负载L1，对某地电力线进行了数据采集。经过预处理后，获得的多个las点云文件，点云数据文件大小约为 1.63G，共62,901,544个点，点云数据可视化效果如图3所示。图中黑白区域为点云按高程进行黑白赋色后效果图。
(2)廊道点云数据截取
利用所提供的电力廊道多段线(如图3所示的两端部的多段线)和电力点云数据，设定一定的宽度，按照本发明的方法对电力点云进行廊道截取。截取效果如图4所示：中间多线段为电力廊道多段线，两边的线段为廊道多段线按照设定的宽度左右偏移后的结果，左图为原始扫描点云数据、右图为截取后的廊道点云数据。
(3)三维格网构建
为了方便点云特征计算，特对截取出来的电力廊道点云数据进行三维格网构建，如图5所示。
(2)特征值计算与统计
根据本发明的方法，计算各点的线性特征值，并以此为尺度值，映射至 RGB颜色空间，渲染效果如图6所示。从图中可以看到，电力线特此非常明显(图6中颜色比较深的区域)，与地物及周围颜色具有明显的色差。
(3)电力线点云初选
为了更好的识别电力线特征，我们对计算到的线性特征值进行了统计，绘制了线性特征分布直方图，如图7所示。该直方图中，横轴表示线性特征值的区间分布范围，纵轴表示各区间所出现的点数。
从该直方图中可以看出，电力线数据和其它点云信息具有显著的尺度特征的差异，可据此直方图选择阈值对点云数据过滤，选择0～0.08作为阈值范围，获得初选电力线点云数据(如图8所示)。
(4)点云空间聚类结果
从图8可以看出，所选的阈值范围，可以很好的将电力线点云数据从原始数据集中提取出来。但是仍有少量离散随机的噪声点存在，为了更好的提取电力线数据，特对电力线点云初选数据进行空间聚类，聚类效果如图9所示(图中不同的深浅代表不同的聚类集合)。
(5)电力线分段检测结果
在各聚类结点的基础上，对点云按距离进行分段，然后采用随机采样一致性的方法进行三维直线特征分段检测，检测效果如图10所示。
(6)电力线三维重建结果
最后对所生成的各分段直线特征进行顺序连接，生成三维电力线多段线，如图11所示。
本发明实现了一种基于点云的电力线特征自动识别与三维重建的方法，具有以下优点：
(1)基于线性特征的电力线特征快速识别。在快速检测方面，采用以下几个方面：1)廊道点云截取。根据电力廊道路线快速截取廊道点云数据，极大减少参与检测的数据量；2)三维格网索引的构建；3)线性特征计算。在局部邻域范围内，计算格网单元和点云数据的线性特征值，根据该特征值，快速识别电力线点云数据。利用线性特征识别电力线点云，不需要滤波分类等操作，这些都能大大提高计算效率，较好适用于工程应用。
(2)电力多段线分段自动重建方法。用于受距离、地球引力等因素影响，电力线在空间中呈现抛物线状，直接进行抛物线的拟合，存在计算量大、不稳健、易受噪声干扰等缺点，对电力线点云分段提取直线段特征，进而顺序连接成多段线，在现实中具有较好的可操作性和稳健性，能够较好的应用于实际工程中。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (3)
1.一种基于点云的高压输电线三维模型构建方法，其特征在于是按照下述步骤进行的：
S1.截取电力廊道点云，电力廊道路线数据为二维数据，廊道点云数据截取的计算均在o-xy面上进行；
S2.特征计算；
2.1三维格网划分，格网划分后，将点云数据根据其空间范围，将其点号，分布存储于各格网单元内部的动态数组中，以便于邻域搜索，格网单元内没有点的称为是空格网单元；
2.2二级线性特征计算，先计算格网单元中的线性特征，再计算线性格网单元内部点云数据的线性特征；
S3.电力线点云初选，根据S2中计算得到的线性特征值，并将其赋给各点作为尺度特征值，根据特征分布统计直方图，初选电力线点云数据集；
S4.点云空间聚类，
S5.点云分段直线检测，经过空间聚类后，获得各聚类结点数据，并对各聚类结点的数据进行重建；
S6.电力多段线生成，对所生成的各分段直线特征，进行顺序连接，即可生成三维电力线多段线，(1)根据空间范围，判断各直线段所属的电力廊道线，并分别对各端点计算相对于廊道起点的矢量长度；(2)对各直线段按矢量长度进行排序；(3)对相邻直线的进行链接；(4)生成电力多段线。
2.根据权利要求1所述的基于点云的高压输电线三维模型构建方法，其特征在于所述S4点云空间聚类方式是使用空间三维格网的方法对空间点集进行聚类，具体如下：
(1)标识所有格网点为待分类点；
(2)在栅格结构中选取一待分类格网点celli,j,k，由该点创建聚类结点clusterm，改变该点标识为已分类点；
(3)搜索该格网点的二十六邻域中待分类格网点celln，并加入聚类结点clusterm，并改变其分类标识；
(4)对clusterm中所有成员执行步骤(3)，对clusterm扩展，直到clusterm成员不再增加，则聚类集合Cluster＝Cluster∪clusterm；
(5)对当前所有待分类点执行步骤(2)至步骤(4)，直到待分类格网单元数目为0。
3.根据权利要求1所述的基于点云的高压输电线三维模型构建方法，所述S5点云直线检测是对聚类结点的数据进行分段直线检测：
(1)点云分段
点云分段分为两个部分：点云分档和档内分段；
点云分档：将S4中聚类后各结点内的点云数据，确定各聚类结点所属的电力廊道的档；
档内分段：一档电力路线一般比较长，各档内分别按照相应长度对各档所属的聚类结点的点云数据进行距离划分；
(2)直线模型检测
对划分后的点云数据，利用随机采样一致性的方法进行直线特征检测，检测中的具体参数和模型如下公式：
直线方程：
直线模型构建：任意两个空间三维点p1和p2确定直线方向dir和所经过的点p0；
直线模型打分：样本点p0到直线模型的距离满足下式，可视为内点，模型的内点数既为模型的打分
迭代次数：随机抽取样本点构建直线模型的次数T满足以下公式
