CN117237654A - 一种基于LiDAR的电力线单线自动提取方法 - Google Patents
一种基于LiDAR的电力线单线自动提取方法 Download PDFInfo
- Publication number
- CN117237654A CN117237654A CN202311054481.XA CN202311054481A CN117237654A CN 117237654 A CN117237654 A CN 117237654A CN 202311054481 A CN202311054481 A CN 202311054481A CN 117237654 A CN117237654 A CN 117237654A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- power line
- network
- dimensional point
- dimensional
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000012952 Resampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 4
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 3
- 238000007689 inspection Methods 0.000 description 17
- 230000005540 biological transmission Effects 0.000 description 16
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于LiDAR的电力线单线自动提取方法，利用搭载激光雷达的无人机，扫描电力基础设施，生成三维点云数据；通过数据增强策略增强数据后，用于神经网络的训练；神经网络包含主干网络和两个分支网络；主干网络提取增强点云特征，两个分支网络根据点云特征分别提取电力线电塔与电力线单线；将分支网络损失相加得到总损失，优化网络参数；训练后的网络输入电力设施点云，分支网络输出点的类别和判别嵌入，从中提取电力线点的判别嵌入通过Mean‑Shift聚类算法聚类提取电力线单线。
Description
技术领域
本发明涉及一种基于LiDAR的电力线单线自动提取方法，属于计算机视觉技术领域。
背景技术
电力在人们的生产生活中扮演着不可或缺的角色。当前大量的输电线路被建设以满足居民和工业的用电需求。由于电力线路彼此相连，因此局部区域的电路故障可能会引发连锁反应，造成超区域停电。山区输电线路是电力系统的重要组成部分，这些线路相比城市线路更容易遭受植被和自然灾害等侵袭。为了保障电力传输的可靠性，安排定期的电力巡检具有重要意义。
目前，传统电力巡检方式包括人工巡检、载人直升机巡检、无人机巡检等。这些巡检方法通常需要工作人员亲临现场，但很多输电线路分布在偏远山区，道路崎岖，这为电力巡检带来较大困难。此外，山区输电塔通常有十几到上百米高，工作人员在地面很难清晰观测到电力线情况，因此需要爬塔走线巡查缺陷，通常带电作业，危险系数大，且无法及时发现电力线路问题。由此可见这些巡检方式易受地形、天气影响，且巡检结果较依赖工作人员经验，费时费力。
基于机载激光雷达扫描的点云数据，可快速准确映射大规模实景电力线的三维空间信息，特别是在人员难以到达的偏远山区，机载激光雷达技术是解决问题的重要技术手段：解决传统的人工巡检方式易受地形、天气影响，且巡检结果较依赖工作人员经验，费时费力等问题。采用智能化手段，降低电力通道人工巡检的劳动强度、提高电力巡检自动化水平、保障电力传输的可靠性。
尽管搭载激光扫描系统的无人机带来了许多优势，但智能分析收集的点云以进行常规输电线路巡检的技术需求迫切。作为输电线路巡检急需的关键技术，基于搭载激光扫描仪收集的点云进行自动提取单个输电线路仍然面临许多挑战。具体而言，首先，输电线路通常存在于大规模复杂的室外场景中。收集到的点云场景包含数百万甚至数千万个点。处理如此大规模的三维点云需要一种有效的方法来自动准确地提取输电线路和输电塔。其次，在实践中，不同场景中的输电线路之间存在显著差异。此外，由于遮挡的原因，点云中的输电线路可能会变得不连续或中断。因此，传统方法(如基于聚类的算法或RANSAC模型拟合的算法在提取点云中的单个输电线路时受到很大影响的鲁棒性和泛化性。第三，在收集的点云场景中存在显著的类别不平衡问题。具体而言，场景中输电线路和输电塔的三维点数量远小于其他类别。这可能导致提取模型的性能下降，其中少数类别(如输电塔和输电线路)被错误分类为其他多数类别。
发明内容
为了解决上述现有技术中存在的问题，本发明提出了一种基于LiDAR的电力线单线自动提取方法。
本发明的技术方案如下：
一方面，本发明提供了一种基于LiDAR的电力线单线自动提取方法，包括以下步骤：
通过无人机搭载的激光雷达扫描系统对电力基础设施进行扫描得到电力基础设施的三维点云数据，并通过数据增强策略对三维点云数据进行增强；
将增强后的三维点云数据作为训练样本输入神经网络中，神经网络由一个主干网络和与之连接的两个分支网络构成，主干网络提取增强后的三维点云数据的特征，分别输入电力线电塔提取分支网络与电力线单线提取分支网络中分别得到对应结果，分别将两个分支网络的将对应结果代入到对应分支网络的损失函数中得到两个分支网络的损失，将两个分支网络的损失相加得到神经网络的最终损失，通过最终损失优化神经网络参数，最终得到训练完成的神经网络；
