CN115641448A - 一种基于无人机遥感快速识别电力线下树障高度的方法 - Google Patents
一种基于无人机遥感快速识别电力线下树障高度的方法 Download PDFInfo
- Publication number
- CN115641448A CN115641448A CN202211363008.5A CN202211363008A CN115641448A CN 115641448 A CN115641448 A CN 115641448A CN 202211363008 A CN202211363008 A CN 202211363008A CN 115641448 A CN115641448 A CN 115641448A
- Authority
- CN
- China
- Prior art keywords
- tree
- height
- unmanned aerial
- aerial vehicle
- power line
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及电力线巡检技术领域，具体涉及一种基于无人机遥感快速识别电力线下树障高度的方法，结合了分水岭分割算法、焦点统计方法及局部最大值算法对电力线下树障高度进行提取。对无人机影像处理得到冠层高度模型之后，首先采用分水岭分割算法对树冠区域进行分割，分割出单个树冠区域；再采用焦点统计方法计算树冠区域内每个像素的灰度值；之后根据研究区内树木的真值设置最低阈值，低于此阈值的灰度值不参与树顶点的识别，其余的灰度值基于局部最大值算法进行提取，将提取出的最大值点判定为该树木的树顶点，即该树障的高度，与现有的无人机识别电力线下树障高度方法相比，本发明提高了树障高度提取的精度。
Description
技术领域
本发明涉及电力线巡检技术领域，具体涉及一种基于无人机遥感快速识别电力线下树障高度的方法。
背景技术
电力能源是支撑社会发展的重要支柱，目前我国所使用的主要输电线路为电缆及架空线路，输电线路承担着输送电力的重要作用。随着输电线路的不断扩大，远距离输电线逐渐增多，电力线的安全逐渐成为重中之重。输电线路具有高电压、长距离、电力线周围环境复杂多变等特点。输电线路架设完毕之后，电力线会自然下垂，其所允许的下垂弧度在一定的范围之内。但是，电力线路下的树木高度呈不周期生长。当树木高度不满足国家规定的线路安全要求时，会对输电线路造成安全隐患，可能会导致树木起火、电力线受损及输电线路跳闸等事故，导致人员伤亡和经济财产的损失，影响人民的正常生活生产。
为了保障输电线路正常工作，需定期对电力线下的树木进行定期监测，及时发现潜在的隐患，并将隐患排除。传统的电力线巡检主要以人工巡检为主，但是人工巡检存在着劳动强度高、作业风险大、识别精度低等问题。近年来，随着无人机的兴起，无人机由于其高机动性、高分辨率、高数字化等优点逐渐应用于各个领域之中，也包括电力线巡检。无人机在电力线巡检中，可以通过无人机搭载的镜头直观的看出电力线下树障是否对电力线产生威胁。而且通过对无人机影像的处理，结合相关地理信息数据及树木结构参数也可以建立电力线下树障三维模型，便于更直观的观察与判别树障高度。
基于无人机识别树木高度的方法有基于冠层高度模型(CHM)提取树高，基于点云分割提取树高等方法，但是这些方法存在着分割树冠区域不准确，导致无法正确且高效的提取出树木高度，而且也存在着树顶点提取精度差等问题，有时还会出现同一颗树木提取出两个或多个树顶点的情况。以至于对电力线下的树障高度产生误判，造成人力、物力等资源浪费。
发明内容
本发明的目的在于提供一种基于无人机遥感快速识别电力线下树障高度的方法，旨在改进现有的无人机识别树木高度方法，结合分水林分割算法、焦点统计法及局部最大值算法提取树障高度，极大的提高了提取树障高度的精度。
为实现上述目的，本发明提供了一种基于无人机遥感快速识别电力线下树障高度的方法，包括下列步骤：
无人机影像采集，并进行初步处理获得密集点云模型；
点云数据分类处理；
结合分水岭分割算法和焦点统计算法进行树顶点识别；
树顶点识别精度评价。
其中，初步处理的过程为剔除错误影像的过程，具体为对无人机影像进行检查，检查有无空白或模糊的无人机影像，如果有将其剔除。
其中，在获得密集点云模型的过程中，对无人机影像进行三维重建处理，根据无人机所搭载的相机参数及拍摄时记录的POS数据对原始影像数据进行特征点匹配，得到研究区的三维模型及稀疏结构点云，之后稀疏结构点云经多视角影像密集匹配得到密集点云，最后得到研究区的密集点云模型。
其中，点云数据处理的过程，包括下列步骤：
点云分类；
生成数字表面模型以及数字高程模型；
生成冠层高度模型。
其中，在结合分水岭分割算法和焦点统计算法进行树顶点识别的过程中，使用分水岭分割算法进行树冠分割，采用焦点统计算法计算树顶点，其中树冠分割包括下列步骤：
去除噪声点；
树冠分割。
其中，在计算树顶点的过程中，选择焦点统计方法对树冠区域内的像素灰度值进行计算，基于局部最大值算法提取出树冠区域的像素灰度值的最大值点，最后所得到的最大值即为该树冠区域的高度，即树障高度。
其中，在树顶点识别精度评价的过程中，使用决定系数R2与均方根误差RMSE两个指标对预测树高与实测树高的拟合效果进行评价。
