基于激光点云数据的输电线路安全检测分析研究

输电线路安全检测与分析是电力系统的智能化、数字化建设不可或缺的重要组成部分。当前输电线路超高压、大容量建设趋势,增加了输电线路检测与维护的难度。因此为提高人工巡检效率,突破复杂地形对巡线的局限性,提高空间定位精度,设计了一种基于激光点云数据的输电线路安全检测分析系统。系统功能主要包括电力走廊点云自动分类提取、安全检测分析,能够对电力线、杆塔等输电设备数据以及建筑物、河流等其他走廊地物数据进行自动分类提取;通过检测电力线与其他走廊地物之间的距离判别危险点类型,生成安全分析报告;为验证系统有效性,将系统分析数据与人工现场测量数据进行对比分析,结果表明,该系统能够精准地判别输电线路危险点,具有较高的实际应用价值。     

三维激光点云数据的可视化研究

大量的点云数据是通过三维激光扫描得到的,而点云数据的显示快慢受到了数据索引的直接影响,这是一个基础性问题。经过研究,八叉树与叶节点KD树相结合的混合空间索引结构以及LOD构建的层次细节模型是用来解决点云数据管理与可视化效率不高的问题的有效方法。在局部,通过在叶子节点中构建的KD树实现高效的查询和显示;在全局,为了实现快速检索与调度使用了八叉树模型。采用这种混合数据模型进行点云组织,建立空间索引,并对点云数据进行LOD构建,实现了点云数据的高效检索以及可视化。     

输电线路螺栓检测的激光点云数据自动化配准研究

输电线路螺栓较小,检测难度较高,易导致螺栓漏检、错误检测,增加故障和安全事故风险。因此,提出一种面向输电线路螺栓检测的激光点云数据自动化配准方法。建立激光点云数据均匀化空间,通过约束格网范围均匀点云数据特征量,完成抽稀化处理;在点云数据集中选取任意目标点,通过调节空间域和频率域高斯核函数大小均衡云数据噪声数值;使用k-means聚类算法对点云数据进行分类;根据点云数据的三维空间坐标,计算目标配准点与源点在不同方向上的坐标值,通过坐标对比完成自动化配准。实验结果表明,所提方法在不同高度、不同距离以及不同方向上的配准准确性较高,且RMSE指标数值最大值为0.3,表明配准值与真实值拟合程度较高,具有较高的配准精准度。     

基于ICP算法的人体三维点云数据的拼接技术

本文针对实体模型和真实的人体对象表面光滑,不好寻找控制点的问题,给出基于三维特征点ICP算法,通过提取对配准数据轮廓描述较好的三维特征点来减小计算量.实验结果表明,提出算法配准所需时间减小,且配准精度也较高.     

激光雷达输电线路点云数据智能分类方法研究

为解决传统分类方法处理大规模输电线路可视化巡检的激光雷达点云数据时效率低、精度差的问题,提出了一套自动分离输电线廊道中电力线、杆塔、地面和植被的智能化方案.首先依据曲率及邻域特征精准提取出电力线点;然后利用布料滤波法分离地面点和非地面点;最后基于圆柱模型从非地面点里识别出杆塔点和植被点.此研究选用了三段不同密度的输电线...     

无人机倾斜摄影技术在电力巡线树障检测中的实践应用研究

为解决目前贵州电网电力巡线工作中人工巡检存在精度低、效率慢、智能化水平低等问题,本文结合无人机倾斜摄影技术的工作原理,对输电线路杆塔、通道及周边环境进行无人机航飞、建模,形成电力线通道三维点云,利用自动匹配的导线精确计算出树障距离和位置。即将无人机倾斜摄影技术用于电力线巡检,可在恢复输电线路通道三维点云的基础上实现树障的定量化检测,探索出一种无人机智能电力巡线新方法。本文将从无人机航空摄影方法、地表三维点云重建方法、导线三维重建方法和树线距离量测方法四个方面,重点分析无人机倾斜摄影技术在电力巡线树障巡检作业中的工作原理和流程,并结合一线巡检班组的实验数据,阐述其在实践中的具体应用。     

基于三维点云数据的线性八叉树编码压缩算法

八叉树结构是三维数据建模中研究和应用最为广泛的栅格数据结构。由于三维扫描的点云数据是基于物体表面的，其空间离散程度远大于三维实体数据，一般的线性八叉树编码压缩方法都是基于实体数据的，不能直接应用于三维点云数据。提出的改进的线性八叉树地址码(Morton码)的方法可大大提高它的连续性，有效降低八叉树的深度，提高数据的压缩比，改进后的Morton码还可以应用多种编码压缩算法进一步压缩。     

基于激光点云的电力线损实时检测技术

针对传统电力线损度低、实时性差、系统测量误差率高的缺点和不足的问题,提出一种基于激光点云的电力线损实时检测技术.通过对电力线损实时检测的算法流程及原理方面的分析,再利用激光探测传感装置提取点云特征,选定线损数据的样本集,构建样本点的特征向量,并求解SVM的判别函数,最终实现对电力线损的精确检测.实验结果证明,提出的基于...     

基于三维激光扫描的树木点云三维建模

利用三维激光扫描得到的树木枝干点云数据为数据源,利用拉普拉斯算法对三维点云数据进行噪声去除工作,对去噪后的数据采用Delaunay三角网生长算法,构建点云数据的三角网格模型.     

