CN108226894A - 一种点云数据处理方法及装置 - Google Patents
一种点云数据处理方法及装置 Download PDFInfo
- Publication number
- CN108226894A CN108226894A CN201711226968.6A CN201711226968A CN108226894A CN 108226894 A CN108226894 A CN 108226894A CN 201711226968 A CN201711226968 A CN 201711226968A CN 108226894 A CN108226894 A CN 108226894A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dangerous
- datas
- processing
- 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
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/24765—Rule-based classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/003—Navigation within 3D models or images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Graphics (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明提供了一种点云数据处理方法及装置,其中,该方法包括:接收激光扫描仪获取的第一点云数据;对所述第一点云数据进行分类处理,得到分类后的第二点云数据;若所述第二点云数据至少包括目标点云数据,判断所述第二点云数据中的其他点云数据与所述目标点云数据之间的距离是否小于第一预设阈值;若是,则确定所述其他点云数据为危险点云数据。通过本发明提供的点云数据处理方法及装置,大大减少了点云判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,实用性更佳。
Description
技术领域
本发明涉及激光雷达数据处理技术领域,具体而言,涉及一种点云数据处理方法及装置。
背景技术
输电线路是电网的重要组成部分,快速高效地巡检电力线附近的植被和其它地物的状况,对电力部门实现对电力***的实时监测、快速评估和科学预测具有深远意义。
随着激光雷达技术及无人机技术的发展,当前通常采用无人机搭载激光雷达扫描设备进行输电线路巡检,获得输电线路对应的激光雷达点云数据。通过激光雷达点云数据排查输电线路的故障及隐患之前,首先需要判断哪些激光雷达点云数据对应的是上述输电线路的危险区域。根据《架空输电线路运行规程》,输电线路与树木之间要保持安全距离,如果超出上述安全距离,则树木很可能对输电线路带来安全隐患。
相关技术中通常采用人工现场勘查的方式,耗费大量的人力物力,且自动化程度和准确度均较低。
发明内容
有鉴于此,本发明的目的在于提供一种点云数据处理方法及装置,在提高点云数据处理的自动化程度和准确度的同时,还降低人力物力成本,实用性较佳。
第一方面,本发明提供了一种点云数据处理方法,所述方法包括:
接收激光扫描仪获取的第一点云数据;
对所述第一点云数据进行分类处理,得到分类后的第二点云数据;
若所述第二点云数据至少包括目标点云数据,判断所述第二点云数据中的其他点云数据与所述目标点云数据之间的距离是否小于第一预设阈值;
若是,则确定所述其他点云数据为危险点云数据。
结合第一方面,本发明提供了第一方面的第一种可能的实施方式,其中,所述危险点云数据为树木对应的点云数据,所述确定所述其他点云数据为危险点云数据之后,还包括:
对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
基于所有第三点云数据确定对应的树木信息;其中,所述树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息。
结合第一方面的第一种可能的实施方式,本发明提供了第一方面的第二种可能的实施方式,其中,所述基于所有第三点云数据确定对应的树木信息之后,还包括:
根据确定的树木信息生成对应的砍伐策略;其中,所述砍伐策略是指综合砍伐时间、砍伐顺序和砍伐树木数的策略。
结合第一方面的第一种可能的实施方式,本发明提供了第一方面的第三种可能的实施方式,其中,在所述对确定的危险点云数据进行单木分割处理之前,还包括:
获取与所述危险点云数据相距不超过预设缓冲距离的点云数据,得到扩展危险点云数据;其中,所述预设缓冲距离小于所述第一预设阈值;
基于所述扩展危险点云数据更新所述危险点云数据。
结合第一方面的第一种可能的实施方式至第三种可能的实施方式中任一种可能的实施方式,本发明提供了第一方面的第四种可能的实施方式,其中,所述对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据,包括:
从所述危险点云数据中查找最高点云数据;
判断所述危险点云数据中的其他点云数据与最高点云数据之间的距离是否小于第二预设阈值;
若是,则将所述最高点云数据和对应的其他点云数据作为第一棵树木的第三点云数据;
从所述危险点云数据中删除所述第一棵树木的第三点云数据,执行所述从所述危险点云数据中查找最高点云数据的步骤,以得到其他树木的第三点云数据。
结合第一方面的第四种可能的实施方式,本发明提供了第一方面的第五种可能的实施方式,其中,所述方法还包括:
将确定的每一树木的第三点云数据分别与所述第一点云数据进行匹配处理;
根据匹配结果,确定异常点云数据;
对所述异常点云数据进行修复处理;其中,所述修复处理包括删除处理或添加处理;
基于修复处理的点云数据更新所述危险点云数据。
结合第一方面,本发明提供了第一方面的第六种可能的实施方式,其中,所述对所述第一点云数据进行分类处理之前,还包括:
获取样本点云数据;
根据所述样本点云数据建立点云分类器;
所述对所述第一点云数据进行分类处理,包括:
通过所述点云分类器对所述第一点云数据进行分类。
结合第一方面的第六种可能的实施方式,本发明提供了第一方面的第七种可能的实施方式,其中,所述根据所述样本点云数据建立点云分类器,包括:
对所述样本点云数据进行特征提取,获得分类特征;
对所述分类特征进行机器学习训练,得到点云分类器。
第二方面,本发明还提供了一种点云数据处理装置,所述装置包括:
接收模块,用于接收激光扫描仪获取的第一点云数据;
分类模块,用于对所述第一点云数据进行分类处理,得到分类后的第二点云数据;
