基于海量点云数据的变电站三维全真建模方法

面向变电站管理工作中对三维场景模型的实际需求,构建了基于三维激光扫描采集的海量点云数据的三维全真模型。首先运用激光扫描仪对变电站进行高精度测量,获得海量的离散点云数据,然后重点研究了基于海量点云数据预处理及自动曲面重建方法,实现了点云数据的自动遍历,快速重建出几何和拓扑真实的变电站三维模型,直观展示变电站场景真实的三维空间信息。     

一种三维激光点云数据纠偏误差抽样验证方法

随着三维点云数据获取设备成本的降低和点云数据处理技术的成熟,基于点云数据处理的各种应用逐渐出现在了电网业务的各种应用场景中。由于RTK得到的飞行轨迹绝对坐标误差随飞机距离起飞点越来越远先是轻微的线性增加,在达到一定距离后将衍变为剧烈的非线性误差,由此得到的点云绝对坐标也将随着远离起飞点的距离产生随机误差,且大范围内的点云采数据采集,将生成数量巨大的点云数据,其中必然存在大量的错误坐标,为了减少错误坐标需要对采集到的点云坐标数据进行纠偏工作。在本文中我们提出了一种输电线路三维激光点云数据纠偏误差抽样验证方法（限制性百分比抽样检验法）。首先,我们对输电线路三维激光点云数据纠偏验证数据进行采样和统计分析;第二,对纠偏误差数据的分布曲线进行拟合确定误差的分布类型;第三,根据误差分布的上α分位点选取误差判断阈值d;第四,根据输电线路三维激光点云数据纠偏误差与杆塔类型和地形地貌等之间的关系,给出误差纠偏验证的规则;第五,提出限制性百分比抽样验证方法。实验结果表明我们所提出的限制性百分比抽样验证方法,能够灵活适应输电线路三维激光点云数据纠偏误差抽样验证场景。     

基于固态激光雷达的道路边沿与障碍物检测

为了有效获取前方道路信息,应用于低成本的固态激光雷达,提出一种道路边沿与障碍物检测方法。首先对原始点云数据进行地面滤波处理,提取地面与非地面点云数据;根据地面点云数据中路沿高度突变的特征,提出了一种动态滑动窗口的方法提取路沿特征点,后使用随机抽样一致算法(random sample consensus, RANSAC)进行路沿直线拟合;将路沿内障碍物点云作为感兴趣区域(region of interest, ROI),在z轴方向上对障碍物点云数据进行安全高度为H直通滤波处理,最后使用欧氏聚类算法完成了对路沿内障碍物的检测。通过在校园内实际采集数据与处理实验,验证了该方法的可行性。     

基于骨架重建的点云补全网络

随着计算机三维视觉的快速发展，包含空间几何信息的点云数据广泛应用于机器人、自动驾驶等场景中，然而由于遮挡、角度受限等原因经常会造成几何语义信息的缺失。为了解决这一问题，提出了SRC-Net,首先利用融合动态图卷积网络编码器和折叠网络解码器的骨架重建网络从残缺点云中重建出几何骨架，接着使用自编码器结构建立几何骨架到均匀完整点云的映射。最后在MVP数据集上的补全结果表明，SRC-Net较现有补全网络可以生成更均匀且光滑分布的高质量完整点云，并能达到更为细节的补全效果，为点云深度学习补全提供了一种新的思路和方法，具有一定指导意义。     

基于GPU的三维人脸数据动态线性快速修复

基于CUDA和Open GL,根据三维人脸的深度与灰度数据构造三维点云模型,在更短的时间内显示具有逼真效果的三维人脸模型,并根据传统三维人脸点云显示对数据采集要求较高的缺陷,提出了一种用于修补低质量三维采集数据中出现的空洞现象的动态线性修复方法并使用GPU为算法进行了加速。该方法从人脸数据集中读取点云数据,逐行扫描寻找点云数据中出现的空洞并使用符合人脸本质特征的线性插值方式修补空洞。实验证明,该方法能得到远好于传统点云显示的效果,且经过GPU加速后显示效率得到大幅提高。     

基于激光点云数据的地形地貌测量研究

针对在实际测量地形地貌时激光数据过滤误差较大的问题,设计了基于激光电云数据的地形地貌测量及处理方法。采集激光点云数据,结合公共标靶法与最小二乘法补全点云数据且自动过滤非地面数据,对激光点云数据的平面坐标与高程实施转换,生成待测区域的地形地貌等高线,实现该区域的地形地貌测量。通过实验验证设计方法性能,结果表明,该方法可实现分散站点激光点云数据的拼接与过滤处理,过滤性能稳定且过滤误差较低,平均为2.1%,可精准测量实验地区的地形地貌,坐标值误差平均为0.187,满足实际应用中的地形地貌高精度测量需求。     