基于三维点云数据的线性八叉树编码压缩算法*

八叉树结构是三维数据建模中研究和应用最为广泛的栅格数据结构。由于三维扫描的点云数据是基于物体表面的,其空间离散程度远大于三维实体数据,一般的线性八叉树编码压缩方法都是基于实体数据的,不能直接应用于三维点云数据。提出的改进的线性八叉树地址码（Morton码）的方法可大大提高它的连续性,有效降低八叉树的深度,提高数据的压缩比,改进后的Morton码还可以应用多种编码压缩算法进一步压缩。     

牙冠的三维点云数据重建技术研究

利用三维激光扫描仪扫描全牙列模型,对获得的数据进行处理,重构牙冠的三维图形;将获得的三维点云数据进行处理,包括数据平滑、数据精简、特征提取、数据分割、自由曲面建模等实现牙冠的三维重构;得到牙冠的三维重建数字模型,可用于全冠的计算机辅助制作,并结合中国人的标准牙冠数据,对其调整变形,得到标准的牙冠模型;该技术将会为口腔医生带来便利和高效。     

基于图像与点云的三维障碍物检测

为提高平截头点云网络在三维障碍物检测中的精度,基于平截头点云网络的结构提出一种扩张平截头点云的检测方法。采用图像和点云数据,使用二维目标检测网络Yolov3,检测障碍物的二维包围框;扩张包围框的大小,在点云数据中提取出障碍物对应的点云;通过改进的Pointnet网络对该点云计算,得到障碍物的三维信息。在原模型基础上,加入扩张包围框,提高点云数据提取的完整性。通过KITTI数据集的验证和测试,实验结果表明,通过扩张二维包围框可以有效提高检测网络的性能。     

基于深度学习的点云目标检测方法

随着自动驾驶技术和点云处理技术的不断发展,如何对点云数据中的点的相关特征进行分析就成为关键问题.针对点云特征分析问题,很多的文献中对点云特征值采取手动输入的方法.然而,该类方法无法适应实际环境中复杂多变的情况.为了解决该问题,该文提出了一种新的基于深度学习网络的三维点云检测框架.该框架以深度学习作为点云分析工具,并引入...     

基于特征点和改进ICP的三维点云数据配准算法

在光学非接触三维测量中,复杂对象的重构需要多组测量数据的配准。最近点迭代(ICP)算法是三维激光扫描数据处理中点云数据配准的一种经典的数学方法,为了获得更好的配准结果,在ICP算法的基础之上,提出了结合基于特征点的等曲率预配准方法和邻近搜索ICP改进算法的精细配准,自动进行点云数据配准的算法,经对牙齿点云模型实验发现,点云数据量越大,算法的配准速度优势越明显,采用ICP算法的运行时间(194.58 s)远大于本算法的运行时间(89.13 s)。应用实例表明:该算法具有速度快、精度高的特点,算法效果良好。     

基于特征的机载激光点云与影像数据的融合

影像数据具有连续、直观、容易判别、高分辨率的特点,能够反映出地表的真实纹理信息,与离散的激光点云数据配合可以相互补充;因此将点云与图像数据进行融合,具有很强的现实意义;首先介绍了整套无人机激光数据采集系统,讨论了具有尺度不变性的sift图像拼接算法,接着提出了一种基于点特征的直接线性变换方法;经实验证明,该方法实现了三维点云与二维影像数据的融合,使每个点云数据都具有真实的RGB颜色信息,并且取得了良好的效果。     

基于PSO-ELM算法的三维激光点云处理研究

为找出用于三维激光点云数据的处理方法,本文基于无人机装载激光扫描仪技术,以粒子群算法优化极限学习机(ELM)算法(PSO-ELM),得出最新算法处理点云数据,并与ELM模型计算结果对比,结果表明:PSO-ELM模型最优隐含层个数为50,在此情况下模型精度最高;PSO-ELM算法的处理效果明显更好,其生成的DEM和地形数...     

伪点云修正增强激光雷达数据

目的 激光雷达在自动驾驶中具有重要意义,但其价格昂贵,且产生的激光线束数量仍然较少,造成采集的点云密度较稀疏。为了更好地感知周围环境,本文提出一种激光雷达数据增强算法,由双目图像生成伪点云并对伪点云进行坐标修正,进而实现激光雷达点云的稠密化处理,提高3D目标检测精度。此算法不针对特定的3D目标检测网络结构,是一种通用的点云稠密化方法。方法 首先利用双目RGB图像生成深度图像,根据先验的相机参数和深度信息计算出每个像素点在雷达坐标系下的粗略3维坐标,即伪点云。为了更好地分割地面,本文提出了循环RANSAC （random sample consensus）算法,引入了一个分离平面型非地面点云的暂存器,改进复杂场景下的地面分割效果。然后将原始点云进行地面分割后插入KDTree （k-dimensional tree）,以伪点云中的每个点为中心在KDTree中搜索若干近邻点,基于这些近邻点进行曲面重建。根据曲面重建结果,设计一种计算几何方法导出伪点云修正后的精确坐标。最后,将修正后的伪点云与原始激光雷达点云融合得到稠密化点云。结果 实验结果表明,稠密化的点云在视觉上具有较好的质量,物体具有更加完整的形状和轮廓,并且在KITTI （Karlsruhe Institute of Technology and Toyota Technological Institute）数据集上提升了3D目标检测精度。在使用该数据增强方法后,KITTI数据集下AVOD （aggregate view object detection）检测方法的AP_3D-Easy （average precision of 3D object detection on easy setting）提升了8.25%,AVOD-FPN （aggregate view object detection with feature pyramid network）检测方法的AP_BEV-Hard （average precision of bird’s eye view on hard setting）提升了7.14%。结论 本文提出的激光雷达数据增强算法,实现了点云的稠密化处理,并使3D目标检测结果更加精确。