CN117132915B - 一种基于点云自动分类的输电线路树障隐患分析方法 - Google Patents
一种基于点云自动分类的输电线路树障隐患分析方法 Download PDFInfo
- Publication number
- CN117132915B CN117132915B CN202311405296.0A CN202311405296A CN117132915B CN 117132915 B CN117132915 B CN 117132915B CN 202311405296 A CN202311405296 A CN 202311405296A CN 117132915 B CN117132915 B CN 117132915B
- Authority
- CN
- China
- Prior art keywords
- points
- point
- power line
- point cloud
- ground
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 85
- 230000001788 irregular Effects 0.000 claims abstract description 44
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000013519 translation Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 7
- 239000004020 conductor Substances 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000001131 transforming effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 2
- BJAJDJDODCWPNS-UHFFFAOYSA-N dotp Chemical compound O=C1N2CCOC2=NC2=C1SC=C2 BJAJDJDODCWPNS-UHFFFAOYSA-N 0.000 claims 1
- 230000004888 barrier function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 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
- 230000010339 dilation Effects 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/30—Noise filtering
-
- 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
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- 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
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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
Abstract
本发明公开了一种基于点云自动分类的输电线路树障隐患分析方法,对无人机采集的激光点云数据进行栅格化;采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取;然后采用基于栅格的区域生长算法和基于坐标旋转的聚类算法对电力线进行精细化提取;基于二值图像掩码对杆塔附近的植被进行滤除,实现杆塔精细化提取;使用面积阈值法去除剩余植被,实现建筑物区域的快速提取;将分割后局部区域的导线点云与区域内的障碍物点云进行空间距离计算,实现树障隐患的快速分析。本发明将点云自动分类后进行树障隐患研判,显著提升了点云数据处理效率和树障隐患辨识水平。
Description
技术领域
本发明属于输电线路巡检技术领域,具体涉及一种基于点云自动分类的输电线路树障隐患分析方法。
背景技术
随着输电线路规模的不断扩大,大量线路地处山区、林区等树竹生长茂盛区域,树障对导线放电造成线路跳闸、线路停运等事故愈发频繁。更为严重的情况,若高压输电线路电弧放电引燃树枝,不仅会引发大面积火灾或停电事故,而且可能直接威胁到附近居民的人身安全。因此,如何及时有效发现隐患树障并提前采取相应的预控措施尤为关键。
传统的树障隐患信息的收集主要以巡线班组成员人工目测后记录为主,这依赖班组人员的巡视经验,效率低下且容易疏漏。随着近年来无人机技术的快速发展,使用无人机对输电线路走廊开展倾斜摄影,采集输电线路廊道内的可见光点云数据进行树线距离分析已得到越来越广泛的应用。然而,利用可见光点云数据分析树障隐患存在数据处理耗时长、精度差等问题。
机载LiDAR技术是采用无人机搭载激光雷达,利用激光测距技术和GPS或北斗定位系统获取到高精度的点云坐标数据,大幅提高了三维空间中导线对廊道内树障距离的测量精度。但是,当前基于无人机采集的激光点云数据进行树线距离量测的准确率和效率极大受制于点云分类的准确性,大量错误分类的点云数据需要人工进行重新复核和校正,自动化程度低。
发明内容
为切实提高班组作业人员点云数据处理效率,解决当前输电线路树障隐患分析存在的量测准确率差、自动化水平低等问题,本发明提出了一种基于点云自动分类的输电线路树障隐患分析方法,实现对激光点云数据的自动化分类处理和对树障隐患信息的准确评估。
