CN115410036A - 一种高压架空输电线路关键要素激光点云自动分类方法 - Google Patents
一种高压架空输电线路关键要素激光点云自动分类方法 Download PDFInfo
- Publication number
- CN115410036A CN115410036A CN202210986456.4A CN202210986456A CN115410036A CN 115410036 A CN115410036 A CN 115410036A CN 202210986456 A CN202210986456 A CN 202210986456A CN 115410036 A CN115410036 A CN 115410036A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- data
- tower
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000005540 biological transmission Effects 0.000 title claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 46
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000001788 irregular Effects 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims abstract description 6
- 230000000750 progressive effect Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function 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
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
- H04N1/32272—Encryption or ciphering
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高压架空输电线路关键要素激光点云自动分类方法,涉及架空输电线路技术领域,包括S1、采集高压架空输电线路点云数据,并引用架空线路台账信息对采集的点云数据进行预处理;S2、针对预处理后的点云数据,采用不规则三角网TIN渐进加密滤波算法分离出地面点云数据和非地面点云数据;S3、针对地面点云数据采用加权最小二乘法进行点云平滑处理;S4、针对非地面点云数据利用不同的算法进行精细化分类和提取。本发明采用不规则三角网TIN渐进加密滤波算法,提高了架空输电线路点云自动化分类及提取的效率和正确率。
Description
技术领域
本发明涉及架空输电线路技术领域,更具体的说是涉及一种高压架空输电线路关键要素激光点云自动分类方法。
背景技术
机载激光雷达获取的输电线路点云数据量非常庞大,经过前端数据获取后,需要进行点云数据的预处理和后处理,其中后处理包括对点云进行抽稀、滤波分类、模型重建等步骤,点云自动化分类是数据后处理的关键步骤。
点云数据具有离散型、多回波性、反射强度信息、高密度性、数据海量性、数据缺失性等特点,点云数据处理分析效率低,生成通道危急通道隐患报告最短需要48小时,导致输电线路巡视作业效率较低。点云自动化分类在实际处理分析中存在以下问题:(1)点云自动化分类精度低,依靠后期人工进行处理,同时由于部分算法的自动化程度无法满足后期数据处理要求等问题,导致了传统输电线路建模需要大量人工干预,出现了后期手动调整等效率低,精度差的问题;(2)自动化分类算法普适性差,大多数分类算法在分类时是基于点云局部的相似性,如需要比较局部坡度差和高程差、对象的形态等,目前还没有一种算法将地物类别进行统一的自动化细分;(3)没有充分利用输电线路台账信息,我国电网建设大力发展已建成完备的输电线路设备台账规范,可以通过调用PMS2.0数据接口或通过访问数据库表,获取输电架空线路台账信息,其中包含坐标信息的设备台账数据对于输电线路自动化分类杆塔和导地线,提供数据准确率和效率都有很大的帮助;(4)自动化分类算法时间性能和空间性能差,由于点云数据的离散性及算法不稳健等因素,执行过程中时间长、空间占用空间多,消耗的时间和内存空间大。
因此,如何提高架空输电线路点云自动化分类效率和正确率是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种高压架空输电线路关键要素激光点云自动分类方法。
为了实现上述目的,本发明采用如下技术方案:
一种高压架空输电线路关键要素激光点云自动分类方法,包括以下步骤:
为了实现上述目的,本发明采用如下技术方案:
一种高压架空输电线路关键要素激光点云自动分类方法,包括以下步骤:
S1、采集高压架空输电线路点云数据,并引用架空线路台账信息对采集的点云数据进行预处理;
S2、针对预处理后的点云数据,采用不规则三角网TIN渐进加密滤波算法分离出地面点云数据和非地面点云数据;
S3、针对地面点云数据采用加权最小二乘法进行点云平滑处理;
S4、针对非地面点云数据利用不同的算法进行精细化分类和提取。
