CN117517864B - 一种基于激光雷达的输电线路近电预警方法与装置 - Google Patents
一种基于激光雷达的输电线路近电预警方法与装置 Download PDFInfo
- Publication number
- CN117517864B CN117517864B CN202311484289.4A CN202311484289A CN117517864B CN 117517864 B CN117517864 B CN 117517864B CN 202311484289 A CN202311484289 A CN 202311484289A CN 117517864 B CN117517864 B CN 117517864B
- Authority
- CN
- China
- Prior art keywords
- power transmission
- point cloud
- dimensional point
- transmission line
- early warning
- 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 127
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 title claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000001960 triggered effect Effects 0.000 claims abstract description 7
- 238000004040 coloring Methods 0.000 claims abstract description 4
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000033001 locomotion Effects 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 6
- 230000018109 developmental process Effects 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims 1
- 239000003086 colorant Substances 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004313 glare Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
- G01C21/1652—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments with ranging devices, e.g. LIDAR or RADAR
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C25/00—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass
- G01C25/005—Manufacturing, calibrating, cleaning, or repairing instruments or devices referred to in the other groups of this subclass initial alignment, calibration or starting-up of inertial devices
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/497—Means for monitoring or calibrating
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于激光雷达的输电线路近电预警方法与装置,所述方法包括:采集三维点云数据;生成稠密的局部三维点云地图;对地图中的输电塔、输电线目标的三维点云进行识别;显示局部三维点云地图,并对不同类型的点云按颜色进行赋色;将局部三维点云地图降维至二维,对投影后的输电塔和输电线的点云进行实例级分割,然后再将分割后的二维点云升维至三维点云;计算近电预警装置与每座输电塔和每组输电线的三维点云最近距离,并在每座输电塔和每组输电线上方显示测量结果;当计算的结果小于距离阈值时,通过蜂鸣器发出警报,同时引发报警的目标点云和测量结果闪烁。本发明通用性强,且近电识别准确率高。
Description
技术领域
本发明属于输电线路近电预警技术领域,具体涉及一种基于激光雷达的输电线路近电预警方法与装置。
背景技术
在保证施工人员和设备安全的前提下,对输电线路进行带电维护和检修,对于确保电网系统稳定运行十分重要。如果能够实时测量施工人员或设备与输电线路之间的距离,并在距离低于安全阈值时及时发出警报,将有助于提高施工安全性。然而高压输电线一般架设在野外复杂环境,有树木、植被和地形等干扰因素,此外,输电线路多由镂空输电塔和细长电力线组成,对此,如何较为准确地测量施工人员或设备与输电线路之间的距离,仍是一个具有挑战性的研究课题。目前主要有如下三种方法对输电线路进行测距。
