CN115755088A - 一种基于激光点云的输电线路工程建造参数自动化量测方法 - Google Patents
一种基于激光点云的输电线路工程建造参数自动化量测方法 Download PDFInfo
- Publication number
- CN115755088A CN115755088A CN202211092372.2A CN202211092372A CN115755088A CN 115755088 A CN115755088 A CN 115755088A CN 202211092372 A CN202211092372 A CN 202211092372A CN 115755088 A CN115755088 A CN 115755088A
- Authority
- CN
- China
- Prior art keywords
- tower
- power transmission
- transmission line
- point cloud
- point
- 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
- Electric Cable Installation (AREA)
Abstract
本发明公开了一种基于激光点云的输电线路工程建造参数自动化量测方法，包括以下步骤：S1.使用无人机搭载激光雷达获取输电线路杆塔的点云数据；S2.对点云数据进行选取，评估输电线路杆塔的倾斜角度；S3.根据输电线路的路径，将航线测区和航线规划好，利用无人机得到输电线路通道走廊内的全息影像图，计算出杆塔高度及挂线点高度空间；S4.通过获取输电线路杆塔参数，对输电线路杆塔坐标进行校准；S5.通过获取无人机的实时视频，识别输电线路杆塔存在的缺陷。本发明通过无人机搭载激光雷达获取输电线路杆塔的点云数据，能够方便计算杆塔倾斜角度、杆塔高度及挂线点高度空间、杆塔坐标和其他关键参数，从而方便判断是否符合设计及规范验收要求。
Description
技术领域
本发明属于输电线路工程技术领域，具体涉及一种基于激光点云的输电线路工程建造参数自动化量测方法。
背景技术
我国对于输电线路的巡检主要是通过人工来进行的，比如依靠地面交通工具或者手持仪器来进行检测，也有通过卫星遥感来检测杆塔的形变，目前在这个方面还在做许多探索性研究。
目前现有的输电线路工程建造参数量测方法还存在一些问题：由于缺少高效监测手段，难以及时掌握输电线路杆塔倾斜地质灾害的风险状态，运维工作的风险和压力较大，另外，验收的缺陷采集类型不同于生产运维的缺陷，除了验收场景的定性缺陷，还需对缺陷进行定量分析，为此我们提出一种基于激光点云的输电线路工程建造参数自动化量测方法。
发明内容
本发明的目的在于提供一种基于激光点云的输电线路工程建造参数自动化量测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于激光点云的输电线路工程建造参数自动化量测方法，包括以下步骤：
S1.使用无人机搭载激光雷达获取输电线路杆塔的点云数据；
S2.对点云数据进行选取，评估输电线路杆塔的倾斜角度；
S3.根据输电线路的路径，将航线测区和航线规划好，利用无人机得到输电线路通道走廊内的全息影像图，计算出杆塔高度及挂线点高度空间；
S4.通过获取输电线路杆塔参数，对输电线路杆塔坐标进行校准；
S5.通过获取无人机的实时视频，识别输电线路杆塔存在的缺陷，若存在缺陷发出报警。
优选的，所述S1在获取输电线路杆塔的点云数据之后还包括对点云数据进行预处理，所述预处理的方法为：将原始点云数据进行异常值剔除预处理操作，然后通过滤波、排序处理分离出地面点和非地面点。
优选的，所述S2的具体步骤包括：
S201.选取输电线路杆塔激光点云中的杆塔点云，剔除杆塔点云中的杂点及电线点云，得到滤波后的杆塔点云；
S202.将滤波后的杆塔点云划分为塔脚点云、塔身点云和塔头点云，得到塔脚三维矢量模型、塔身三维矢量模型和塔头三维矢量模型；
S203.将塔脚三维矢量模型、塔身三维矢量模型、塔头三维矢量模型组合成典型塔型三维点云模型；