判断模块,用于若所述第二点云数据至少包括目标点云数据,判断所述第二点云数据中的其他点云数据与所述目标点云数据之间的距离是否小于第一预设阈值;
第一确定模块,用于若是,则确定所述其他点云数据为危险点云数据。
结合第二方面,本发明提供了第二方面的第一种可能的实施方式,其中,所述危险点云数据为树木对应的点云数据,所述装置还包括:
分割模块,用于对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
第二确定模块,用于基于所有第三点云数据确定对应的树木信息;其中,所述树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息。
本发明提供的点云数据处理方法及装置,与相关技术中采用人工现场勘查的方式,耗费成本较高,且自动化程度和准确度均较低相比,其首先接收激光扫描仪获取的第一点云数据;然后对第一点云数据进行分类处理,得到分类后的第二点云数据;最后若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;若是,则确定其他点云数据为危险点云数据,其通过分类后的第二点云数据中的其他点云数据与目标点云数据之间的距离与第一预设阈值之间的判断结果,确定对应的危险点云数据,大大减少了点云判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,实用性更佳。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的一种点云数据处理方法的流程图;
图2示出了本发明实施例所提供的另一种点云数据处理方法的流程图;
图3示出了本发明实施例所提供的另一种点云数据处理方法的流程图;
图4示出了本发明实施例所提供的另一种点云数据处理方法的流程图;
图5示出了本发明实施例所提供的另一种点云数据处理方法的流程图;
图6示出了本发明实施例所提供的一种点云数据处理装置的模块组成示意图。
主要元件符号说明:
11、接收模块;22、分类模块;33、判断模块;44、第一确定模块。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中附图,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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的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。
考虑到相关技术中通常采用人工现场勘查的方式,需要人工去现场查看树木是否离电力线太近,将耗费大量的人力物力,且自动化程度和准确度均较低。有鉴于此,本发明实施例提供了一种点云数据处理方法及装置,在提高点云数据处理的自动化程度和准确度的同时,还降低人力物力成本,实用性较佳。
在对本发明实施例提供的点云数据处理方法及装置进行具体阐述之前,首先对上述点云数据处理方法及装置的应用场景进行简单说明。本发明实施例提供的点云数据处理方法及装置主要应用于输电线路障碍检测领域,其中,上述障碍主要指的是树障。
参见图1所示的本发明实施例提供的点云数据处理方法的流程图,上述方法具体包括如下步骤:
S101、接收激光扫描仪获取的第一点云数据;
具体的,本发明实施例中,在直升机或无人机等飞行平台上搭载激光扫描仪,如激光探测与测量(LiDAR,Light Detection and Ranging)设备,然后通过直升机或无人机等飞行平台对输电线路进行巡检,在巡检过程中飞行平台上搭载的激光扫描设备对输电线路沿线(包含电力线、杆塔、植被等)进行数据采集,得到输电线路沿线对应的第一点云数据。
S102、对第一点云数据进行分类处理,得到分类后的第二点云数据;
具体的,本发明提供的点云数据处理方法通过预先训练的点云分类器对第一点云数据进行分类处理,得到分类后的第二点云数据,也即,本发明实施例中,将包含有输电线路沿线的所有第一点云数据分类为单独包括电力线、单独包括杆塔、单独包括植被的第二点云数据。
S103、若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;
S104、若是,则确定其他点云数据为危险点云数据。
具体的,对于上述分类后的第二点云数据而言,判断该第二点云数据中的其他点云数据与目标点云数据(即电力线对应的点云数据)之间的距离是否小于第一预设阈值,并根据判断结果确定其他点云数据为危险点云数据,也即,通过危险点云数据的确定进一步确定电力线周围的危险物体(如树木),以便于后续对该危险物体进行定量分析,实用性更佳。
本发明实施例提供的点云数据处理方法,其首先接收激光扫描仪获取的第一点云数据;然后对第一点云数据进行分类处理,得到分类后的第二点云数据;最后若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;若是,则确定其他点云数据为危险点云数据,其通过分类后的第二点云数据中的其他点云数据与目标点云数据之间的距离与第一预设阈值之间的判断结果,确定对应的危险点云数据,大大减少了点云判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,实用性更佳。
本发明实施例提供的点云数据处理方法还能够根据S104确定的危险点云数据确定对应的树木信息,并根据该树木信息生成对应的砍伐策略,也即本发明实施例实现危险区域树木信息的定量分析,为树障清理和相关的补偿工作赔偿提供科学的依据。参见图2,上述点云数据处理方法还包括:
S201、对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
S202、基于所有第三点云数据确定对应的树木信息;其中,树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息;
S203、根据确定的树木信息生成对应的砍伐策略;其中,砍伐策略是指综合砍伐时间、砍伐顺序和砍伐树木数的策略。
具体的,本发明实施例提供的点云数据处理方法考虑到在其具体的应用场景中,树木作为电力线的最大障碍物应该首先予以清除。因此,在确定危险点云数据为树木对应的点云数据后,本发明实施例将对确定的危险点云数据利用单木分割算法自动将树木分割为单体,并输出通道内待砍伐林木的高度、冠幅、个数以及位置坐标等,统计林木待砍伐量,还可以根据上述树木信息生成对应的砍伐策略,实用性更佳。
为了进一步获取更加全面性的危险点云数据,本发明实施例提供的点云数据处理方法在对危险点云数据进行单木分割处理之前,还首先获取与危险点云数据相距不超过预设缓冲距离的点云数据,得到扩展危险点云数据,并基于该扩展危险点云数据对上述危险点云数据进行更新。也即,上述点云数据处理方法不仅可以对确定的危险点云数据进行单木分割,还可以通过与该危险点云数据距离小于预设缓冲距离(例如:5m)的点云数据进行单木分割,在保证了危险点云数据完整性的前提下,确保了单木分割结果的准确性。
