CN116977586A - 一种基于电网gis平台的实景三维建模方法 - Google Patents
一种基于电网gis平台的实景三维建模方法 Download PDFInfo
- Publication number
- CN116977586A CN116977586A CN202310968089.XA CN202310968089A CN116977586A CN 116977586 A CN116977586 A CN 116977586A CN 202310968089 A CN202310968089 A CN 202310968089A CN 116977586 A CN116977586 A CN 116977586A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- technology
- data
- live
- action
- 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
- 238000000034 method Methods 0.000 title claims abstract description 129
- 238000005516 engineering process Methods 0.000 claims abstract description 209
- 238000005259 measurement Methods 0.000 claims abstract description 52
- 230000005540 biological transmission Effects 0.000 claims abstract description 47
- 238000010276 construction Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000003384 imaging method Methods 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000005520 cutting process Methods 0.000 claims description 39
- 238000012545 processing Methods 0.000 claims description 37
- 238000005457 optimization Methods 0.000 claims description 23
- 238000007906 compression Methods 0.000 claims description 18
- 230000006835 compression Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 230000000007 visual effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000003993 interaction Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000013507 mapping Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000009877 rendering Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000012552 review Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 5
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013144 data compression Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013137 model compression technique Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012827 research and development Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Processing Or Creating Images (AREA)
Abstract
本发明涉及实景建模技术领域,且公开了一种基于电网GI S平台的实景三维建模方法,所述该方法技术步骤如下:S1、数据采集:使用无人机搭载倾斜摄影相机、无人机搭载激光扫描仪,采集交叉跨越输电线路的实景航拍影像和三维激光雷达数据。该基于电网G IS平台的实景三维建模方法,通过针对施工过程进行真实立体三维复现与精确测量分析需求,本项目通过利用无人机倾斜摄影和激光雷达三维扫描技术在数据采集中的互补性进行数据采集和实景三维融合建模等方法来实现,基于无人机倾斜摄影与激光点云数据的实景三维融合建模技术是其中的关键技术。
Description
技术领域
本发明涉及实景建模技术领域,具体为一种基于电网GIS平台的实景三维建模方法。
背景技术
线路工程密集通道“三跨”因其面临复杂的施工环境及频发的安全隐患而备受关注。目前,“三跨”高风险作业施工方案的编、审、批,一般通过书面文字和图片的形式来进行展现和流转,存在施工方案呈现不够直观、风险无法精确评估、施工隐患难以事前发现等问题。依托电网基建的数字化管理体系,可以做到线路工程施工风险的事中控制、事后分析,降低风险事故及偏差的发生概率,但在利用数字化管理手段做到风险事前预测,辅助施工决策,做到施工的防患于未然等方面仍有不足,因此本发明提供了一种基于电网GIS平台的实景三维建模方法。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于电网GIS平台的实景三维建模方法,解决了上述背景技术中提出的问题。
(二)技术方案
为实现以上目的,本发明提供如下技术方案:一种基于电网GIS平台的实景三维建模方法,所述该方法技术步骤如下:
S1、数据采集:使用无人机搭载倾斜摄影相机、无人机搭载激光扫描仪,采集交叉跨越输电线路的实景航拍影像和三维激光雷达数据;
S2、三维建模:通过线路数据处理、多源数据融合配准、三维建模、点云分类识别(典型部件如杆塔、电力线)、单体化模型(杆塔、电力线)生成、模型整饰与人工编辑等步骤,建立交叉跨越输电线路的三维模型数据成果;
S3、施工过程三维可视化管理:基于实景三维成像、实景三维数据轻量化等技术,将交叉跨越输电线路的实景模型在三维地理场景中展示,实现交叉跨越输电线路的施工过程三维可视化管理;
S4、针对性研发与实现“三跨”线路的相应测量分析功能模块:聚焦线路的精确量测与通道分析需求,进行针对性的功能研发,实现对交叉跨越输电线路的杆塔点位测量核验、电线安全距离量测校核等功能,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求。
优选的,所述该方法的实施方案:
(1)第一步:方案确认,梳理盱眙~秋藤、凤城~梅里、扬镇直流、田湾送出加强线路4个工程交叉跨越数量,明确需要采集的数据点和数据量,按跨越类型进行分类统计,应用实景三维技术开展数据采集,应用电网GIS平台进行数据核对与分析。
(2)第二步:现场实施,根据各工程进度实施情况,选择合适时间开展线路数据外业采集,通过线路数据处理、点云分类识别、生成单体化实景三维模型、模型整饰和数据可视化,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求。如:跨越架搭设后,可以通过数据采集和数据分析,校核跨越架与邻近带电体、跨越物净空距离,校核跨越架对跨越物的保护范围等。
(3)第三步:分析总结,结合工程实际应用情况,总结交叉跨越应用实景三维开展通道分析及推广的难点和痛点,扩大实景三维技术试点实施范围及试点工程范围,编制依托实景三维技术的相关产品的智慧工地及物联网示范工地建设实施方案。
优选的,S11、无人机倾斜摄影测量技术:无人机倾斜摄影技术是利用多旋翼无人机飞行平台搭载多角度可见光航摄仪及高精度POS装置,按照一定重叠度设置飞行航线及拍摄点位,对目标区域进行多角度拍摄,获得目标详细、准确的纹理信息及高精度无人机位置和姿态信息,利用自动空中三角测量及区域网平差等技术,对采集的影像数据进行高精度影像匹配,自动匹配出所有影像中同名点信息,并从影像中抽取更多的特征点构成目标密集点云,从而更精确表达目标细节信息;
无人机倾斜摄影测量技术可获取高质量、具有真实感纹理的倾斜数据,弥补了传统人工模型仿真度低的缺点,无人机倾斜摄影测量技术应用在变电站工程监测测量中具有测绘精度高、测绘效率高、时效性强等特点,大大缩短了输电线路等典型场景和目标三维数据采集与生产的人工及时间成本,推动了三维数据大范围推广应用,为部件级实景三维建设提供了丰富准确的数据基础;
利用倾斜影像获得的密集点云来构建表面模型是基于倾斜影像进行三维重建的核心之一,项目针对现行密集点云表面模型重建存在的建模效率低、表面选取不真实等问题,提出了一种基于图割算法的城市密集点云表面模型重建方法,利用该方法重建城市密集点云表面模型,首先通过预处理软件对无人机倾斜影像进行空中三角测量,并利用空中三角测量的解算结果生成密集点云;然后对密集点云添加相应的边,同时对三维点云根据距离进行选取合并;最后根据三维点云形成的四面体和三角面建立图割问题,并通过求解图割问题来求取最优的密集点云表面模型;
其中,图割算法是一种基于图论的能量优化算法,该方法将目标构成一幅网格图的形式,并建立相应的能量方程,运用求最大流\最小割的方式获取网格图的最优化分割来获取最优化结果,利用图割方法解决问题需将待分割的目标群体作为图割算法网格图的顶点,并将待分割的目标群体的相关关系作为图割算法网格图的边,由于图割问题存在目标和背景两种关系,因此除了待分割的目标群体外,还有代表目标的汇节点和代表背景的源节点,利用图中边集合的一个子集作为割集合,其代价就是边子集中所有元素的权值的和,割集合即指将该集合中所有边打断会导致图割网格图的分开,如果一个割集合的元素所有权值之和最小,那么这个集合就称为最小割,也即图割的结果,根据福特-富克森定理,网路的最大流max-flow等于最小割min-cut,因此maxflow/min-cut算法就可以用来获得s-t图的最小割;
重建方法是项目将密集点云表面模型重建问题转换为利用图割方法选取最优四面体问题,由于利用图割方法解决问题需要建立相应的图结构,因此项目将密集点云构成的四面体作为图的节点,四面体之间的相邻三角面作为图的边,除此之外,还需要给定相应的节点权值和边的权值,其中节点的权值为表面可见性Evis(S),边的权值为光泽一致性Ephoto(S)和表面平滑度Earea(S),建立能量函数方程
E(S)=Evis(S)+λphotoEphoto(S)+λareaEarea(S) (3-1),
式中,λphoto和λarea为相应的正权重,通过求解图的最小割来保证上述方程达到的最小值,进而选出最佳的表面四面体和对应的表面三角形,
重建过程中,要求表面可见性Evis(S),建小四面体时,每个顶点需要保留一些可见性信息,若该点是通过多次合并获取的,则该点至少保留两个原始点的可视性信息,这个信息决定了节点可视性,如果某个四面体的顶点属于最终表面,那么应该在它所来自的视图中是可见的,这种情况说明,当一个顶点到摄像机中心的射线与一个标记为内侧的四面体相交时,它们就会发生冲突,因此,用Evis(S)表示当一条光线从摄像机中心的射线穿过在表面的四面体时,穿入穿出时就会发生能量变化,但是,这样的能量项不适合图割算法,因为它需要图中两个以上节点之间的复杂交互,相反,射线从内部射到相机中心,经过若干个三角面片,穿出可视面片时,能量发生变化,相机中心发出的光线与小四面体上的三角面的交点到该三角面相对的顶点的距离的函数作为四面体权值,表面可见性为
式中,v为光线与重建三角面的交点;D(v)为交点到该三角面相对顶点距离的函数,
重建过程中,要求光泽一致性Ephoto(S),光泽一致性项Ephoto(S)是指给定表面S与所看到的不同输入图像的匹配程度,因此,表面光泽一致性项为
式中,ρ(T)是指每个三角形的可视信息量的多少,由3个顶点共有的可视信息给定;(T)为根据三角形面积给定的权值,重建过程中,要求表面平滑度Earea(S),通过减少单个三角形表面面积来改善表面平滑性,因此,表面平滑度能量为
在表面S上的三角形T,A(T)为根据三角形面积给定的权值,并通过A(T)给图中每一条边赋值。
优选的,S12、激光雷达三维扫描测量技术:激光雷达三维扫描技术是指利用激光雷达设备对目标进行扫描和测量,实现对目标三维形态的高精度测量和重建的一种技术,激光雷达三维扫描技术是实现三维成像和机器视觉等应用的重要手段之一,主要包括以下几个方面的理论:
激光雷达工作原理:激光雷达工作原理是指利用激光器发射激光束,对目标进行扫描和测量的一种原理,激光雷达工作原理需要考虑激光器的发射功率、波长、扫描方式等参数,以及激光束与目标的相互作用过程;
激光雷达数据处理:激光雷达数据处理是指对激光雷达采集的数据进行处理和分析,实现对目标三维形态的测量和重建的一种技术,激光雷达数据处理需要考虑数据采集、去噪、配准、拼接等问题,激光雷达数据处理需要通过精确的算法设计和实现,实现对目标三维形态的高精度测量和重建;
激光雷达扫描模式:激光雷达扫描模式是指激光雷达设备进行扫描和测量时采用的扫描模式,激光雷达扫描模式包括点云扫描、线扫描、面扫描等模式,不同的扫描模式适用于不同的应用场景,需要根据实际需求选择合适的扫描模式;
激光雷达应用:激光雷达应用是指将激光雷达三维扫描技术应用于实际的工程和科研领域,实现对目标三维形态的高精度测量和重建的一种应用,激光雷达应用包括机器视觉、三维成像、地形测量、建筑测量等领域,激光雷达应用需要通过精确的技术实现和应用场景设计,实现对目标三维形态的高精度测量和重建;
总之,激光雷达三维扫描技术是通过激光雷达工作原理、激光雷达数据处理、激光雷达扫描模式和激光雷达应用等方面的理论和技术支持,实现对目标三维形态的高精度测量和重建,基于激光雷达三维扫描技术获取点云数据实现三维重建可直接提取目标高精度、高分辨率、高密度、海量三维信息,可弥补无人机空中飞行及其他地物遮挡导致的地表部分区域点云数据缺失、细部刻画能力不足等问题,是对传统测绘技术在高程数据获取及高精度数据处理方面的重要技术补充。