将要提取电力线单线的三维点云数据输入训练完成的神经网络中，神经网络的两个分支网络分别输出每个点的类别与每个点的判别嵌入，提取出属于电力线类别的点的判别嵌入，并通过Mean-Shift聚类算法对其进行聚类提取电力线单线。
作为本发明的优选实施方式，所述数据增强策略用于提高训练样本的丰富度，包括：基于变换的增强策略、基于密度的增强策略以及基于扫描的增强策略；
所述基于变换的增强策略使用以下公式对三维点云进行增强：
PO＝RPI
其中：PI和PO分别表示输入的三维点云和增强后的三维点云；R是旋转矩阵，其中α，β和γ分别表示滚转角、俯仰角和偏航角，通过采用不同的γ在水平方向上旋转点云，获得不同水平方向的三维点云数据。
作为本发明的优选实施方式，所述基于密度的增强策略包括边缘感知重采样与迭代最远点采样；
通过边缘感知重采样对三维点云的边缘进行重采样得到可靠的法线，接着逐渐对不靠近边缘的点进行重采样，实现对三维点云的边缘保留上采样；
通过迭代最远点采样对三维点云进行下采样，最大化所有采样点之间的距离，得到具有一致密度和几何结构的点云；
上述两种采样方式均基于点云的密度，所述点云的密度计算公式如下式所示：
其中：n表示三维点云中的点的数量；‖·‖2表示两点之间的L2距离。
作为本发明的优选实施方式，所述基于扫描的增强策略通过模拟不同的扫描角度，得到由于不同扫描角度导致的不完整三维点云样本，具体步骤为：
生成随机的扫描视点坐标，根据视点和得到三维点云计算扫描线的方程，接着通过计算每个点到扫描线的距离，并与阈值比较，确定是否被遮挡，最后通过比较被遮挡点和未被遮挡点与视点的空间距离，进一步判断点是否被遮挡，最终丢弃被遮挡的点，输出当前视点下的三维点云。
作为本发明的优选实施方式，所述神经网络为PLPT-Net网络，其主干网络提取三维点云特征具体步骤为：
输入到主干网络中的三维点云首先通过第一多层感知机得到三维点云的第一高维特征，第一高维特征通过最大池化层得到全局特征，全局特征通过第二多层感知机得到降维后的全局特征；
通过KD树搜索三维点云中每个点在几何空间中的多个邻近点，将每个点的所有邻近点和中心点之间的向量进行拼接得到三维点云第二高维特征，将第二高维特征输入第三多层感知机，得到升维后的第二高维特征；
将三维点云的第一高维特征、降维后的全局特征以及第二高维特征进行拼接并通过第四多层感知机得到三维点云的最终特征。
作为本发明的优选实施方式，所述电力线电塔提取分支网络将主干网络输入的特征通过第五多层感知机降维，并经过全连接层得到最终结果；
所述电力线电塔提取分支网络使用带权重交叉熵作为损失函数，如下式所示：
其中：ωc代表每个类别的权重；N代表总点数；Nc代表类别c的点数；M代表类别数量；yc为独热编码；pc代表类别c的预测概率。
作为本发明的优选实施方式，所述电力线单线提取分支网络将主干网络输入的特征通过第六多层感知机降维，并经过全连接层得到最终结果；
所述电力线单线提取分支网络使用判别损失作为损失函数，如下式所述：
L＝α·L0+β·L1+γ·L2
其中：M代表场景中的电力线数目；Nc表示属于第c根电力线的点数；xi和σc分别表示点i的特征嵌入和第c根电力线的特征嵌入中心；||·||表示L2距离；输出0和x之间的最大值；δ0和δ1为手动设定的阈值。
另一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的方法。
本发明具有如下有益效果：
1、本发明设计了卷积神经网络作为主干网络，实现大规模点云的高效快速特征提取。
2、本发明设计了加权交叉熵损失函数，以衡量每个类别的重要性差异，解决不同类别之间的数据量不平衡问题，同时设计了一种判别损失函数来对齐神经网络生成的点特征，有效学习区分不同输电线路的判别特征。
3、本发明设计了三种不同的数据增强策略，以增强用于有效训练深度学习模型的训练数据。
附图说明
图1为本发明流程图；
图2为本发明神经网络训练流程图；
图3为本发明PLPT-Net网络结构图；
图4为本发明主干网络结构图。
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
实施例一：
参见图1，一种基于LiDAR的电力线单线自动提取方法，包括以下步骤：
通过无人机搭载的激光雷达扫描系统对电力基础设施进行扫描得到电力基础设施的三维点云数据，并通过数据增强策略对三维点云数据进行增强；
将增强后的三维点云数据作为训练样本输入神经网络中，神经网络由一个主干网络和与之连接的两个分支网络构成，主干网络提取增强后的三维点云数据的特征，分别输入电力线电塔提取分支网络与电力线单线提取分支网络中分别得到对应结果，分别将两个分支网络的将对应结果代入到对应分支网络的损失函数中得到两个分支网络的损失，将两个分支网络的损失相加得到神经网络的最终损失，通过最终损失优化神经网络参数，最终得到训练完成的神经网络；
将要提取电力线单线的三维点云数据输入训练完成的神经网络中，神经网络的两个分支网络分别输出每个点的类别与每个点的判别嵌入，提取出属于电力线类别的点的判别嵌入，并通过Mean-Shift聚类算法对其进行聚类提取电力线单线。
作为本实施例的优选实施方式，所述数据增强策略用于提高训练样本的丰富度，包括：基于变换的增强策略、基于密度的增强策略以及基于扫描的增强策略；