S204.根据所述典型塔型三维点云模型，对待评估输电线路杆塔特征平面进行中心点计算，得到待评估杆塔各特征平面中心点坐标；
S205.根据待评估杆塔各特征平面中心点坐标计算待评估杆塔的倾斜角度。
优选的，所述S204中中心点计算的包括以下方法：
S2041.输电线路杆塔分层：将三维的杆塔点云进行水平切片操作，切片点云平行于水平地面，将切片点云投影在水平地面上，对切片的边界点云进行提取；
S2042.边界分割：采用Hough变换进行边界点云的检测，通过将图像空间的线转化到参数空间中，检测参数空间的极值点，提取出边界线；
S2043.边界直线拟合：通过Hongh变换提取出的边界点云有异常值，采用改进的最小二乘法来拟合直线，得到准确的边界；计算过程如下：设直线方程为
y＝ax+b
其中a，b为直线参数；
点到拟合直线距离的标准偏差如下：
其中，di表示第i点到拟合直线的距离，
表示所有点到拟合直线的平均距离，n为所有点的总数；
所有点到拟合直线的平均距离为：
当di＞2σ时，此点为异常点，剔除该点；否则，保留该点；然后再次计算参数a，b；对以上步骤进行循环操作，当di均小于2倍的标准偏差时停止操作；
S2044.中心点求取：设两直线的交点为：
则面片角点在XOY平面的投影坐标为
对四条直线均进行上面的交点计算，得出平面四条边的的四个交点，也即四个边界角点，分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，其中，(x1,y1)为平面的左上角点坐标，(x2,y2)位平面的右上角点坐标，(x3,y3)为平面的左下角点坐标，(x4,y4)位平面的右下角点坐标；
则平面的中心点为：
通过上面的公式计算最终得出平面的中心点。
优选的，所述S3中的具体步骤包括：
S301.根据输电线路的路径，将航线测区和航线规划好后，利用无人机获取输电线路通道走廊的影像，并按照预先布置好的像控点的位置，测得像控点的三维坐标；
S302.对采集的输电线路通道的影像数据进行特征点提取，对有重叠度的影像对进行匹配，结合像控点的三维坐标，确定地表高程信息，并对影像进行二次处理，得到输电线路通道走廊内的全息影像图；
S303.将输电线路路径展绘至全息影像图上，确定输电线路路径的空间走向，沿所述走向，确定杆塔位置，并调用区域范围内的影像对，计算影像对的实时水平核线，基于实时水平核线，利用计算机视觉，计算杆塔高度及挂线点高度空间。
优选的，所述S4中的具体步骤包括：
S401.获取输电线路杆塔参数：包括杆塔测量经度、杆塔测量纬度、杆塔运行档距、杆塔转角情况；
S402.根据杆塔测量经度、杆塔测量纬度，计算测量档距并与运行档距比较，确定需要校准的杆塔；
S403.将输电线路杆塔坐标转换为地理信息软件可以识别的格式，对确定需要校准的杆塔进行坐标校准。
优选的，所述S4中还包括通过获取输电线路杆塔参数，对输电线路杆塔的接地电阻进行测量，具体测量方法包括：
步骤一、获取待测输电杆塔的目标信息，其中，所述目标信息为所述待测输电杆塔的目标测量频点或者测量参数；
步骤二、通过回路阻抗法测量所述待测输电杆塔的测量阻抗数据；
步骤三、获取在先训练的所述目标信息的误差预测模型；
步骤四、根据所述误差预测模型获取所述目标信息的偏正误差；
步骤五、根据所述偏正误差校准所述测量阻抗数据为修正阻抗数据。
优选的，所述S5的具体步骤包括：
S501.收集输电线路杆塔和节点的缺陷样本和非缺陷样本图像，构成输电线路智能缺陷检测样本数据集；
S502.在所述输电线路智能缺陷检测样本数据集上，采用人工标记出输电线路杆塔缺陷位置及缺陷类型，将每张图像的标记结果存储成xml格式；所述标记结果记录外包矩形的左上角坐标、矩形长宽和缺陷类型；
S503.采用two-stage的深度卷积神经网络目标检测算法训练杆塔缺陷检测模型；
S504.将所述杆塔陷检测模型部署到后端服务器；
S505.采集无人机的实时视频，从所述实时视频中提取关键帧图像并将其通过网络发送给所述后端服务器，所述后端服务器调用所述杆塔陷检测模型，检测出输电线路杆塔中存在的缺陷及缺陷类型，并发出预警信息。
优选的，所述S501中还包括给定输入图像上的ROI区域，所述给定输入图像上的ROI区域的框采用如下分布方式表示：