优选的,S13、无人机倾斜摄影与激光雷达三维扫描数据融合技术:
无人机倾斜影像密集匹配后的点云与激光雷达点云数据融合处理的基础是空间坐标系的一致性,本项目中以WGS84坐标系为基础,通过无人机搭载的高精度POS定位数据及同名点信息实现二者数据粗配准,再基于改进的ICP配准方法实现数据的精配准和高精度融合;
假设无人机倾斜摄影坐标系中某点坐标为(x,y,z),其在目标坐标系下坐标为(X,Y,Z),当两坐标系不存在畸变时,两坐标系间仅存在平移和旋转变换,同名点粗配准数学模型可表示为:
其中,为点云旋转矩阵,(Δx,Δy,Δz)为点云平移参数;ICP配准算法的本质是最小二乘原理,针对给定的两个对应点集,在进行点云配准时,基于距离迭代选择对应关系点对,计算最优刚体变换,直至满足正确配准的收敛精度要求,误差函数可表示为:
其中,源点云集合为P={pi|i=1,2,…},目标点云集合Q={q_i│i=1,2,…}传统ICP算法对待配准点云间相对位置有较高要求,且迭代过程计算量较大,本项目优化点云重采样方法,实现了保留点云重要特征条件下的数据精简,有效提升了无人机倾斜摄影与激光雷达点云数据配准效率,为变电站实景三维重建及施工过程监测提供了重要的基础数据支撑。
优选的,基于深度学习的输电线路典型部件自动识别技术:
输电线路施工区域包括杆塔、电力线等典型部件,各部件自动检测识别与建模是输电线路施工区域实景三维重建的基础,目前数据驱动的建模方法难以有效提取各部件的属性信息实现部件级实景三维重建,而基于点云的三维深度学习模型为变电站内各类部件的自动检测及识别提供了全新解决方案,本项目以无人机倾斜摄影密集匹配和激光雷达扫描技术融合后的点云数据为基础,引入并改进了T-Net卷积神经网络,将各点三维坐标信息、强度信息、法向量信息、纹理信息等高维特征作为样本输入特征提取模块,通过卷积核最大池化等处理完成网络训练,实现各部件点云高精度、自动检测识别,有效提高了变电站施工过程监测效率。
优选的,实景三维成像技术:
实景三维成像是指通过计算机技术将实际场景数字化,生成具有三维空间信息的虚拟场景,并通过显示设备将其呈现给用户的一种技术,实景三维成像技术是由数字成像技术、三维建模技术、计算机图形学技术和虚拟现实技术等多种技术相结合而成的;
实景三维成像技术的基本原理是通过激光扫描、摄影测量、雷达测量等手段获取目标场景的空间信息,并将其转化为数字化的三维模型,然后,通过计算机图形学技术对三维模型进行处理和优化,生成具有真实感和交互性的虚拟场景,最后,通过显示设备将虚拟场景呈现给用户;
数字成像技术是实景三维成像的基础,主要包括激光扫描、摄影测量、雷达测量等手段,其中,激光扫描技术是目前应用最为广泛的数字成像技术之一,它可以通过激光束扫描目标场景,获取点云数据,再通过点云数据生成三维模型;
三维建模技术是三维建模技术是将数字化的点云数据或二维图像转化为三维模型的一种技术,三维建模技术主要包括基于点云的三维建模技术和基于图像的三维建模技术,其中,基于点云的三维建模技术是将激光扫描或雷达测量等手段获取的点云数据转化为三维模型,而基于图像的三维建模技术则是将摄影测量等手段获取的二维图像转化为三维模型;
计算机图形学技术是是实现实景三维成像的关键技术之一,它主要包括三维建模、渲染、动画和交互等方面的技术,其中,三维建模技术是将数字化的三维模型进行处理和优化,使其具有真实感和交互性;渲染技术是将三维模型转化为二维图像的过程,使其具有真实感和良好的视觉效果;动画技术是将三维模型进行动态演示的一种技术;交互技术是实现用户与虚拟场景进行交互的一种技术;
输电线路实景三维成像效果:
总之,实景三维成像技术是一种三维虚拟展示技术,它是对人类生产、生活和生态空间进行真实、立体、时序化反映和表达的数字虚拟空间。
优选的,实景三维数据轻量化技术:
实景三维数据轻量化技术是指通过压缩、简化和优化三维模型数据,减少其存储空间和计算资源的占用,提高数据传输和呈现的效率和速度的一种技术,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠;
实景三维数据轻量化技术的基本原理是通过对三维模型数据进行压缩、简化和优化,减少其存储空间和计算资源的占用,是由三维模型压缩技术、三维模型简化技术、三维模型优化技术、网格压缩技术等多种技术相结合而成的;
三维模型压缩技术是将三维模型数据进行压缩的一种技术。三维模型数据压缩可以通过去除重复数据、压缩冗余信息、使用无损压缩算法等手段来实现,三维模型压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
三维模型简化技术是将三维模型数据进行简化的一种技术。三维模型简化可以通过去除细节、合并顶点、减少面数等手段来实现,三维模型简化技术可以减少三维模型数据的存储空间和计算资源的占用,提高数据的传输和呈现效率;
三维模型优化技术是将三维模型数据进行优化的一种技术。三维模型优化可以通过优化网格结构、减少不必要的属性、优化纹理等手段来实现,。三维模型优化技术可以提高三维模型数据的质量和性能,使得数据更加适合于实时渲染和交互操作;
网格压缩技术是对三维模型的网格数据进行压缩的一种技术,网格压缩技术可以通过去除冗余信息、使用无损压缩算法等手段来实现,网格压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
总之,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠。
(三)有益效果
与现有技术相比,本发明提供了一种基于电网GIS平台的实景三维建模方法,具备以下有益效果:
该基于电网GIS平台的实景三维建模方法,通过针对施工过程进行真实立体三维复现与精确测量分析需求,本项目通过利用无人机倾斜摄影和激光雷达三维扫描技术在数据采集中的互补性进行数据采集和实景三维融合建模等方法来实现,基于无人机倾斜摄影与激光点云数据的实景三维融合建模技术是其中的关键技术,无人机倾斜摄影数据和激光点云数据的精度不同,如何将两种数据进行有效融合,保证建模精度是一个难点;数据处理量大,如何有效处理数据,提高数据处理效率是一个难点;在建模过程中,如何有效处理杆塔、电力线等复杂物体的模型,保证建模精度是一个难点;如何处理水面空洞、周边建筑物、树木等物体的遮挡问题,保证建模精度和模型的完整性也是一个难点;我们的具体解决方案是基于高精度POS定位数据及ICP匹配优化算法实现倾斜摄影与激光雷达等多源数据的精确配准与融合,基于深度学习算法进行输电线路典型部件(杆塔、电力线)的自动识别,基于空洞修补、模型整饰等技术解决水面纹理特征不足、周边建筑物、树木等物体的遮挡问题。此项关键技术已经在之前的输电线工程中通过了验证与测试。
附图说明
图1为本发明提出的一种基于电网GIS平台的实景三维建模方法项目技术路线图;
图2为本发明提出的一种基于电网GIS平台的实景三维建模方法五目摄像头的无人机倾斜摄影的图像获取方式示意图。
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。
请参阅图1-2,本发明提供一种技术方案:所述该方法技术步骤如下:
S1、数据采集:使用无人机搭载倾斜摄影相机、无人机搭载激光扫描仪,采集交叉跨越输电线路的实景航拍影像和三维激光雷达数据;
