输电线路是电力行业的重要组成部分，其安全和一贯的运营直接增加了经济的稳定和增长。由于电力线走廊的维护和检查不常规，不正确，电源走廊可能会因植被引起事故而因电力中断而受到影响。因此，对输电线走廊进行循环检查对于有效保证其安全稳定的功能具有重要意义。由于经济发展，电力走廊网络庞大，是手工检测方法日益严峻的挑战。最近许多电力公司已经将LiDAR技术用作采集电力线信息的精确而快速的方法。作为对电力资产管理至关重要的应用的高密度和精确地理空间数据的高效仪器，机载LiDAR是一种遥感系统，包括扫描仪，测距系统，IMU，GPS，以及成像设备。机载LiDAR数据包含了大量的场景信息，并从中可以看出其中的特征。电力需求在当今生活和工业中的急剧增长对于有效和可靠地监测输电线路网络至关重要，以减轻由于旧的电力线路设施造成的植被侵入和电缆断裂的情况，或者可能导致电力线路的树干扰电源故障和停电。目前，一些电力公司手动监控其输电网络，这是劳动密集型，耗时的并且具有高水平的不准确性，因此由于维护结果的标准差而导致的恒定功率传输的例行中断，从而导致数百万美元。电力线走廊监控是一项繁琐的工作，因为它需要精确检测所有关键的走廊物体，包括：电力线，塔，绝缘子，接头，开关和其他成分，包括地形，建筑物和树木。当没有遥感技术(如LiDAR)的帮助下，此过程手动密集，不切实际，商业上无法实现。　　全国迅速出现的电网迫切需要检查电网线路等电力结构设施。为减轻电力供需矛盾逐渐突出，特别是在停电期间，要适应国内经济快速增长，电力公司正在发展电力线结构。主要走廊对象，如输电线路，包括树木需要精确有效的定期检查。电力结构具有远距离覆盖，安全性和可靠性高等特点。然而，有时干扰植被导致的不正常的电力走廊检查导致的事故。动力传递结构直接接触空气而没有绝缘层，因此当树与电线接触时，会有闪络放电的可能性，容易产生火花。这使得一棵树是电气化的，导致单相接地，这可能导致电源故障甚至严重的火灾。为了减轻这些情况，电力公司经常进行电力走廊检查。管理这些走廊，以减轻风险至关重要，是迫切需要解决的一个问题。通常，主要功率结构检查方法是以空中和地面为中心。通过行走或驱动输电线路的纵向进行地面检查，以检查电力走廊特征。使用飞机，即小型飞机，直升机或无人机进行空中检查，目视检查走廊条件。随着遥感专业技术的进步，自动信息提取和分析技术得到迅速发展。　　由于目标远距离检测没有直接接触，因此通过遥感技术进行地面监视必须是辅助或替代旧式手动变速箱结构检查的手段之一。根据电力线走廊直接获得的地形高程信息，与光学感测图像相比，从LiDAR数据中检测功率传输结构是逐渐发展的解决空间定向问题的方法。由于传统的地面检测或机载视觉检测难以可靠地估计树木和电力线路的距离，所以利德技术可以方便地处理低效率和时效问题。LiDAR技术也可以在夜间或严重的天气条件下获取数据，因为它是有效的，且不需要光线条件。　　因此，采用超现代高效的电力线路走廊检测信息，提供安全，可靠，经济的检测手段，成为电力行业迫切需要的。一旦知道正常情况下的功率结构的后置位置，就可以获得对3D环境的可能的相互作用的改进的估计，即极端的风或冰的负载或增加的电负荷。由于上述优点，近期许多电力公司已经将LiDAR技术用作采集电力线信息的精确而快速的方法。　　虽然循环检查的主要任务是检测输电线路，但由于机载LiDAR直接捕获电力装置和所有邻近物体的三维测量，因此难以直接从巨大的数据中检测出来。因此，使用使工作更轻松的技术确实具有重要意义。利用LiDAR数据检测功率结构对电力公司进行常规循环检测是一种很好的方法。LiDAR证明是推翻挑战的主要工具，以便更有效地进行检查。本研究的工作需要构建一个利用LiDAR数据辅助检测输电线路的自动工作流程。开发了传输线自动检测算法，目的是自动化线路特征检测过程，从而检测机载LiDAR数据中的输电线路。