本发明提供了一种基于无人机遥感快速识别电力线下树障高度的方法，结合了分水岭分割算法、焦点统计方法及局部最大值算法对电力线下树障高度进行提取。对无人机影像处理得到冠层高度模型之后，首先采用分水岭分割算法对树冠区域进行分割，分割出单个树冠区域；再采用焦点统计方法计算树冠区域内每个像素的灰度值；之后根据研究区内树木的真值设置最低阈值，低于此阈值的灰度值不参与树顶点的识别，其余的灰度值基于局部最大值算法进行提取，将提取出的最大值点判定为该树木的树顶点，即该树障的高度，与现有的无人机识别电力线下树障高度方法相比，本发明提高了树障高度提取的精度。
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一些实施例，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，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于无人机遥感快速识别电力线下树障高度的方法的流程示意图。
图2是本发明的一种基于无人机遥感快速识别电力线下树障高度的方法的具体技术流程示意图。
图3是本发明的具体实施例的无人机影像图。
图4是本发明的具体实施例的数字表面模型DSM实体图。
图5是本发明的具体实施例的数字高程模型DEM示意图。
图6是本发明的具体实施例的生成冠层高度模型CHM示意图。
图7是本发明的具体实施例的树顶点识别图。
图8是本发明的具体实施例的实测树高与基于无人机影像提取的树高的回归关系精度对比图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
请参阅图1，本发明提供了一种基于无人机遥感快速识别电力线下树障高度的方法，包括下列步骤：
S1：无人机影像采集，并进行初步处理获得密集点云模型；
S2：点云数据处理；
S3：结合于分水岭分割算法和焦点统计算法进行树顶点识别；
S4：树顶点识别精度评价。
以下结合具体实施过程中的技术手段对本发明作进一步说明：
(1)无人机影像初步处理
1)剔除错误影像。对无人机影像进行检查，检查有无空白或模糊的无人机影像，如果有将其剔除。
2)得到研究区的点云模型。对无人机影像进行三维重建处理，根据无人机所搭载的相机参数及拍摄时记录的POS数据对原始影像数据进行特征点匹配，得到研究区的三维模型及稀疏结构点云，之后稀疏结构点云经多视角影像密集匹配得到密集点云，最后得到研究区的密集点云模型。
(2)点云分类及数据处理
1)点云分类。对密集点云进行分类处理，将点云分类为地面、植被、人工建筑、电力线等类别。这一步主要是为了剔除无关点云，只保留地面点云及植被点云。
2)生成数字表面模型(DSM)及数字高程模型(DEM)。将地面及植被点云单独导出，然后基于地面及植被点云生成只包含地面和植被的DSM以及只包含地面的DEM。需注意的是经点云生成的DSM与DEM要保持在同一片区域中。
3)生成冠层高度模型(CHM)。得到数字表面模型(DSM)与数字高程模型(DEM)之后，对二者进行作差计算即(CHM＝DSM-DEM)。所得结果即为冠层高度模型(CHM)。基于此流程所得到冠层高度模型为只包含树木信息的栅格数据，避免了诸如电力线等具有一定高程的人工建筑物对提取树障高度的影响。可以通过对冠层高度模型分析处理得到其中包含的树木冠幅面积、冠幅大小及树木高度等信息。
(3)分水岭算法分割树冠区域
树冠分割。
1)去除噪声点。首先对冠层高度模型进行中值滤波平滑，抹除噪声点及其他的干扰因素，避免在分割过程中由于噪声点所导致的过度分割。
2)模拟水平面上涨分割。去噪完成之后，模拟水面淹没过程开始分割树冠。淹没过程中，设置一个测地距离阈值，低于此阈值的像素点默认为冠幅区域。首先寻找该区域内的灰度值最小的像素点(通常默认标记为灰度值最低的点)，以该点为起始点，水面向上蔓延，开始水平面增长计算。在淹没过程中，可以选择像素灰度值相对较高的像素作为起始点(需手动标记)，从该点开始淹没，这样可以避免出现很多小的区域，造成树冠区域误判。
3)树冠分割。水平面上涨过程中，会触碰到周围的邻域像素，当水平面触碰到这些邻域像素时，计算这些像素值起始点(即该区域的灰度值最低点)的测地距离，如果小于我们最初设定的阈值。则将这些像素点淹没，判定为冠幅区域，否则将这些像素点设置为该区域的大坝，即为树冠边缘。随着水平面的上升，会逐步设置较多的大坝，直至所有的水平面到达分水岭线上，这样就对整个图形进行了划分。大坝所包围的区域即为树冠区域。本方法在分水岭分割过程中采用了统计滤波及设置最小灰度值的方法。避免了因像素灰度值过低出现很多小区域的现象，提高了树冠分割区域的准确性。
(4)焦点统计计算
计算树顶点。
对树冠分割完成之后，选择焦点统计方法对树冠区域内的像素灰度值进行计算。焦点统计算法即为栅格数据的邻域计算。在计算过程中，将需要计算的像元设置为待处理像元。待处理像元的值及其邻域中的所有像元的值都包含在邻域统计数据的计算中。
在处理像素灰度值时，首先设置一个矩形区域。将中心位置设置为待处理像元，之后将待处理像元的值及待处理像元周围邻域的值相加在一起，所得到的总和即为所选邻域的最大值。以此类推，将基于分水岭算法得到的树冠分为一个个小区域，计算每一个区域的最大值。之后基于局部最大值算法提取出这个树冠区域的最大值点。最后所得到的最大值点即为该树冠区域的高度，即树障高度。
采用焦点统计方法可以避免出现漏检、误判树顶点的情况，进一步提高了树顶点提取的精度。
详细的技术流程如图2所示。
进一步的，本发明还提出了一个具体实施例：以无人机所采集的某林区数据为实例，获取研究区内的树顶点及高度，实施步骤如下：
数据采集