1)基于视觉图像的测距方法使用相机获取目标场景影像,通过视图之间的特征点提取、极线约束、特征点匹配和三角测量的方法,构建三维点云模型,测量与输电线路的距离。但光照变化、相机成像原理限制,强光或夜晚可能导致方法失效。同时,输电线长度长且相似图像重复,易导致视图误匹配。
2)通过拟合输电线路的激光雷达三维点云空间分布特征扫描也可以对输电线路进行提取和测距。首先,利用激光雷达扫描点云进行重建,定位输电塔位置。然后将三维点云投影到二维平面,电力线点云呈悬链线状。最后采用随机抽样一致性检验、霍夫变换或悬链线拟合等算法提取和拟合电力线。但这种形态学拟合方法会导致信息丢失,无法解决相互遮挡的问题,适用于地形平坦、树木较少的环境,通用性较差。
3)此外,也可以使用深度学习网络,对输电线路的激光雷达三维点云进行目标分割。然而,目前大多数应用于输电线路测量领域的基于深度学习的点云分割算法都是基于离线点云数据进行后处理的,无法满足实时距离测量的要求。如果基于单帧输电线路三维点云进行分割,则又会面临三维点云过于稀疏,识别准确率降低的问题。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于激光雷达的输电线路近电预警方法与装置,基于输电线路的激光雷达扫描的三维点云,进行实例分割和测距,并基于测距结果进行预警。
为实现上述技术目的,本发明采取的技术方案为:
一种基于激光雷达三维点云的输电线路近电预警方法,包括:
步骤一:近电预警装置采用激光雷达采集连续单帧输电线路周围场景的三维点云数据;
步骤二:采用并发定位与制图法进行逐帧三维点云的配准和拼接,生成稠密的局部三维点云地图;
步骤三:基于针对输电线路三维点云的神经网络模型,以所述局部三维点云地图为输入,通过语义分割对局部三维点云地图中的输电塔、输电线目标的三维点云进行识别;
步骤四:显示局部三维点云地图,并按照识别的结果,对不同类型的点云按颜色进行赋色;
步骤五:将识别目标三维点云后的局部三维点云地图降维至二维,对投影后的输电塔和输电线的点云进行实例级分割,然后再将分割后的二维点云升维至三维点云;
步骤六:遍历每座输电塔和每组输电线的三维点云,计算近电预警装置与每座输电塔和每组输电线的三维点云最近距离,并在每座输电塔和每组输电线上方显示测量结果;
步骤七:当步骤六计算的结果小于距离阈值时,通过蜂鸣器发出警报,同时引发报警的目标点云和测量结果闪烁。
为优化上述技术方案,采取的具体措施还包括:
上述的步骤二在接收到新一帧周围场景的三维点云数据后,结合激光雷达内置的惯性测量单元和全球定位系统的数据,通过前向反向传播对该帧数据,计算出特征采样时间和一次激光扫描结束时间之间的相对位姿,从而将特征采样值映射到一次激光扫描结束时刻,进行运动补偿校正;
然后对校正后的三维点云数据构建残差,并进一步构建最大后验估计,利用迭代扩展卡尔曼滤波计算出满足最大后验估计的最优状态估计值和协方差,将最优状态估计对应的三维点云数据配准到输电线路三维点云地图中,并计算出装置的空间位置;
当时间和空间位置的移动触发局部三维点云地图的更新条件时,以触发更新时装置位置为中心绘制新的柱状三维包围框,删除包围框外的点云。
上述的步骤三针对输电线路三维点云,对RandLA-Net神经网络进行改进,将传统的四层LFA模块网络扩展至五层,进而利用标定数据对模型进行训练,以实现对输电塔、输电线目标点云的识别。
上述的神经网络通过如下方式进行预训练:
人工标定出输电线路点云中的输电线、输电塔和背景点云,并设置70%为训练集,30%为测试集,通过实验验证,设置模型参数与学习率,训练出识别准确率满足要求的神经网络模型。
上述的步骤三对局部三维点云地图均匀采样后输入神经网络模型。
上述的步骤五的具体步骤如下:
(1)建立x和y方向的二维KD-Tree,将识别后的局部三维点云地图降维至二维;
(2)在二维KD-Tree点云数据集中随机选择一点pi1作为中心点,计算点云数据集中其他点到中心点pi1的距离d;查询KD-Tree中与中心点pi1距离小于阈值的点pi2,pi3,pi4……,并移至集合Qi;
(3)对集合Qi中的每个点,在KD-Tree余下的点中查询与该点距离小于阈值的点,并移至数据集Qi;
(4)重复步骤(3)直至没有新的点被移动至集合Qi,则集合Qi即为一个聚类;
(5)在提取出集合Qi后余下的KD-Tree中重复步骤(2)至(4),获得新的集合,直至所有的点都被划分到集合中,完成二维点云分割,然后再将分割后的二维点云升维至三维点云。
上述的距离d=||pi1-pij||2;
其中,pi1为中心点,pij为点云数据集中其他点。
一种基于激光雷达三维点云的输电线路近电预警装置,所述装置包含激光雷达、开发板、显示屏以及移动电源;其中激光雷达进行三维点云数据采集;显示屏实时显示实例分割后的三维点云,显示计算出的输电线路近电预警装置与输电塔、输电线的距离,并在计算的距离结果小于阈值时发出警报;移动电源进行装置供电;开发板上存储有计算机程序,该程序被处理器执行时实现所述方法的步骤。
本发明具有以下有益效果:
本发明装置采用轻量化设计,选择小型激光雷达和移动电源,适用于户外输电线路移动作业中,输电线路近电预警,具备成本低、方便灵活,安全系数高的特点。同时,由于激光雷达,使用激光雷达进行采集输电线路的三维点云,不受光照条件影响,能够全天候扫描,实时动态构建局部三维点云地图,通过融合深度学习模型和输电线路三维点云的空间分布特性对三维点云进行实时识别,实现目标点云分割与距离测量,可在测量到与输电线路之间的距离小于安全阈值后发出近电预警,通用性强,识别准确率高。