本发明采用如下技术方案实现:一种基于点云自动分类的输电线路树障隐患分析方法,包括以下步骤:
步骤S1、对无人机采集的激光点云数据进行栅格化;
步骤S2、使用点云库(Point Cloud Library,PCL)对栅格化后的点云预处理,得到所有栅格中的最低点的集合Pmin并进行形态学滤波去噪,得到粗糙地形表面点云,记作Tsurf;
步骤S3、潜在地面种子点的提取:将集合Pmin中各点的高程与Tsurf进行比较,如果绝对高度差在0.5m内,则该点被确定为潜在地面种子点,并添加到潜在地面种子点集合Gpotential;
步骤S4、地面种子点的提取:在每个栅格内获取潜在地面种子点的k个最邻近点,使用RANSAC方法将潜在地面种子点及距离其最近的k个点拟合出一个平面,采用平移平面拟合法消除非地面点,获得地面种子点;
步骤S5、地面点的提取:使用地面种子点构建不规则三角网(TriangulatedIrregular Network,TIN),采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取;
步骤S6、电力导线提取:依据点云栅格内点云的高度直方图,对杆塔和电力线进行粗提取,采用基于栅格的区域生长算法和基于坐标旋转的聚类算法对电力线进行精细化提取;
步骤S7、杆塔精细化提取:基于精细化提取的电力线点云,使用射线法剔除粗提取过程中满足高度阈值的假阳性杆塔点云,并基于二值图像掩码对杆塔附近的植被进行滤除,实现杆塔精细化提取;
步骤S8、建筑物提取:使用梯度分割法实现建筑物与植被的分离,利用形态学局部填充法和邻域迭代法处理分割后结果,恢复去除的边缘信息,最终使用面积阈值法去除剩余植被,实现建筑物区域的快速提取;
步骤S9、树障隐患分析:按照线路走廊方向以固定的间隔分割点云,将分割后局部区域的导线点云与区域内的植被、地面点、建筑等障碍物点云进行空间距离计算,实现树障隐患的快速分析。
进一步优选,步骤S2中,使用点云库对栅格化后的点云预处理,得到所有栅格中的最低点的集合Pmin的过程如下:
S21、将栅格化后的点云数据定义为一个二值栅格,其中0代表无数据栅格,1代表其他栅格;
S22、共有n个无数据栅格,标记无数据栅格为Wi,i=1,2,…,n;6个边界面分别为Bi1、Bi2、Bi3、Bi4、Bi5、Bi6,其中Ai1、Ai2、Ai3、Ai4、Ai5、Ai6分别为Bi1、Bi2、Bi3、Bi4、Bi5、Bi6边界面上的任一点,对应的法向量分别为、/>、/>、/>、/>、/>,依据公式(1)搜索与无数据栅格各边界面距离最近的点,记作Pimin,1、Pimin,2、Pimin,3、Pimin,4、Pimin,5、Pimin,6,它们的集合记作Pimin;
(1);
其中,Aij表示无数据栅格Wi第j个边界面上的任一点,为无数据栅格Wi第j个边界面上的法向量,Pimin,j表示与无数据栅格Wi第j个边界面距离最近的点,d表示点与边界面距离,/>表示点Aij与点Pimin,j所构成的向量,/>。
S23、比较集合Pimin中所有点高程,其中的最低点作为无数据栅格Wi的最低点;
S24、记录每个无数据栅格中的最低点,它们的集合记作Pmin。
进一步优选,步骤S4所述使用RANSAC方法将潜在地面种子点及距离其最近的k个点拟合出一个平面,使用平移平面拟合法消除非地面点的过程如下:
S41、在三维空间中搜索潜在地面种子点集合Gpotential中的每个潜在地面种子点Pi及距离其最近的k个点,将潜在地面种子点Pi及距离其最近的k个点的集合记作Ppot,通过RANSAC方法获得局部拟合平面Fa;
S42、采用平移平面拟合法消除非地面点:平行移动局部拟合平面Fa使其通过潜在地面种子点Pi得到一个新的平移平面Fb,根据指标r判断潜在地面种子点Pi是否属于地面种子点,指标r按公式(2)计算:
(2);
其中dis(Ppot,i,Fb)是潜在地面种子点Pi和新的平移平面Fb的距离。如果指标r大于阈值,则将潜在地面种子点Pi点判定为非地面种子点,并从潜在地面种子点集合Gpotential中删除;潜在地面种子点集合Gpotential中的其余点将添加到地面种子点集合Gseeds。
进一步优选,步骤S5所述使用地面种子点构建不规则三角网,采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取的具体步骤如下:
S51、将地面种子点集合Gseeds用于构造初始的基于不规则三角网的数字地面模型(Digital Terrain Model,DTM),为了确保所有点都位于不规则三角网中,选择点云场景边界的四个角作为模拟地面点,并加入到地面种子点集合Gseeds中以创建不规则三角网;
S52、设置一个d1宽度的缓冲区用于扩展数据处理区域,沿缓冲区外边界,将模拟地面点以固定间隔d2布置,解决不规则三角网边缘效应问题;
S53、设置模拟地面点的高程与地面种子点集合Gseeds中最近点的高程相同,并使用模拟地面点和地面种子点集合Gseeds生成初始的基于不规则三角网的数字地面模型;
S54、采用不规则三角网向下加密,将错误分类的非地面点重新归为地面点,使未分类点位于不规则三角网之上,提高初始数字地面模型的质量;
S55、采用迭代不规则三角网向上加密,根据三角面上方的点距离三角面的距离和点与三角形三个顶点的角度设置阈值进行迭代,获得不规则三角网表面的点,这些点归类为地面点,完成地面点提取。
进一步优选,步骤S6的具体步骤如下:
S61、在三维空间直角坐标系OXYZ上,将杆塔平面投影至XOY平面上的大小作为投影单元,将点云按照投影单元的大小划分为不同点云单元;
S62、根据每个点云单元内的高度直方图对电力线和杆塔进行粗提取,点云沿垂直方向连续分布且高于设定阈值的点云单元提取为杆塔,点云高度超过设定阈值且沿垂直方向分布不连续、有明显空层的点云单元提取为架空导地线;