本发明实施例提供的点云数据处理方法采用单木分割处理的方式得到对应于每棵树木的第三点云数据,参见图3,上述分割处理过程具体通过如下步骤实现:
S301、从危险点云数据中查找最高点云数据;
S302、判断危险点云数据中的其他点云数据与最高点云数据之间的距离是否小于第二预设阈值;
S303、若是,则将最高点云数据和对应的其他点云数据作为第一棵树木的第三点云数据;
S304、从危险点云数据中删除第一棵树木的第三点云数据,执行从危险点云数据中查找最高点云数据的步骤,以得到其他树木的第三点云数据。
具体的,本发明实施例中,首先从危险点云数据中查找最高点云数据,也即,点云数据最大值,作为第一棵树木的树顶点,然后通过第二预设阈值进行区域增长,也即,与第一棵树木的树顶点的距离在第二预设阈值内的其他点云数据才作为该第一棵树木的第三点云数据,并基于上述最高点云数据和对应的其他点云数据得到上述第一棵树木的所有第三点云数据,最后从危险点云数据中删除第一棵树木的第三点云数据,从删除得到的危险点云数据中循环查找最高点云数据,作为第二棵树木的树顶点,及其对应的第三点云数据,依次循环,直至找到每棵树木的第三点云数据。
为了进一步确保上述分割处理结果的准确性,本发明实施例提供的点云数据处理方法对于异常点云数据还进行修复处理,参见图4,上述方法还包括:
S401、将确定的每一树木的第三点云数据分别与第一点云数据进行匹配处理;
S402、根据匹配结果,确定异常点云数据;
S403、对异常点云数据进行修复处理;其中,修复处理包括删除处理或添加处理;
S404、基于修复处理的点云数据更新危险点云数据。
具体的,本发明实施例中,在每次分割后,均可以将得到的树木的树顶点位置与原始的第一点云数据进行叠加显示,并查看每棵树木的位置信息是否正确,并对过分割或者欠分割的地方,可以删除/添加种子点,并再次进行分割处理。其中,上述删除处理或添加处理可以采用人工方式,还可以通过匹配结果自动实现。
本发明实施例提供的点云数据处理方法通过机器学习算法对第一点云数据进行分类处理,参见图5,上述分类过程具体包括如下步骤:
S501、获取样本点云数据;
S502、根据样本点云数据建立点云分类器;
S503、通过点云分类器对第一点云数据进行分类。
具体的,上述样本点云数据即为从输电线路对应的原始的激光雷达点云数据中人工选择出的训练样本。输电线路沿线包含电力线、杆塔、植被等,因此激光扫描设备采集的激光雷达点云数据中包括电力线、杆塔、植被等事物对应的点云数据。为了保证分类的准确性,人工选择训练样本时应考虑不同杆塔的塔型,如猫头塔、酒杯塔、干字型塔、门型塔等,以及应综合考虑不同电力线的线型,如单导线、***导线等,并人工分出电力线和杆塔的类别,而且通过滤波算法分出地面点。
将第一点云数据输入点云分类器,点云分类器对第一点云数据进行自动分类,获得点云分类结果,点云分类结果包括地面点、电力线、杆塔和其他类物体。其他类物体可以为输电线路沿线的植被、广告牌、公交站牌等。其中,不同的点云分类结果将对应于不同的第二点云数据。
其中,上述建立点云分类器的过程具体包括:首先对样本点云数据进行特征提取,获得分类特征,然后对分类特征进行机器学习训练,得到点云分类器。
具体的,A1:对样本点云数据进行K邻域划分,并获取K邻域分类特征。
为了便于描述,本发明实施例中将样本点云数据中的任一点称为第一样本点。从样本点云数据中选取与第一样本点相邻的K个邻域点。构建第一样本点与K个邻域点的协方差矩阵。根据该协方差矩阵,计算第一样本点对应的K邻域分类特征。
首先根据该协方差矩阵计算特征值λ1、λ2、λ3。其中,λ1≥λ2≥λ3≥0,基于特征值λ1、λ2、λ3计算第一样本点对应的K邻域分类特征:
Sum=λ1+λ2+λ3
其中,Sum为特征值的和,Omnivariance为特征值全方差,Eigenentropy为特征熵,Anisotropy为各向异性,Planarity为平面度,Linearity为线性度。
对于样本点云数据中的其他每个样本点,都同第一样本点,按照上述方式划分出其他每个样本点对应的K邻域,并计算出其他每个样本点对应的K邻域分类特征。
A2:对样本点云数据进行格网邻域划分,并获取格网邻域分类特征。
将样本点云数据划分为多个预设尺寸的格网。为了便于描述,本发明实施例中将划分出的任一格网称为第一格网。获取第一格网中的最大点云高程值及与第一格网相邻的第二格网中的最小点云高程值。计算最大点云高程值与最小点云高程值之间的差值,将该差值确定为第一格网对应的格网邻域分类特征。
对于划分出的其他每个格网,都同第一格网,按照上述方式计算出其他每个格网对应的格网邻域分类特征。
A3:对样本点云数据进行圆柱形邻域划分,并获取圆柱形邻域分类特征;
同样地,第一样本点为样本点云数据中的任一点。在样本点云数据中,划分出以第一样本点为中心且半径为R高度为H的圆柱形邻域。按照预设分层规则对第一样本点对应的圆柱形邻域进行点云分层。统计每层包括的点数、每层包括的每个点的高程值及每层的中心点高度。根据每层包括的点数、每层包括的每个点的高程值及每层的中心点高度,计算第一样本点对应的圆柱形邻域分类特征。上述半径R及高度H可以预先设置。
杆塔具有垂直方向连续的特点,对第一样本点及其圆柱形邻域范围内的点,自下往上按照一定高度进行点云分层,统计每一层的点数、每层包括的每个点的高程值和每一层的中心点高度,根据统计结果计算第一样本点对应的圆柱形邻域分类特征。圆柱形邻域分类特征包括最大高度偏差、平均点数、点数偏差、高程差、高程方差、归一化的高程值及非空层数。下面依次说明各圆柱形邻域分类特征的计算过程:
(1)、最大高度偏差
根据每一层的点数和每一层的中心点高度,按照如下公式计算平均高度偏差:
在上述公式中,N为总层数,Ni为第i层包括的点数,Hi为第i层的中心点高度,V1为平均高度偏差。
然后通过如下公式计算最大高度偏差:
V2=max|Hi-V1|,i=1,2,...,N
其中,V2为最大高度偏差,Hi为第i层的中心点高度,V1为平均高度偏差。
(2)、平均点数
通过如下公式计算平均点数:
其中,Nave为平均点数,N为总层数,Ni为第i层包括的点数。
(3)、点数偏差
通过如下公式计算点数偏差:
Ndev=max|Ni-Ndev|,i=2,3,...,N
其中,Ndev为点数偏差,Ni为第i层包括的点数。
(4)、高程差
从圆柱形邻域内每层包括的每个点的高程值中,确定出最大高程值和最小高程值,计算最大高程值和最小高程值的差,得到高程差。
(5)、高程方差
根据圆柱形邻域内每层包括的每个点的高程值,计算圆柱形邻域内所有点的高程方差。
(6)、归一化的高程值
