输电线路基于高精度LiDAR点云数据采集处理和三维建模技术分析与应用

对输电线路没有高精度的三维激光点云数据采集,需要大量的人工进行分析处理,且处理数据得到的信息无法及时传递回到生产系统以指导生产,历史数据未得到挖掘利用。基于云服务平台的输电线路激光雷达巡检原始数据智能解算技术为基础,实现海量点云数据处理分析、对输电线路激光雷达点云数据自动解算、整理、识别等,并可进行三维操作,实现输电线路走廊三维可视化、线路工况模拟研判,无人机精细化巡检航迹规划和无人机自主精细化巡检。

机载LiDAR点云数据滤波以及建筑物提取技术研究

当对机载激光雷达(LiDAR)点云数据进行滤波和提取建筑物时,当前技术有误差大、提取结果展示模糊等问题,本文针对这些问题进行相关研究,处理机载Li DAR点云数据,对坡度点云数据进行自适应滤波,提取机载Li DAR点云数据建筑物。分析提取结果可知,本文方法可以有效降低误差,清晰展现结果,为城市规划、土地资源调查和建筑物监测等领域提供更精准、高效的服务。

机载LiDAR点云数据滤波方法研究

为了改善地形复杂区域机载激光雷达点云滤波效果,本文提出了一种结合布料模拟滤波与改进不规则三角网的机载LiDAR点云滤波方法。该方法实现机载LiDAR点云滤波的主要步骤为:首先,使用KD树算法将原始点云数据中的粗差剔除;其次,使用CSF对粗差剔除后点云数据进行滤波,滤除建筑物等高大地物点得到初始地面点;最后,使用改进的TIN算法对初始地面点进行进一步精滤波,得到最终地面点结果。为了对本文提出方法的有效性与优越性进行检验,使用两组实验数据进行滤波实验,结果表明本文点云滤波方法可有效降低Ⅰ类、Ⅱ类误差,对不同地形条件进行点云滤波均有较高的准确性。

基于机载LiDAR点云数据的建筑物三维模型重建方法

以机载LiDAR点云数据为研究对象,提出一套建筑物三维模型重建方法。首先使用渐进三角网滤波算法分类地面点与非地面点,通过训练完成的随机森林模型完成建筑物点云提取;其次将方向作为约束条件,使用随机抽样一致(Random Sample Consensus,RANSAC)算法完成建筑物轮廓线提取并获取屋顶关键点信息;最后使用SharpGL工具包,以建筑物轮廓线与屋顶关键点信息为框架重建建筑物三维模型。以实测机载LiDAR点云数据为例进行实验,结果表明,本文方法能够提取得到完整的建筑物轮廓信息,并具有较高的建筑物模型重建精度。

基于无人机载LiDAR点云数据的电力线提取方法

机载激光雷达(LiDAR)点云电力线提取过程中存在杆塔形状复杂、噪声影响大等问题,导致电力线点云提取精度低,本文提出一种基于点云分块处理、格网划分的曲面拟合滤波、自适应密度聚类算法的电力线点云提取与重建方法。首先,根据电力线走向,对整体点云进行分块处理;其次,在曲面拟合算法的基础上,引入格网划分思想,提出一种改进曲面拟合滤波算法并进行点云滤波;最后,通过给出自适应密度聚类解决方案精确提取电力线点云。借助点云库(PCL)、libLAS库与Visual Studio 2017 C++开发环境实现本文算法,基于实测点云数据对本文方法进行测试与精度评定。结果表明:电力线提取精确率为97.82%、召回率为99.76%、F1值为98.78%,一次便可实现电力线的成功提取,在保证提取精度的同时提升了提取效率,本文研究能够为电力线智能巡检提供良好的工程应用价值。

基于机载LiDAR点云数据的建筑物三维模型重建方法研究

根据建筑物点云的分布特征,提出一种机载LiDAR点云建筑物三维模型重建方法。首先,利用布料模拟滤波算法剔除地面点,实现包含建筑物点云在内的非地面点提取,并利用最大类间方差法提取建筑物点云;其次,使用Alpha Shape算法提取建筑物点云中边缘点,并规则化处理建筑物轮廓线,通过屋顶分割算法提取建筑物屋顶信息;最后,使用SharpGL工具进行建筑物三维模型重建。以某地级市某地区机载LiDAR点云数据为例进行实验,结果表明该方法进行建筑物三维模型重建具有较高的精度与效率,适用于城镇复杂区域建筑物三维模型重建。