S63、采用基于栅格的区域生长算法对假阳性电力线点(错误分类为电力线的其他点)进行校正;
S64、基于坐标旋转及聚类算法对假阴性电力线点(错误分类为其他点的电力线点)进行校正;
S65、基于每相导线的电力线点云,根据非线性最小二乘法,拟合求解导线悬链线方程,使用该方程补全导线缺失部分;
S66、以导线半径作为阈值,按拟合后的导线方向将邻域中距离拟合线小于阈值的点重新归类为电力线点,进一步降低电力线点云假阴性率。
进一步优选,步骤S63采用基于栅格的区域生长算法对假阳性电力线点进行校正的过程为:将候选电力线的点云单元作为3×3栅格的中心单元,相邻的8个单元中的非电力线点作为种子,并根据三维空间欧氏距离进行生长,如果中心单元中的点与非电力线种子点一起生长,则中心单元中的点将被重新提取为非电力线点。
进一步优选,步骤S64基于坐标旋转及聚类算法对假阴性电力线点进行校正的具体步骤如下:
1)基于坐标旋转的方法,将电力线点投影到垂直于导线方向的平面内,假设是导线和Y轴之间的角度,沿XOY平面旋转电力线点,角度为,然后沿着Y轴将电
力线点投影到XOZ平面;这样,属于同一导线的点在XOZ平面上聚合成一个簇,而不同导线的
点分散成不同的簇;
2)用矩阵W1表示与对应的旋转矩阵,矩阵W2表示为将三维坐标点沿Y轴投影到
XOZ平面的投影矩阵。则坐标旋转变换矩阵W表示为两个变换的乘积:
(3);
3)Px、Py和Pz,表示投影前电力线点P的三维坐标,px和py表示投影后电力线点p的二维坐标,可以由旋转坐标变换矩阵W得到;公式如下:
(4);
通过使用式(4)变换电力线点,属于同一导体点的分布变得更加集中,而属于不同导体的点则更加分散;
4)投影后电力线点pj与投影后电力线点pi属于同一条直线的概率用高斯函数表示如下:
(5);
其中为导线的半径,表示投影后电力线点pi的横坐标, 表示投影后电力线
点pi的纵坐标, 表示投影后电力线点pj的横坐标, 表示投影后电力线点pj的纵坐标,表示投影后电力线点pj与投影后电力线点pi属于同一条直线的概率,越大,投影
后电力线点pj与投影后电力线点pi属于同一条直线的概率越大,当超过阈值,则判定
投影后电力线点pj与投影后电力线点pi属于同一条直线,实现同一相电力线点云的正确分
类;
5)针对区域生长后校正为非电力线的点pk,使用表示点集中在点pk的概率,可以通过求和点pk周围所有点的高斯函数来计算;公式如下:
(6);
其中N是3×3单元栅格中的电力线点总数,表示点pk与点pj属于同一条直线的概率;/>越大,点pk属于假阴性的概率越大,当/>超过阈值,则判定点pk属于假阴性,完成对假阴性电力线点云的校正。
进一步优选,步骤S7所述杆塔精细化提取的过程如下:
S71、对于分类为杆塔的网格单元,提取其3×3邻域网格单元边界与电力线相交形成的凸多边形;
S72、从粗提取的杆塔网格单元几何中心引出一条射线,将该射线沿任意方向射出,计算射线与凸多边形各边的交点个数;
S73、当交点个数存在奇数个时,则点在凸多边形内,该点所在单元格为杆塔单元格;当交点个数存在偶数个时,则点在凸多边形外,该点所在单元格为假阳性杆塔单元格,则滤除该单元格, 实现对满足高度阈值的假阳性杆塔点云的剔除;
S74、在杆塔点云单元格范围内,将点云按照高度沿Z轴方向按指定厚度切片,对切片进行二值图像化处理,即将切片对应的空间三维点云坐标投影至XOY平面,形成二值图像掩码;
S75、计算得到各切片的连通分量,对相邻切片的连通分量进行求交测试,保留相交的连通分量,即投影在连通分量内且与相邻切片联通分量相交的点云保留,其他剔除;
S76、对求交后的结果依次再进行求交测试,迭代计算,实现对杆塔周围的植被滤除,完成杆塔精细化提取。
本发明中所涉及的一种基于点云自动分类的输电线路树障隐患分析方法,具备以下预期效果:1)点云滤波去噪效果好。由于激光点云采集过程中受地形和光线的影响,导致出现部分区域点云稀疏的情况,采用栅格化点云进行预处理和形态学滤波去噪的方法可以有效提高滤波结果的准确性。2)点云分类精度高。传统的聚类方法容易对属于不同导线的电力线点进行错误分类,本发明采用坐标旋转的方法对聚类结果进行校正,有效降低了电力线点云的假阴性率;使用射线法和二值图像掩码实现杆塔点云的精细化提取,有效降低了杆塔点云的假阳性率。3)树障研判结果准确度高。点云自动分类后进行树障隐患研判,显著提升了班组人员的点云数据处理效率和通道树障隐患辨识水平。
附图说明
图1为本发明的流程图。
图2为电力线点的空间聚类原理图。
具体实施方式
下面结合实施例进一步详细阐明本发明。
参照图1,一种基于点云自动分类的输电线路树障隐患分析方法,包括步骤S1-步骤S9。
步骤S1、对无人机采集的激光点云数据进行栅格化。
步骤S2、使用点云库(Point Cloud Library,PCL)对栅格化点云预处理,得到所有栅格中的最低点的集合Pmin并进行形态学滤波去噪,得到粗糙地形表面点云,记作Tsurf。
其中,对栅格化后的点云进行预处理和形态学滤波去噪的过程如下:
S21、将栅格化后的点云数据定义为一个二值栅格,其中0代表无数据栅格,1代表其他栅格;
S22、共有n个无数据栅格,标记无数据栅格为Wi(i=1,2,…,n),6个边界面分别为Bi1、Bi2、Bi3、Bi4、Bi5、Bi6,其中Ai1、Ai2、Ai3、Ai4、Ai5、Ai6分别为Bi1、Bi2、Bi3、Bi4、Bi5、Bi6边界面上的任一点,对应的法向量分别为、/>、/>、/>、/>、/>,依据公式(1)搜索与无数据栅格各边界面距离最近的点,记作Pimin,1、Pimin,2、Pimin,3、Pimin,4、Pimin,5、Pimin,6,它们的集合记作Pimin;