p(x，y，w，h|I)＝p(x，y|I)p(w，h|x，y，I)
其中，x，y分别表示所述ROI区域的窗口中心坐标，w表示所述ROI区域的窗口宽度，h表示所述ROI区域的窗口高度，I表示原图，p为概率。
优选的，所述S5中还包括定义DenseBlock模块，所述DenseBlock模块定义如下：
xl＝Hl([x0，x1，…，xl-1])
其中，H1(.)包含了Batch Normalization->ReLU->Conv(3×3)操作，采用4个所述DenseBlock模块构成121层识别网络，所述DenseBlock模块之间通过Batch Normalization和1×1的卷积和均值池化连接，最后连接全连接层和softmax分类器，类别设计为1000，定义如下：
与现有技术相比，本发明的有益效果是：
(1)本发明通过无人机搭载激光雷达获取输电线路杆塔的点云数据，能够方便计算杆塔倾斜角度、杆塔高度及挂线点高度空间、杆塔坐标和其他关键参数，从而方便判断是否符合设计及规范验收要求。
(2)本发明通过无人机巡检，将无人机巡检视频图像传输到后端服务器，实现输电线路杆塔和节点损伤识别诊断的状态监测，对输电线路杆塔和节点损伤缺陷进行识别预警，从而稳定检测电力设施的安全状况，保障线路的安全运营。
附图说明
图1为本发明的流程图；
图2为本发明的S2的流程图；
图3为本发明的S3的流程图。
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。
请参阅图1-图3，本发明提供一种技术方案：一种基于激光点云的输电线路工程建造参数自动化量测方法，包括以下步骤：
S1.使用无人机搭载激光雷达获取输电线路杆塔的点云数据；
S2.对点云数据进行选取，评估输电线路杆塔的倾斜角度；
S3.根据输电线路的路径，将航线测区和航线规划好，利用无人机得到输电线路通道走廊内的全息影像图，计算出杆塔高度及挂线点高度空间；
S4.通过获取输电线路杆塔参数，对输电线路杆塔坐标进行校准；
S5.通过获取无人机的实时视频，识别输电线路杆塔存在的缺陷，若存在缺陷发出报警。
本实施例中，优选的，所述S1在获取输电线路杆塔的点云数据之后还包括对点云数据进行预处理，所述预处理的方法为：将原始点云数据进行异常值剔除预处理操作，然后通过滤波、排序处理分离出地面点和非地面点。
本实施例中，优选的，所述S2的具体步骤包括：
S201.选取输电线路杆塔激光点云中的杆塔点云，剔除杆塔点云中的杂点及电线点云，得到滤波后的杆塔点云；
S202.将滤波后的杆塔点云划分为塔脚点云、塔身点云和塔头点云，得到塔脚三维矢量模型、塔身三维矢量模型和塔头三维矢量模型；
S203.将塔脚三维矢量模型、塔身三维矢量模型、塔头三维矢量模型组合成典型塔型三维点云模型；
S204.根据所述典型塔型三维点云模型，对待评估输电线路杆塔特征平面进行中心点计算，得到待评估杆塔各特征平面中心点坐标；
S205.根据待评估杆塔各特征平面中心点坐标计算待评估杆塔的倾斜角度。
本实施例中，优选的，所述S204中中心点计算的包括以下方法：
S2041.输电线路杆塔分层：将三维的杆塔点云进行水平切片操作，切片点云平行于水平地面，将切片点云投影在水平地面上，对切片的边界点云进行提取；
S2042.边界分割：采用Hough变换进行边界点云的检测，通过将图像空间的线转化到参数空间中，检测参数空间的极值点，提取出边界线；
S2043.边界直线拟合：通过Hongh变换提取出的边界点云有异常值，采用改进的最小二乘法来拟合直线，得到准确的边界；计算过程如下：设直线方程为
y＝ax+b
其中a，b为直线参数；
点到拟合直线距离的标准偏差如下：
其中，di表示第i点到拟合直线的距离，
表示所有点到拟合直线的平均距离，n为所有点的总数；
所有点到拟合直线的平均距离为：
当di＞2σ时，此点为异常点，剔除该点；否则，保留该点；然后再次计算参数a，b；对以上步骤进行循环操作，当di均小于2倍的标准偏差时停止操作；
S2044.中心点求取：设两直线的交点为：
则面片角点在XOY平面的投影坐标为
