一种输配电廊道三维数字化重构方法及系统

技术领域

本发明涉及建筑物三维数字化重构领域，尤其涉及一种输配电廊道三维数字化重构方法及系统。

背景技术

输配电廊道是现代电力系统重要的基础设施之一，其作用是承载电力线路和保障电力供应的连续性和稳定性。然而，由于输配电廊道规模庞大，线路交错复杂，传统的巡检方式面临人力成本高、耗费时间长的困难和挑战。因此，对输配电廊道进行三维数字化重构，基于重构的三维点云对输配电廊道进行巡检，实现对其状态的监测和管理，已成为业界研究的热点之一。

目前，已有一些关于输配电廊道三维数字化重构的研究，其中包括利用激光雷达扫描获取空间数据、采用视觉三维重建技术恢复场景点云数据，但这些方法存在一些局限性，比如数据来源单一、重构精度不高和重构点云稠密程度低等问题，难以有效支撑后续对输配电廊道的巡检、监测和管理，并且普适性差，难以有效支撑多种不同规模的输配电廊道三维数字化重构。

发明内容

本发明实施例提供一种输配电廊道三维数字化重构方法及系统，利用输配电廊道的第一深度图像和第一二维彩色图像，对激光雷达扫描得到的稀疏三维点云数据的稠密度进行优化，克服单一数据来源的点云数据稠密度不高的问题。

为了解决上述技术问题，本发明实施例提供了一种输配电廊道三维数字化重构方法，包括：

对输配电廊道的第一深度图像进行特征提取，得到深度特征信息，并对所述输配电廊道的第一二维彩色图像进行特征提取，得到边缘纹理特征信息，然后融合所述深度特征信息和所述边缘纹理特征信息，并对融合结果进行特征提取，得到深度重建特征信息；

利用所述深度重建特征信息，对所述第一深度图像进行超分辨率恢复，得到第二深度图像，并通过运动恢复算法，结合所述第一二维彩色图像和所述第二深度图像，恢复出所述输配电廊道的第一三维点云数据；

将所述输配电廊道的第二三维点云数据与所述第一三维点云数据进行融合，得到所述输配电廊道的第三三维点云数据，以完成对所述输配电廊道的三维数字化重构；

其中，所述第二三维点云数据是利用激光雷达对所述输配电廊道进行扫描，并对扫描结果进行预处理而得到的。

实施本发明实施例，对输配电廊道的第一深度图像进行特征提取，得到低分辨率的深度特征信息，并对输配电廊道的第一二维彩色图像进行特征提取，得到高分辨率的边缘纹理特征信息，然后由于低分辨率的深度特征信息可以提供输配电廊道的几何形状和结构信息，而高分辨率的边缘纹理特征信息则可以提供输配电廊道的细节和纹理信息，所以通过融合低分辨率的深度特征信息和高分辨率的边缘纹理特征信息，可以改善输配电廊道的特征信息的准确性，接着对融合结果进行特征提取，得到兼具深度特征信息和边缘纹理特征信息的深度重建特征信息，并利用深度重建特征信息，对第一深度图像进行超分辨率恢复，生成高分辨率的第二深度图像，提高深度感知的精度，然后通过运动恢复算法，结合第一二维彩色图像和第二深度图像，恢复出具备低分辨率的深度特征信息和高分辨率的边缘纹理特征信息的第一三维点云数据。另外地，将利用激光雷达对输配电廊道进行扫描并对扫描结果进行预处理而得到的第二三维点云数据与第一三维点云数据进行融合，得到输配电廊道的稠密点云数据，克服单一数据来源的点云数据稠密度不高的问题，从而为输配电廊道的巡检、监测和管理提供输配电廊道的准确的空间位置和几何信息，以便管理维护人员基于稠密的第三三维点云数据进行监测障碍物、检测变形和缺陷等的环境分析，从而协助管理维护人员及时发现潜在隐患问题，进行维修和安全管理。

作为优选方案，所述将所述输配电廊道的第二三维点云数据与所述第一三维点云数据进行融合，得到所述输配电廊道的第三三维点云数据，以完成对所述输配电廊道的三维数字化重构，具体为：

将所述输配电廊道的第二三维点云数据与所述第一三维点云数据输入至变形核匹配神经网络，以使所述变形核匹配神经网络对所述第二三维点云数据与所述第一三维点云数据进行点云配准；