(1);
其中,Aij表示无数据栅格Wi第j个边界面上的任一点,为无数据栅格Wi第j个边界面上的法向量,Pimin,j表示与无数据栅格Wi第j个边界面距离最近的点,d表示点与边界面距离,/>表示点Aij与点Pimin,j所构成的向量,/>;
S23、比较集合Pimin中所有点高程,其中的最低点作为无数据栅格Wi的最低点;
S24、记录每个无数据栅格中的最低点,它们的集合记作Pmin;
S25、将形态学滤波去噪应用于Pmin(包括形态学腐蚀操作和膨胀操作),实现对地形表面的粗略近似。
步骤S3、潜在地面种子点的提取:将集合Pmin中各点的高程与Tsurf进行比较,如果绝对高度差在0.5m内,则该点被确定为潜在地面种子点,并添加到潜在地面种子点集合Gpotential。
步骤S4、地面种子点的提取:在每个栅格内获取潜在地面种子点的k个最邻近点,使用RANSAC方法将潜在地面种子点及距离其最近的k个点拟合出一个平面,采用平移平面拟合法消除非地面点,获得地面种子点。
使用RANSAC方法将这些点拟合出一个平面,使用平移平面拟合法消除非地面点的过程如下:
S41、在三维空间中搜索潜在地面种子点集合Gpotential中的每个潜在地面种子点Pi及距离其最近的k个点,将潜在地面种子点Pi及距离其最近的k个点的集合记作Ppot,通过RANSAC方法获得局部拟合平面Fa;
S42、采用平移平面拟合法消除非地面点:平行移动局部拟合平面Fa使其通过潜在地面种子点Pi得到一个新的平移平面Fb,根据指标r判断潜在地面种子点Pi是否属于地面种子点,指标r按公式(2)计算:
(2);
其中dis(Ppot,i,Fb)是潜在地面种子点Pi和新的平移平面Fb的距离。如果指标r大于阈值,则将潜在地面种子点Pi点判定为非地面种子点,并从潜在地面种子点集合Gpotential中删除;潜在地面种子点集合Gpotential中的其余点将添加到地面种子点集合Gseeds。
步骤S5、地面点的提取:使用地面种子点构建不规则三角网(TriangulatedIrregular Network,TIN),采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取。
S51、将地面种子点集合Gseeds用于构造初始的基于不规则三角网的数字地面模型(Digital Terrain Model,DTM),为了确保所有点都位于不规则三角网中,选择点云场景边界的四个角作为模拟地面点,并加入到地面种子点集合Gseeds中以创建不规则三角网;
S52、设置一个d1宽度的缓冲区用于扩展数据处理区域,沿缓冲区外边界,将模拟地面点以固定间隔d2布置,解决不规则三角网边缘效应问题;
S53、设置模拟地面点的高程与地面种子点集合Gseeds中最近点的高程相同,并使用模拟地面点和地面种子点集合Gseeds生成初始的基于不规则三角网的数字地面模型;
S54、采用不规则三角网向下加密,将错误分类的非地面点重新归为地面点,使未分类点位于不规则三角网之上,提高初始数字地面模型的质量;
S55、采用迭代不规则三角网向上加密,根据三角面上方的点距离三角面的距离和点与三角形三个顶点的角度设置阈值进行迭代,获得尽可能多的接近不规则三角网表面的点,这些点归类为地面点,完成地面点提取。
步骤S6、电力导线提取:依据点云栅格内点云的高度直方图,对杆塔和电力线进行粗提取,采用基于栅格的区域生长算法和基于坐标旋转的聚类算法对电力线进行精细化提取。
S61、在三维空间直角坐标系OXYZ上,将杆塔平面投影至XOY平面上的大小作为投影单元,将点云按照投影单元的大小划分为不同点云单元;
S62、根据每个点云单元内的高度直方图对电力线和杆塔进行粗提取,点云沿垂直方向连续分布且高于设定阈值的点云单元提取为杆塔,点云高度超过设定阈值且沿垂直方向分布不连续、有明显空层的点云单元提取为架空导地线;
S63、采用基于栅格的区域生长算法对假阳性电力线点(错误分类为电力线的其他点)进行校正;
S64、基于坐标旋转及聚类算法对假阴性电力线点(错误分类为其他点的电力线点)进行校正;
S65、基于每相导线的电力线点云,根据非线性最小二乘法,拟合求解导线悬链线方程,使用该方程补全导线缺失部分;
S66、以导线半径作为阈值,按拟合后的导线方向将邻域中距离拟合线小于阈值的点重新归类为电力线点,进一步降低电力线点云假阴性率。
本实施例步骤S63采用基于栅格的区域生长算法对假阳性电力线点进行校正的过程为:将候选电力线的点云单元作为3×3栅格的中心单元,相邻的8个单元中的非电力线点作为种子,并根据三维空间欧氏距离进行生长,如果中心单元中的点与非电力线种子点一起生长,则中心单元中的点将被重新提取为非电力线点。
参照图2,本实施例步骤S64基于坐标旋转及聚类算法对假阴性电力线点进行校正的具体步骤如下:
1)基于坐标旋转的方法,将电力线点投影到垂直于导线方向的平面内,假设是导线和Y轴之间的角度,沿XOY平面旋转电力线点,角度为,然后沿着Y轴将电
力线点投影到XOZ平面;这样,属于同一导线的点在XOZ平面上聚合成一个簇,而不同导线的
点分散成不同的簇;
2)用矩阵W1表示与对应的旋转矩阵,矩阵W2表示为将三维坐标点沿Y轴投影到
XOZ平面的投影矩阵。则坐标旋转变换矩阵W可以表示为两个变换的乘积:
(3);
3)用Px、Py和Pz,表示投影前电力线点P的三维坐标,用px和py表示投影后电力线点p的二维坐标,可以由旋转坐标变换矩阵W得到;公式如下:
(4);
通过使用式(4)变换电力线点,属于同一导体点的分布变得更加集中,而属于不同导体的点则更加分散;
4)投影后电力线点pj与投影后电力线点pi属于同一条直线的概率用高斯函数表示如下:
(5);
其中为导线的半径,表示投影后电力线点pi的横坐标, 表示投影后电力线