基于深度相机的金属柜体三维重建

针对金属柜体表面的光线反射和检测场地限制问题,研究了基于深度相机的金属柜体三维重建,使用深度相机采集金属柜体的RGBD图像,实现高质量的金属柜体表面数据采集;计算其点云数据后进行离群点剔除和下采样的数据处理,降低了噪声影响并提高运算速度;采用基于点云数据和基于三维信息的重建方式,构造金属柜体的三维模型。通过对比实验,证明本文方法得到的点云数据在数量、精度平均误差和采集速度上明显优于双目视觉方法;三种金属柜体的三维模型与真实值对比,模型误差百分比约为3%。     

一种面向复杂环境的自适应激光里程计设计

针对在复杂环境下使用传统三维点云配准算法构建的激光里程计精度低且建图易发生漂移的问题，本文设计了一种面向复杂环境的自适应激光里程计。首先通过三维激光雷达采集原始点云数据，经过点云预处理环节后，采用地面分割方法完成点云数据分割并获取路面点云丰富度信息；然后，使用NDT算法将前后两帧点云数据极大限度的进行拉近，实现点云数据的粗配准；最后，在环境判断结论指引下选择合适的ICP算法完成三维点云的高精度配准并根据输出的点云变换关系构建激光里程计。通过在数据集以及不同环境下的大量实车测试，得出该激光里程计在室内结构化环境中的平均位移误差为0026 m，在室外非结构化环境中的平均位移误差为01 m。结果表明，本文构建的激光里程计能够更好的适应复杂环境从而得到更加精确的三维点云地图与SLAM轨迹。     

基于改进PointNet++的电力线场景语义分割

从机载激光雷达点云数据中自动准确地提取电力线和杆塔是常规电力线检测的关键步骤,针对目前基于无人机的电力线点云场景中输电线提取精度不高,难以满足无人机自主精细化巡检需求的问题,本文提出了一种新的基于深度学习的电力线点云语义分割方法。本文提出一种改进PointNet++网络架构,完成了对导线、地线、地面和杆塔塔身的分割。首先在输入电力线点云数据的基础上,对经典PointNet++模型参数进行调整,使该模型在特征提取数量、感受野方面更适用大场景输电线现场。然后,对set abstraction (SA)模块进行改进,增强模型对点云数据的特征提取能力。针对该模块主要做了两点改进,一是在每个SA模块中增加残差连接,二是在SA模块中增加了倒置瓶颈设计。基于自建的电力巡检数据集进行测试,结果表明,本文提出的方法在电力线点云语义分割任务上取得了比较好的性能。对比原网络,改进的网络在平均准确率上提升了5.1%,在平均交并比上提升了7.2%。     

基于迭代最小二乘的平面标靶点云去噪方法初探

平面标靶在三维激光测量作业中起到公共点的作用,标靶点云数据的有效提取和高效去噪对测量目标的点云数据总体质量影响较大。鉴于此,提出了基于迭代最小二乘的平面拟合方法去除标靶噪声,并以此为基本原理利用MATLAB编写了平面标靶点云去噪程序。实验中,分别采集了方形和黑白扇形两种标靶的点云数据,然后用程序进行了降噪处理。降噪成果分析表明该方法能够有效去除标靶噪声,提高了标靶点云数据的可靠性,为进一步提取平面标靶中心点坐标提供了理论基础。     

基于多核架构无人机飞行控制系统设计与实现

针对中小型固定翼无人机自主起降与编队飞行任务,采用双ARM Cortex M4＋DSP架构,综合多传感器融合策略,利用多频段通信技术和舵机控制回路冗余设计的方法,设计并实现了一套飞行控制系统。该系统能为无人机自主起降与编队飞行提供了精确引导和相对定位信息与强大的通信支持、具有效率高、稳定性好、可靠性强以及集成度高等优点。地面半实物仿真和实际飞行试验结果表明,该飞行控制系统有效的支撑了无人机自主起降、多机编队飞行等研究。     

基于增强现实的灌浆协同决策可视化研究北大核心CSCD

灌浆工程具有隐蔽性、专业性等特点,为提升灌浆质量,需要采用会商等手段进行灌浆协同决策。然而当前会商采用二维图纸或三维虚拟场景进行协同分析,缺乏物体纵深距离的真实空间维度,存在沉浸式交互不佳且决策信息共享不及时等问题。针对上述问题,本文提出基于增强现实的灌浆协同决策可视化方法,基于灌浆三维信息模型,以视觉惯性里程计技术为基础,实现虚拟模型与真实场景的融合与沉浸式交互分析;采用基于云端通信的状态同步法、锚点转移法和Vuforia增强图像识别技术,实现灌浆协同决策信息的三维沉浸式可视化共享。工程实例分析结果表明,本文提出的方法能够实现灌浆决策信息的沉浸式交互查询与跨区域协同决策,为灌浆过程控制提供了新思路。     