将完成点云配准的所述第二三维点云数据与所述第一三维点云数据合并为所述第三三维点云数据，以完成对所述输配电廊道的三维数字化重构。

实施本发明实施例的优选方案，通过对输配电廊道的第二三维点云数据与第一三维点云数据进行点云配准，能够将第二三维点云数据与第一三维点云数据对齐，并将完成点云配准的第二三维点云数据与第一三维点云数据合并为第三三维点云数据，获得准确的空间位置和几何信息。

作为优选方案，所述利用所述深度重建特征信息，对所述第一深度图像进行超分辨率恢复，得到第二深度图像，并通过运动恢复算法，结合所述第一二维彩色图像和所述第二深度图像，恢复出所述输配电廊道的第一三维点云数据，具体为：

利用所述深度重建特征信息，对所述第一深度图像进行超分辨率恢复，得到所述第二深度图像；

使用SIFT尺度不变特征变换匹配算法，对所述第一二维彩色图像和所述第二深度图像进行特征点检测和描述子提取，得到所述第一二维彩色图像的若干个第一特征点的特征点描述子和所述第二深度图像的若干个第二特征点的特征点描述子；

根据所有所述第一特征点的特征点描述子和所有所述第二特征点的特征点描述子，计算每个所述第一特征点与任意一个所述第二特征点之间的欧式距离，并保留欧式距离小于第一预设值的第一特征点和第二特征点；

根据保留的所有所述第一特征点和保留的所有所述第二特征点，建立基础矩阵，并对所述基础矩阵进行奇异值分解，得到对应的旋转矩阵和平移矩阵，然后按照场景结构恢复算法，根据所述旋转矩阵和所述平移矩阵，恢复出所述输配电廊道的所述第一三维点云数据。

实施本发明实施例的优选方案，使用SIFT尺度不变特征变换匹配算法，对第一二维彩色图像和第二深度图像进行特征点检测和描述子提取，得到第一二维彩色图像的若干个第一特征点的特征点描述子和第二深度图像的若干个第二特征点的特征点描述子，然后根据所有的第一特征点的特征点描述子和所有的第二特征点的特征点描述子，分析第一特征点与第二特征点之间的欧式距离，以度量第一特征点与第二特征点之间的相似度，并保留欧式距离小于第一预设值的第一特征点和第二特征点，即筛选出与第一特征点相似度较高的第二特征点，实现第一特征点和第二特征点的匹配，接着利用匹配的第一特征点和第二特征点，能够提升输配电廊道的第一三维点云数据的恢复精度，从而实现对输配电廊道内设备、管线、障碍物等物体的精确定位和测量。

作为优选方案，所述场景结构恢复算法，具体为：

式中，X′、Y′和Z′表示输配电廊道的第一三维点云数据，f

实施本发明实施例的优选方案，基于各个第一特征点在第一二维彩色图像中的横坐标和纵坐标或者各个第二特征点在第二深度图像中的横坐标和纵坐标、相机内参、旋转矩阵和平移矩阵，可以将图像像素坐标映射到相应的三维空间点，从而得到输配电廊道的第一三维点云数据。

作为优选方案，所述第一深度图像和所述第一二维彩色图像的获取，具体为：

利用RGBD深度相机，对所述输配电廊道进行拍摄，得到对应的第三深度图像；

对所述第三深度图像进行高斯滤波，并将完成高斯滤波的第三深度图像与高斯分布相乘，然后将相乘结果与所述第三深度图像相加，得到所述第一深度图像；

利用无人机高清相机，对所述输配电廊道进行拍摄，得到对应的第二二维彩色图像；

对所述第二二维彩色图像进行高斯滤波，并将完成高斯滤波的所述第二二维彩色图像与高斯分布相乘，然后将相乘结果与所述第二二维彩色图像相加，得到所述第一二维彩色图像。

实施本发明实施例的优选方案，分别对由RGBD深度相机拍摄得到的第三深度图像和由无人机高清相机拍摄得到的第二二维彩色图像进行高斯滤波，能够对图像进行平滑处理，去除了一些细微的噪声，然后将完成高斯滤波的第二二维彩色图像与高斯分布相乘，不仅可以将滤波后的第二二维彩色图像与高频细节进行加权，通过加权控制滤波后的图像中的噪声水平，在一定程度上恢复一些细节信息，还能够增强图像的对比度，使得最终得到的第一二维彩色图像更加清晰和鲜明。