S2、三维建模:通过线路数据处理、多源数据融合配准、三维建模、点云分类识别(典型部件如杆塔、电力线)、单体化模型(杆塔、电力线)生成、模型整饰与人工编辑等步骤,建立交叉跨越输电线路的三维模型数据成果;
S3、施工过程三维可视化管理:基于实景三维成像、实景三维数据轻量化等技术,将交叉跨越输电线路的实景模型在三维地理场景中展示,实现交叉跨越输电线路的施工过程三维可视化管理;
S4、针对性研发与实现“三跨”线路的相应测量分析功能模块:聚焦线路的精确量测与通道分析需求,进行针对性的功能研发,实现对交叉跨越输电线路的杆塔点位测量核验、电线安全距离量测校核等功能,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求;
所述该方法的实施方案:
(1)第一步:方案确认,梳理盱眙~秋藤、凤城~梅里、扬镇直流、田湾送出加强线路4个工程交叉跨越数量,明确需要采集的数据点和数据量,按跨越类型进行分类统计,应用实景三维技术开展数据采集,应用电网GIS平台进行数据核对与分析。
(2)第二步:现场实施,根据各工程进度实施情况,选择合适时间开展线路数据外业采集,通过线路数据处理、点云分类识别、生成单体化实景三维模型、模型整饰和数据可视化,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求。如:跨越架搭设后,可以通过数据采集和数据分析,校核跨越架与邻近带电体、跨越物净空距离,校核跨越架对跨越物的保护范围等。
(3)第三步:分析总结,结合工程实际应用情况,总结交叉跨越应用实景三维开展通道分析及推广的难点和痛点,扩大实景三维技术试点实施范围及试点工程范围,编制依托实景三维技术的相关产品的智慧工地及物联网示范工地建设实施方案;
S11、无人机倾斜摄影测量技术:无人机倾斜摄影技术是利用多旋翼无人机飞行平台搭载多角度可见光航摄仪及高精度POS装置,按照一定重叠度设置飞行航线及拍摄点位,对目标区域进行多角度拍摄,获得目标详细、准确的纹理信息及高精度无人机位置和姿态信息,利用自动空中三角测量及区域网平差等技术,对采集的影像数据进行高精度影像匹配,自动匹配出所有影像中同名点信息,并从影像中抽取更多的特征点构成目标密集点云,从而更精确表达目标细节信息;
无人机倾斜摄影测量技术可获取高质量、具有真实感纹理的倾斜数据,弥补了传统人工模型仿真度低的缺点,无人机倾斜摄影测量技术应用在变电站工程监测测量中具有测绘精度高、测绘效率高、时效性强等特点,大大缩短了输电线路等典型场景和目标三维数据采集与生产的人工及时间成本,推动了三维数据大范围推广应用,为部件级实景三维建设提供了丰富准确的数据基础;
利用倾斜影像获得的密集点云来构建表面模型是基于倾斜影像进行三维重建的核心之一,项目针对现行密集点云表面模型重建存在的建模效率低、表面选取不真实等问题,提出了一种基于图割算法的城市密集点云表面模型重建方法,利用该方法重建城市密集点云表面模型,首先通过预处理软件对无人机倾斜影像进行空中三角测量,并利用空中三角测量的解算结果生成密集点云;然后对密集点云添加相应的边,同时对三维点云根据距离进行选取合并;最后根据三维点云形成的四面体和三角面建立图割问题,并通过求解图割问题来求取最优的密集点云表面模型;
其中,图割算法是一种基于图论的能量优化算法,该方法将目标构成一幅网格图的形式,并建立相应的能量方程,运用求最大流\最小割的方式获取网格图的最优化分割来获取最优化结果,利用图割方法解决问题需将待分割的目标群体作为图割算法网格图的顶点,并将待分割的目标群体的相关关系作为图割算法网格图的边,由于图割问题存在目标和背景两种关系,因此除了待分割的目标群体外,还有代表目标的汇节点和代表背景的源节点,利用图中边集合的一个子集作为割集合,其代价就是边子集中所有元素的权值的和,割集合即指将该集合中所有边打断会导致图割网格图的分开,如果一个割集合的元素所有权值之和最小,那么这个集合就称为最小割,也即图割的结果,根据福特-富克森定理,网路的最大流max-flow等于最小割min-cut,因此maxflow/min-cut算法就可以用来获得s-t图的最小割;
重建方法是项目将密集点云表面模型重建问题转换为利用图割方法选取最优四面体问题,由于利用图割方法解决问题需要建立相应的图结构,因此项目将密集点云构成的四面体作为图的节点,四面体之间的相邻三角面作为图的边,除此之外,还需要给定相应的节点权值和边的权值,其中节点的权值为表面可见性Evis(S),边的权值为光泽一致性Ephoto(S)和表面平滑度Earea(S),建立能量函数方程;
E(S)=Evis(S)+λphotoEphoto(S)+λareaEarea(S) (3-1),
式中,λphoto和λarea为相应的正权重,通过求解图的最小割来保证上述方程达到的最小值,进而选出最佳的表面四面体和对应的表面三角形,
重建过程中,要求表面可见性Evis(S),建小四面体时,每个顶点需要保留一些可见性信息,若该点是通过多次合并获取的,则该点至少保留两个原始点的可视性信息,这个信息决定了节点可视性,如果某个四面体的顶点属于最终表面,那么应该在它所来自的视图中是可见的,这种情况说明,当一个顶点到摄像机中心的射线与一个标记为内侧的四面体相交时,它们就会发生冲突,因此,用Evis(S)表示当一条光线从摄像机中心的射线穿过在表面的四面体时,穿入穿出时就会发生能量变化,但是,这样的能量项不适合图割算法,因为它需要图中两个以上节点之间的复杂交互,相反,射线从内部射到相机中心,经过若干个三角面片,穿出可视面片时,能量发生变化,相机中心发出的光线与小四面体上的三角面的交点到该三角面相对的顶点的距离的函数作为四面体权值,表面可见性为
式中,v为光线与重建三角面的交点;D(v)为交点到该三角面相对顶点距离的函数,
重建过程中,要求光泽一致性Ephoto(S),光泽一致性项Ephoto(S)是指给定表面S与所看到的不同输入图像的匹配程度,因此,表面光泽一致性项为
式中,ρ(T)是指每个三角形的可视信息量的多少,由3个顶点共有的可视信息给定;(T)为根据三角形面积给定的权值,
重建过程中,要求表面平滑度Earea(S),通过减少单个三角形表面面积来改善表面平滑性,因此,表面平滑度能量为
在表面S上的三角形T,A(T)为根据三角形面积给定的权值,并通过A(T)给图中每一条边赋值;
S12、激光雷达三维扫描测量技术:激光雷达三维扫描技术是指利用激光雷达设备对目标进行扫描和测量,实现对目标三维形态的高精度测量和重建的一种技术,激光雷达三维扫描技术是实现三维成像和机器视觉等应用的重要手段之一,主要包括以下几个方面的理论:
激光雷达工作原理:激光雷达工作原理是指利用激光器发射激光束,对目标进行扫描和测量的一种原理,激光雷达工作原理需要考虑激光器的发射功率、波长、扫描方式等参数,以及激光束与目标的相互作用过程;
激光雷达数据处理:激光雷达数据处理是指对激光雷达采集的数据进行处理和分析,实现对目标三维形态的测量和重建的一种技术,激光雷达数据处理需要考虑数据采集、去噪、配准、拼接等问题,激光雷达数据处理需要通过精确的算法设计和实现,实现对目标三维形态的高精度测量和重建;
激光雷达扫描模式:激光雷达扫描模式是指激光雷达设备进行扫描和测量时采用的扫描模式,激光雷达扫描模式包括点云扫描、线扫描、面扫描等模式,不同的扫描模式适用于不同的应用场景,需要根据实际需求选择合适的扫描模式;