对四条直线均进行上面的交点计算，得出平面四条边的的四个交点，也即四个边界角点，分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，其中，(x1,y1)为平面的左上角点坐标，(x2,y2)位平面的右上角点坐标，(x3,y3)为平面的左下角点坐标，(x4,y4)位平面的右下角点坐标；
则平面的中心点为：
通过上面的公式计算最终得出平面的中心点。
本实施例中，优选的，所述S3中的具体步骤包括：
S301.根据输电线路的路径，将航线测区和航线规划好后，利用无人机获取输电线路通道走廊的影像，并按照预先布置好的像控点的位置，测得像控点的三维坐标；
S302.对采集的输电线路通道的影像数据进行特征点提取，对有重叠度的影像对进行匹配，结合像控点的三维坐标，确定地表高程信息，并对影像进行二次处理，得到输电线路通道走廊内的全息影像图；
S303.将输电线路路径展绘至全息影像图上，确定输电线路路径的空间走向，沿所述走向，确定杆塔位置，并调用区域范围内的影像对，计算影像对的实时水平核线，基于实时水平核线，利用计算机视觉，计算杆塔高度及挂线点高度空间。
本实施例中，优选的，所述S4中的具体步骤包括：
S401.获取输电线路杆塔参数：包括杆塔测量经度、杆塔测量纬度、杆塔运行档距、杆塔转角情况；
S402.根据杆塔测量经度、杆塔测量纬度，计算测量档距并与运行档距比较，确定需要校准的杆塔；
S403.将输电线路杆塔坐标转换为地理信息软件可以识别的格式，对确定需要校准的杆塔进行坐标校准。
本实施例中，优选的，所述S4中还包括通过获取输电线路杆塔参数，对输电线路杆塔的接地电阻进行测量，具体测量方法包括：
步骤一、获取待测输电杆塔的目标信息，其中，所述目标信息为所述待测输电杆塔的目标测量频点或者测量参数；
步骤二、通过回路阻抗法测量所述待测输电杆塔的测量阻抗数据；
步骤三、获取在先训练的所述目标信息的误差预测模型；
步骤四、根据所述误差预测模型获取所述目标信息的偏正误差；
步骤五、根据所述偏正误差校准所述测量阻抗数据为修正阻抗数据。
本实施例中，优选的，所述S5的具体步骤包括：
S501.收集输电线路杆塔和节点的缺陷样本和非缺陷样本图像，构成输电线路智能缺陷检测样本数据集；
S502.在所述输电线路智能缺陷检测样本数据集上，采用人工标记出输电线路杆塔缺陷位置及缺陷类型，将每张图像的标记结果存储成xml格式；所述标记结果记录外包矩形的左上角坐标、矩形长宽和缺陷类型；
S503.采用two-stage的深度卷积神经网络目标检测算法训练杆塔缺陷检测模型；
S504.将所述杆塔陷检测模型部署到后端服务器；
S505.采集无人机的实时视频，从所述实时视频中提取关键帧图像并将其通过网络发送给所述后端服务器，所述后端服务器调用所述杆塔陷检测模型，检测出输电线路杆塔中存在的缺陷及缺陷类型，并发出预警信息。
本实施例中，优选的，所述S501中还包括给定输入图像上的ROI区域，所述给定输入图像上的ROI区域的框采用如下分布方式表示：
p(x，y，W，h|I)＝p(x，y|I)p(w，h|x，y，I)
其中，x，y分别表示所述ROI区域的窗口中心坐标，w表示所述ROI区域的窗口宽度，h表示所述ROI区域的窗口高度，I表示原图，p为概率。
本实施例中，优选的，所述S5中还包括定义DenseBlock模块，所述DenseBlock模块定义如下：
xl＝Hl([x0，x1，…，xl-1])
其中，H1(.)包含了Batch Normalization->ReLU->Conv(3×3)操作，采用4个所述DenseBlock模块构成121层识别网络，所述DenseBlock模块之间通过Batch Normalization和1×1的卷积和均值池化连接，最后连接全连接层和softmax分类器，类别设计为1000，定义如下：
本发明的原理及优点：本发明通过无人机搭载激光雷达获取输电线路杆塔的点云数据，能够方便计算杆塔倾斜角度、杆塔高度及挂线点高度空间、杆塔坐标和其他关键参数，从而方便判断是否符合设计及规范验收要求；通过无人机巡检，将无人机巡检视频图像传输到后端服务器，实现输电线路杆塔和节点损伤识别诊断的状态监测，对输电线路杆塔和节点损伤缺陷进行识别预警，从而稳定检测电力设施的安全状况，保障线路的安全运营。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：包括以下步骤：