优选的,步骤S1引用架空线路台账信息对点云数据进行预处理具体包括:
采用基于点云局部空间分布统计的去噪算法对采集的高压架空输电线路点云数据进行去噪处理;
根据架空线路台账信息中的杆塔坐标位置将去燥处理后的高压架空输电线路点云数据进行分段,生成多档标准las格式的点云数据。
优选的,步骤S2包括以下步骤:
S21、获取预处理后的点云数据;
S22、将预处理后的点云数据进行格网划分,取每个格网中最低点作为初始点生成初始不规则三角网TIN;
S23、计算点云数据点到距离该数据点最近三角面的垂距,和该数据点与所述三角面三个顶点的夹角,若所述垂距和所述夹角中的最大值均小于设定的阈值,则将该数据点加入地面点云数据集合,并对生成的初始不规则三角网TIN进行加密;
S24、重复步骤S22-S23,迭代处理所有的点云数据,直到遍历完所有的点云数据。
优选的,步骤S4中针对非地面点云数据利用不同的算法进行精细化分类,具体包括:
a、利用Kd-tree聚类方法提取杆塔点云数据;
b、结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据;
c、采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据。
优选的,方法a中利用Kd-tree算法和包围盒提取杆塔点云数据具体包括:
根据杆塔坐标位置信息获取杆塔点云数据,并根据塔杆几何特征将杆塔点云数据分为塔顶点云数据和塔身点云数据;
针对塔顶点云数据:构建塔顶点云数据的初始OBB包围盒,并以初始OBB包围盒为根节点递归构建Kd-tree,对初始OBB包围盒内的塔顶点云数据进行水平切片,对各个水平切片内的点云数据进行圆拟合,以提取水平切片内的点云数据,利用Kd-tree遍历搜索所有水平切片内的点云数据并合并,提取塔杆点云数据;
针对塔身点云数据:构建塔身点云数据的初始OBB包围盒,对初始OBB包围盒内的塔身点云数据进行初始OBB拟合,根据初始OBB拟合的结果,识别塔身的塔棱,对识别出塔棱的塔身点云数据进行精确OBB拟合。
优选的,方法b中结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据,具体包括:
b1、获取非地面点云数据的高程值影像,对高程值影像进行Canny算子检测,提取边缘图像;
b2、利用Hough变换检测边缘图像中的线段,并计算边缘图像中各线段的斜率和截距;
b3、根据计算得到的斜率和截距对边缘图像中的线段进行分簇,获取得到m簇线段群;
b4、分别对m簇线段群内的坐标点数据用最小二乘法进行拟合,从而拟合出m条线段;
b5、对线段斜率进行聚类,将元素小于一定阈值的线段类剔除,获取拟合电力线;
b6、使用高程特征检测拟合电力线,获取地线点云数据和导线点云数据。
优选的,方法c中采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据,具体包括:
c1、根据随机抽样一致算法对非地面点云数据进行分类,获取内点数据集和外点数据集;
c2、分别对内点数据集和外点数据集中的点云数据进行聚类;
c3、利用最小二乘拟合平面的区域增长算法对聚类后的点云数据进行筛选,获取建筑点云数据和低植被点云数据。
优选的,方法c3中利用最小二乘拟合平面的区域增长算法对聚类后的点云数据进行筛选,获取建筑点云数据和低植被点云数据,具体包括:
利用随机抽样一致算法对非地面点云数据进行拟合聚类,提取符合目标的初步点云数据;
根据初步点云数据再次利用最小二乘拟合平面的区域增长算法提取最终目标点云数据;
利用最终目标点云数据的三维坐标值计算目标数据点的3*3协方差矩阵;
由协方差矩阵确定不同目标数据点在X、Y、Z方向上的的三个特征值λx,λy,λz;
若目标数据点Z方向上的特征值λz大于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为建筑物点云数据中的点;反之,若目标数据点Z方向上的特征值λz小于等于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为低植被点云数据。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种高压架空输电线路关键要素激光点云自动分类方法,具有以下有益效果:
1、优化初始三角网,将原网格尺寸维持不变的前提下,移动网格窗口,提取网格中的最低点,加入到初始三角网中,该方法有效的解决了网格过大造成的信息缺失,并很大程度上较少了点云的迭代次数,有效提高了运算速度,满足了自动化的基本要求。
2、基于结合Hough变换和最小二乘进行中心线拟合方法提取电力线;充分利用杆塔本身的形状特点,实时计算点云的最小包围盒及拟合圆,为杆塔的提取及点云的分类提供了有效的解决方案。
3、结合随机抽样一致性算法以及区域增长算法的改进型算法对建筑物进行精确提取。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明提供的方法流程整体示意图;
图2为本发明提供的方法流程细节示意图。
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做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。