点pi的纵坐标, 表示投影后电力线点pj的横坐标, 表示投影后电力线点pj的纵坐标,表示投影后电力线点pj与投影后电力线点pi属于同一条直线的概率,越大,投影
后电力线点pj与投影后电力线点pi属于同一条直线的概率越大,当超过阈值,则判定
投影后电力线点pj与投影后电力线点pi属于同一条直线,实现同一相电力线点云的正确分
类;
5)针对区域生长后校正为非电力线的点pk,使用表示点集中在点pk的概率,可以通过求和点pk周围所有点的高斯函数来计算;公式如下:
(6);
其中N是3×3单元栅格中的电力线点总数,表示点pk与点pj属于同一条直线的概率;/>越大,点pk属于假阴性的概率越大,当/>超过阈值,则判定点pk属于假阴性,完成对假阴性电力线点云的校正。
步骤S7、杆塔精细化提取:基于精细化提取的电力线点云,使用射线法剔除粗提取过程中满足高度阈值的假阳性杆塔点云,并基于二值图像掩码对杆塔附近的植被进行滤除,实现杆塔精细化提取。
本实施例步骤S7所述使用射线法剔除粗提取杆塔过程中满足高度阈值的假阳性杆塔点云,并基于二值图像掩码对杆塔附近的植被进行滤除,实现杆塔精细化提取的过程如下:
S71、对于分类为杆塔的网格单元,提取其3×3邻域网格单元边界与电力线相交形成的凸多边形;
S72、从粗提取的杆塔网格单元几何中心引出一条射线,将该射线沿任意方向射出,计算射线与凸多边形各边的交点个数;
S73、当交点个数存在奇数个时,则点在凸多边形内,该点所在单元格为杆塔单元格;当交点个数存在偶数个时,则点在凸多边形外,该点所在单元格为假阳性杆塔单元格,则滤除该单元格, 实现对满足高度阈值的假阳性杆塔点云的剔除;
S74、在杆塔点云单元格范围内,将点云按照高度沿Z轴方向按指定厚度切片,对切片进行二值图像化处理,即将切片对应的空间三维点云坐标投影至XOY平面,形成二值图像掩码;
S75、计算得到各切片的连通分量,对相邻切片的连通分量进行求交测试,保留相交的连通分量,即投影在连通分量内且与相邻切片联通分量相交的点云保留,其他剔除;
S76、对求交后的结果依次再进行求交测试,迭代计算,实现对杆塔周围的植被滤除,完成杆塔精细化提取。
步骤S8、建筑物提取:使用梯度分割法实现建筑物与植被的分离,利用形态学局部填充法和邻域迭代法处理分割后结果,恢复去除的边缘信息,最终使用面积阈值法去除剩余植被,实现建筑物区域的快速提取。
步骤S9、树障隐患分析:按照线路走廊方向以固定的间隔分割点云,将分割后局部区域的导线点云与区域内的植被、地面点、建筑等障碍物点云进行空间距离计算,实现树障隐患的快速分析。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围内。
Claims (5)
1.一种基于点云自动分类的输电线路树障隐患分析方法,其特征在于,包括以下步骤:
步骤S1、对无人机采集的激光点云数据进行栅格化;
步骤S2、使用点云库对栅格化后的点云预处理,得到所有栅格中的最低点的集合P min 并进行形态学滤波去噪,得到粗糙地形表面点云,记作T surf ;
步骤S3、潜在地面种子点的提取:将集合P min 中各点的高程与T surf 进行比较,如果绝对高度差在设定范围内,则对应的点被确定为潜在地面种子点,并添加到潜在地面种子点集合G potential ;
步骤S4、地面种子点的提取:在每个栅格内获取潜在地面种子点的k个最邻近点,使用RANSAC方法将潜在地面种子点及距离其最近的k个点拟合出一个平面,采用平移平面拟合法消除非地面点,获得地面种子点;
步骤S5、地面点的提取:使用地面种子点构建不规则三角网,采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取;
步骤S6、电力导线提取:依据点云栅格内点云的高度直方图,对杆塔和电力线进行粗提取,采用基于栅格的区域生长算法和基于坐标旋转的聚类算法对电力线进行精细化提取;
步骤S7、杆塔精细化提取:基于精细化提取的电力线点云,使用射线法剔除粗提取过程中满足高度阈值的假阳性杆塔点云,并基于二值图像掩码对杆塔附近的植被进行滤除,实现杆塔精细化提取;
步骤S8、建筑物提取:使用梯度分割法实现建筑物与植被的分离,利用形态学局部填充法和邻域迭代法处理分割后结果,恢复去除的边缘信息,最终使用面积阈值法去除剩余植被,实现建筑物区域的快速提取;
步骤S9、树障隐患分析:按照线路走廊方向以固定的间隔分割点云,将分割后局部区域的导线点云与区域内的障碍物点云进行空间距离计算,实现树障隐患的快速分析;
所述步骤S6的具体步骤如下:
S61、在三维空间直角坐标系OXYZ上,将杆塔平面投影至XOY平面上的大小作为投影单元,将点云按照投影单元的大小划分为不同点云单元;
S62、根据每个点云单元内的高度直方图对电力线和杆塔进行粗提取,点云沿垂直方向连续分布且高于设定阈值的点云单元提取为杆塔,点云高度超过设定阈值且沿垂直方向分布不连续、有明显空层的点云单元提取为架空导地线;
S63、采用基于栅格的区域生长算法对假阳性电力线点进行校正;将候选电力线的点云单元作为3×3栅格的中心单元,相邻的8个单元中的非电力线点作为种子,并根据三维空间欧氏距离进行生长,如果中心单元中的点与非电力线种子点一起生长,则中心单元中的点将被重新提取为非电力线点;
S64、基于坐标旋转及聚类算法对假阴性电力线点进行校正;
基于坐标旋转的方法,将电力线点投影到垂直于导线方向的平面内,假设是导线和Y轴之间的角度,沿XOY平面旋转电力线点,角度为/>,然后沿着Y轴将电力线点投影到XOZ平面;属于同一导线的点在XOZ平面上聚合成一个簇,而不同导线的点分散成不同的簇;
用矩阵W 1表示与对应的旋转矩阵,矩阵W 2表示为将三维坐标点沿Y轴投影到XOZ平面的投影矩阵;则坐标旋转变换矩阵W表示为两个变换的乘积:
(3);