附图说明
图1为本发明输电线路近电预警方法流程图;
图2为本发明输电线路近电预警装置硬件组成;
图3为动态局部地图更新示意图;
图4为输电线路近电预警显示界面。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列,但并不用于限定步骤的先后次序,除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础,否则步骤的相对次序是可以调整的。可以理解,本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示,本发明的一种基于激光雷达的输电线路近电预警方法,具体步骤如下:
前期准备:利用大疆Livox傲览Avia激光探测测距仪采集大量输电线路三维点云。
人工标定出输电线路点云中的输电线、输电塔和背景点云,并设置70%为训练集,30%为测试集,并通过实验验证,设置合适的模型参数与学习率等参数,训练出识别准确率较好的深度学习神经网络模型。
步骤一:数据采集,近电预警装置采用激光雷达采集连续单帧输电线路周围场景的三维点云数据;
实施例中,所述激光雷达,采用大疆的Livox傲览Avia激光探测测距仪。
所述激光雷达,内置惯性测量单元,其特殊光斑形态对细长物体(如电线)有更优分辨率与量程,辅以特殊的重复扫描模式,带来更高测绘精度;
具体的,手持或将所述装置安装在固定位置,启动所述装置搭载的大疆Livox傲览Avia激光探测测距仪,采集周围场景的连续单帧三维点云数据。
步骤二:地图生成,采用并发定位与制图法进行逐帧三维点云的配准和拼接,并生成稠密的局部三维点云地图;
所述并发定位与制图法可以通过将激光雷达三维点云、激光雷达内置的惯性测量单元与全球定位系统等传感器的数据进行融合,通过对多帧点云的拼接叠加,实现了对输电线路的稀疏三维点云进行数据增强,从而实现绘制稠密的三维点云地图,并对自身位置进行定位。
所述稠密的局部三维点云地图,是随着时间和空间位置的移动,实时更新生成一帧以装置为中心绘制的柱状三维包围框内的稠密的局部三维点云地图。即所述步骤二生成的稠密的局部三维点云地图,是一种随着装置的位置和时间变化,动态更新的局部三维点云地图管理方式,其以装置为中心绘制柱状三维包围框,当触发局部三维点云地图的更新条件时,将会以触发更新时装置位置为中心绘制新的柱状三维包围框,包围框外的点云将被删除。
所述步骤二在接收到新一帧周围场景的三维点云数据后,结合惯性测量单元和全球定位系统的数据,通过前向反向传播对该帧数据,计算出特征采样时间ρj和一次激光扫描结束时间tk之间的相对位姿,从而把特征采样值映射到一次激光扫描结束时刻,进行运动补偿校正,消除由于装置运动造成的误差。
然后对校正后的三维点云数据构建残差,并进一步构建最大后验估计,利用迭代扩展卡尔曼滤波计算出满足最大后验估计的最优状态估计值和协方差,残差估计最后将输出的最优状态估计对应的三维点云数据配准到输电线路三维点云地图中,并计算出装置的空间位置。
当时间和空间位置的移动触发局部三维点云地图的更新条件时,将会以触发更新时装置位置为中心绘制新的柱状三维包围框,包围框外的点云将被删除。动态局部地图更新示意图如图3所示。
步骤三:语义分割,基于针对输电线路三维点云的神经网络模型(前期准备好的输电线路三维点云的深度学习神经网络模型),以所述局部三维点云地图为输入,通过语义分割对局部三维点云地图中的输电塔、输电线目标的三维点云进行识别;
所述针对输电线路三维点云的神经网络模型,是利用多组离线采集的输电线路三维点云数据作为训练集和测试集,通过设置合适的模型参数,训练出的三维点云语义分割神经网络模型。
所述对于输电塔、输电线目标的三维点云的进行识别和分割,是语义级分割;
所述步骤三针对输电线路三维点云此类大场景三维点云,对RandLA-Net神经网络进行改进,将传统的四层LFA模块网络扩展至五层,进而利用标定数据对模型进行训练,以实现对输电塔、输电线目标点云的识别。
所述语义分割的输入,是经过均匀采样后的三维点云均匀化采样后的局部三维点云地图。
步骤四:点云显示,在显示屏上显示局部三维点云地图,并按照识别的结果,对不同类型的点云按颜色进行赋色;
步骤五:实例分割,将识别目标三维点云后的局部三维点云地图降维至二维,利用聚类算法,对投影后的输电塔和输电线的点云进行实例级分割,然后再将分割后的二维点云升维至三维点云;
所述聚类算法,采用距离衡量不同二维点之间的相似性;
步骤五的具体步骤如下:
(1)建立x和y方向的二维KD-Tree,将步骤四中识别后的局部三维点云地图降维至二维;
所述局部三维点云地图降维至二维,是将三维点云地图沿z轴方向,投影至(x-y)平面。
(2)在二维KD-Tree点云数据集中随机选择一点pi1作为中心点,计算点云数据集中其他点到中心点pi1的距离d;
d=||pi1-pij||2;
其中,pi1为中心点,pij为点云数据集中其他点。
查询KD-Tree中与中心点pi1距离小于阈值的点pi2,pi3,pi4……,并移至集合Qi;
(3)对集合Qi中的每个点,在KD-Tree余下的点中查询与该点距离小于阈值的点,并移至数据集Qi;
(4)重复步骤(3)直至没有新的点被移动至集合Qi,则集合Qi即为一个聚类;
(5)在提取出集合Qi后余下的KD-Tree中重复步骤(2)至(4),获得新的集合,直至所有的点都被划分到集合中,完成二维点云分割,然后再将分割后的二维点云升维至三维点云。