作为优选方案，所述第二三维点云数据的获取，具体为：

利用激光雷达，对所述输配电廊道进行扫描，得到所述输配电廊道的各个扫描点的三维点云数据，作为第四三维点云数据；

按照半径滤波算法，计算每两个所述扫描点之间的距离，并遍历每个扫描点，将与当前的扫描点的距离小于第二预设值的扫描点作为当前的扫描点的周围邻域点，若当前的扫描点的周围邻域点的数量小于第三预设值，则从所述第四三维点云数据中去除当前的扫描点的三维点云数据，以获得所述第二三维点云数据。

实施本发明实施例的优选方案，利用激光雷达，对输配电廊道进行扫描，得到到高精度、稀疏的三维点云数据，然后分析每个扫描点之间的距离，并统计每个扫描点的周围邻域点的数量，由于周围邻域点数量少于第三预设值的扫描点，很大可能是由于噪声或错误扫描引起的孤立点，所以从第四三维点云数据中去除周围邻域点数量少于第三预设值的扫描点的三维点云数据，以清洗和滤除第四三维点云数据中的噪声，提高第二三维点云数据的准确性。

为了解决相同的技术问题，本发明实施例还提供了一种输配电廊道三维数字化重构系统，包括：

特征提取模块，用于对输配电廊道的第一深度图像进行特征提取，得到深度特征信息，并对所述输配电廊道的第一二维彩色图像进行特征提取，得到边缘纹理特征信息，然后融合所述深度特征信息和所述边缘纹理特征信息，并对融合结果进行特征提取，得到深度重建特征信息；

恢复模块，用于利用所述深度重建特征信息，对所述第一深度图像进行超分辨率恢复，得到第二深度图像，并通过运动恢复算法，结合所述第一二维彩色图像和所述第二深度图像，恢复出所述输配电廊道的第一三维点云数据；

重构模块，用于将所述输配电廊道的第二三维点云数据与所述第一三维点云数据进行融合，得到所述输配电廊道的第三三维点云数据，以完成对所述输配电廊道的三维数字化重构；其中，所述第二三维点云数据是利用激光雷达对所述输配电廊道进行扫描，并对扫描结果进行预处理而得到的。

作为优选方案，所述重构模块，具体包括：

配准合并单元，用于将所述输配电廊道的第二三维点云数据与所述第一三维点云数据输入至变形核匹配神经网络，以使所述变形核匹配神经网络对所述第二三维点云数据与所述第一三维点云数据进行点云配准；

合并单元，用于将完成点云配准的所述第二三维点云数据与所述第一三维点云数据合并为所述第三三维点云数据，以完成对所述输配电廊道的三维数字化重构。

作为优选方案，所述恢复模块，具体包括：

第一恢复单元，用于利用所述深度重建特征信息，对所述第一深度图像进行超分辨率恢复，得到所述第二深度图像；

检测提取单元，用于使用SIFT尺度不变特征变换匹配算法，对所述第一二维彩色图像和所述第二深度图像进行特征点检测和描述子提取，得到所述第一二维彩色图像的若干个第一特征点的特征点描述子和所述第二深度图像的若干个第二特征点的特征点描述子；

筛选单元，用于根据所有所述第一特征点的特征点描述子和所有所述第二特征点的特征点描述子，计算每个所述第一特征点与任意一个所述第二特征点之间的欧式距离，并保留欧式距离小于第一预设值的第一特征点和第二特征点；

第二恢复单元，用于根据保留的所有所述第一特征点和保留的所有所述第二特征点，建立基础矩阵，并对所述基础矩阵进行奇异值分解，得到对应的旋转矩阵和平移矩阵，然后按照场景结构恢复算法，根据所述旋转矩阵和所述平移矩阵，恢复出所述输配电廊道的所述第一三维点云数据。

作为优选方案，所述场景结构恢复算法，具体为：

式中，X′、Y′和Z′表示输配电廊道的第一三维点云数据，f

附图说明

图1：为本发明实施例一提供的一种输配电廊道三维数字化重构方法的流程示意图；

图2：为本发明实施例一提供的一种输配电廊道三维数字化重构系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一:

请参照图1，为本发明实施例提供的一种输配电廊道三维数字化重构方法，该方法包括步骤S1至步骤S3，各步骤具体如下：

步骤S1，利用深度图像超分辨率网络的深度特征提取模块，对输配电廊道的第一深度图像进行特征提取，得到深度特征信息，并利用深度图像超分辨率网络的边缘纹理特征提取模块，对输配电廊道的第一二维彩色图像进行特征提取，得到边缘纹理特征信息，然后融合深度特征信息和边缘纹理特征信息，并将融合结果输入深度图像超分辨率网络的深度图像重建模块，以对融合结果进行特征提取，得到深度重建特征信息。

在本实施例中，边缘纹理特征提取模块是由两个不同通道数的3×3卷积层组成的，分别为通道数为16的3×3卷积层和通道数为64的3×3卷积层；深度特征提取模块是由三个不同通道数的3×3卷积层组成的，分别为通道数为8的3×3卷积层、通道数为32的3×3卷积层和通道数为96的3×3卷积层；深度图像重建模块是由两个不同通道数的3×3卷积层组成的，分别为通道数为128的3×3卷积层和通道数为64的3×3卷积层。

作为优选方案，在执行步骤S1之前，本发明实施例提供的一种输配电廊道三维数字化重构方法，还包括第一深度图像和第一二维彩色图像的获取流程，该流程包括步骤S01至步骤S04，各步骤具体如下：

步骤S01，利用RGBD深度相机，对输配电廊道进行拍摄，得到对应的第三深度图像。

需要说明的是，RGBD深度相机可以获取到低分辨率的深度图像。由于在数据采集过程中，可能存在不同程度的噪声，因此为了保证步骤S01中所采集的第三深度图像的准确性，可以通过执行步骤S02，对第三深度图像进行去噪处理，消除噪声和干扰信号。

步骤S02，采取改进的高斯滤波算法，通过设定平滑参数s＝0.3，对第三深度图像进行高斯滤波，并将完成高斯滤波的第三深度图像与高斯分布相乘，然后将相乘结果与第三深度图像相加，得到第一深度图像。

步骤S03，利用无人机高清相机，对输配电廊道进行拍摄，得到对应的第二二维彩色图像。

需要说明的是，无人机高清相机可以获取到高分辨率的二维彩色图像。由于在数据采集过程中，可能存在不同程度的噪声，因此为了保证步骤S03中所采集的第二二维彩色图像的准确性，可以通过执行步骤S04，对第二二维彩色图像进行去噪处理，消除噪声和干扰信号。

步骤S04，采取改进的高斯滤波算法，通过设定平滑参数s＝0.3，对第二二维彩色图像进行高斯滤波，并将完成高斯滤波的第二二维彩色图像与高斯分布相乘，然后将相乘结果与第二二维彩色图像相加，得到第一二维彩色图像。

步骤S2，利用深度重建特征信息，对第一深度图像进行超分辨率恢复，得到第二深度图像，并通过运动恢复算法，结合第一二维彩色图像和第二深度图像，恢复出输配电廊道的第一三维点云数据。

作为优选方案，步骤S2包括步骤S21至步骤S32，各步骤具体如下：

步骤S21，利用深度重建特征信息，与低分辨率的第一深度图像做乘积，并对第一深度图像进行超分辨率恢复，得到第二深度图像，以实现将具备低分辨率的第一深度图像恢复成与具备高分辨率的第一二维彩色图像的分辨率一致的第二深度图像。

步骤S22，使用SIFT尺度不变特征变换匹配算法，对第一二维彩色图像和第二深度图像进行特征点检测和描述子提取，得到第一二维彩色图像的若干个第一特征点的特征点描述子和第二深度图像的若干个第二特征点的特征点描述子。

步骤S23，请参见式(1)，根据所有第一特征点的特征点描述子和所有第二特征点的特征点描述子，计算每个第一特征点与任意一个第二特征点之间的欧式距离d(R

式中，R

步骤S24，根据保留的所有第一特征点和保留的所有第二特征点，筛选出8个第一特征点和8个第二特征点，以参见式(2)，基于筛选出的8个第一特征点和8个第二特征点，建立基础矩阵；并求解式(3)，对基础矩阵进行奇异值分解，得到对应的旋转矩阵R和平移矩阵t，实现相机位姿估计；然后按照场景结构恢复算法，请参见式(4)，根据旋转矩阵R和平移矩阵t，恢复出输配电廊道的第一三维点云数据，实现将图像像素坐标到三维点云坐标的转换。