根据圆柱形邻域内每一层的中心点高度及样本点云数据中包括的地面点对应的点云数据,计算圆柱形邻域内的中心点相对于地面点的高度。
(7)非空层数
在统计每一层的点数过程中,如果第i层包括的点数大于0,则记为1,反之,则记为0,最后统计值为1的总层数,该统计的总层数即为非空层数。
A4:对样本点云数据进行球形邻域划分,并获取球形邻域分类特征。
同样地,第一样本点为样本点云数据中的任一点。在样本点云数据中,划分出以第一样本点为中心且半径为r的球形邻域。统计该球形邻域内每个点的高程值,根据每个点的高程值,计算球形邻域内所有点的高程方差,将该高程方差确定为第一样本点对应的球形邻域分类特征。上述半径r可以预先设置。
通过上述A1-A4的操作获得分类特征后,对分类特征进行机器学习训练,即可得到点云分类器。
本发明实施例提供的点云数据处理方法,与相关技术中采用人工方式进行现场勘查,耗费成本较高,且自动化程度和准确度均较低相比,其首先接收激光扫描仪获取的第一点云数据;然后对第一点云数据进行分类处理,得到分类后的第二点云数据;最后若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;若是,则确定其他点云数据为危险点云数据,其通过分类后的第二点云数据中的其他点云数据与目标点云数据之间的距离与第一预设阈值之间的判断结果,确定对应的危险点云数据,大大减少了点云判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,实用性更佳。
本发明实施例还提供了一种点云数据处理装置,该装置用于执行上述点云数据处理方法,参见图6,上述装置具体包括:
接收模块11,用于接收激光扫描仪获取的第一点云数据;
分类模块22,用于对第一点云数据进行分类处理,得到分类后的第二点云数据;
判断模块33,用于若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;
第一确定模块44,用于若是,则确定其他点云数据为危险点云数据。
本发明实施例提供的点云数据处理装置还能够根据确定的危险点云数据确定对应的树木信息,并根据该树木信息生成对应的砍伐策略,也即本发明实施例实现危险区域树木信息的定量分析,为树障清理和相关的补偿工作赔偿提供科学的依据。上述点云数据处理装置还包括:
分割模块,用于对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
第二确定模块,用于基于所有第三点云数据确定对应的树木信息;其中,树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息。
策略生成模块,用于根据确定的树木信息生成对应的砍伐策略;其中,砍伐策略是指综合砍伐时间、砍伐顺序和砍伐树木数的策略。
为了进一步获取更加全面性的危险点云数据,本发明实施例提供的点云数据处理装置在对危险点云数据进行单木分割处理之前,还通过获取模块获取与危险点云数据相距不超过预设缓冲距离的点云数据,得到扩展危险点云数据,以及通过更新模块基于该扩展危险点云数据对上述危险点云数据进行更新。也即,上述点云数据处理装置不仅可以对确定的危险点云数据进行单木分割,还可以通过与该危险点云数据距离小于预设缓冲距离(例如:5m)的点云数据进行单木分割,在保证了危险点云数据完整性的前提下,确保了单木分割结果的准确性。
本发明实施例提供的点云数据处理装置采用单木分割处理的方式得到对应于每棵树木的第三点云数据,上述分割模块具体包括:
查找单元,用于从危险点云数据中查找最高点云数据;
判断单元,用于判断危险点云数据中的其他点云数据与最高点云数据之间的距离是否小于第二预设阈值;
确定单元,用于若是,则将最高点云数据和对应的其他点云数据作为第一棵树木的第三点云数据;
生成单元,用于从危险点云数据中删除第一棵树木的第三点云数据,执行从危险点云数据中查找最高点云数据的步骤,以得到其他树木的第三点云数据。
为了进一步确保上述分割处理结果的准确性,本发明实施例提供的点云数据处理装置对于异常点云数据还进行修复处理,上述装置还通过修复模块将确定的每一树木的第三点云数据分别与第一点云数据进行匹配处理;根据匹配结果,确定异常点云数据;对异常点云数据进行修复处理;其中,修复处理包括删除处理或添加处理;基于修复处理的点云数据更新危险点云数据。
本发明实施例提供的点云数据处理装置通过机器学习算法对第一点云数据进行分类处理,上述分类模块22具体包括:
获取单元,用于获取样本点云数据;
建立单元,用于根据样本点云数据建立点云分类器;
分类单元,用于通过点云分类器对第一点云数据进行分类。
其中,上述建立模块,具体用于对样本点云数据进行特征提取,获得分类特征;对分类特征进行机器学习训练,得到点云分类器。
本发明实施例提供的点云数据处理装置,其首先接收激光扫描仪获取的第一点云数据;然后对第一点云数据进行分类处理,得到分类后的第二点云数据;最后若第二点云数据至少包括目标点云数据,判断第二点云数据中的其他点云数据与目标点云数据之间的距离是否小于第一预设阈值;若是,则确定其他点云数据为危险点云数据,其通过分类后的第二点云数据中的其他点云数据与目标点云数据之间的距离与第一预设阈值之间的判断结果,确定对应的危险点云数据,大大减少了点云判断过程中的人工干预成分,自动化程度和准确度均较高,且具有较低的成本,实用性更佳。
本发明实施例所提供的进行点云数据处理的方法的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
本发明实施例所提供的点云数据处理的装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。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,前述描述的***、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明提供的实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种点云数据处理方法,其特征在于,包括:
接收激光扫描仪获取的第一点云数据;
对所述第一点云数据进行分类处理,得到分类后的第二点云数据;
若所述第二点云数据至少包括目标点云数据,判断所述第二点云数据中的其他点云数据与所述目标点云数据之间的距离是否小于第一预设阈值;
若是,则确定所述其他点云数据为危险点云数据。
2.根据权利要求1所述的方法,其特征在于,所述危险点云数据为树木对应的点云数据,所述确定所述其他点云数据为危险点云数据之后,还包括:
对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
基于所有第三点云数据确定对应的树木信息;其中,所述树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息。