首先采用无人机对试验区域进行数据采集，得到无人机影像之后，如图3所示。对其进行初步处理，剔除模糊及空白影像。之后将影像数据导入Pix4DMapper软件中进行处理，经空三解算得到试验区域的密集点云。
(2)点云数据处理
得到密集点云数据之后对点云数据进行分类处理，将其分为地面、植被、建筑物、道路等类别。之后将地面及植被点云导出经插值生成数字表面模型(Digital SurfaceModel，DSM)所示及数字高程模型(Digital Elevation Model，DEM)，如图4、图5所示。然后DSM与DEM作差得到冠层高度模型(CHM)，如图6所示。
(3)树顶点识别
得到冠层高度模型之后，基于分水岭分割算法、焦点统计算法对树顶点进行识别判定，结果如图7所示。
(4)树顶点识别精度评价
为了验证本研究提取树高的可行性。使用决定系数(R2)与均方根误差(RMSE)2个指标对预测树高与实测树高的拟合效果进行评价。其中，决定系数(R2)表示模型的拟合程度，值越大，表明提取树高与实测树高拟合效果越好。均方根误差(RMSE)表示模型的回归效果，值越小，表明提取树高与实测树高越接近。其计算公式如下：
图8为实测树高与基于无人机影像提取的树高的回归关系。可以看出，实测树高x与基于无人机提取的树高y之间有着较好的线性关系，得到线性回归方程，决定系数为0.878，均方根误差为0.1759。可以看出，基于本方法提取出的树顶点有着较高的精度。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (7)
1.一种基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，包括下列步骤：
无人机影像采集，并进行初步处理获得密集点云模型；
点云数据分类处理；
结合分水岭分割算法和焦点统计算法进行树顶点识别；
树顶点识别精度评价。
2.如权利要求1所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
初步处理的过程为剔除错误影像的过程，具体为对无人机影像进行检查，检查有无空白或模糊的无人机影像，如果有将其剔除。
3.如权利要求1所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
在获得密集点云模型的过程中，对无人机影像进行三维重建处理，根据无人机所搭载的相机参数及拍摄时记录的POS数据对原始影像数据进行特征点匹配，得到研究区的三维模型及稀疏结构点云，之后稀疏结构点云经多视角影像密集匹配得到密集点云，最后得到研究区的密集点云模型。
4.如权利要求1所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
点云数据处理的过程，包括下列步骤：
点云分类；
生成数字表面模型以及数字高程模型；
生成冠层高度模型。
5.如权利要求1所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
在结合分水岭分割算法和焦点统计算法进行树顶点识别的过程中，使用分水岭分割算法进行树冠分割，采用焦点统计算法计算树顶点，其中树冠分割包括下列步骤：
去除噪声点；
树冠分割。
6.如权利要求5所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
在计算树顶点的过程中，选择焦点统计方法对树冠区域内的像素灰度值进行计算，基于局部最大值算法提取出树冠区域的像素灰度值的最大值点，最后所得到的最大值即为该树冠区域的高度，即树障高度。
7.如权利要求1所述的基于无人机遥感快速识别电力线下树障高度的方法，其特征在于，
在树顶点识别精度评价的过程中，使用决定系数R2与均方根误差RMSE两个指标对预测树高与实测树高的拟合效果进行评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211363008.5A CN115641448A (zh) | 2022-11-02 | 2022-11-02 | 一种基于无人机遥感快速识别电力线下树障高度的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211363008.5A CN115641448A (zh) | 2022-11-02 | 2022-11-02 | 一种基于无人机遥感快速识别电力线下树障高度的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115641448A true CN115641448A (zh) | 2023-01-24 |
Family
ID=84947017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211363008.5A Pending CN115641448A (zh) | 2022-11-02 | 2022-11-02 | 一种基于无人机遥感快速识别电力线下树障高度的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115641448A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401622A (zh) * | 2023-04-10 | 2023-07-07 | 航科院中宇（北京）新技术发展有限公司 | 多源数据融合航空器起飞一发失效障碍物筛选方法及*** |
