CN110782457B - 一种基于无人机电力巡检的点云数据分割方法 - Google Patents
一种基于无人机电力巡检的点云数据分割方法 Download PDFInfo
- Publication number
- CN110782457B CN110782457B CN201910844223.9A CN201910844223A CN110782457B CN 110782457 B CN110782457 B CN 110782457B CN 201910844223 A CN201910844223 A CN 201910844223A CN 110782457 B CN110782457 B CN 110782457B
- Authority
- CN
- China
- Prior art keywords
- data
- classified
- point
- point cloud
- labels
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机电力巡检的点云数据分割方法,包括下述步骤:使用pointnet++架构,对点云数据进行初步分类,初步分类可以获得约90%的分割精度,然后通过软件进行手工修正分类标签,从而得到准确的带标签的初始数据;对之后的同地区、未带标签的待分类数据,通过手工选取原始数据和待分类数据的杆塔中心点,挖取约10*3*3的立方体数据,运用迭代最近点的方法找到旋转平移矩阵;本发明利用了同地区段需要多次分割的特点,充分利用前次数据,提升数据分类的精度,所用的分割时间较短,减少了手工修正耗时。
Description
技术领域
本发明涉及电力巡检技术领域,具体涉及一种基于无人机电力巡检的点云数据分割方法。
背景技术
自2015年国家电网开始推广无人机电力巡检以来,目前主流方法都是通过搭载有激光雷达的无人机,对需要巡检的电力走廊进行飞行巡检,与此同时,激光雷达扫描无人机周围环境,产生反映场景的点云数据。通过数据直接进行分割,知道点云类别才可以进行下一步的点云分析,从而判断电力走廊哪些存在危险或者不足。
目前的数据分析方法还处于研究阶段,有的方法是纯手工去标注点云类别,工作量太大,大概每公里的点云数据,需要花费1个小时来进行修正,极度耗时耗力;有的方法是通过深度学习进行三维点云分割,但由于无法根本解决点云数据的无序性,导致效率和准确率并不高;也有的是通过传统视觉方法去实现点云分割,但针对不同类别点云相交的地方,其效果并不好,除此之外准确率也不高,仍然需要手工进行进一步分类。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于无人机电力巡检的点云数据分割方法,该方法能够减少手工修正耗时,提高分割精度。
本发明的目的通过下述技术方案实现:
一种基于无人机电力巡检的点云数据分割方法,包括下述步骤:
步骤一,使用pointnet++架构,对点云数据进行初步分类,初步分类可以获得约90%的分割精度,然后进行手工修正分类标签,从而得到准确的带标签的初始数据;
步骤二,对之后的同地区、未带标签的待分类数据,通过手工选取原始数据和待分类数据的杆塔中心点,挖取约10*3*3的立方体数据,运用迭代最近点的方法找到旋转平移矩阵,如下述公式所示:
步骤三,将旋转平移矩阵运用到待分类数据中,从而使待分类数据和初始数据重合,待分类数据和初始数据z轴方向上最近的点,视为同一点,将初始数据的标签迁移到待分类数据中,从而使待分类数据获得标签。
本发明与现有技术相比具有以下的有益效果:
本发明利用了同地区段需要多次分割的特点,充分利用前次数据,提升数据分类的精度,所用的分割时间较短,减少了手工修正耗时。
附图说明
图1为本发明pointnet++的网络结构示意图;
图2为本发明的匹配效果示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本发明提出了一种基于无人机电力巡检的点云数据分割方法,该方法使用深度学习粗分类点云精度之后,再进行手工修正,获得带标签的点云数据,称为初始数据,对同地区、未带标签以及时间较新的点云数据,称为待分类数据;因为初始数据和待分类数据在相同地区,数据有一定关系,通过图匹配找到此关系,可以把初始数据的标签通过此关系迁移到待分类数据,从而使待分类数据获得标签。
具体来说,如图1~2所示,一种基于无人机电力巡检的点云数据分割方法,包括下述步骤:
步骤一,使用pointnet++架构,对点云数据进行初步分类,初步分类可以获得约90%的分割精度,然后通过对应的软件,如cloud compare软件进行手工修正分类标签,从而得到准确的带标签的初始数据;
步骤二,对之后的同地区、未带标签的待分类数据,通过手工选取原始数据和待分类数据的杆塔中心点,挖取约10*3*3的立方体数据,运用迭代最近点的方法找到旋转平移矩阵,如下述公式所示:
步骤三,将旋转平移矩阵运用到待分类数据中,从而使待分类数据和初始数据重合,待分类数据和初始数据z轴方向上最近的点,视为同一点,将初始数据的标签迁移到待分类数据中,从而使待分类数据获得标签,且数据准确度较高,用时短。
相对于现有技术,本发明通过手工选取原始数据和待分类数据杆塔中心点,挖取约10*3*3的立方体数据进行迭代最近点;并根据迭代最近点找到的旋转平移矩阵,z轴方向向上寻找最近的数据,并进行标签迁移。本发明利用了同地区段需要多次分割的特点,充分利用前次数据,提升数据分类的精度,所用的分割时间较短,减少了手工修正耗时。
上述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内容的限制,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之内。
Claims (1)
1.一种基于无人机电力巡检的点云数据分割方法,其特征在于,包括下述步骤:
步骤一,使用pointnet++架构,对点云数据进行初步分类,初步分类可以获得90%的分割精度,然后进行手工修正分类标签,从而得到准确的带标签的初始数据;
步骤二,对之后的同地区、未带标签的待分类数据,通过手工选取原始数据和待分类数据的杆塔中心点,挖取10*3*3的立方体数据,运用迭代最近点的方法找到旋转平移矩阵,如下述公式所示:
其中,E(R,t)表示迭代最近点的目标函数,Np表示立方体数据中数据的数量,xi、pi分别表示原始数据、待分类数据的杆塔中心点所挖取的立方体数据中的第i个数据点,R表示旋转变换矩阵,t表示平移变换矩阵;
