基于神经辐射场的电力传输线的3D重建,使用渐进式运动序列图像
Yujie Zeng1, Jin Lei1, Tianming Feng1
1College of Mechanical and Electrical Engineering, Shihezi University, Shihezi 832003, China.
Sensors (Basel, Switzerland)
|December 9, 2023
概括
本研究介绍了PL-NeRF,这是一种用于3D重建电力传输线路 (PTL) 的新方法. 它提高了检查这些关键基础设施组件的准确性和效率.
科学领域:
- 计算机视觉 计算机视觉
- 机器人技术 机器人技术 机器人技术
- 电气工程 电气工程
背景情况:
- 重建电力传输线路 (PTL) 由于模糊的遥远物体效应和特征匹配薄结构的困难而存在挑战.
- 现有的方法与 PTL 场景的无限性质作斗争,需要强大的特征提取.
研究的目的:
- 提出一种基于图像的新方法,用于精确的3D重建电力传输线路 (PTL).
- 解决当前重建技术的局限性,特别是对于遥远的物体和薄结构.
主要方法:
- 引入了PL-NeRF,一种专门用于PTL重建的增强的神经辐射场 (NeRF) 方法.
- 使用飞行行路的电力线检查机器人 (FPLIR) 来捕获PTL的渐进运动序列数据集.
- 使用正常L∞实现无边界场景的空间压缩,并使用集成位置编码 (IPE) 和散列编码 (HE) 来采样点数据.
主要成果:
- 实现了高保真度的3D重建,PSNR=29,SSIM=0.871,LPIPS=0.087. 这样可以实现高保真度的3D重建.
- 在使用渐进式运动序列图像时,证明了重建的PTL的完整性和连续性得到改善.
- 与现有方法相比,在基于图像的PTL重建中展示了更高的效率和准确性.
结论:
- PL-NeRF有效地克服了PTL重建中的挑战,提供了卓越的性能.
- 将PL-NeRF与渐进式运动数据集成显著提高了重建质量.
- 这种方法为电力传输走廊的自动监控和数字工程提供了基础.