若Px、Py和Pz,表示投影前电力线点P的三维坐标,px和py表示投影后电力线点p的二维坐标,由旋转坐标变换矩阵W得到;公式如下:
(4);
通过使用式(4)变换电力线点,属于同一导体点的分布变得更加集中,而属于不同导体的点则更加分散;
投影后电力线点p j 与投影后电力线点p i 属于同一条直线的概率用高斯函数表示如下:
(5);
其中为导线的半径,/>表示投影后电力线点p i 的横坐标, />表示投影后电力线点p i 的纵坐标, />表示投影后电力线点p j 的横坐标, />表示投影后电力线点p j 的纵坐标,表示投影后电力线点p j 与投影后电力线点p i 属于同一条直线的概率,/>越大,投影后电力线点p j 与投影后电力线点p i 属于同一条直线的概率越大,当/>超过阈值,则判定投影后电力线点p j 与投影后电力线点p i 属于同一条直线,实现同一相电力线点云的正确分类;
针对区域生长后校正为非电力线的点p k ,使用表示点集中在点p k 的概率,通过求和点p k 周围所有点的高斯函数来计算;公式如下:
(6);
其中N是3×3单元栅格中的电力线点总数,表示点p k 与点p j 属于同一条直线的概率;/>越大,点p k 属于假阴性的概率越大,当/>超过阈值,则判定点p k 属于假阴性,完成对假阴性电力线点云的校正;
S65、基于每相导线的电力线点云,根据非线性最小二乘法,拟合求解导线悬链线方程,使用该方程补全导线缺失部分;
S66、以导线半径作为阈值,按拟合后的导线方向将邻域中距离拟合线小于阈值的点重新归类为电力线点,进一步降低电力线点云假阴性率。
2.根据权利要求1所述的基于点云自动分类的输电线路树障隐患分析方法,其特征在于,步骤S2中,使用点云库对栅格化后的点云预处理,得到所有栅格中的最低点的集合P min 的过程如下:
S21、将栅格化后的点云数据定义为一个二值栅格,其中0代表无数据栅格,1代表其他栅格;
S22、共有n个无数据栅格,标记无数据栅格为W i ,i=1,2,…,n;6个边界面分别为B i1 、B i2 、 B i3 、B i4 、B i5 、B i6,其中A i1 、A i2 、A i3 、A i4 、A i5 、A i6分别为B i1 、B i2 、B i3 、B i4 、B i5 、B i6边界面上的任一点,对应的法向量分别为,依据公式(1)搜索与无数据栅格各边界面距离最近的点,记作P imin,1、P imin,2、P imin,3、P imin,4、P imin,5、P imin,6,它们的集合记作P imin ;
(1);
其中,A ij表示无数据栅格W i 第j个边界面上的任一点,为无数据栅格W i 第j个边界面上的法向量,P imin,j表示与无数据栅格W i 第j个边界面距离最近的点,d表示点与边界面距离,/>表示点A ij与点P imin,j所构成的向量,/>;
S23、比较集合P imin 中所有点高程,其中的最低点作为无数据栅格W i 的最低点;
S24、记录每个无数据栅格中的最低点,它们的集合记作P min 。
3.根据权利要求2所述的基于点云自动分类的输电线路树障隐患分析方法,其特征在于,步骤S4所述使用RANSAC方法将潜在地面种子点及距离其最近的k个点拟合出一个平面,使用平移平面拟合法消除非地面点的过程如下:
S41、在三维空间中搜索潜在地面种子点集合G potential 中的每个潜在地面种子点P i 及距离其最近的k个点,将潜在地面种子点P i 及距离其最近的k个点的集合记作P pot ,通过RANSAC方法获得局部拟合平面F a ;
S42、采用平移平面拟合法消除非地面点:平行移动局部拟合平面F a 使其通过潜在地面种子点P i 得到一个新的平移平面F b ,根据指标r判断潜在地面种子点P i 是否属于地面种子点:
(2);
其中dis(P pot,i ,Fb)是潜在地面种子点P i 和新的平移平面F b 的距离;如果指标r大于阈值,则将潜在地面种子点P i 点判定为非地面种子点,并从潜在地面种子点集合G potential 中删除;潜在地面种子点集合G potential 中的其余点将添加到地面种子点集合G seeds 。
4.根据权利要求3所述的基于点云自动分类的输电线路树障隐患分析方法,其特征在于,步骤S5所述使用地面种子点构建不规则三角网,采用不规则三角网向下加密和迭代不规则三角网向上加密的方法完成地面点的提取的具体步骤如下:
S51、将地面种子点集合G seeds 用于构造初始的基于不规则三角网的数字地面模型,选择点云场景边界的四个角作为模拟地面点,并加入到地面种子点集合G seeds 中以创建不规则三角网;
S52、设置一个d 1宽度的缓冲区用于扩展数据处理区域,沿缓冲区外边界,将模拟地面点以固定间隔d 2布置;
S53、设置模拟地面点的高程与地面种子点集合G seeds 中最近点的高程相同,并使用模拟地面点和地面种子点集合G seeds 生成初始的基于不规则三角网的数字地面模型;
S54、采用不规则三角网向下加密,将错误分类的非地面点重新归为地面点,使未分类点位于不规则三角网之上,提高初始数字地面模型的质量;
S55、采用迭代不规则三角网向上加密,根据三角面上方的点距离三角面的距离和点与三角形三个顶点的角度设置阈值进行迭代,获得不规则三角网表面的点,归类为地面点,完成地面点提取。
5.根据权利要求1所述的基于点云自动分类的输电线路树障隐患分析方法,其特征在于,步骤S7所述杆塔精细化提取的过程如下:
S71、对于分类为杆塔的网格单元,提取其3×3邻域网格单元边界与电力线相交形成的凸多边形;
S72、从粗提取的杆塔网格单元几何中心引出一条射线,将该射线沿任意方向射出,计算射线与凸多边形各边的交点个数;