-
2022
- 2022-11-02 CN CN202211363008.5A patent/CN115641448A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116401622A (zh) * | 2023-04-10 | 2023-07-07 | 航科院中宇（北京）新技术发展有限公司 | 多源数据融合航空器起飞一发失效障碍物筛选方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Meng et al. | Morphology-based building detection from airborne LIDAR data | |
| Rau et al. | Bridge crack detection using multi-rotary UAV and object-base image analysis | |
| CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和*** | |
| CN112435208B (zh) | 显著性边缘引导的绝缘子区域检测方法 | |
| CN113592324B (zh) | 一种基于层次分析的电缆终端塔带电作业的风险评估方法 | |
| CN112669333B (zh) | 一种单木信息提取方法 | |
| Hu et al. | A fast and simple method of building detection from LiDAR data based on scan line analysis | |
| CN116704333B (zh) | 一种基于激光点云数据的单株林木检测方法 | |
| CN115690081A (zh) | 一种树木计数方法、***、存储介质、计算机设备及终端 | |
| Rashidi et al. | Ground filtering LiDAR data based on multi-scale analysis of height difference threshold | |
| CN115641448A (zh) | 一种基于无人机遥感快速识别电力线下树障高度的方法 | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| Gui et al. | Object-based crack detection and attribute extraction from laser-scanning 3D profile data | |
| Rashidi et al. | Extraction of ground points from LiDAR data based on slope and progressive window thresholding (SPWT) | |
| Meng et al. | Canopy structure attributes extraction from LiDAR data based on tree morphology and crown height proportion | |
| Mustaffar et al. | Automated pavement imaging program (APIP) for pavement cracks classification and quantification-a photogrammetric approach | |
| Zhang et al. | Building footprint and height information extraction from airborne LiDAR and aerial imagery | |
| Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
| CN112016641A (zh) | 一种异物导致线路短路故障告警方法及装置 | |
| Rufei et al. | Research on a pavement pothole extraction method based on vehicle-borne continuous laser scanning point cloud | |
| CN111507423B (zh) | 输电线路通道清理的工程量测算方法 | |
| CN114596490A (zh) | 丘陵地形特征线提取方法、丘陵地dem精细化生产方法 | |
| Chang et al. | Bare-earth extraction from airborne LiDAR data based on segmentation modeling and iterative surface corrections | |
| CN112613464A (zh) | 一种基于无人机影像匹配点云的高原梯田提取方法 | |
| CN113487601A (zh) | 基于高精度三维点云数据计算雷击保护角的方法 |
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 |