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485553.7A CN116805357A (zh) | 2021-12-07 | 2021-12-07 | 一种基于点云的高压输电线三维模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111485553.7A CN116805357A (zh) | 2021-12-07 | 2021-12-07 | 一种基于点云的高压输电线三维模型构建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116805357A true CN116805357A (zh) | 2023-09-26 |
Family
ID=88078354
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111485553.7A Pending CN116805357A (zh) | 2021-12-07 | 2021-12-07 | 一种基于点云的高压输电线三维模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805357A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095318A (zh) * | 2023-10-20 | 2023-11-21 | 山东科技大学 | 联合输电走向和塔架位置的高压输电线路提取方法 |
-
2021
- 2021-12-07 CN CN202111485553.7A patent/CN116805357A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117095318A (zh) * | 2023-10-20 | 2023-11-21 | 山东科技大学 | 联合输电走向和塔架位置的高压输电线路提取方法 |
| CN117095318B (zh) * | 2023-10-20 | 2024-03-19 | 山东科技大学 | 联合输电走向和塔架位置的高压输电线路提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116310192B (zh) | 一种基于点云的城市级建筑物三维模型单体重建方法 | |
| CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| Lu et al. | Pairwise linkage for point cloud segmentation | |
| Zhou et al. | Automated residential building detection from airborne LiDAR data with deep neural networks | |
| CN112070769B (zh) | 一种基于dbscan的分层点云分割方法 | |
| CN103632363B (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
| CN105740798B (zh) | 一种基于结构分析的点云场景物体识别方法 | |
| CN103294792B (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
| CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
| CN108629287A (zh) | 一种遥感影像地物分类方法 | |
| CN110675441A (zh) | 基于激光点云的输电线路导地线建模提取方法 | |
| CN104866840A (zh) | 一种从机载激光点云数据识别架空电力线的方法 | |
| CN115018982B (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
| CN112116612A (zh) | 基于Mask R-CNN的行道树图像实例分割方法 | |
| CN115761382A (zh) | 一种基于随机森林的als点云分类方法 | |
| CN116805357A (zh) | 一种基于点云的高压输电线三维模型构建方法 | |
| CN115061150A (zh) | 一种基于激光雷达点云数据伪波形特征处理的建筑物提取方法 | |
| CN112906627B (zh) | 一种基于语义分割的青花椒识别方法 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN107564024B (zh) | 基于单侧聚集线段的sar图像聚集区域提取方法 | |
| CN107993242B (zh) | 基于机载LiDAR点云数据缺失区域边界提取方法 | |
| CN113420670A (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
| CN104951752A (zh) | 一种从机载激光点云数据提取房屋的方法 | |
| CN110853058B (zh) | 基于视觉显著性检测的高分辨率遥感影像道路提取方法 | |
| CN116452604B (zh) | 一种复杂变电站场景分割方法、设备及存储介质 |
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 |