所述基于变换的增强策略使用以下公式对三维点云进行增强：
PO＝RPI
其中：PI和PO分别表示输入的三维点云和增强后的三维点云；R是旋转矩阵，其中α，β和γ分别表示滚转角、俯仰角和偏航角，通过采用不同的γ在水平方向上旋转点云，获得不同水平方向的三维点云数据。
作为本实施例的优选实施方式，所述基于密度的增强策略包括边缘感知重采样与迭代最远点采样；
通过边缘感知重采样对三维点云的边缘进行重采样得到可靠的法线，接着逐渐对不靠近边缘的点进行重采样，实现对三维点云的边缘保留上采样；
通过迭代最远点采样对三维点云进行下采样，最大化所有采样点之间的距离，得到具有一致密度和几何结构的点云；
上述两种采样方式均基于点云的密度，所述点云的密度计算公式如下式所示：
其中：n表示三维点云中的点的数量；‖·‖2表示两点之间的L2距离。
作为本实施例的优选实施方式，所述基于扫描的增强策略通过模拟不同的扫描角度，得到由于不同扫描角度导致的不完整三维点云样本，具体步骤为：
生成随机的扫描视点坐标，根据视点和得到三维点云计算扫描线的方程，接着通过计算每个点到扫描线的距离，并与阈值比较，确定是否被遮挡，最后通过比较被遮挡点和未被遮挡点与视点的空间距离，进一步判断点是否被遮挡，最终丢弃被遮挡的点，输出当前视点下的三维点云。
作为本实施例的优选实施方式，所述神经网络为PLPT-Net网络，其主干网络提取三维点云特征具体步骤为：
输入到主干网络中的三维点云首先通过第一多层感知机，得到三维点云的第一高维特征，第一高维特征通过最大池化层得到全局特征，全局特征通过第二多层感知机得到降维后的全局特征；
通过KD树搜索三维点云中每个点在几何空间中最近的多个邻近点，将每个点的所有邻近点和中心点之间的向量进行拼接得到三维点云第二高维特征，将第二高维特征输入第三多层感知机，得到升维后的第二高维特征；
将三维点云的第一高维特征、降维后的全局特征以及第二高维特征进行拼接并通过第四多层感知机得到三维点云的最终特征。
具体地，在本实施例中：
针对输入的N×3的点云数据，将点云输入主干网络中提取特征：
将点云输入多层感知机中，该多层感知机包括了5层，依次将特征维度转换为64、64、64、128、1024；
将上一步骤中得到的N×1024点云特征输入最大池化层中，在每一个维度上都选择N个点中最大的特征值，得到一个1×1024的全局特征；
将全局特征通过一个多层感知机(256,128)降维，再复制N份得到N×128的特征；
使用KD树搜索每个点在几何空间中的16个邻近点Pi(i＝0,1,2,...,15)；将每个点的16个邻近点和中心点之间的向量进行拼接得到N×48的特征，将特征输入一个多层感知机，依次将特征转换为128、128、128；
将N×1024维特征、N×128维特征以及上一步骤中得到的N×128维特征拼接，之后再经过一个2层的多层感知机(512，256)得到N×256维的特征向量。
作为本实施例的优选实施方式，所述电力线电塔提取分支网络将主干网络输入的特征通过第五多层感知机(128，64，32)降维，并经过全连接层得到N×3的向量；
所述电力线电塔提取分支网络使用带权重交叉熵作为损失函数，如下式所示：
其中：ωc代表每个类别的权重；N代表总点数；Nc代表类别c的点数；M代表类别数量；yc为独热编码；pc代表类别c的预测概率。
作为本实施例的优选实施方式，所述电力线单线提取分支网络将主干网络输入的特征通过第六多层感知机(128，64，32)降维，并经过全连接层得到N×3的向量；
所述电力线单线提取分支网络使用判别损失作为损失函数，如下式所述：
L＝α·L0+β·L1+γ·L2
其中：M代表场景中的电力线数目；Nc表示属于第c根电力线的点数；xi和σc分别表示点i的特征嵌入和第c根电力线的特征嵌入中心；||·||表示L2距离；输出0和x之间的最大值；δ0和δ1为手动设定的阈值。
实施例二：
本实施例提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的方法。
实施例三：
本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的方法。
本申请实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory；以下简称：ROM)、随机存取存储器(Random Access Memory；以下简称：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种基于LiDAR的电力线单线自动提取方法，其特征在于，包括以下步骤：
通过无人机搭载的激光雷达扫描系统对电力基础设施进行扫描得到电力基础设施的三维点云数据，并通过数据增强策略对三维点云数据进行增强；
将增强后的三维点云数据作为训练样本输入神经网络中，神经网络由一个主干网络和与之连接的两个分支网络构成，主干网络提取增强后的三维点云数据的特征，分别输入电力线电塔提取分支网络与电力线单线提取分支网络中分别得到对应结果，分别将两个分支网络的将对应结果代入到对应分支网络的损失函数中得到两个分支网络的损失，将两个分支网络的损失相加得到神经网络的最终损失，通过最终损失优化神经网络参数，最终得到训练完成的神经网络；
将要提取电力线单线的三维点云数据输入训练完成的神经网络中，神经网络的两个分支网络分别输出每个点的类别与每个点的判别嵌入，提取出属于电力线类别的点的判别嵌入，并通过Mean-Shift聚类算法对其进行聚类提取电力线单线。