激光雷达应用:激光雷达应用是指将激光雷达三维扫描技术应用于实际的工程和科研领域,实现对目标三维形态的高精度测量和重建的一种应用,激光雷达应用包括机器视觉、三维成像、地形测量、建筑测量等领域,激光雷达应用需要通过精确的技术实现和应用场景设计,实现对目标三维形态的高精度测量和重建;
总之,激光雷达三维扫描技术是通过激光雷达工作原理、激光雷达数据处理、激光雷达扫描模式和激光雷达应用等方面的理论和技术支持,实现对目标三维形态的高精度测量和重建,基于激光雷达三维扫描技术获取点云数据实现三维重建可直接提取目标高精度、高分辨率、高密度、海量三维信息,可弥补无人机空中飞行及其他地物遮挡导致的地表部分区域点云数据缺失、细部刻画能力不足等问题,是对传统测绘技术在高程数据获取及高精度数据处理方面的重要技术补充
S13、无人机倾斜摄影与激光雷达三维扫描数据融合技术:
无人机倾斜影像密集匹配后的点云与激光雷达点云数据融合处理的基础是空间坐标系的一致性,本项目中以WGS84坐标系为基础,通过无人机搭载的高精度POS定位数据及同名点信息实现二者数据粗配准,再基于改进的ICP配准方法实现数据的精配准和高精度融合;
假设无人机倾斜摄影坐标系中某点坐标为(x,y,z),其在目标坐标系下坐标为(X,Y,Z),当两坐标系不存在畸变时,两坐标系间仅存在平移和旋转变换,同名点粗配准数学模型可表示为:
其中为点云旋转矩阵,(Δx,Δy,Δz)为点云平移参数;ICP配准算法的本质是最小二乘原理,针对给定的两个对应点集,在进行点云配准时,基于距离迭代选择对应关系点对,计算最优刚体变换,直至满足正确配准的收敛精度要求,误差函数可表示为:
其中,源点云集合为P={pi|i=1,2,…},目标点云集合Q={q_i│i=1,2,…}传统ICP算法对待配准点云间相对位置有较高要求,且迭代过程计算量较大,本项目优化点云重采样方法,实现了保留点云重要特征条件下的数据精简,有效提升了无人机倾斜摄影与激光雷达点云数据配准效率,为变电站实景三维重建及施工过程监测提供了重要的基础数据支撑
基于深度学习的输电线路典型部件自动识别技术:
输电线路施工区域包括杆塔、电力线等典型部件,各部件自动检测识别与建模是输电线路施工区域实景三维重建的基础,目前数据驱动的建模方法难以有效提取各部件的属性信息实现部件级实景三维重建,而基于点云的三维深度学习模型为变电站内各类部件的自动检测及识别提供了全新解决方案,本项目以无人机倾斜摄影密集匹配和激光雷达扫描技术融合后的点云数据为基础,引入并改进了T-Net卷积神经网络,将各点三维坐标信息、强度信息、法向量信息、纹理信息等高维特征作为样本输入特征提取模块,通过卷积核最大池化等处理完成网络训练,实现各部件点云高精度、自动检测识别,有效提高了变电站施工过程监测效率;
实景三维成像技术:
实景三维成像是指通过计算机技术将实际场景数字化,生成具有三维空间信息的虚拟场景,并通过显示设备将其呈现给用户的一种技术,实景三维成像技术是由数字成像技术、三维建模技术、计算机图形学技术和虚拟现实技术等多种技术相结合而成的;
实景三维成像技术的基本原理是通过激光扫描、摄影测量、雷达测量等手段获取目标场景的空间信息,并将其转化为数字化的三维模型,然后,通过计算机图形学技术对三维模型进行处理和优化,生成具有真实感和交互性的虚拟场景,最后,通过显示设备将虚拟场景呈现给用户;
数字成像技术是实景三维成像的基础,主要包括激光扫描、摄影测量、雷达测量等手段,其中,激光扫描技术是目前应用最为广泛的数字成像技术之一,它可以通过激光束扫描目标场景,获取点云数据,再通过点云数据生成三维模型;
三维建模技术是三维建模技术是将数字化的点云数据或二维图像转化为三维模型的一种技术,三维建模技术主要包括基于点云的三维建模技术和基于图像的三维建模技术,其中,基于点云的三维建模技术是将激光扫描或雷达测量等手段获取的点云数据转化为三维模型,而基于图像的三维建模技术则是将摄影测量等手段获取的二维图像转化为三维模型;
计算机图形学技术是是实现实景三维成像的关键技术之一,它主要包括三维建模、渲染、动画和交互等方面的技术,其中,三维建模技术是将数字化的三维模型进行处理和优化,使其具有真实感和交互性;渲染技术是将三维模型转化为二维图像的过程,使其具有真实感和良好的视觉效果;动画技术是将三维模型进行动态演示的一种技术;交互技术是实现用户与虚拟场景进行交互的一种技术;
输电线路实景三维成像效果:
总之,实景三维成像技术是一种三维虚拟展示技术,它是对人类生产、生活和生态空间进行真实、立体、时序化反映和表达的数字虚拟空间
实景三维数据轻量化技术:
实景三维数据轻量化技术是指通过压缩、简化和优化三维模型数据,减少其存储空间和计算资源的占用,提高数据传输和呈现的效率和速度的一种技术,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠;
实景三维数据轻量化技术的基本原理是通过对三维模型数据进行压缩、简化和优化,减少其存储空间和计算资源的占用,是由三维模型压缩技术、三维模型简化技术、三维模型优化技术、网格压缩技术等多种技术相结合而成的;
三维模型压缩技术是将三维模型数据进行压缩的一种技术。三维模型数据压缩可以通过去除重复数据、压缩冗余信息、使用无损压缩算法等手段来实现,三维模型压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
三维模型简化技术是将三维模型数据进行简化的一种技术。三维模型简化可以通过去除细节、合并顶点、减少面数等手段来实现,三维模型简化技术可以减少三维模型数据的存储空间和计算资源的占用,提高数据的传输和呈现效率;
三维模型优化技术是将三维模型数据进行优化的一种技术。三维模型优化可以通过优化网格结构、减少不必要的属性、优化纹理等手段来实现,。三维模型优化技术可以提高三维模型数据的质量和性能,使得数据更加适合于实时渲染和交互操作;
网格压缩技术是对三维模型的网格数据进行压缩的一种技术,网格压缩技术可以通过去除冗余信息、使用无损压缩算法等手段来实现,网格压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
总之,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠。
综上所述,该基于电网GIS平台的实景三维建模方法,通过针对施工过程进行真实立体三维复现与精确测量分析需求,本项目通过利用无人机倾斜摄影和激光雷达三维扫描技术在数据采集中的互补性进行数据采集和实景三维融合建模等方法来实现,基于无人机倾斜摄影与激光点云数据的实景三维融合建模技术是其中的关键技术,无人机倾斜摄影数据和激光点云数据的精度不同,如何将两种数据进行有效融合,保证建模精度是一个难点;数据处理量大,如何有效处理数据,提高数据处理效率是一个难点;在建模过程中,如何有效处理杆塔、电力线等复杂物体的模型,保证建模精度是一个难点;如何处理水面空洞、周边建筑物、树木等物体的遮挡问题,保证建模精度和模型的完整性也是一个难点;我们的具体解决方案是基于高精度POS定位数据及ICP匹配优化算法实现倾斜摄影与激光雷达等多源数据的精确配准与融合,基于深度学习算法进行输电线路典型部件(杆塔、电力线)的自动识别,基于空洞修补、模型整饰等技术解决水面纹理特征不足、周边建筑物、树木等物体的遮挡问题。此项关键技术已经在之前的输电线工程中通过了验证与测试。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种基于电网GIS平台的实景三维建模方法,其特征在于:所述该方法技术步骤如下:
S1、数据采集:使用无人机搭载倾斜摄影相机、无人机搭载激光扫描仪,采集交叉跨越输电线路的实景航拍影像和三维激光雷达数据;
S2、三维建模:通过线路数据处理、多源数据融合配准、三维建模、点云分类识别(典型部件如杆塔、电力线)、单体化模型(杆塔、电力线)生成、模型整饰与人工编辑等步骤,建立交叉跨越输电线路的三维模型数据成果;
S3、施工过程三维可视化管理:基于实景三维成像、实景三维数据轻量化等技术,将交叉跨越输电线路的实景模型在三维地理场景中展示,实现交叉跨越输电线路的施工过程三维可视化管理;
S4、针对性研发与实现“三跨”线路的相应测量分析功能模块:聚焦线路的精确量测与通道分析需求,进行针对性的功能研发,实现对交叉跨越输电线路的杆塔点位测量核验、电线安全距离量测校核等功能,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求。
2.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:所述该方法的实施方案:
(1)第一步:方案确认,梳理盱眙~秋藤、凤城~梅里、扬镇直流、田湾送出加强线路4个工程交叉跨越数量,明确需要采集的数据点和数据量,按跨越类型进行分类统计,应用实景三维技术开展数据采集,应用电网GIS平台进行数据核对与分析。
(2)第二步:现场实施,根据各工程进度实施情况,选择合适时间开展线路数据外业采集,通过线路数据处理、点云分类识别、生成单体化实景三维模型、模型整饰和数据可视化,辅助进行远程实时勘察、施工方案评审等工作,确保满足实际建设需求。如:跨越架搭设后,可以通过数据采集和数据分析,校核跨越架与邻近带电体、跨越物净空距离,校核跨越架对跨越物的保护范围等。
(3)第三步:分析总结,结合工程实际应用情况,总结交叉跨越应用实景三维开展通道分析及推广的难点和痛点,扩大实景三维技术试点实施范围及试点工程范围,编制依托实景三维技术的相关产品的智慧工地及物联网示范工地建设实施方案。
3.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:S11、无人机倾斜摄影测量技术:无人机倾斜摄影技术是利用多旋翼无人机飞行平台搭载多角度可见光航摄仪及高精度POS装置,按照一定重叠度设置飞行航线及拍摄点位,对目标区域进行多角度拍摄,获得目标详细、准确的纹理信息及高精度无人机位置和姿态信息,利用自动空中三角测量及区域网平差等技术,对采集的影像数据进行高精度影像匹配,自动匹配出所有影像中同名点信息,并从影像中抽取更多的特征点构成目标密集点云,从而更精确表达目标细节信息;
无人机倾斜摄影测量技术可获取高质量、具有真实感纹理的倾斜数据,弥补了传统人工模型仿真度低的缺点,无人机倾斜摄影测量技术应用在变电站工程监测测量中具有测绘精度高、测绘效率高、时效性强等特点,大大缩短了输电线路等典型场景和目标三维数据采集与生产的人工及时间成本,推动了三维数据大范围推广应用,为部件级实景三维建设提供了丰富准确的数据基础;
利用倾斜影像获得的密集点云来构建表面模型是基于倾斜影像进行三维重建的核心之一,项目针对现行密集点云表面模型重建存在的建模效率低、表面选取不真实等问题,提出了一种基于图割算法的城市密集点云表面模型重建方法,利用该方法重建城市密集点云表面模型,首先通过预处理软件对无人机倾斜影像进行空中三角测量,并利用空中三角测量的解算结果生成密集点云;然后对密集点云添加相应的边,同时对三维点云根据距离进行选取合并;最后根据三维点云形成的四面体和三角面建立图割问题,并通过求解图割问题来求取最优的密集点云表面模型;
其中,图割算法是一种基于图论的能量优化算法,该方法将目标构成一幅网格图的形式,并建立相应的能量方程,运用求最大流\最小割的方式获取网格图的最优化分割来获取最优化结果,利用图割方法解决问题需将待分割的目标群体作为图割算法网格图的顶点,并将待分割的目标群体的相关关系作为图割算法网格图的边,由于图割问题存在目标和背景两种关系,因此除了待分割的目标群体外,还有代表目标的汇节点和代表背景的源节点,利用图中边集合的一个子集作为割集合,其代价就是边子集中所有元素的权值的和,割集合即指将该集合中所有边打断会导致图割网格图的分开,如果一个割集合的元素所有权值之和最小,那么这个集合就称为最小割,也即图割的结果,根据福特-富克森定理,网路的最大流max-flow等于最小割min-cut,因此maxflow/min-cut算法就可以用来获得s-t图的最小割;
重建方法是项目将密集点云表面模型重建问题转换为利用图割方法选取最优四面体问题,由于利用图割方法解决问题需要建立相应的图结构,因此项目将密集点云构成的四面体作为图的节点,四面体之间的相邻三角面作为图的边,除此之外,还需要给定相应的节点权值和边的权值,其中节点的权值为表面可见性Evis(S),边的权值为光泽一致性Ephoto(S)和表面平滑度Earea(S),建立能量函数方程
E(S)=Evis(S)+λphotoEphoto(S)+λareaEarea(S) (3-1),
式中,λphoto和λarea为相应的正权重,通过求解图的最小割来保证上述方程达到的最小值,进而选出最佳的表面四面体和对应的表面三角形,
重建过程中,要求表面可见性Evis(S),建小四面体时,每个顶点需要保留一些可见性信息,若该点是通过多次合并获取的,则该点至少保留两个原始点的可视性信息,这个信息决定了节点可视性,如果某个四面体的顶点属于最终表面,那么应该在它所来自的视图中是可见的,这种情况说明,当一个顶点到摄像机中心的射线与一个标记为内侧的四面体相交时,它们就会发生冲突,因此,用Evis(S)表示当一条光线从摄像机中心的射线穿过在表面的四面体时,穿入穿出时就会发生能量变化,但是,这样的能量项不适合图割算法,因为它需要图中两个以上节点之间的复杂交互,相反,射线从内部射到相机中心,经过若干个三角面片,穿出可视面片时,能量发生变化,相机中心发出的光线与小四面体上的三角面的交点到该三角面相对的顶点的距离的函数作为四面体权值,表面可见性为
式中,v为光线与重建三角面的交点;D(v)为交点到该三角面相对顶点距离的函数,
重建过程中,要求光泽一致性Ephoto(S),光泽一致性项Ephoto(S)是指给定表面S与所看到的不同输入图像的匹配程度,因此,表面光泽一致性项为
式中,ρ(T)是指每个三角形的可视信息量的多少,由3个顶点共有的可视信息给定;(T)为根据三角形面积给定的权值,重建过程中,要求表面平滑度Earea(S),通过减少单个三角形表面面积来改善表面平滑性,因此,表面平滑度能量为
在表面S上的三角形T,A(T)为根据三角形面积给定的权值,并通过A(T)给图中每一条边赋值。
4.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:S12、激光雷达三维扫描测量技术:激光雷达三维扫描技术是指利用激光雷达设备对目标进行扫描和测量,实现对目标三维形态的高精度测量和重建的一种技术,激光雷达三维扫描技术是实现三维成像和机器视觉等应用的重要手段之一,主要包括以下几个方面的理论:
激光雷达工作原理:激光雷达工作原理是指利用激光器发射激光束,对目标进行扫描和测量的一种原理,激光雷达工作原理需要考虑激光器的发射功率、波长、扫描方式等参数,以及激光束与目标的相互作用过程;
激光雷达数据处理:激光雷达数据处理是指对激光雷达采集的数据进行处理和分析,实现对目标三维形态的测量和重建的一种技术,激光雷达数据处理需要考虑数据采集、去噪、配准、拼接等问题,激光雷达数据处理需要通过精确的算法设计和实现,实现对目标三维形态的高精度测量和重建;
激光雷达扫描模式:激光雷达扫描模式是指激光雷达设备进行扫描和测量时采用的扫描模式,激光雷达扫描模式包括点云扫描、线扫描、面扫描等模式,不同的扫描模式适用于不同的应用场景,需要根据实际需求选择合适的扫描模式;
激光雷达应用:激光雷达应用是指将激光雷达三维扫描技术应用于实际的工程和科研领域,实现对目标三维形态的高精度测量和重建的一种应用,激光雷达应用包括机器视觉、三维成像、地形测量、建筑测量等领域,激光雷达应用需要通过精确的技术实现和应用场景设计,实现对目标三维形态的高精度测量和重建;
总之,激光雷达三维扫描技术是通过激光雷达工作原理、激光雷达数据处理、激光雷达扫描模式和激光雷达应用等方面的理论和技术支持,实现对目标三维形态的高精度测量和重建,基于激光雷达三维扫描技术获取点云数据实现三维重建可直接提取目标高精度、高分辨率、高密度、海量三维信息,可弥补无人机空中飞行及其他地物遮挡导致的地表部分区域点云数据缺失、细部刻画能力不足等问题,是对传统测绘技术在高程数据获取及高精度数据处理方面的重要技术补充。
5.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:S13、无人机倾斜摄影与激光雷达三维扫描数据融合技术:
无人机倾斜影像密集匹配后的点云与激光雷达点云数据融合处理的基础是空间坐标系的一致性,本项目中以WGS84坐标系为基础,通过无人机搭载的高精度POS定位数据及同名点信息实现二者数据粗配准,再基于改进的ICP配准方法实现数据的精配准和高精度融合;
假设无人机倾斜摄影坐标系中某点坐标为(x,y,z),其在目标坐标系下坐标为(X,Y,Z),当两坐标系不存在畸变时,两坐标系间仅存在平移和旋转变换,同名点粗配准数学模型可表示为:
其中,为点云旋转矩阵,(Δx,Δy,Δz)为点云平移参数;ICP配准算法的本质是最小二乘原理,针对给定的两个对应点集,在进行点云配准时,基于距离迭代选择对应关系点对,计算最优刚体变换,直至满足正确配准的收敛精度要求,误差函数可表示为:
其中,源点云集合为P={pi|i=1,2,…},目标点云集合Q={q_i│i=1,2,…}传统ICP算法对待配准点云间相对位置有较高要求,且迭代过程计算量较大,本项目优化点云重采样方法,实现了保留点云重要特征条件下的数据精简,有效提升了无人机倾斜摄影与激光雷达点云数据配准效率,为变电站实景三维重建及施工过程监测提供了重要的基础数据支撑。
6.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:基于深度学习的输电线路典型部件自动识别技术:
输电线路施工区域包括杆塔、电力线等典型部件,各部件自动检测识别与建模是输电线路施工区域实景三维重建的基础,目前数据驱动的建模方法难以有效提取各部件的属性信息实现部件级实景三维重建,而基于点云的三维深度学习模型为变电站内各类部件的自动检测及识别提供了全新解决方案,本项目以无人机倾斜摄影密集匹配和激光雷达扫描技术融合后的点云数据为基础,引入并改进了T-Net卷积神经网络,将各点三维坐标信息、强度信息、法向量信息、纹理信息等高维特征作为样本输入特征提取模块,通过卷积核最大池化等处理完成网络训练,实现各部件点云高精度、自动检测识别,有效提高了变电站施工过程监测效率。
7.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:实景三维成像技术:
实景三维成像是指通过计算机技术将实际场景数字化,生成具有三维空间信息的虚拟场景,并通过显示设备将其呈现给用户的一种技术,实景三维成像技术是由数字成像技术、三维建模技术、计算机图形学技术和虚拟现实技术等多种技术相结合而成的;
实景三维成像技术的基本原理是通过激光扫描、摄影测量、雷达测量等手段获取目标场景的空间信息,并将其转化为数字化的三维模型,然后,通过计算机图形学技术对三维模型进行处理和优化,生成具有真实感和交互性的虚拟场景,最后,通过显示设备将虚拟场景呈现给用户;
数字成像技术是实景三维成像的基础,主要包括激光扫描、摄影测量、雷达测量等手段,其中,激光扫描技术是目前应用最为广泛的数字成像技术之一,它可以通过激光束扫描目标场景,获取点云数据,再通过点云数据生成三维模型;
三维建模技术是三维建模技术是将数字化的点云数据或二维图像转化为三维模型的一种技术,三维建模技术主要包括基于点云的三维建模技术和基于图像的三维建模技术,其中,基于点云的三维建模技术是将激光扫描或雷达测量等手段获取的点云数据转化为三维模型,而基于图像的三维建模技术则是将摄影测量等手段获取的二维图像转化为三维模型;
计算机图形学技术是是实现实景三维成像的关键技术之一,它主要包括三维建模、渲染、动画和交互等方面的技术,其中,三维建模技术是将数字化的三维模型进行处理和优化,使其具有真实感和交互性;渲染技术是将三维模型转化为二维图像的过程,使其具有真实感和良好的视觉效果;动画技术是将三维模型进行动态演示的一种技术;交互技术是实现用户与虚拟场景进行交互的一种技术;
输电线路实景三维成像效果:
总之,实景三维成像技术是一种三维虚拟展示技术,它是对人类生产、生活和生态空间进行真实、立体、时序化反映和表达的数字虚拟空间。
8.根据权利要求1所述的一种基于电网GIS平台的实景三维建模方法,其特征在于:实景三维数据轻量化技术:
实景三维数据轻量化技术是指通过压缩、简化和优化三维模型数据,减少其存储空间和计算资源的占用,提高数据传输和呈现的效率和速度的一种技术,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠;
实景三维数据轻量化技术的基本原理是通过对三维模型数据进行压缩、简化和优化,减少其存储空间和计算资源的占用,是由三维模型压缩技术、三维模型简化技术、三维模型优化技术、网格压缩技术等多种技术相结合而成的;
三维模型压缩技术是将三维模型数据进行压缩的一种技术。三维模型数据压缩可以通过去除重复数据、压缩冗余信息、使用无损压缩算法等手段来实现,三维模型压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
三维模型简化技术是将三维模型数据进行简化的一种技术。三维模型简化可以通过去除细节、合并顶点、减少面数等手段来实现,三维模型简化技术可以减少三维模型数据的存储空间和计算资源的占用,提高数据的传输和呈现效率;
三维模型优化技术是将三维模型数据进行优化的一种技术。三维模型优化可以通过优化网格结构、减少不必要的属性、优化纹理等手段来实现,。三维模型优化技术可以提高三维模型数据的质量和性能,使得数据更加适合于实时渲染和交互操作;