如图1、图2本发明实施例公开了一种高压架空输电线路关键要素激光点云自动分类方法,包括以下步骤:
S1、采集高压架空输电线路点云数据,并引用架空线路台账信息对采集的点云数据进行预处理;
具体包括:采用基于点云局部空间分布统计的去噪算法对采集的高压架空输电线路点云数据进行去噪处理;
根据架空线路台账信息中的杆塔坐标位置将去燥处理后的高压架空输电线路点云数据进行分段,生成多档标准las格式的点云数据。
基于点云局部空间分布统计的去噪算可计算1立方米的空间范围内点云数量,如果在某一个局部空间点云分布很少(点云数量少于10个)即认为是噪点。
S2、针对预处理后的点云数据,采用不规则三角网TIN渐进加密滤波算法分离出地面点云数据和非地面点云数据;
本发明实施例中,地面点云数据主要指表示地面表面点云的地表点云数据,地面点云数据之外的其他数据均称为非地面点云数据。
具体包括:
S21、获取预处理后的点云数据;
S22、将预处理后的点云数据进行格网划分,取每个格网中最低点作为初始点生成初始不规则三角网TIN;
S23、计算点云数据点到距离该数据点最近三角面的垂距,和该数据点与所述三角面三个顶点的夹角,若所述垂距和所述夹角中的最大值均小于设定的阈值,则将该数据点加入地面点云数据集合,并对生成的初始不规则三角网TIN进行加密;
S24、重复步骤S22-S23,迭代处理所有的点云数据,直到遍历完所有的点云数据。
S3、针对地面点云数据采用加权最小二乘法进行点云平滑处理;
采用加权最小二乘法对上面步骤得到的地面点进行点云平滑处理,点云厚度可降低到5cm范围内,且平滑后地物特征保留完好,符合高精度数据分类分析处理的要求。
S4、针对非地面点云数据利用不同的算法进行精细化分类和提取,具体包括:
a、利用Kd-tree聚类方法提取杆塔点云数据;
b、结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据;
c、采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据。
方法a中利用Kd-tree聚类方法提取杆塔点云数据具体包括:
根据杆塔坐标位置信息获取杆塔点云数据,并根据塔杆几何特征将杆塔点云数据分为塔顶点云数据和塔身点云数据;
针对塔顶点云数据:构建塔顶点云数据的初始OBB包围盒,并以初始OBB包围盒为根节点递归构建Kd-tree,对初始OBB包围盒内的塔顶点云数据进行水平切片,对各个水平切片内的点云数据进行圆拟合,以提取水平切片内的点云数据,利用Kd-tree遍历搜索所有水平切片内的点云数据并合并,提取塔杆点云数据;
针对塔身点云数据:构建塔身点云数据的初始OBB包围盒,对初始OBB包围盒内的塔身点云数据进行初始OBB拟合,根据初始OBB拟合的结果,识别塔身的塔棱,对识别出塔棱的塔身点云数据进行精确OBB拟合。
OBB最大特点是它的方向的任意性,这使得它可以根据被包围对象的形状特点尽可能紧密的包围对象。OBB包围盒比AABB包围盒和包围球更加紧密地逼近物体,能比较显著地减少包围体的个数,从而避免了大量包围体之间的相交检测。
方法b中结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据,具体包括:
b1、获取非地面点云数据的高程值影像,对高程值影像进行Canny算子检测,提取边缘图像;
b2、利用Hough变换检测边缘图像中的线段,并计算边缘图像中各线段的斜率和截距;
b3、根据计算得到的斜率和截距对边缘图像中的线段进行分簇,获取得到m簇线段群;
具体的,对Hough变换检测到的线段若斜率和截距均接近的线段可以认为是共线的,依据共线性准则进行分簇,统计所有斜率和截距的范围,根据区间范围设置斜率阈值Ta和截距阈值Tb,依次扫描所有线段,若两条线段的斜率差和截距差分别小于Ta和Tb,就认为它们属于同一个簇,从而得到m簇线段群。
b4、分别对m簇线段群内的坐标点数据用最小二乘法进行拟合,从而拟合出m条线段;
b5、对线段斜率进行聚类,将元素小于一定阈值的线段类剔除,获取拟合电力线;
b6、使用高程特征检测拟合电力线,获取地线点云数据和导线点云数据。
方法c中采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据,具体包括:
利用随机抽样一致算法对非地面点云数据进行拟合聚类,提取符合目标的初步点云数据;
根据初步点云数据再次利用最小二乘拟合平面的区域增长算法提取最终目标点云数据;
利用最终目标点云数据的三维坐标值计算目标数据点的3*3协方差矩阵;
由协方差矩阵确定不同目标数据点在X、Y、Z方向上的的三个特征值λx,λy,λz;
若目标数据点Z方向上的特征值λz大于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为建筑物点云数据中的点;反之,若目标数据点Z方向上的特征值λz小于等于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为低植被点云数据。
本发明中所有计算模型可以基于开放分布式计算架构实现,得到架空输电线路关键要素激光点云的高效自动精细分类。分布式监测具体流程如下:
(1)将分布式算法监测工具部署在主节点机器上,通过读取配置文件获取子节点及分类的具体信息,并将其展示到表格中;
(2)通过勾选相关节点进行远程启动对应节点机器的分类处理算法并展示各子节点执行进度(各节点机器应部署好点云分类功能);