S73、当交点个数存在奇数个时,则点在凸多边形内,这个点所在单元格为杆塔单元格;当交点个数存在偶数个时,则点在凸多边形外,这个点所在单元格为假阳性杆塔单元格,则滤除该单元格, 实现对满足高度阈值的假阳性杆塔点云的剔除;
S74、在杆塔点云单元格范围内,将点云按照高度沿Z轴方向按指定厚度切片,对切片进行二值图像化处理,即将切片对应的空间三维点云坐标投影至XOY平面,形成二值图像掩码;
S75、计算得到各切片的连通分量,对相邻切片的连通分量进行求交测试,保留相交的连通分量,即投影在连通分量内且与相邻切片联通分量相交的点云保留,其他剔除;
S76、对求交后的结果依次再进行求交测试,迭代计算,实现对杆塔周围的植被滤除,完成杆塔精细化提取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405296.0A CN117132915B (zh) | 2023-10-27 | 2023-10-27 | 一种基于点云自动分类的输电线路树障隐患分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405296.0A CN117132915B (zh) | 2023-10-27 | 2023-10-27 | 一种基于点云自动分类的输电线路树障隐患分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117132915A CN117132915A (zh) | 2023-11-28 |
CN117132915B true CN117132915B (zh) | 2024-03-12 |
Family
ID=88853114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311405296.0A Active CN117132915B (zh) | 2023-10-27 | 2023-10-27 | 一种基于点云自动分类的输电线路树障隐患分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117132915B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US10634793B1 (en) * | 2018-12-24 | 2020-04-28 | Automotive Research & Testing Center | Lidar detection device of detecting close-distance obstacle and method thereof |
CN111929698A (zh) * | 2020-06-22 | 2020-11-13 | 云南电网有限责任公司带电作业分公司 | 一种输电线路走廊区域内的树障隐患识别方法 |
CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
KR20210033262A (ko) * | 2019-09-18 | 2021-03-26 | 한국전력공사 | 송전선로의 환경침해 진단장치 |
CN114119606A (zh) * | 2022-01-20 | 2022-03-01 | 国网江西省电力有限公司电力科学研究院 | 基于可见光照片电力线着色的智能化树障隐患分析方法 |
CN116256771A (zh) * | 2023-02-21 | 2023-06-13 | 三峡大学 | 一种基于无人机激光点云树障分析方法 |
CN116739558A (zh) * | 2023-05-18 | 2023-09-12 | 国网河北省电力有限公司井陉县供电分公司 | 一种基于激光点云建模的树障隐患预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659859A (zh) * | 2019-01-28 | 2019-04-19 | 广东科凯达智能机器人有限公司 | 输电线路智能巡检系统 |
-
2023
- 2023-10-27 CN CN202311405296.0A patent/CN117132915B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US10634793B1 (en) * | 2018-12-24 | 2020-04-28 | Automotive Research & Testing Center | Lidar detection device of detecting close-distance obstacle and method thereof |
KR20210033262A (ko) * | 2019-09-18 | 2021-03-26 | 한국전력공사 | 송전선로의 환경침해 진단장치 |
CN111929698A (zh) * | 2020-06-22 | 2020-11-13 | 云南电网有限责任公司带电作业分公司 | 一种输电线路走廊区域内的树障隐患识别方法 |
CN111985496A (zh) * | 2020-07-13 | 2020-11-24 | 南方电网数字电网研究院有限公司 | 一种基于植被三维凸包的树障隐患快速检测方法和终端 |
CN114119606A (zh) * | 2022-01-20 | 2022-03-01 | 国网江西省电力有限公司电力科学研究院 | 基于可见光照片电力线着色的智能化树障隐患分析方法 |
CN116256771A (zh) * | 2023-02-21 | 2023-06-13 | 三峡大学 | 一种基于无人机激光点云树障分析方法 |
