استخراج خودكار تيرهاي انتقال برق حاشيه راه‌ها با بهره‌گيري از داده‌هاي ليزر اسكنر موبايل

Automatic extraction of roadside transmission poles using mobile laser scanner data

امروزه شناسايي عوارض سطح جاده براي امنيت، تهيه و بروزرساني نقشه‌­ راه ­ها و مدل‌سازي و مديريت تجهيزات راه امري ضروري است. هدف از اين تحقيق، شناسايي خودكار تيرهاي انتقال برق موجود در حاشيه‌ راه‌ها با استفاده از ابر نقاط موبايل ليزر اسكنر مي­باشد. با توجه به اينكه تشخيص دستي اين عوارض نياز به صرف زمان و تلاش زيادي دارد، تشخيص خودكار عوارض با استفاده از كامپيوتر به ‌دليل كاهش زمان و هزينه، حائز اهميت است. در اين­ راستا، مجاورت عارضه‌هاي ديگر به تير برق، حضور عوارض طبيعي ميله‌‌اي شكل، ناقص بودن اطلاعات عارضه‌‌ ميله‌اي شكل و يكسان بودن توزيع مكاني يا الگوي شكلي ساير عوارض با تير انتقال برق، از چالش­ هاي مطرح در شناسايي تير انتقال برق مي­باشد. در روش پيشنهادي تحقيق، نقاط زميني با استفاده از الگوريتم فيلتر مورفولوژي ساده (SMRF) حذف شده و نقاط غير زميني باقيمانده با الگوريتم فضايي مبتني بر چگالي برنامه­ هاي كاربردي با نويز (DBSCAN) در گروه‌هاي مشابه از لحاظ چگالي گروه‌بندي شده‌اند. براي حذف نقاط اضافي سيم برق، با استفاده از ويژگي‌هاي چگالي و شدت نور نقاط، از خوشه‌بندي ژنتيك استفاده شده است. در نهايت نقاط پراكنده‌ باقيمانده حذف و تيرهاي انتقال برق به‌ شكل دقيق و منظمي استخراج شده‌اند. روش پيشنهادي بر روي چهار مقطع جداگانه از داده‌ها با عوارض مختلف تست و ارزيابي شده ‌است. نتايج ارزيابي نشان مي‌دهد كه الگوريتم پيشنهادي توانايي تشخيص 100 درصد تير برق‌ها را به‌ طور خودكار داشته است؛ به ‌گونه‌اي كه نتايج استخراج شده به روش پيشنهادي، با نتايج استخراج شده به ‌طور دستي از تطابق بسيار خوبي برخوردار بوده و تعداد تير برق‌هاي استخراج شده نيز كاملا برابر بوده ‌است.

Nowadys, mobile terrestrial laser scanning systems (MTLS) have made great strides in collecting three-dimensional (3D) data with high speed and accuracy, as well as high point densities from the road environemnts. Because the manual extraction of the powerlines from the MTLS data is time-consuming, costly and laborious, proposing an automated method using a computer agent has become a scientific challenge as it requires less cost and human labour. In this regard, the proximity of other complications to the powerlines, the presence of natural features such as trees, data incompleteness, and the uniform spatial distribution or shape pattern of the road objects are the main challenges of the powerline detección process. The pulposa of this saudí is to automatically detect powerline poles on the roadside from MTLS point clouds. In the proposed method, the ground points are firstly removed from the data using the Simple Morphological Filter (SMRF) algorithm. Then, the DBSCAN clustering algorithm is employed to classify the remaining points based on the local density information of the points. After that, genetic clustering is used to remove the extra points of the powerline considering the density and intensity characteristics of the points. Eventually, the remaining dispersed points are deleted and power light beams are extracted accurately and neatly. The proposed method was tested and evaluated using four sample sections of the data with different complications. The comparison between the extracted powerlines from the proposed algorithm and the manually extracted results showed the high ability in extracting the powerlines from the MTLS points clouds so that the number of the extracted powerlines is the same.