3.根据权利要求2所述的方法,其特征在于,所述基于所有第三点云数据确定对应的树木信息之后,还包括:
根据确定的树木信息生成对应的砍伐策略;其中,所述砍伐策略是指综合砍伐时间、砍伐顺序和砍伐树木数的策略。
4.根据权利要求2所述的方法,其特征在于,在所述对确定的危险点云数据进行单木分割处理之前,还包括:
获取与所述危险点云数据相距不超过预设缓冲距离的点云数据,得到扩展危险点云数据;其中,所述预设缓冲距离小于所述第一预设阈值;
基于所述扩展危险点云数据更新所述危险点云数据。
5.根据权利要求2至4任一项所述的方法,其特征在于,所述对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据,包括:
从所述危险点云数据中查找最高点云数据;
判断所述危险点云数据中的其他点云数据与最高点云数据之间的距离是否小于第二预设阈值;
若是,则将所述最高点云数据和对应的其他点云数据作为第一棵树木的第三点云数据;
从所述危险点云数据中删除所述第一棵树木的第三点云数据,执行所述从所述危险点云数据中查找最高点云数据的步骤,以得到其他树木的第三点云数据。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
将确定的每一树木的第三点云数据分别与所述第一点云数据进行匹配处理;
根据匹配结果,确定异常点云数据;
对所述异常点云数据进行修复处理;其中,所述修复处理包括删除处理或添加处理;
基于修复处理的点云数据更新所述危险点云数据。
7.根据权利要求1所述的方法,其特征在于,所述对所述第一点云数据进行分类处理之前,还包括:
获取样本点云数据;
根据所述样本点云数据建立点云分类器;
所述对所述第一点云数据进行分类处理,包括:
通过所述点云分类器对所述第一点云数据进行分类。
8.根据权利要求7所述的方法,其特征在于,所述根据所述样本点云数据建立点云分类器,包括:
对所述样本点云数据进行特征提取,获得分类特征;
对所述分类特征进行机器学习训练,得到点云分类器。
9.一种点云数据处理装置,其特征在于,包括:
接收模块,用于接收激光扫描仪获取的第一点云数据;
分类模块,用于对所述第一点云数据进行分类处理,得到分类后的第二点云数据;
判断模块,用于若所述第二点云数据至少包括目标点云数据,判断所述第二点云数据中的其他点云数据与所述目标点云数据之间的距离是否小于第一预设阈值;
第一确定模块,用于若是,则确定所述其他点云数据为危险点云数据。
10.根据权利要求9所述的装置,其特征在于,所述危险点云数据为树木对应的点云数据,所述装置还包括:
分割模块,用于对确定的危险点云数据进行单木分割处理,得到对应于每棵树木的第三点云数据;
第二确定模块,用于基于所有第三点云数据确定对应的树木信息;其中,所述树木信息至少包括每棵树木的高度信息、冠幅信息和坐标信息,以及所有树木的个数信息。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226968.6A CN108226894A (zh) | 2017-11-29 | 2017-11-29 | 一种点云数据处理方法及装置 |
US16/305,069 US11544511B2 (en) | 2017-11-29 | 2017-12-21 | Method, apparatus, and electronic device for processing point cloud data, and computer readable storage medium |
PCT/CN2017/117608 WO2019104781A1 (zh) | 2017-11-29 | 2017-12-21 | 一种点云数据处理方法、装置、电子设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711226968.6A CN108226894A (zh) | 2017-11-29 | 2017-11-29 | 一种点云数据处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108226894A true CN108226894A (zh) | 2018-06-29 |
Family
ID=62652920
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711226968.6A Pending CN108226894A (zh) | 2017-11-29 | 2017-11-29 | 一种点云数据处理方法及装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11544511B2 (zh) |
CN (1) | CN108226894A (zh) |
WO (1) | WO2019104781A1 (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和*** |
CN109086833A (zh) * | 2018-08-20 | 2018-12-25 | 贵州电网有限责任公司 | 一种基于激光点云雷达数据的输电线路危险点计算方法 |
CN109087034A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 架空输电线路危险点的检测方法及*** |
CN109191458A (zh) * | 2018-09-30 | 2019-01-11 | 广东电网有限责任公司 | 一种架空输电线路危险点的检测方法及*** |
CN109214573A (zh) * | 2018-09-07 | 2019-01-15 | 北京数字绿土科技有限公司 | 输电线路树木生长或倒伏危险点预测方法和装置 |
CN109375228A (zh) * | 2018-10-31 | 2019-02-22 | 歌尔股份有限公司 | 激光雷达的异常帧点云数据的确定方法、处理方法及装置 |
CN109461142A (zh) * | 2018-10-11 | 2019-03-12 | 广东电网有限责任公司 | 线路隐患分析方法、装置及电子终端 |
CN109581324A (zh) * | 2018-10-31 | 2019-04-05 | 歌尔股份有限公司 | 异常帧数据的处理方法及装置 |
CN109859114A (zh) * | 2018-12-27 | 2019-06-07 | 北京大学 | 基于局域平滑性和非局域相似性的三维点云修复方法 |