式中，

式中，

作为优选方案，步骤S24中的场景结构恢复算法，具体请参见式(4)。

式中，X′、Y′和Z′分别表示输配电廊道的第一三维点云数据，f

步骤S3，将输配电廊道的第二三维点云数据与第一三维点云数据进行融合，得到输配电廊道的第三三维点云数据，以完成对输配电廊道的三维数字化重构。

其中，第二三维点云数据是利用激光雷达对输配电廊道进行扫描，并对扫描结果进行预处理而得到的。

作为优选方案，在执行步骤S3之前，本发明实施例提供的一种输配电廊道三维数字化重构方法，还包括第二三维点云数据的获取流程，该流程包括步骤S05至步骤S06，各步骤具体如下：

步骤S05，利用激光雷达，对输配电廊道进行扫描，得到输配电廊道的各个扫描点的三维点云数据，作为第四三维点云数据。

需要说明的是，激光雷达可以获取到高精度、稀疏的三维点云数据。由于在数据采集过程中，可能存在不同程度的噪声，因此为了保证步骤S05中所采集的第四三维点云数据的准确性，可以通过执行步骤S06，对第四三维点云数据进行去噪处理，消除噪声和干扰信号。

步骤S06，按照半径滤波算法，计算每两个扫描点之间的距离，并遍历每个扫描点，将与当前的扫描点的距离小于第二预设值的扫描点作为当前的扫描点的周围邻域点，若当前的扫描点的周围邻域点的数量小于第三预设值，则从第四三维点云数据中去除当前的扫描点的三维点云数据，以获得第二三维点云数据。

在本实施例中，步骤06具体包括步骤061至步骤S062，各步骤具体如下：

步骤061，采取半径滤波算法，先设定半径值r＝1，然后计算每两个扫描点之间的距离，并遍历每个扫描点，将与当前的扫描点的距离小于r＝1的扫描点，作为当前的扫描点的周围邻域点，然后参见式(5)，统计当前的扫描点的周围邻域点的数量D(x

式中，x

步骤S062，若当前的扫描点的周围邻域点的数量小于第三预设值T＝40，则当前的扫描点为孤立点，孤立点通常是由于噪声或错误扫描引起的，其中包括少量散点、异常值或无效测量，孤立点的点云数据影响了第四三维点云数据的准确度，需要进行去除，因此从第四三维点云数据中去除当前的扫描点的三维点云数据，直至完成所有扫描点的遍历，得到稠密的第二三维点云数据。

作为优选方案，步骤S3包括步骤S31至步骤S32，各步骤具体如下：

步骤S31，将输配电廊道的稠密的第二三维点云数据与高精度、稀疏的第一三维点云数据输入至变形核匹配神经网络，以使变形核匹配神经网络对第二三维点云数据与第一三维点云数据进行点云配准。

在本实施例中，变形核匹配神经网络对第二三维点云数据与第一三维点云数据进行点云配准的流程，具体如下：

当输配电廊道的稠密的第二三维点云数据与高精度、稀疏的第一三维点云数据输入至变形核匹配神经网络时，利用变形核匹配神经网络中的稠密点云特征编码器(多层感知机MLP)的非线性表达能力，将第二三维点云数据进行特征映射而生成第一三维特征向量，并利用变形核匹配神经网络中的高精度稀疏点云特征编码器(多层感知机MLP)的非线性表达能力，将第一三维点云数据进行特征映射而生成第二三维特征向量，然后将第一三维特征向量和第二三维特征向量相乘而生成变形核，接着将第二三维点云数据、第一三维点云数据分别与变形核相乘，实现第二三维点云数据与第一三维点云数据的点云配准。

步骤S32，经过点云配准解码器，将完成点云配准的第二三维点云数据与第一三维点云数据合并为第三三维点云数据，以完成对输配电廊道的三维数字化重构。

请参照图2，为本发明实施例提供的一种输配电廊道三维数字化重构系统的结构示意图，该系统包括特征提取模块M1、恢复模块M2和重构模块M3，各模块具体如下：

特征提取模块M1，用于对输配电廊道的第一深度图像进行特征提取，得到深度特征信息，并对输配电廊道的第一二维彩色图像进行特征提取，得到边缘纹理特征信息，然后融合深度特征信息和边缘纹理特征信息，并对融合结果进行特征提取，得到深度重建特征信息；

