多传感器融合方法与RandLA-Net相结合,用于电网场景中的大规模点云细分
Tianyi Li1, Shuanglin Li1, Zihan Xu1
1College of Automation and College of Artificial Intelligence, Nanjing University of Posts and Telecommunications, Nanjing 210023, China.
Sensors (Basel, Switzerland)
|September 19, 2025
概括
这项研究引入了一种新的多传感器融合和深度学习方法,用于智能电网塔的识别. 该方法通过准确处理大规模点云数据,提高了检查效率和安全性.
科学领域:
- 电气工程 电气工程
- 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
背景情况:
- 传统的电网塔检查效率低下,成本高昂,并带来安全风险.
- 在复杂环境中分析大规模点云数据的现有方法缺乏准确性和效率.
- 智能识别和监控对于电网稳定运行至关重要.
研究的目的:
- 开发一种使用多传感器融合和深度学习进行电网塔识别的先进方法.
- 解决当前技术在处理大规模,复杂的点云数据方面的局限性.
- 提高电网基础设施检查的效率,准确性和安全性.
主要方法:
- 提出了一个数据采集方案,集成LiDAR和双筒深度摄像机与FAST-LIO算法进行时空同步和数据融合.
- 构建了一个有色点云数据集,具有丰富的视觉和几何特征.
- 开发和优化了基于RandLA-Net框架的高效点云细分方法,用于电网塔场景.
主要成果:
- 在电网塔体识别中达到90.8%的精度.
- 在各种环境条件下表现出强大的性能.
- 成功处理超过1000万点的点云数据,处理不均的分布和干扰.
结论:
- 拟议的多传感器融合和深度学习方法为智能电网塔识别提供了可靠的方法.
- 这种技术为大规模点云数据分析的准确性和效率提供了显著的改善.
- 这些发现支持开发电网基础设施的智能检查和管理系统.