网格压缩技术是对三维模型的网格数据进行压缩的一种技术,网格压缩技术可以通过去除冗余信息、使用无损压缩算法等手段来实现,网格压缩技术可以减少三维模型数据的存储空间和传输带宽,提高数据的传输和呈现效率;
总之,实景三维数据轻量化技术是实现实景三维成像的重要手段之一,可以使得实景三维成像技术更加高效、灵活和可靠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968089.XA CN116977586A (zh) | 2023-08-03 | 2023-08-03 | 一种基于电网gis平台的实景三维建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310968089.XA CN116977586A (zh) | 2023-08-03 | 2023-08-03 | 一种基于电网gis平台的实景三维建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116977586A true CN116977586A (zh) | 2023-10-31 |
Family
ID=88482905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310968089.XA Pending CN116977586A (zh) | 2023-08-03 | 2023-08-03 | 一种基于电网gis平台的实景三维建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977586A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392328A (zh) * | 2023-12-07 | 2024-01-12 | 四川云实信息技术有限公司 | 一种基于无人机集群的三维实景建模方法及系统 |
-
2023
- 2023-08-03 CN CN202310968089.XA patent/CN116977586A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117392328A (zh) * | 2023-12-07 | 2024-01-12 | 四川云实信息技术有限公司 | 一种基于无人机集群的三维实景建模方法及系统 |
CN117392328B (zh) * | 2023-12-07 | 2024-02-23 | 四川云实信息技术有限公司 | 一种基于无人机集群的三维实景建模方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458939B (zh) | 基于视角生成的室内场景建模方法 | |
Zhang et al. | Image engineering | |
Chaiyasarn et al. | Integrated pixel-level CNN-FCN crack detection via photogrammetric 3D texture mapping of concrete structures | |
Zhai et al. | Synthetic data augmentation for pixel-wise steel fatigue crack identification using fully convolutional networks | |
CN110866531A (zh) | 一种基于三维建模的建筑物特征提取方法、系统及存储介质 | |
CN111402414B (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
Leotta et al. | Urban semantic 3D reconstruction from multiview satellite imagery | |
CN106846392A (zh) | 三维建模的方法和装置 | |
CN110428490B (zh) | 构建模型的方法和装置 | |
Gao et al. | SUM: A benchmark dataset of semantic urban meshes | |
Yan et al. | Estimation of building height using a single street view image via deep neural networks | |
CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和系统 | |
CN116977586A (zh) | 一种基于电网gis平台的实景三维建模方法 | |
CN115082254A (zh) | 一种变电站精益管控数字孪生系统 | |
CN116030208A (zh) | 一种真实无人机虚拟仿真输电线路场景搭建方法及系统 | |
CN112580428A (zh) | 一种配电网设计方法及装置 | |
Alidoost et al. | Y-shaped convolutional neural network for 3d roof elements extraction to reconstruct building models from a single aerial image | |
Zhao et al. | Interior structural change detection using a 3D model and LiDAR segmentation | |
Zhang et al. | Resimad: Zero-shot 3d domain transfer for autonomous driving with source reconstruction and target simulation | |
Xu et al. | Deep learning guided building reconstruction from satellite imagery-derived point clouds | |
Chen et al. | Generating synthetic photogrammetric data for training deep learning based 3D point cloud segmentation models | |
CN116543322A (zh) | 一种基于社区安全隐患的物业智能巡检方法 | |
CN113487741B (zh) | 稠密三维地图更新方法及装置 | |
CN114332006A (zh) | 一种城垛缺失自动定量评估方法 | |
Komadina et al. | Automated 3D urban landscapes visualization using open data sources on the example of the city of Zagreb |
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 |