步骤六:距离测量,遍历每座输电塔和每组输电线的三维点云,计算近电预警装置与每座输电塔和每组输电线的三维点云最近距离,并在显示屏上,在每座输电塔和每组输电线上方显示测量结果;输电线路近电预警显示界面如图4所示。
所述距离测量,是遍历每座输电塔和每组输电线的KD-Tree格式三维点云,快速查找到装置与目标之间的最近距离以及对应的三维点;
步骤七:近电预警,当步骤六计算的结果小于距离阈值时,蜂鸣器将会发出警报,同时在显示屏上,引发报警的目标点云和测量结果将会闪烁。
如图2所示,本发明的一种基于激光雷达三维点云的输电线路近电预警装置,硬件设备包含激光雷达、开发板、显示屏以及移动电源。其中激光雷达进行三维点云数据采集;显示屏实时显示实例分割后的三维点云,显示计算出的输电线路近电预警装置与输电塔、输电线的距离,并在计算的距离结果小于阈值时发出警报;移动电源进行装置供电;开发板上存储有计算机程序,该程序被处理器执行时实现前述方法的步骤。
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。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,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独立的技术方案,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 (8)
1.一种基于激光雷达的输电线路近电预警方法,其特征在于,包括:
步骤一:近电预警装置采用激光雷达采集连续单帧输电线路周围场景的三维点云数据;
步骤二:采用并发定位与制图法进行逐帧三维点云的配准和拼接,生成稠密的局部三维点云地图;
步骤三:基于针对输电线路三维点云的神经网络模型,以所述局部三维点云地图为输入,通过语义分割对局部三维点云地图中的输电塔、输电线目标的三维点云进行识别;
步骤四:显示局部三维点云地图,并按照识别的结果,对不同类型的点云按颜色进行赋色;
步骤五:将识别目标三维点云后的局部三维点云地图降维至二维,对投影后的输电塔和输电线的点云进行实例级分割,然后再将分割后的二维点云升维至三维点云;
步骤六:遍历每座输电塔和每组输电线的三维点云,计算近电预警装置与每座输电塔和每组输电线的三维点云最近距离,并在每座输电塔和每组输电线上方显示测量结果;
步骤七:当步骤六计算的结果小于距离阈值时,通过蜂鸣器发出警报,同时引发报警的目标点云和测量结果闪烁。
2.根据权利要求1所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述步骤二在接收到新一帧周围场景的三维点云数据后,结合激光雷达内置的惯性测量单元和全球定位系统的数据,通过前向反向传播,计算出该帧数据在特征采样时间和一次激光扫描结束时间之间的相对位姿,从而将特征采样值映射到一次激光扫描结束时刻,进行运动补偿校正;
然后对校正后的三维点云数据构建残差,并进一步构建最大后验估计,利用迭代扩展卡尔曼滤波计算出满足最大后验估计的最优状态估计值和协方差,将最优状态估计对应的三维点云数据配准到输电线路三维点云地图中,并计算出装置的空间位置;
当时间和空间位置的移动触发局部三维点云地图的更新条件时,以触发更新时装置位置为中心绘制新的柱状三维包围框,删除包围框外的点云。
3.根据权利要求1所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述步骤三针对输电线路三维点云,对RandLA-Net神经网络进行改进,将传统的四层LFA模块网络扩展至五层,进而利用标定数据对模型进行训练,以实现对输电塔、输电线目标点云的识别。
4.根据权利要求1所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述神经网络通过如下方式进行预训练:
人工标定出输电线路点云中的输电线、输电塔和背景点云,并设置70%为训练集,30%为测试集,通过实验验证,设置模型参数与学习率,训练出识别准确率满足要求的神经网络模型。
5.根据权利要求1所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述步骤三对局部三维点云地图均匀采样后输入神经网络模型。
6.根据权利要求1所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述步骤五的具体步骤如下:
(1)建立x和y方向的二维KD-Tree,将识别后的局部三维点云地图降维至二维;
(2)在二维KD-Tree点云数据集中随机选择一点作为中心点,计算点云数据集中其他点到中心点/>的距离/>;查询KD-Tree中与中心点/>距离小于阈值的点/>,/>,……,并移至集合/>;
(3)对集合中的每个点,在KD-Tree余下的点中查询与该点距离小于阈值的点,并移至数据集/>;
(4)重复步骤(3)直至没有新的点被移动至集合,则集合/>即为一个聚类;
(5)在提取出集合后余下的KD-Tree中重复步骤(2)至(4),获得新的集合,直至所有的点都被划分到集合中,完成二维点云分割,然后再将分割后的二维点云升维至三维点云。
7.根据权利要求6所述的一种基于激光雷达的输电线路近电预警方法,其特征在于,所述;
其中,为中心点,/>为点云数据集中其他点。