2.根据权利要求1所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述数据增强策略用于提高训练样本的丰富度，包括：基于变换的增强策略、基于密度的增强策略以及基于扫描的增强策略；
所述基于变换的增强策略使用以下公式对三维点云进行增强：
PO＝RPi
其中：PI和PO分别表示输入的三维点云和增强后的三维点云；R是旋转矩阵，其中α，β和γ分别表示滚转角、俯仰角和偏航角，通过采用不同的γ在水平方向上旋转点云，获得不同水平方向的三维点云数据。
3.根据权利要求2所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述基于密度的增强策略包括边缘感知重采样与迭代最远点采样；
通过边缘感知重采样对三维点云的边缘进行重采样得到可靠的法线，接着逐渐对不靠近边缘的点进行重采样，实现对三维点云的边缘保留上采样；
通过迭代最远点采样对三维点云进行下采样，最大化所有采样点之间的距离，得到具有一致密度和几何结构的点云；
上述两种采样方式均基于点云的密度，所述点云的密度计算公式如下式所示：
其中：n表示三维点云中的点的数量；‖·‖2表示两点之间的L2距离。
4.根据权利要求2所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述基于扫描的增强策略通过模拟不同的扫描角度，得到由于不同扫描角度导致的不完整三维点云样本，具体步骤为：
生成随机的扫描视点坐标，根据视点和得到三维点云计算扫描线的方程，接着通过计算每个点到扫描线的距离，并与阈值比较，确定是否被遮挡，最后通过比较被遮挡点和未被遮挡点与视点的空间距离，进一步判断点是否被遮挡，最终丢弃被遮挡的点，输出当前视点下的三维点云。
5.根据权利要求1所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述神经网络为PLPT-Net网络，其主干网络提取三维点云特征具体步骤为：
输入到主干网络中的三维点云首先通过第一多层感知机得到三维点云的第一高维特征，第一高维特征通过最大池化层得到全局特征，全局特征通过第二多层感知机得到降维后的全局特征；
通过KD树搜索三维点云中每个点在几何空间中的多个邻近点，将每个点的所有邻近点和中心点之间的向量进行拼接得到三维点云第二高维特征，将第二高维特征输入第三多层感知机，得到升维后的第二高维特征；
将三维点云的第一高维特征、降维后的全局特征以及第二高维特征进行拼接并通过第四多层感知机得到三维点云的最终特征。
6.根据权利要求1所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述电力线电塔提取分支网络将主干网络输入的特征通过第五多层感知机降维，并经过全连接层得到最终结果；
所述电力线电塔提取分支网络使用带权重交叉熵作为损失函数，如下式所示：
其中：ωc代表每个类别的权重；N代表总点数；Nc代表类别c的点数；M代表类别数量；yc为独热编码；pc代表类别c的预测概率。
7.根据权利要求1所述的一种基于LiDAR的电力线单线自动提取方法，其特征在于，所述电力线单线提取分支网络将主干网络输入的特征通过第六多层感知机降维，并经过全连接层得到最终结果；
所述电力线单线提取分支网络使用判别损失作为损失函数，如下式所述：
L＝α·L0+β·L1+γ·L2
其中：M代表场景中的电力线数目；Nc表示属于第c根电力线的点数；xi和σc分别表示点i的特征嵌入和第c根电力线的特征嵌入中心；‖·‖表示L2距离；输出0和x之间的最大值；δ0和δ1为手动设定的阈值。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至8任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054481.XA CN117237654A (zh) | 2023-08-21 | 2023-08-21 | 一种基于LiDAR的电力线单线自动提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311054481.XA CN117237654A (zh) | 2023-08-21 | 2023-08-21 | 一种基于LiDAR的电力线单线自动提取方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237654A true CN117237654A (zh) | 2023-12-15 |
Family
ID=89081591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311054481.XA Pending CN117237654A (zh) | 2023-08-21 | 2023-08-21 | 一种基于LiDAR的电力线单线自动提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237654A (zh) |
-
2023
