تشخیص سه‌بعدی خطوط انتقال برق در ابر نقاط لیزر اسکنر با استفاده از روش جنگل تصادفی

بازرسی از خطوط انتقال برق با استفاده از روش‌های سنتی و مرسوم دارای معایبی از قبیل سرعت‌پایین، احتمال آسیب‌دیدگی نیروی متخصص و هزینه بالا می‌باشد. لذا با توجه به توسعه فنّاوری‌های اخذ اطلاعات ازجمله لیدار و ظهور پهپاد های باقابلیت حمل سنجنده های مختلف می‌توان این بازرسی‌ها را با دقت و سرعت بیشتری انجام داد و از معایب روش‌های سنتی و مرسوم کاست. هدف این پژوهش ارائه روشی کارا و خودکار برای بازرسی خطوط انتقال برق با استفاده از ابر نقاط است. روش پیشنهادی این پژوهش دارای پنج مرحله می‌باشد که به شرح ذیل می باشد: ابتدا در مرحله اول پیش‌پردازش‌هایی شامل حذف نویز بر روی ابر نقاط صورت گرفته و سپس در مرحله دوم ابر نقاط فیلتر شده و به دو بخش نقاط زمینی و غیر زمینی تقسیم‌ شده است، در مرحله سوم ویژگی‌هایی از ابرنقاط استخراج‌ گردیده است و در چهارم نیز طبقه‌بندی چند کلاسه ابر نقاط با استفاده از ویژگی های مرحله قبل صورت گرفته است که برای تحلیل های مکانی مرتبط با خطوط انتقال برق بسیار حائز اهمیت است، در مرحله پنجم نیز ابرنقاط خطوط انتقال برق به صورت سه بعدی استخراج گردیده اند. بهره گیری از روش لیزر مبنا و استفاده از ویژگی های نقطه مبنا، دقت طبقه بندی ابر نقاط و دقت شناسایی خطوط انتقال برق را افزایش داده است. دقت روش پیشنهادی این پژوهش، در مجموعه داده اول که از منطقه شهری اخذشده و دارای ویژگی طیفی نیز می‌باشد، برابر 97.05% دقت کلی طبقه‌بندی و 98.80 % دقت شناسایی خطوط انتقال برق می‌باشد و مجموعه داده دوم که از منطقه خارج شهری بوده و فاقد ویژگی‌های طیفی است، برابر 95.48% دقت کلی طبقه‌بندی و 96.81 % نیز دقت شناسایی خطوط انتقال برق می‌باشد.

3D Detection of Power-Transmission Lines in Point Clouds Using Random Forest Method

Inspection of power transmission lines using classic experts based methods suffers from disadvantages such as highel level of time and money consumption. Advent of UAVs and their application in aerial data gathering help to decrease the time and cost promenantly.The purpose of this research is to present an efficient automated method for inspection of power transmission lines based on point clouds achieved by aerial data. The proposed method followed by five steps: removing noise on point clouds and filtering point clouds in order to divide it into two parts of ground points and nonground points, features extraction from nonground point clouds and finally, power lines classified for 3d detection of power lines. For capability assessment of the proposed method, wo different data sets as aerial RGB based UAV imagery ad aerial laser based data is applied. Accuracy of the proposed method was 97.05% in total classification and 98.80% in power lines detection for dataset 1 taken over an urban area with spectral features. The total accuracy in classification was 95.48% and 96.81% in power lines detection for dataset 2 that taken from a rural area.