两种专业软件在无人机LIDAR点云数据处理中结合使用的效果与经验

激光雷达(Lidar)是以发射和接收激光束探测目标的位置、速度等特征量的雷达系统。该技术在国外的发展和应用已有十几年的历史。目前,该系统已经向小型化、轻便化发展,得到的数据经过相关软件数据处理后,可以生成高精度的测绘4D产品。点云分类是激光点云数据处理的重要环节,探索自动、高效、高精度的点云分类方法具有重要意义。飞马无人机管家和LIDAR360是两种各有特点的LIDAR点云数据处理软件,利用两种不同的LIDAR点云数据处理软件进行处理,可以做到扬长避短,进一步提高数据处理结果的质量。

机载LiDAR点云数据断面提取方法及应用

针对传统断面测绘工作劳动强度大、工作效率低、自动化程度低等特点,为解决传统商业软件提取断面时在沟、坎处误差较大的问题,提出点云前进搜索法与点云收缩迭代法提取断面。以机载LiDAR获取的点云数据为原始数据,基于提出的算法获取断面数据。为验证算法的准确性,采用GPS-RTK人工测绘方法获取相同位置断面数据,以此为参照对该算法结果进行验证,并将该方法与点云垂直偏移法提取的断面数据进行对比,结果表明,该方法提取的断面数据更接近GPS-RTK测得的断面数据,该方法可以为地形分析、工程设计、自然资源管理、土地利用规划和灾害风险评估等提供准确的空间数据支持,为决策者和规划者提供可靠的地理信息基础。

改进的密度聚类精确自适应提取LiDAR电力线点云方法

原有邻域半径r_(Eps)与密度阈值p_(MinPts)两个参数的初始赋值导致电力线点云的提取结果存在不确定性,在密度聚类的基础上增添了点云簇类自适应判别方法,该方法避免人员重复测试初始参数的繁琐过程,采用C++语言完成了对该算法电力线精确提取及电力线拟合程序的开发与测试。结果表明:改进后的密度聚类法在电力线点云提取的损失率仅0.02%,三维重建残差为0.213 m;该方法大幅提高了电力线点云提取的准确性与便捷性,适用于高压电力走廊的电力巡检与三维重建等工作。

无人机LiDAR点云与无人机影像匹配点云分析比较

随着无人机技术的不断发展,无人机数码航测技术和无人机LiDAR技术在测量领域的应用越来越广泛。为分析无人机LiDAR点云和无人机影像匹配点云2种点云的差异,该文通过对西南某铁路一个测区在同一飞行高度的情况下同时进行无人机数码航摄及无人机LiDAR航摄2种方式航摄。对2种不同的摄影方式获取的点云进行比较,分析出2种方法获取点云在形态表现、滤波分类,以及利用2种点云制作DEM高程精度方面的差异,为实际工程航飞方式的选择提供一个参考。

一种改进的机载LiDAR数据构建DEM地面种子点选取方法

针对机载激光雷达(LiDAR)数据使用传统方法获取的地面种子点密度低,种子点之间空白区域的地形信息缺失,不利于后续提取地面点和构建高质量数字高程模型(DEM)的问题,本文提出了一种基于新的网格遍历规则的地面种子点选取方法。与传统方法中的起始网格在X和Y方向上每次移动1个规则网格宽度不同,该方法每次移动1/2个网格宽度,增加规则网格数量,获取的地面种子点个数相较于传统方法提高约200%,可补充种子点之间空白区域的地形信息,有利于提高后续点云数据处理的精度和相关产品的可靠性。

高精度矢量数据的公路快速逆向建模方法

数字交通的快速发展对道路基础设施三维数字化提出了新的要求。针对人工建立公路三维模型费时费力等问题,研究了一种基于高精度矢量数据的快速逆向建模方法。以三维激光扫描点云为基础数据源,首先提取高速公路中各目标高精度矢量数据,并存储为空间矢量地图。然后针对道路场景各目标模型结构,提出自适应节点重建、参照线放样重建及实例化重建等多种关键建模方法;最后基于MAXscript三维建模语言进行开发,建立精细化的高速公路三维模型。以某段高速公路实际数据为例进行实验,验证该方法的可行性。

建筑物点云数据拼接模型及拼接精度分析

激光雷达进行扫描时,将扫描目标的形态信息记录下来形成点云数据。在实际扫描目标建筑时,通常受到视角和工作环境的限制,因此会在不同角度对目标建筑进行多次扫描,并将多视角点云信息进行拼接后,得到目标建筑的完整点云信息,点云数据的拼接质量对三维重建模型的精度有直接影响。在使用车载激光雷达扫描时,由于GPS可以实时获取大地坐标信息,因此,利用此信息可以将不同视角的点云数据整合到全局坐标系中,从而完成较高精度的点云拼接工作。