S1.使用无人机搭载激光雷达获取输电线路杆塔的点云数据；
S2.对点云数据进行选取，评估输电线路杆塔的倾斜角度；
S3.根据输电线路的路径，将航线测区和航线规划好，利用无人机得到输电线路通道走廊内的全息影像图，计算出杆塔高度及挂线点高度空间；
S4.通过获取输电线路杆塔参数，对输电线路杆塔坐标进行校准；
S5.通过获取无人机的实时视频，识别输电线路杆塔存在的缺陷，若存在缺陷发出报警。
2.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S1在获取输电线路杆塔的点云数据之后还包括对点云数据进行预处理，所述预处理的方法为：将原始点云数据进行异常值剔除预处理操作，然后通过滤波、排序处理分离出地面点和非地面点。
3.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S2的具体步骤包括：
S201.选取输电线路杆塔激光点云中的杆塔点云，剔除杆塔点云中的杂点及电线点云，得到滤波后的杆塔点云；
S202.将滤波后的杆塔点云划分为塔脚点云、塔身点云和塔头点云，得到塔脚三维矢量模型、塔身三维矢量模型和塔头三维矢量模型；
S203.将塔脚三维矢量模型、塔身三维矢量模型、塔头三维矢量模型组合成典型塔型三维点云模型；
S204.根据所述典型塔型三维点云模型，对待评估输电线路杆塔特征平面进行中心点计算，得到待评估杆塔各特征平面中心点坐标；
S205.根据待评估杆塔各特征平面中心点坐标计算待评估杆塔的倾斜角度。
4.根据权利要求3所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S204中中心点计算的包括以下方法：
S2041.输电线路杆塔分层：将三维的杆塔点云进行水平切片操作，切片点云平行于水平地面，将切片点云投影在水平地面上，对切片的边界点云进行提取；
S2042.边界分割：采用Hough变换进行边界点云的检测，通过将图像空间的线转化到参数空间中，检测参数空间的极值点，提取出边界线；
S2043.边界直线拟合：通过Hongh变换提取出的边界点云有异常值，采用改进的最小二乘法来拟合直线，得到准确的边界；计算过程如下：设直线方程为
y＝ax+b
其中a，b为直线参数；
点到拟合直线距离的标准偏差如下：
其中，di表示第i点到拟合直线的距离，
表示所有点到拟合直线的平均距离，n为所有点的总数；
所有点到拟合直线的平均距离为：
当di＞2σ时，此点为异常点，剔除该点；否则，保留该点；然后再次计算参数a，b；对以上步骤进行循环操作，当di均小于2倍的标准偏差时停止操作；
S2044.中心点求取：设两直线的交点为：
则面片角点在XOY平面的投影坐标为
对四条直线均进行上面的交点计算，得出平面四条边的的四个交点，也即四个边界角点，分别为(x1,y1)，(x2,y2)，(x3,y3)，(x4,y4)，其中，(x1,y1)为平面的左上角点坐标，(x2,y2)位平面的右上角点坐标，(x3,y3)为平面的左下角点坐标，(x4,y4)位平面的右下角点坐标；
则平面的中心点为：
通过上面的公式计算最终得出平面的中心点。
5.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S3中的具体步骤包括：
S301.根据输电线路的路径，将航线测区和航线规划好后，利用无人机获取输电线路通道走廊的影像，并按照预先布置好的像控点的位置，测得像控点的三维坐标；
S302.对采集的输电线路通道的影像数据进行特征点提取，对有重叠度的影像对进行匹配，结合像控点的三维坐标，确定地表高程信息，并对影像进行二次处理，得到输电线路通道走廊内的全息影像图；
S303.将输电线路路径展绘至全息影像图上，确定输电线路路径的空间走向，沿所述走向，确定杆塔位置，并调用区域范围内的影像对，计算影像对的实时水平核线，基于实时水平核线，利用计算机视觉，计算杆塔高度及挂线点高度空间。