CN116739558A (zh) * | 2023-05-18 | 2023-09-12 | 国网河北省电力有限公司井陉县供电分公司 | 一种基于激光点云建模的树障隐患预警方法 |
Non-Patent Citations (5)
Title |
---|
Research on 3D Reconstruction of Transmission Linesnd Identification of Hidden Dangers of Tree Barriers Based on Airborne Lidar Point Cloud;Chuanxun Yang et al.;《GSES 2018: Geo-informatics in Sustainable Ecosystem and Society》;第980卷;第374–384页 * |
基于LiDAR点云特征和模型拟合的高压线提取;杨渊 等;《中国科学院大学学报》;第35卷(第5期);第612-616页 * |
基于RANSAC模型的机载LiDAR 数据中建筑轮廓提取算法;王植 等;《东北大学学报(自然科学版)》;第33卷(第2期);第271-275页 * |
基于机载LiDAR点云的高压输电线路三维建模研究;陈世超;《中国博士学位论文全文数据库工程科技Ⅱ辑》(第1期);第C042-263页 * |
机载LiDAR输电线走廊点云数据自动分类和树障预警分析方法研究;张昌赛;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第1期);第C042-2784页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117132915A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110781827B (zh) | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 | |
CN107767389A (zh) | 一种基于机载激光点云数据的输电线自动提取方法 | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
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 | |
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 | |
CN112767352B (zh) | 面向机载LiDAR电力巡检的高压线塔自动精细化提取方法 | |
CN114114314A (zh) | 基于激光点云的输电线路巡检检测系统及检测方法 | |
CN111931559A (zh) | 一种输电线路走廊区域内树种的分类方法 | |
WO2017034405A1 (en) | Method for identifying individual trees in airborne lidar data and corresponding computer program product | |
CN115205690A (zh) | 基于mls点云数据的行道树单体化提取方法及装置 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
CN115825984A (zh) | 一种基于激光点云的输电线路巡检系统及巡检方法 | |
CN113643444A (zh) | 一种基于坡度补偿的渐进加密三角网点云滤波方法 | |
CN116071530B (zh) | 一种基于机载激光点云的建筑物屋顶体素化分割方法 | |
CN112200083B (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN117132915B (zh) | 一种基于点云自动分类的输电线路树障隐患分析方法 | |
Costantino et al. | Features and ground automatic extraction from airborne LiDAR data | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
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 | |
Lei et al. | Automatic identification of street trees with improved RandLA-Net and accurate calculation of shading area with density-based iterative α-shape | |
CN111582156A (zh) | 一种基于倾斜摄影城市三维模型的高大植被提取方法 | |
Yang et al. | A robust model fitting-based method for transmission line extraction from airborne LiDAR point cloud data | |
CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
Ding et al. | Study on the automatic modeling method of 3D information model for substations |
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 |