POWERLINE-ALS:一种用于输电线路场景深度学习语义分割的机载LiDAR点云数据集

为实现基于深度学习的输电线路点云精确语义分割,必须建立能够准确反映目标类别特征的点云数据集。但现有数据集无法满足输电线路场景点云语义分割的需要。因此,基于机载LiDAR获取的某地区500 kV超高压输电线路巡检点云数据构建了一套深度学习数据集——POWERLINE-ALS。该数据集包含地线、导线、杆塔、植被、建筑、低矮电力线等6个类别,输电线路长21 km。同时,利用PointNet++、PointCNN、KPConv、SPG、RandLA-Net等5种常用深度学习模型对数据集进行了训练和测试。模型实验结果表明,POWERLINE-ALS能够在目前主流的深度学习模型上应用,具有普适性,其最高测试精度和平均交并比分别达95.31%和82.25%,可以满足实际点云数据语义分割工作的精度要求。

基于融合点云数据的马尾松林地单木分割算法研究

激光雷达技术在森林资源调查中具有较大优势,但单平台采集的数据往往存在扫描盲区,难以获取完整的森林结构信息。为此,以马尾松林作为研究对象,探究基于融合点云数据的马尾松林单木分割适宜性算法。首先提出一种针对森林样地点云数据融合的方法,然后采用标记控制分水岭算法、距离判别聚类算法和层堆叠算法对马尾松林进行单木分割,并对3种算法的关键参数的选取进行分析,最后提取树高验证融合点云估测森林结构参数的适用性。得出实验结果如下:1)提出的点云融合方法可以有效融合机载和手持激光雷达点云,配准误差为0.054 m;2)3种单木分割算法中,标记控制分水岭算法分割精度最高,总体精度为0.88,高于距离判别聚类算法和层堆叠算法;3)利用标记控制分水岭算法分割的单木提取树高,基于融合点云数据的R2值为0.983 7,RMSE为0.759 6 m,相较于单一点云数据,精度明显提高。研究结果可为多源激光雷达在林业领域的应用以及马尾松林地森林资源管理提供技术支持。

海量机载LiDAR点云改进滤波算法研究

为了提高机载LiDAR点云滤波算法在点云滤波中的精度与效率,本文在已有的多级移动曲面拟合滤波算法的基础上提出一种多级多窗口移动曲面拟合算法(WHMCFA)。该改进滤波算法能够有效解决HMCFA滤波算法中存在的曲面拟合精度低、粗差率高等问题。同时,为了提高LiDAR点云数据的滤波效率,在WHMCFA的基础上设计并实现PWHMCFA并行滤波算法。将本文改进滤波算法应用于机载LiDAR点云数据滤波处理中,结果表明,与传统滤波算法相比,本文提出改进滤波算法的滤波精度更高,滤波效果更好。

一种基于无人机LiDAR点云的电力线快速提取方法

为了改变传统人力巡检长距离电力线效率低下的问题,提高生产效率,满足电网智能化管理需求,本文基于机载激光雷达(LiDAR)点云数据,采用凝聚层次聚类算法,利用C语言编程,实现了对电力线点云的快速和精确提取,并通过实例进行验证。结果表明,凝聚层次聚类算法对电力线点云提取的准确率达99.99%,避雷线最小拟合残差为0.11 m,电力线最小拟合残差为0.19 m,最大拟合残差为0.21 m,平均拟合残差为0.20 m。该算法的自动化实现过程,可提高电力线的巡检效率,获取较好的测试效果。

点云数据在历史文化街区保护更新中的应用研究

多源数字测绘技术下的点云数据,具有高精度、高密度、高完整性等特点,能够实现历史文化街区及历史文物高精度三维模型的建立,提供逼真的三维场景可视化效果,为历史文化街区保护更新提供详实基础数据和重要技术支撑。

基于机载激光雷达点云数据的1:10000地形图地貌要素生产方法研究

随着测绘科技水平的发展,机载LiDAR技术得到了广泛应用。本文利用机载LiDAR点云数据对1:10000地形图地貌要素的生产方法进行研究,对研究区开展生产试验和精度检测。结果表明,产品精度满足1:10000地形图地貌要素的生产要求,达到了相关高程精度的要求。

无人机倾斜飞行与激光点云数据融合的三维建模技术研究

无人机(UAV)在测绘领域具有显著的应用价值,倾斜摄影技术的发展更是使得三维测图技术大步前进。本论文通过激光点云与倾斜摄影无人机数据融合,提出了一种新的三维建模方法。通过采集大量的实验数据,调整无人机的飞行姿态,实现了倾斜摄影的空中拍摄。然后,激光点云数据融入进来,提供更为精确的地面信息,从而实现了三维地景的高精度重建。研究表明,该方法不仅可以提供高质量的三维模型,且在建模精度和计算效率方面,都优于之前的方法。这项技术的研究与发展,对于未来无人机测绘、城市规划、环境监测等领域,都有重要的参考价值。