6.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S4中的具体步骤包括：
S401.获取输电线路杆塔参数：包括杆塔测量经度、杆塔测量纬度、杆塔运行档距、杆塔转角情况；
S402.根据杆塔测量经度、杆塔测量纬度，计算测量档距并与运行档距比较，确定需要校准的杆塔；
S403.将输电线路杆塔坐标转换为地理信息软件可以识别的格式，对确定需要校准的杆塔进行坐标校准。
7.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S4中还包括通过获取输电线路杆塔参数，对输电线路杆塔的接地电阻进行测量，具体测量方法包括：
步骤一、获取待测输电杆塔的目标信息，其中，所述目标信息为所述待测输电杆塔的目标测量频点或者测量参数；
步骤二、通过回路阻抗法测量所述待测输电杆塔的测量阻抗数据；
步骤三、获取在先训练的所述目标信息的误差预测模型；
步骤四、根据所述误差预测模型获取所述目标信息的偏正误差；
步骤五、根据所述偏正误差校准所述测量阻抗数据为修正阻抗数据。
8.根据权利要求1所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S5的具体步骤包括：
S501.收集输电线路杆塔和节点的缺陷样本和非缺陷样本图像，构成输电线路智能缺陷检测样本数据集；
S502.在所述输电线路智能缺陷检测样本数据集上，采用人工标记出输电线路杆塔缺陷位置及缺陷类型，将每张图像的标记结果存储成xml格式；所述标记结果记录外包矩形的左上角坐标、矩形长宽和缺陷类型；
S503.采用two-stage的深度卷积神经网络目标检测算法训练杆塔缺陷检测模型；
S504.将所述杆塔陷检测模型部署到后端服务器；
S505.采集无人机的实时视频，从所述实时视频中提取关键帧图像并将其通过网络发送给所述后端服务器，所述后端服务器调用所述杆塔陷检测模型，检测出输电线路杆塔中存在的缺陷及缺陷类型，并发出预警信息。
9.根据权利要求8所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S501中还包括给定输入图像上的ROI区域，所述给定输入图像上的ROI区域的框采用如下分布方式表示：
p(x，y，w，h|I)＝p(x，y|I)p(w，h|x，y，I)
其中，x,y分别表示所述ROI区域的窗口中心坐标，w表示所述ROI区域的窗口宽度，h表示所述ROI区域的窗口高度，I表示原图，p为概率。
10.根据权利要求8所述的一种基于激光点云的输电线路工程建造参数自动化量测方法，其特征在于：所述S5中还包括定义DenseBlock模块，所述DenseBlock模块定义如下：
x1＝Hl([x0，xl，…，xl-1]
其中，Hl(.)包含了Batch Normalization->ReLU->Conv(3×3)操作，采用4个所述DenseBlock模块构成121层识别网络，所述DenseBlock模块之间通过Batch Normalization和1×1的卷积和均值池化连接，最后连接全连接层和softmax分类器，类别设计为1000，定义如下：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092372.2A CN115755088A (zh) | 2022-09-08 | 2022-09-08 | 一种基于激光点云的输电线路工程建造参数自动化量测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092372.2A CN115755088A (zh) | 2022-09-08 | 2022-09-08 | 一种基于激光点云的输电线路工程建造参数自动化量测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115755088A true CN115755088A (zh) | 2023-03-07 |
Family