恢复模块M2，用于利用深度重建特征信息，对第一深度图像进行超分辨率恢复，得到第二深度图像，并通过运动恢复算法，结合第一二维彩色图像和第二深度图像，恢复出输配电廊道的第一三维点云数据；

重构模块M3，用于将输配电廊道的第二三维点云数据与第一三维点云数据进行融合，得到输配电廊道的第三三维点云数据，以完成对输配电廊道的三维数字化重构；其中，第二三维点云数据是利用激光雷达对输配电廊道进行扫描，并对扫描结果进行预处理而得到的。

作为优选方案，重构模块M3，具体包括配准合并单元31和合并单元32，各单元具体如下：

配准合并单元31，用于将输配电廊道的第二三维点云数据与第一三维点云数据输入至变形核匹配神经网络，以使变形核匹配神经网络对第二三维点云数据与第一三维点云数据进行点云配准；

合并单元32，用于将完成点云配准的第二三维点云数据与第一三维点云数据合并为第三三维点云数据，以完成对输配电廊道的三维数字化重构。

作为优选方案，恢复模块M2，具体包括第一恢复单元21、检测提取单元22、筛选单元23和第二恢复单元24，各单元具体如下：

第一恢复单元21，用于利用深度重建特征信息，对第一深度图像进行超分辨率恢复，得到第二深度图像；

检测提取单元22，用于使用SIFT尺度不变特征变换匹配算法，对第一二维彩色图像和第二深度图像进行特征点检测和描述子提取，得到第一二维彩色图像的若干个第一特征点的特征点描述子和第二深度图像的若干个第二特征点的特征点描述子；

筛选单元23，用于根据所有第一特征点的特征点描述子和所有第二特征点的特征点描述子，计算每个第一特征点与任意一个第二特征点之间的欧式距离，并保留欧式距离小于第一预设值的第一特征点和第二特征点；

第二恢复单元24，用于根据保留的所有第一特征点和保留的所有第二特征点，建立基础矩阵，并对基础矩阵进行奇异值分解，得到对应的旋转矩阵和平移矩阵，然后按照场景结构恢复算法，根据旋转矩阵和平移矩阵，恢复出输配电廊道的第一三维点云数据。

作为优选方案，第二恢复单元24中的场景结构恢复算法，具体为：

式中，X′、Y′和Z′表示输配电廊道的第一三维点云数据，f

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

相比于现有技术，本发明实施例具有如下有益效果：

本发明提供了一种输配电廊道三维数字化重构方法及系统，对输配电廊道的第一深度图像进行特征提取，得到低分辨率的深度特征信息，并对输配电廊道的第一二维彩色图像进行特征提取，得到高分辨率的边缘纹理特征信息，然后由于低分辨率的深度特征信息可以提供输配电廊道的几何形状和结构信息，而高分辨率的边缘纹理特征信息则可以提供输配电廊道的细节和纹理信息，所以通过融合低分辨率的深度特征信息和高分辨率的边缘纹理特征信息，可以改善输配电廊道的特征信息的准确性，接着对融合结果进行特征提取，得到兼具深度特征信息和边缘纹理特征信息的深度重建特征信息，并利用深度重建特征信息，对第一深度图像进行超分辨率恢复，生成高分辨率的第二深度图像，提高深度感知的精度，然后通过运动恢复算法，结合第一二维彩色图像和第二深度图像，恢复出具备低分辨率的深度特征信息和高分辨率的边缘纹理特征信息的第一三维点云数据。另外地，将利用激光雷达对输配电廊道进行扫描并对扫描结果进行预处理而得到的第二三维点云数据与第一三维点云数据进行融合，得到输配电廊道的稠密点云数据，克服单一数据来源的点云数据稠密度不高的问题，从而为输配电廊道的巡检、监测和管理提供输配电廊道的准确的空间位置和几何信息，以便管理维护人员基于稠密的第三三维点云数据进行监测障碍物、检测变形和缺陷等的环境分析，从而协助管理维护人员及时发现潜在隐患问题，进行维修和安全管理。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。