在本文中，提出了使用两个机载LiDAR数据的数据集的自动输电线路检测方法，我们研究中提出的目标已经圆满完成。所提出的工作流程的算法主要有三个部分：第一个是对复杂背景进行预处理，并对影响进行干扰最小化。其次，用形态渐进式滤波器过滤物点。然后将物点云投影到二维图像，二维图像基于霍夫变换算法的形态参与输电线路的检测。Canny运算符用于检测二进制化传输线图像中的边缘。此外，研究利用基于2D图像的处理技术来检测输电线路，从而考虑物体的几何特性来选择输电线路结构。最后，对两种方法的检测结果和运行时间进行比较，从而考察未来的方向。　　对于预处理，我们为LiDAR点云中的每个(x,y)数据点找到4个最近邻。然后确定那些最近邻的高程值的平均值，因此通过应用均值滤波器来平滑地形，从而滤除噪声点和异常值。采用基于表面的滤波方法对点云数据进行分离，分离地面和非地面点云，从而将物点的点云与其余数据点分离开。因此，通过光栅化处理将对象点投影到2D图像上，由此树将被示出为在XY平面中不规则分布的点的簇，但是传输线点将被线性分布。然后将投影点重新采样为从左下角的(xmin,ymin)到XY平面右上角的(xmax,ymax)的规则网格。网格中点(一个或多个)的灰度值设置为255。　　最后，通过基于霍夫变换法进行形态学实现了输电线路检测，因此我们还提出了基于图像的处理技术来检测输电线路感兴趣的物体。尽管霍夫变换具有不同的鲁棒性和消除部分噪音损害的好处。它保留了漫长的处理时间的字符，因此利用了过多的内存。给定输电线图像场景内的复杂背景，它可能会提取不是传输线的线路，或者错过具有低对比度的传输线，并且经常在结果中出现裂纹。我们注意到，基于霍夫变换法的形态学使用形态学运算和边缘检测在应用霍夫变换线检测器之前预处理图像。首先，应用数学形态学和边缘检测算法准备通过应用霍夫变换法实现的线特征检测图像，从而检测图像上的并行功率传输线性特征。　　另一方面，基于图像的处理被应用于用于检测输电线路的二值化二维图像。该方法利用对象几何属性作为提取输电线路的标准。该方法的实现实现了高精度提取结果，因为完整性令人满意，其中输送线被提取为完整物体，而不是连接线路。我们观察到，这种方法不仅可以有效地减少运行时间，提高实时能力，而且显着提高传输线提取的准确性。此外，应注意的是，这种方法可以用于对具有多个弯曲和/或转折点的输电线路进行输送，而不是在传输线结构上转弯时不能提取线路的另一种方法。因此，我们注意到实验结果表明我们的方法的有效性，并表明通过使用2D图像处理获得更好的线特征检测结果。检测到的二维二维输电线图像使用光栅大小和最大和最小X和Y坐标转移到地理参考图像。　　通过与手动提取的参考点进行比较来评估精度，检测到的输电线路效果良好，以验证所提出的方法的适用性。通过确定检测到的输电线路的统计准确度进行评估。统计准确性通过测量其标签是否与其真实标签不同，来评估分类的输电线路的特性。通过比较提取的输电线路和参考点，这些精度评估已得到广泛应用。参考数据是使用ENVI特征提取工作流程从原始机载LiDAR数据手动选择的输电线路点。通过目视检查，检测到的输电线路与原点相比处于相同的位置。对结果进行了特别的说明，并以百分比表示。评估结果表明，我们研究中使用的两个数据集的正确性在数据集1为93.31％，数据集2中为90.74％。可以看出，我们的实验平均为任务错误率，遗漏误差率和正确率分别为7.98％，3.46％和92.03％。　　与输电线路紧密连接的微小物体或树木基本上是造成故障的原因，难以彻底清除一些噪音。省略错误基本上是过滤阶段的结果，其中接地点与非接地点的分离可能受到导致省略某些点的过程中的高度阈值的影响。提取结果表明，平均佣金误差率，遗漏误差率和正确性分别给出了更为显着的结果，特别是注意到高度植被的环境，并且使用两个具有2个并联输电线结构的数据集进行实验验证。