步骤三,将旋转平移矩阵运用到待分类数据中,从而使待分类数据和初始数据重合,待分类数据和初始数据z轴方向上最近的点,视为同一点,将初始数据的标签迁移到待分类数据中,从而使待分类数据获得标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844223.9A CN110782457B (zh) | 2019-09-06 | 2019-09-06 | 一种基于无人机电力巡检的点云数据分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910844223.9A CN110782457B (zh) | 2019-09-06 | 2019-09-06 | 一种基于无人机电力巡检的点云数据分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110782457A CN110782457A (zh) | 2020-02-11 |
CN110782457B true CN110782457B (zh) | 2023-05-23 |
Family
ID=69384117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910844223.9A Active CN110782457B (zh) | 2019-09-06 | 2019-09-06 | 一种基于无人机电力巡检的点云数据分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782457B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184250B (zh) * | 2015-08-31 | 2018-06-22 | 哈尔滨工业大学 | 一种电力走廊机载LiDAR点云数据的地物分类方法 |
CN113392937B (zh) * | 2021-07-30 | 2023-07-04 | 广东工业大学 | 一种3d点云数据分类方法及其相关装置 |
-
2019
- 2019-09-06 CN CN201910844223.9A patent/CN110782457B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3506162A1 (en) * | 2017-12-29 | 2019-07-03 | Baidu Online Network Technology (Beijing) Co., Ltd. | Method and apparatus for determining matching relationship between point cloud data |
Also Published As
Publication number | Publication date |
---|---|
CN110782457A (zh) | 2020-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108871353B (zh) | 路网地图生成方法、***、设备及存储介质 | |
JP2017084360A (ja) | 太陽光発電システムの作動方法 | |
CN114332348B (zh) | 一种融合激光雷达与图像数据的轨道三维重建方法 | |
CN116403058B (zh) | 一种遥感跨场景多光谱激光雷达点云分类方法 | |
CN111104850B (zh) | 一种基于残差网络的遥感影像建筑物自动提取方法和*** | |
CN116052094B (zh) | 一种船舶检测方法、***及计算机存储介质 | |
CN110688435B (zh) | 一种相似轨迹搜索方法和*** | |
CN106886564B (zh) | 一种基于空间聚类订正nwp风能图谱的方法及装置 | |
CN116188402A (zh) | 一种基于改进ssd算法的绝缘子缺陷识别方法 | |
CN112652062A (zh) | 一种点云地图构建方法、装置、设备和存储介质 | |
CN115393745A (zh) | 一种基于无人机与深度学习的桥梁形象进度自动识别方法 | |
CN109255837A (zh) | 一种用于激光雷达点云数据处理的高效b样条曲面的构造方法 | |
CN111611900A (zh) | 一种目标点云识别方法、装置、电子设备和存储介质 | |
CN110782457B (zh) | 一种基于无人机电力巡检的点云数据分割方法 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、***和电子设备 | |
Espey | Empirical modelling of public lighting emission functions | |
CN114266984A (zh) | 一种利用高分辨遥感影像计算建筑物屋顶光伏可改造区减碳量的方法 | |
Ozoroski et al. | High altitude long endurance UAV analysis model development and application study comparing solar powered airplane and airship station-keeping capabilities | |
CN107609688B (zh) | 一种基于粒子群算法的光伏面板最佳倾角计算方法 | |
CN116644497A (zh) | 基于数字表面模型的屋顶光伏日照阴影分析方法及*** | |
CN107705310B (zh) | 一种地块分割方法及*** | |
CN116483118A (zh) | 一种适用于导地线弧垂变化的无人机自主巡检航线自动生成方法 | |
CN110174714A (zh) | 基于机器学习的街道空间日照时数批量化测量方法及*** | |
CN114612751A (zh) | 一种基于语义学习的整机点云数据的下采样方法 | |
CN113240767B (zh) | 一种输电线路通道异常裂缝样本生成方法及*** |
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 |