CN109919989A (zh) * | 2019-03-27 | 2019-06-21 | 广东工业大学 | 一种雷达电力巡检的点云数据配准方法、装置及设备 |
CN110148144A (zh) * | 2018-08-27 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
CN110189311A (zh) * | 2019-05-24 | 2019-08-30 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线路树障隐患区域树木砍伐面积的计算方法 |
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110634143A (zh) * | 2019-08-28 | 2019-12-31 | 国网福建省电力有限公司 | 基于激光扫描点云的电力生产区域告警方法 |
WO2023023951A1 (en) * | 2021-08-24 | 2023-03-02 | Huawei Technologies Co., Ltd. | Method for detecting anomalies of lidar point cloud data and related device |
CN112884745B (zh) * | 2018-10-11 | 2024-08-02 | 广东电网有限责任公司 | 线路隐患分析方法、装置及电子终端 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112184903A (zh) * | 2020-09-25 | 2021-01-05 | 广东电网有限责任公司韶关供电局 | 高压线行树障风险点的检测方法、装置、设备及介质 |
CN112558091B (zh) * | 2020-11-27 | 2023-08-01 | 广东电网有限责任公司肇庆供电局 | 一种输电线对树空间距离的实时检测方法、装置及终端设备 |
CN114693865A (zh) * | 2020-12-29 | 2022-07-01 | 华为技术有限公司 | 数据处理方法及相关装置 |
CN115047472B (zh) * | 2022-03-30 | 2023-05-02 | 北京一径科技有限公司 | 确定激光雷达点云分层的方法、装置、设备及存储介质 |
CN116091493B (zh) * | 2023-04-07 | 2023-07-18 | 智洋创新科技股份有限公司 | 一种用于输电线树障隐患的测距方法 |
CN117315488B (zh) * | 2023-11-03 | 2024-07-05 | 云南师范大学 | 一种基于点云特征和形态学特征的城市行道树提取方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218687A (zh) * | 2013-04-18 | 2013-07-24 | 张乐 | 电力线路环境中的危险点检测***和分析方法 |
CN106408578A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种单木分割方法及装置 |
CN106441233A (zh) * | 2015-08-06 | 2017-02-22 | 航天图景(北京)科技有限公司 | 基于倾斜摄影三维重建技术的电力通道走廊巡检方法 |
CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
CN107103599A (zh) * | 2017-04-06 | 2017-08-29 | 云南电网有限责任公司电力科学研究院 | 一种基于LiDAR的输电线路树木隐患预测分析方法 |
CN107169682A (zh) * | 2017-06-30 | 2017-09-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于机载激光点云不同时段树障的快速巡检方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI117490B (fi) * | 2004-03-15 | 2006-10-31 | Geodeettinen Laitos | Menetelmä puustotunnusten määrittämiseksi laserkeilaimen, kuvainformaation ja yksittäisten puiden tulkinnan avulla |
US20100278391A1 (en) * | 2006-10-12 | 2010-11-04 | Yung-Tai Hsu | Apparatus for behavior analysis and method thereof |
EP2606472A2 (en) * | 2010-06-11 | 2013-06-26 | Estill, James A. | System and method for manipulating data having spatial coordinates |
US8680994B2 (en) * | 2010-12-30 | 2014-03-25 | Utility Risk Management Corporation, Llc | Method for locating vegetation having a potential to impact a structure |
US8605998B2 (en) * | 2011-05-06 | 2013-12-10 | Toyota Motor Engineering & Manufacturing North America, Inc. | Real-time 3D point cloud obstacle discriminator apparatus and associated methodology for training a classifier via bootstrapping |
GB2532948B (en) * | 2014-12-02 | 2021-04-14 | Vivo Mobile Communication Co Ltd | Object Recognition in a 3D scene |
US10755357B1 (en) * | 2015-07-17 | 2020-08-25 | State Farm Mutual Automobile Insurance Company | Aerial imaging for insurance purposes |