ID=85349627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211092372.2A Pending CN115755088A (zh) | 2022-09-08 | 2022-09-08 | 一种基于激光点云的输电线路工程建造参数自动化量测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115755088A (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
- 2022-09-08 CN CN202211092372.2A patent/CN115755088A/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 |
|---|---|---|
| CN108037133B (zh) | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其*** | |
| CN110889350B (zh) | 一种基于三维成像的线路障碍物监测报警***及方法 | |
| CN113255481B (zh) | 一种基于无人巡逻车的人群状态检测方法 | |
| CN111830528A (zh) | 基于激光点云的杆塔特征点自动识别及倾斜参数自动测量方法 | |
| CN107392247B (zh) | 一种电力线下方地物安全距离实时检测方法 | |
| CN112417926B (zh) | 车位识别方法、装置、计算机设备及可读存储介质 | |
| 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*** | |
| CN108680833B (zh) | 基于无人机的复合绝缘子缺陷检测*** | |
| CN113554595B (zh) | 无人机激光雷达点云杆塔塔头形变检测装置及方法 | |
| CN112445241A (zh) | 一种基于无人机遥感技术的地表植被识别方法、***及可读存储介质 | |
| EP3680608A1 (en) | Antenna downward inclination angle measurement method based on multi-scale detection algorithm | |
| CN112800938B (zh) | 无人驾驶车辆检测侧面落石发生的方法及装置 | |
| Nardinocchi et al. | Fully automatic point cloud analysis for powerline corridor mapping | |
| CN113469178B (zh) | 一种基于深度学习的电力表计识别方法 | |
| CN113325868A (zh) | 一种基于无人机的农作物实时识别***及方法 | |
| CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 | |
| CN112325785A (zh) | 基于顶部平面拟合的铁塔变形监测方法及*** | |
| CN112381041A (zh) | 一种用于输电线路的树木识别方法、装置及终端设备 | |
| CN115755088A (zh) | 一种基于激光点云的输电线路工程建造参数自动化量测方法 | |
| CN113239864A (zh) | 一种适用于农业调查的无人机的路线规划方法 | |
| CN114119606B (zh) | 基于可见光照片电力线着色的智能化树障隐患分析方法 | |
| CN114882460A (zh) | 一种基于特征层融合的道路车辆检测方法 | |
| CN113449688B (zh) | 一种基于影像和激光点云数据融合的输电树障识别*** | |
| CN117171533B (zh) | 一种地理测绘作业数据实时采集处理方法及*** | |
| CN113807309A (zh) | 一种基于深度学习的果园机械行走路线规划方法 |
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 |