- 2023-08-21 CN CN202311054481.XA patent/CN117237654A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Distribution line pole detection and counting based on YOLO using UAV inspection line video | |
| CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
| Sohn et al. | Automatic powerline scene classification and reconstruction using airborne lidar data | |
| RU2669656C2 (ru) | Обнаружение состояния с использованием обработки изображений | |
| RU2694016C1 (ru) | Обнаружение состояния объектов с использованием системы обработки изображения, соответствующий способ и постоянный машиночитаемый носитель | |
| Kim et al. | Point-based classification of power line corridor scene using random forests | |
| CN109376605B (zh) | 一种电力巡检图像防鸟刺故障检测方法 | |
| CN113192086B (zh) | 地质灾害隐患变形强度分布图的生成方法和存储介质 | |
| CN110501302B (zh) | 一种多源证据融合数据的浒苔分布图生成方法 | |
| Wang et al. | Vehicle detection based on drone images with the improved faster R-CNN | |
| US10080143B2 (en) | Method of placing an antenna of a radio access network (RAN) asset in a wireless communication network | |
| CN115267815B (zh) | 一种基于点云建模的路侧激光雷达组群优化布设方法 | |
| Kim et al. | Large-scale visual data–driven probabilistic risk assessment of utility poles regarding the vulnerability of power distribution infrastructure systems | |
| Nardinocchi et al. | Fully automatic point cloud analysis for powerline corridor mapping | |
| Gazzea et al. | Automated satellite-based assessment of hurricane impacts on roadways | |
| Kumar et al. | Feature relevance analysis for 3D point cloud classification using deep learning | |
| CN115861756A (zh) | 基于级联组合网络的大地背景小目标识别方法 | |
| CN116229287A (zh) | 基于复杂林地环境的遥感亚像元疫木检测方法 | |
| Thanh Ha et al. | Automated Localization and Classification of Expressway Pole‐Like Road Facilities from Mobile Laser Scanning Data | |
| CN117237654A (zh) | 一种基于LiDAR的电力线单线自动提取方法 | |
| Hensel et al. | Building Roof Vectorization with PPGNET | |
| Ha et al. | Automated localization and classification of expressway Pole-Like road facilities from mobile laser scanning data | |
| Yastikli et al. | Automatic 3D building model generations with airborne LiDAR data | |
| Zheng et al. | Multiscale fusion network for rural newly constructed building detection in unmanned aerial vehicle imagery | |
| Shoko et al. | LiDAR derived shack footprint for the City of Cape Town, South Africa |
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 |