US10880623B2 (en) * | 2016-06-12 | 2020-12-29 | Green Grid Inc. | Method and system for utility power lines vegetation proximity monitoring and controlling |
JP7090597B2 (ja) * | 2016-09-28 | 2022-06-24 | トムトム グローバル コンテント ベスローテン フエンノートシャップ | 位置特定基準データを生成及び使用する方法及びシステム |
CA3039533A1 (en) * | 2016-10-07 | 2018-04-12 | Cmte Development Limited | System and method for point cloud diagnostic testing of object form and pose |
CN106707293B (zh) * | 2016-12-01 | 2019-10-29 | 百度在线网络技术(北京)有限公司 | 用于车辆的障碍物识别方法和装置 |
CN106599915B (zh) * | 2016-12-08 | 2017-11-28 | 立得空间信息技术股份有限公司 | 一种车载激光点云分类方法 |
CN107292335A (zh) | 2017-06-06 | 2017-10-24 | 云南电网有限责任公司信息中心 | 一种基于随机森林模型的输电线路点云数据自动分类方法 |
US11270111B2 (en) * | 2019-02-04 | 2022-03-08 | International Business Machines Corporation | Automated management of potentially hazardous objects near power lines |
-
2017
- 2017-11-29 CN CN201711226968.6A patent/CN108226894A/zh active Pending
- 2017-12-21 WO PCT/CN2017/117608 patent/WO2019104781A1/zh active Application Filing
- 2017-12-21 US US16/305,069 patent/US11544511B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218687A (zh) * | 2013-04-18 | 2013-07-24 | 张乐 | 电力线路环境中的危险点检测***和分析方法 |
CN106441233A (zh) * | 2015-08-06 | 2017-02-22 | 航天图景(北京)科技有限公司 | 基于倾斜摄影三维重建技术的电力通道走廊巡检方法 |
CN106408578A (zh) * | 2016-09-22 | 2017-02-15 | 北京数字绿土科技有限公司 | 一种单木分割方法及装置 |
CN106845399A (zh) * | 2017-01-18 | 2017-06-13 | 北京林业大学 | 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法 |
CN107103599A (zh) * | 2017-04-06 | 2017-08-29 | 云南电网有限责任公司电力科学研究院 | 一种基于LiDAR的输电线路树木隐患预测分析方法 |
CN107169682A (zh) * | 2017-06-30 | 2017-09-15 | 贵州电网有限责任公司输电运行检修分公司 | 一种基于机载激光点云不同时段树障的快速巡检方法 |
Non-Patent Citations (2)
Title |
---|
魏田: ""基于静态地基激光扫描点云的单树结构表征"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
黄荣刚等: ""利用目标区域拓扑关系图提取建筑物点云"", 《武汉大学学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086833A (zh) * | 2018-08-20 | 2018-12-25 | 贵州电网有限责任公司 | 一种基于激光点云雷达数据的输电线路危险点计算方法 |
CN110148144A (zh) * | 2018-08-27 | 2019-08-20 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
CN110148144B (zh) * | 2018-08-27 | 2024-02-13 | 腾讯大地通途(北京)科技有限公司 | 点云数据的分割方法和装置、存储介质、电子装置 |
CN109214573A (zh) * | 2018-09-07 | 2019-01-15 | 北京数字绿土科技有限公司 | 输电线路树木生长或倒伏危险点预测方法和装置 |
CN109063789A (zh) * | 2018-09-07 | 2018-12-21 | 北京数字绿土科技有限公司 | 杆塔和电力线的分类方法、装置和*** |
CN109087034A (zh) * | 2018-09-30 | 2018-12-25 | 广东电网有限责任公司 | 架空输电线路危险点的检测方法及*** |
CN109191458A (zh) * | 2018-09-30 | 2019-01-11 | 广东电网有限责任公司 | 一种架空输电线路危险点的检测方法及*** |
CN109461142A (zh) * | 2018-10-11 | 2019-03-12 | 广东电网有限责任公司 | 线路隐患分析方法、装置及电子终端 |
CN112884745B (zh) * | 2018-10-11 | 2024-08-02 | 广东电网有限责任公司 | 线路隐患分析方法、装置及电子终端 |
CN112884745A (zh) * | 2018-10-11 | 2021-06-01 | 广东电网有限责任公司 | 线路隐患分析方法、装置及电子终端 |
CN109375228A (zh) * | 2018-10-31 | 2019-02-22 | 歌尔股份有限公司 | 激光雷达的异常帧点云数据的确定方法、处理方法及装置 |
CN109375228B (zh) * | 2018-10-31 | 2020-07-24 | 歌尔股份有限公司 | 激光雷达的异常帧点云数据的确定方法、处理方法及装置 |