(3)分布式监控工具是将一个“巨大”的分类任务拆分成多个子任务,并开启多个分类处理进程,每个进程自动领取点云分类子任务并执行。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种高压架空输电线路关键要素激光点云自动分类方法,其特征在于,所述方法包括以下步骤:
S1、采集高压架空输电线路点云数据,并引用架空线路台账信息对采集的点云数据进行预处理,所述架空线路台账信息包括杆塔坐标位置信息;
S2、针对预处理后的点云数据,采用不规则三角网TIN渐进加密滤波算法分离出地面点云数据和非地面点云数据;
S3、针对地面点云数据采用加权最小二乘法进行点云平滑处理;
S4、针对非地面点云数据利用不同的算法进行精细化分类和提取。
2.根据权利要求1所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,步骤S1中引用架空线路台账信息对点云数据进行预处理具体包括:
采用基于点云局部空间分布统计的去噪算法对采集的高压架空输电线路点云数据进行去噪处理;
根据架空线路台账信息中的杆塔坐标位置将去燥处理后的高压架空输电线路点云数据进行分段,生成多档标准las格式的点云数据。
3.根据权利要求1所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,步骤S2包括以下步骤:
S21、获取预处理后的点云数据;
S22、将预处理后的点云数据进行格网划分,取每个格网中最低点作为初始点生成初始不规则三角网TIN;
S23、计算点云数据点到距离该数据点最近三角面的垂距,和该数据点与所述三角面三个顶点的夹角,若所述垂距和所述夹角中的最大值均小于设定的阈值,则将该数据点加入地面点云数据集合,并对生成的初始不规则三角网TIN进行加密;
S24、重复步骤S22-S23,迭代处理所有的点云数据,直到遍历完所有的点云数据。
4.根据权利要求1所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,步骤S4中针对非地面点云数据利用不同的算法进行精细化分类,具体包括:
a、利用Kd-tree算法和OBB包围盒提取杆塔点云数据;
b、结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据;
c、采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据。
5.根据权利要求4所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,方法a中利用Kd-tree算法和包围盒提取杆塔点云数据具体包括:
根据杆塔坐标位置信息获取杆塔点云数据,并根据塔杆几何特征将杆塔点云数据分为塔顶点云数据和塔身点云数据;
针对塔顶点云数据:构建塔顶点云数据的初始OBB包围盒,并以初始OBB包围盒为根节点递归构建Kd-tree,对初始OBB包围盒内的塔顶点云数据进行水平切片,对各个水平切片内的点云数据进行圆拟合,以提取水平切片内的点云数据,利用Kd-tree遍历搜索所有水平切片内的点云数据并合并,提取塔杆点云数据;
针对塔身点云数据:构建塔身点云数据的初始OBB包围盒,对初始OBB包围盒内的塔身点云数据进行初始OBB拟合,根据初始OBB拟合的结果,识别塔身的塔棱,对识别出塔棱的塔身点云数据进行精确OBB拟合。
6.根据权利要求4所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,方法b中结合Hough变换和最小二乘进行中心线拟合方法提取电力线点云数据,并分离出地线点云数据和导线点云数据,具体包括:
b1、获取非地面点云数据的高程值影像,对高程值影像进行Canny算子检测,提取边缘图像;
b2、利用Hough变换检测边缘图像中的线段,并计算边缘图像中各线段的斜率和截距;
b3、根据计算得到的斜率和截距对边缘图像中的线段进行分簇,获取得到m簇线段群;
b4、分别对m簇线段群内的坐标点数据用最小二乘法进行拟合,从而拟合出m条线段;
b5、对线段斜率进行聚类,将元素小于一定阈值的线段类剔除,获取拟合电力线;
b6、使用高程特征检测拟合电力线,获取地线点云数据和导线点云数据。
7.根据权利要求4所述的高压架空输电线路关键要素激光点云自动分类方法,其特征在于,方法c中采用随机抽样一致算法和最小二乘拟合平面的区域增长算法提取建筑点云数据和低植被点云数据,具体包括:
利用随机抽样一致算法对非地面点云数据进行拟合聚类,提取符合目标的初步点云数据;
根据初步点云数据再次利用最小二乘拟合平面的区域增长算法提取最终目标点云数据;
利用最终目标点云数据的三维坐标值计算目标数据点的3*3协方差矩阵;
由协方差矩阵确定不同目标数据点在X、Y、Z方向上的的三个特征值λx,λy,λz;