8.一种基于激光雷达的输电线路近电预警装置,其特征在于,所述装置包含激光雷达、开发板、显示屏以及移动电源;其中激光雷达进行三维点云数据采集;显示屏实时显示实例分割后的三维点云,显示计算出的输电线路近电预警装置与输电塔、输电线的距离,并在计算的距离结果小于阈值时发出警报;移动电源进行装置供电;开发板上存储有计算机程序,该程序被处理器执行时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484289.4A CN117517864B (zh) | 2023-11-08 | 2023-11-08 | 一种基于激光雷达的输电线路近电预警方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311484289.4A CN117517864B (zh) | 2023-11-08 | 2023-11-08 | 一种基于激光雷达的输电线路近电预警方法与装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117517864A CN117517864A (zh) | 2024-02-06 |
CN117517864B true CN117517864B (zh) | 2024-04-26 |
Family
ID=89757955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311484289.4A Active CN117517864B (zh) | 2023-11-08 | 2023-11-08 | 一种基于激光雷达的输电线路近电预警方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117517864B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
KR20200056028A (ko) * | 2018-11-14 | 2020-05-22 | 한국전력공사 | 송전선로 이도 추정 장치 |
CN112305559A (zh) * | 2020-10-16 | 2021-02-02 | 贵州电网有限责任公司 | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 |
CN112525162A (zh) * | 2021-02-09 | 2021-03-19 | 众芯汉创(北京)科技有限公司 | 一种无人机测量输电线路影像距离的系统及方法 |
KR20210033262A (ko) * | 2019-09-18 | 2021-03-26 | 한국전력공사 | 송전선로의 환경침해 진단장치 |
CN113887641A (zh) * | 2021-10-11 | 2022-01-04 | 山东信通电子股份有限公司 | 一种基于输电通道的隐患目标确定方法、设备及介质 |
CN114863357A (zh) * | 2022-04-12 | 2022-08-05 | 广东电网有限责任公司广州供电局 | 一种输电线路外力破坏的识别告警方法及系统 |
CN115035260A (zh) * | 2022-05-27 | 2022-09-09 | 哈尔滨工程大学 | 一种室内移动机器人三维语义地图构建方法 |
CN115240093A (zh) * | 2022-09-22 | 2022-10-25 | 山东大学 | 基于可见光和激光雷达点云融合的输电通道自动巡检方法 |
CN115421158A (zh) * | 2022-11-07 | 2022-12-02 | 中国人民解放军国防科技大学 | 自监督学习的固态激光雷达三维语义建图方法与装置 |
CN116052023A (zh) * | 2023-01-05 | 2023-05-02 | 国网思极位置服务有限公司 | 基于三维点云的电力巡检地物分类方法及存储介质 |
-
2023
- 2023-11-08 CN CN202311484289.4A patent/CN117517864B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10650278B1 (en) * | 2017-07-21 | 2020-05-12 | Apple Inc. | Semantic labeling of point clouds using images |
KR20200056028A (ko) * | 2018-11-14 | 2020-05-22 | 한국전력공사 | 송전선로 이도 추정 장치 |
KR20210033262A (ko) * | 2019-09-18 | 2021-03-26 | 한국전력공사 | 송전선로의 환경침해 진단장치 |
CN112305559A (zh) * | 2020-10-16 | 2021-02-02 | 贵州电网有限责任公司 | 基于地面定点激光雷达扫描的输电线距离测量方法、装置、系统和电子设备 |
CN112525162A (zh) * | 2021-02-09 | 2021-03-19 | 众芯汉创(北京)科技有限公司 | 一种无人机测量输电线路影像距离的系统及方法 |
WO2022170878A1 (zh) * | 2021-02-09 | 2022-08-18 | 国网江苏省电力有限公司泰州供电分公司 | 一种无人机测量输电线路影像距离的系统及方法 |
CN113887641A (zh) * | 2021-10-11 | 2022-01-04 | 山东信通电子股份有限公司 | 一种基于输电通道的隐患目标确定方法、设备及介质 |
