基于三维点云的变电站设备分类识别研究
摘要 | 第4-6页 |
Abstract | 第6-7页 |
1 绪论 | 第13-18页 |
1.1 课题来源 | 第13页 |
1.2 研究背景及意义 | 第13-15页 |
1.3 国内外研究现状 | 第15-16页 |
1.4 研究内容 | 第16-17页 |
1.5 本章小结 | 第17-18页 |
2 变电站设备三维点云数据的获取及预处理 | 第18-32页 |
2.1 地面激光雷达系统 | 第18-19页 |
2.1.1 系统组成 | 第18页 |
2.1.2 系统工作原理 | 第18-19页 |
2.2 变电站三维点云数据的获取 | 第19页 |
2.3 点云数据的结构及其特点 | 第19-21页 |
2.3.1 点云数据的结构 | 第19-21页 |
2.3.2 点云数据特点 | 第21页 |
2.4 变电站设备识别分类及姿态估计流程 | 第21-22页 |
2.5 变电站点云数据预处理 | 第22-31页 |
2.5.1 设备三维点云排序及精简 | 第22-26页 |
2.5.1.1 均匀网格法 | 第23页 |
2.5.1.2 均匀采样法 | 第23-24页 |
2.5.1.3 点云精简比较 | 第24-26页 |
2.5.2 设备点云分割 | 第26-30页 |
2.5.2.1 点云分割简介 | 第26-27页 |
2.5.2.2 变电站设备三维点云分割的实现 | 第27-30页 |
2.5.3 变电站设备点云去噪 | 第30-31页 |
2.6 本章小结 | 第31-32页 |
3 基于三维点云的变电站设备特征提取 | 第32-51页 |
3.1 设备三维点云的投影边界曲率 | 第32-38页 |
3.1.1 投影边界提取 | 第32-35页 |
3.1.2 曲率估计 | 第35-36页 |
3.1.3 曲率直方图 | 第36-38页 |
3.2 设备的三维点云法向量 | 第38-42页 |
3.2.1 主成分分析法(PCA) | 第38-40页 |
3.2.2 点云法向量 | 第40页 |
3.2.3 基于法向量的设备特征提取 | 第40-42页 |
3.3 三维点云的灰度直方图 | 第42-46页 |
3.4 设备分层投影面积直方图 | 第46-49页 |
3.5 设备体积、高程分布几何特征 | 第49-50页 |
3.6 本章小结 | 第50-51页 |
4 变电站设备的模式识别方法研究 | 第51-69页 |
4.1 模式识别简介 | 第51-55页 |
4.1.1 神经网络方法 | 第51-53页 |
4.1.2 支持向量机方法 | 第53-54页 |
4.1.3 距离分类算法 | 第54页 |
4.1.4 方法的分析与选择 | 第54-55页 |
4.2 距离分类算法 | 第55-59页 |
4.2.1 模板匹配 | 第55-58页 |
4.2.1.1 欧几里得距离 | 第56-57页 |
4.2.1.2 街市距离 | 第57页 |
4.2.1.3 切比雪夫距离 | 第57页 |
4.2.1.4 加权距离 | 第57-58页 |
4.2.2 最近邻分类 | 第58-59页 |
4.3 粒子群算法优化距离分类算法输入权重 | 第59-63页 |
4.3.1 粒子群算法的改进 | 第59-60页 |
4.3.1.1 惯性权重的改进 | 第59-60页 |
4.3.1.2 动态学习因子的选取 | 第60页 |
4.3.2 改进粒子群算法测试 | 第60-62页 |
4.3.3 距离分类器输入权重优化 | 第62-63页 |
4.4 变电站设备三维实体识别流程 | 第63-64页 |
4.5 设备识别仿真实验及结果分析 | 第64-68页 |
4.5.1 数据选择及类别 | 第64-65页 |
4.5.2 识别结果及分析 | 第65-68页 |
4.6 本章小结 | 第68-69页 |
5 变电站设备姿态估计及仿真实验平台创建 | 第69-76页 |
5.1 基于三维点云的设备姿态估计 | 第69-72页 |
5.2 设备识别过程的仿真实验平台建立 | 第72-75页 |
5.2.1 MATLAB GUI简述 | 第72页 |
5.2.2 建立仿真实验平台 | 第72-75页 |
5.3 本章小结 | 第75-76页 |
6 总结与展望 | 第76-77页 |
参考文献 | 第77-80页 |
致谢 | 第80-81页 |
个人简历、在校期间发表的学术论文与研究成果 | 第81页 |