若目标数据点Z方向上的特征值λz大于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为建筑物点云数据中的点;反之,若目标数据点Z方向上的特征值λz小于等于目标数据点在X、Y方向的特征值λx,λy,则该目标数据点为低植被点云数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986456.4A CN115410036A (zh) | 2022-08-17 | 2022-08-17 | 一种高压架空输电线路关键要素激光点云自动分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210986456.4A CN115410036A (zh) | 2022-08-17 | 2022-08-17 | 一种高压架空输电线路关键要素激光点云自动分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115410036A true CN115410036A (zh) | 2022-11-29 |
Family
ID=84160464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210986456.4A Pending CN115410036A (zh) | 2022-08-17 | 2022-08-17 | 一种高压架空输电线路关键要素激光点云自动分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115410036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433750A (zh) * | 2023-06-15 | 2023-07-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及*** |
-
2022
- 2022-08-17 CN CN202210986456.4A patent/CN115410036A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433750A (zh) * | 2023-06-15 | 2023-07-14 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及*** |
CN116433750B (zh) * | 2023-06-15 | 2023-08-18 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于激光点云的输电杆塔提取方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529469B (zh) | 基于自适应坡度的无人机载LiDAR点云滤波方法 | |
CN106815847B (zh) | 基于激光雷达点云的树木分割方法及单棵树提取方法 | |
CN110340891B (zh) | 基于点云模板匹配技术的机械臂定位抓取***及方法 | |
CN110363861B (zh) | 基于激光雷达点云的田地作物三维重构方法 | |
CN111986322B (zh) | 一种基于结构分析的点云室内场景布局重建方法 | |
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 | |
EP2574207A1 (en) | System and method for extracting features from data having spatial coordinates | |
CN111598780B (zh) | 一种适用于机载LiDAR点云的地形自适应插值滤波方法 | |
CN112784403A (zh) | 基于点云数据建立节理岩体离散元模型的数值模拟方法 | |
CN108920765A (zh) | 一种基于建筑物三维线段模型的假设平面拟合方法 | |
CN114266987A (zh) | 一种无人机高边坡危岩体智能识别方法 | |
Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
CN114332134B (zh) | 一种基于密集点云的建筑物立面提取方法和装置 | |
JP2022020396A (ja) | 森林資源解析装置、森林資源解析方法および森林資源解析プログラム | |
Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN114898118A (zh) | 基于多源点云的输电线路房屋拆迁量自动统计方法及*** | |
CN115410036A (zh) | 一种高压架空输电线路关键要素激光点云自动分类方法 | |
CN115953607A (zh) | 一种使用点云数据的树干胸径的提取方法和*** | |
CN111950589A (zh) | 结合K-means聚类的点云区域生长优化分割方法 | |
CN113139982B (zh) | 一种室内房间点云的自动分割方法 | |
CN113793421A (zh) | 一种变电站设备三维点云数据处理方法、***及存储介质 | |
CN111060922B (zh) | 基于机载激光雷达点云空间分布特征的树木点云提取方法 | |
CN114511572A (zh) | 一种林间测树的单木分割流程方法 | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 |
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 |