CN109581324A (zh) * | 2018-10-31 | 2019-04-05 | 歌尔股份有限公司 | 异常帧数据的处理方法及装置 |
CN109859114B (zh) * | 2018-12-27 | 2020-10-16 | 北京大学 | 基于局域平滑性和非局域相似性的三维点云修复方法 |
CN109859114A (zh) * | 2018-12-27 | 2019-06-07 | 北京大学 | 基于局域平滑性和非局域相似性的三维点云修复方法 |
CN109919989A (zh) * | 2019-03-27 | 2019-06-21 | 广东工业大学 | 一种雷达电力巡检的点云数据配准方法、装置及设备 |
CN109919989B (zh) * | 2019-03-27 | 2023-11-14 | 广东工业大学 | 一种雷达电力巡检的点云数据配准方法、装置及设备 |
CN110427956A (zh) * | 2019-04-18 | 2019-11-08 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110427956B (zh) * | 2019-04-18 | 2021-01-15 | 中国林业科学研究院资源信息研究所 | 一种基于谱聚类算法的LiDAR点云数据单木提取方法 |
CN110189311A (zh) * | 2019-05-24 | 2019-08-30 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种输电线路树障隐患区域树木砍伐面积的计算方法 |
CN110634143A (zh) * | 2019-08-28 | 2019-12-31 | 国网福建省电力有限公司 | 基于激光扫描点云的电力生产区域告警方法 |
CN110634143B (zh) * | 2019-08-28 | 2022-08-05 | 国网福建省电力有限公司 | 基于激光扫描点云的电力生产区域告警方法 |
WO2023023951A1 (en) * | 2021-08-24 | 2023-03-02 | Huawei Technologies Co., Ltd. | Method for detecting anomalies of lidar point cloud data and related device |
Also Published As
Publication number | Publication date |
---|---|
US11544511B2 (en) | 2023-01-03 |
WO2019104781A1 (zh) | 2019-06-06 |
US20200218944A1 (en) | 2020-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226894A (zh) | 一种点云数据处理方法及装置 | |
CN108133227A (zh) | 激光雷达点云数据分类方法及装置 | |
CN111091105B (zh) | 基于新的边框回归损失函数的遥感图像目标检测方法 | |
Guo et al. | Classification of airborne laser scanning data using JointBoost | |
Secord et al. | Tree detection in urban regions using aerial lidar and image data | |
CN104463872B (zh) | 基于车载LiDAR点云数据的分类方法 | |
US11270111B2 (en) | Automated management of potentially hazardous objects near power lines | |
CN113409314B (zh) | 高空钢结构腐蚀的无人机视觉检测与评价方法及*** | |
Kim et al. | 3D classification of power-line scene from airborne laser scanning data using random forests | |
CN108919232B (zh) | 一种输电线路危险点检测方法及装置 | |
CN111340317A (zh) | 架空输电线路树障隐患的自动预警方法及电子设备 | |
CN109214573A (zh) | 输电线路树木生长或倒伏危险点预测方法和装置 | |
CN108198190A (zh) | 一种基于点云数据的单木分割方法及装置 | |
CN106845324A (zh) | 路牌信息的处理方法和装置 | |
US11145089B2 (en) | Method for measuring antenna downtilt based on multi-scale detection algorithm | |
CN109935080A (zh) | 一种交通线路上的车流量实时计算的监测***及方法 | |
CN109063789A (zh) | 杆塔和电力线的分类方法、装置和*** | |
Guo et al. | Classification of airborne laser scanning data using JointBoost | |
Gleason et al. | A Fusion Approach for Tree Crown Delineation from Lidar Data. | |
CN109492606A (zh) | 多光谱矢量图获取方法及***、三维单体化方法及*** | |
CN115049793A (zh) | 基于数字孪生的输电线路树木生长可视化预测方法及装置 | |
US20230386199A1 (en) | Automated hazard recognition using multiparameter analysis of aerial imagery | |
Politz et al. | Classification of laser scanning data using deep learning | |
CN113361968B (zh) | 基于人工智能和大数据的电网基建人员安全风险评估方法 | |
Secord et al. | Tree detection in aerial lidar and image data |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180629 |
|
RJ01 | Rejection of invention patent application after publication |