基于云服务环境的多功能智能鞋柜

设计了一款多功能的智能鞋柜,能够通过云平台控制,实现擦鞋、消毒、烘干、除湿等功能。本多功能鞋柜是基于Android平台和2.4 G无线网络开发的,不仅能通过手机端连接局域网至云服务器,还能通过WiFi模块连接局域网收发云端的信息,这些信息经过STM32微处理器的实时处理,最后实现鞋柜设计的各个功能;该智能鞋柜还拥有不同的模式,使鞋柜可以应用于不同的生活场景中。测试结果表明,该鞋柜能够稳定实现相应的功能,通过云平台实时对各传感器进行控制,手机端界面简洁,数据可靠,具有一定的研究价值。     

改进视觉惯性里程计融合GPS的无人机定位方法研究

为提升无人机大范围弱纹理场景下的状态估计，提出一种改进视觉惯性里程计融合GPS的定位方法。首先，通过在视觉惯性里程计中加入线特征来表示环境的几何结构信息，提升位姿估计的准确性；其次，通过引入长度阈值筛选，剔除对位姿估计贡献不大的短线段，改善特征追踪的鲁棒性；最后，使用非线性优化的方式，将GPS测量信息和改进的视觉惯性里程计融合，校正视觉惯性里程计的累积误差。基于EuRoC数据集仿真实验以及应用于无人机的真实场景实验表明，相较于原算法，加入线特征算法的定位误差在仿真实验中降低了39.14%，室内场景降低了23.48%，室外场景降低了33.58%。融合了GPS的点线特征算法相较于原算法，定位误差降低了53.99%。     

面向大型室内场景的无人机三维激光雷达解耦SLAM方法

大型室内场景通常在高程方向结构较为相似,导致激光雷达扫描点云在高程方向特征退化,传统激光雷达SLAM的无人机定位方法易发生高程特征误匹配。针对于此,提出了一种基于惯性/高度传感器信息辅助的机载三维激光雷达解耦SLAM算法：将高度传感器、惯性姿态引入点云初始化过程,提高初始位姿匹配精度;将基于多元正态分布的点云配准算法在水平、高度通道解耦,约束点云配准方向,提高高程退化环境下的定位精度;同时使得传统SLAM六维位姿解算降为三维,降低了计算量。通过Gazebo构建船舱仿真场景,对提出的方法进行验证,结果表明本文方法可以提高在高程特征退化下的激光雷达SLAM定位精度,比传统算法提升40%以上,并有效提高了计算效率。     

基于边缘计算与深度学习的输电设备异物检测方法

在输电设备上经常会出现各种异物,如鸟巢、塑料袋,如果不能及时发现并清理将会对输电系统造成很大的安全隐患。因此,及时对输电设备是否有异物进行检测非常必要。针对该问题,提出了一种基于边缘计算和深度学习的异物检测方法。该方法与现有利用无人机拍摄传回云端服务器计算方法不同,通过将检测计算下沉到边缘设备,使用Mobilenet加上优化后SSD的目标检测方法在边缘设备直接处理计算,将检测出异物的图像发回云端。该方法在CPU上的运行速度是基于VGG（目视图像生成器）的SSD方法的5倍左右,是Faster-RCNN的58倍左右;在模型大小上是基于VGG的SSD方法的2/9左右,是Faster-RCNN的2/49左右,精确度为89%;与直接将数据传回云端服务器再进行处理的方式相比,数据传输量减少约90%。该方法不仅满足实时性,还具有可靠的效果,基于该方法的系统已经得到实际部署。     

基于无人机激光雷达技术的输电线路走廊清理方法

根据输电线路运维要求,提出了一种基于无人机激光雷达技术的输电线路走廊清理方法。首先采用自适应滤波法对无人机激光雷达点云数据中的地面进行分离,然后根据点云邻域内的点集组成的协方差矩阵奇异值构成的维度特征和方向特征对导地线、杆塔和典型地物进行分类。再通过悬链线方程建立输电线路三维模型,并基于网格剖分方法计算输电走廊中地物与输电线路导线的距离,最后根据规程对不满足安全距离要求的树木和建筑自动计算得出清理区域。将自动计算结果与人工计算分析结果进行了比对,验证了提出方法的准确性和有效性。结果表明,提出的走廊清理方法具有误差小和效率高的特点,且利于输电线路运维工作。