CN114863357A (zh) * | 2022-04-12 | 2022-08-05 | 广东电网有限责任公司广州供电局 | 一种输电线路外力破坏的识别告警方法及系统 |
CN115035260A (zh) * | 2022-05-27 | 2022-09-09 | 哈尔滨工程大学 | 一种室内移动机器人三维语义地图构建方法 |
CN115240093A (zh) * | 2022-09-22 | 2022-10-25 | 山东大学 | 基于可见光和激光雷达点云融合的输电通道自动巡检方法 |
CN115421158A (zh) * | 2022-11-07 | 2022-12-02 | 中国人民解放军国防科技大学 | 自监督学习的固态激光雷达三维语义建图方法与装置 |
CN116052023A (zh) * | 2023-01-05 | 2023-05-02 | 国网思极位置服务有限公司 | 基于三维点云的电力巡检地物分类方法及存储介质 |
Non-Patent Citations (3)
Title |
---|
Monitoring Method of High Voltage Tower Tilt in Substation Based on Three-dimensional Point Cloud;Yi Yang 等;2023 Panda Forum on Power and Energy (PandaFPE);20230609;1320-1324 * |
基于LiDAR数据的输电线路隐患智能预警研究;黄绪勇 等;中国战略新兴产业;20170928(第36期);87-88、90 * |
基于单目监拍装置的输电隐患测距方法;刘蕾 等;《中国电力企业管理》;20230430(第04期);92-93 * |
Also Published As
Publication number | Publication date |
---|---|
CN117517864A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xia et al. | Geometric primitives in LiDAR point clouds: A review | |
CN110415342B (zh) | 一种基于多融合传感器的三维点云重建装置与方法 | |
CN110070615B (zh) | 一种基于多相机协同的全景视觉slam方法 | |
CN105160702B (zh) | 基于LiDAR点云辅助的立体影像密集匹配方法及系统 | |
CN111060924B (zh) | 一种slam与目标跟踪方法 | |
CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
CN105096386A (zh) | 大范围复杂城市环境几何地图自动生成方法 | |
CN107560592B (zh) | 一种用于光电跟踪仪联动目标的精确测距方法 | |
CN110060332B (zh) | 基于机载采集设备的高精度三维建图与建模系统 | |
CN104268935A (zh) | 一种基于特征的机载激光点云与影像数据融合系统及方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
WO2021017211A1 (zh) | 一种基于视觉的车辆定位方法、装置及车载终端 | |
CN112800524A (zh) | 一种基于深度学习的路面病害三维重建方法 | |
CN113298035A (zh) | 基于图像识别的无人机电力杆塔检测及自主巡航方法 | |
Nagy et al. | Online targetless end-to-end camera-LiDAR self-calibration | |
CN112946679B (zh) | 一种基于人工智能的无人机测绘果冻效应检测方法及系统 | |
CN107610219A (zh) | 一种三维场景重构中几何线索感知的像素级点云稠密化方法 | |
Özdemir et al. | A multi-purpose benchmark for photogrammetric urban 3D reconstruction in a controlled environment | |
CN114898061A (zh) | 一种基于飞走双模视觉信息的输电走廊快速重建方法 | |
CN115690138A (zh) | 一种融合车载影像与点云的道路边界提取与矢量化方法 | |
CN117422753A (zh) | 一种联合光学和sar图像的高精度场景实时三维重建方法 | |
CN112906719A (zh) | 基于消费级深度相机的立木因子测量方法 | |
CN111612829B (zh) | 一种高精度地图的构建方法、系统、终端和存储介质 | |
CN117517864B (zh) | 一种基于激光雷达的输电线路近电预警方法与装置 | |
Douret et al. | A multi-cameras 3d volumetric method for outdoor scenes: a road traffic monitoring application |
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 |