CN111047703A - 一种用户高压配电设备识别与空间重建方法 - Google Patents

Abstract

本发明公开了一种用户高压配电设备识别与空间重建方法，属于业扩工程技术领域。目前采用的业扩设计方法，输出设计勘察数据的时间较长，效率较慢，进而导致业扩设计效率很低。本发明通过同步定位与建图技术SLAM收集配电房三维重建点云；然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源；采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入。通过预训练网络输出设计勘察数据，其包括设备数量、设备类型和设备相对三维重建的位置坐标。本发明通过激光深度传感器数据收集配电房图片，通过SLAM技术收集配电房三维重建点云，并利用卷积神经网络，输出设计勘察数据，进而能够有效缩短业扩设计时间。

Description

一种用户高压配电设备识别与空间重建方法

技术领域

本发明涉及一种用户高压配电设备识别与空间重建方法，属于业扩工程技术领域。

背景技术

高压业扩工程一般分为临时业扩、高压新装和高压扩容三种业扩类型，其中高压扩容需要现场收集用户端已安装的高压配电设备资料，目前工作流程是由客户经理沟通好需求后，由设计人员完成现场查看工作，收集用户配电房和设备的资料，主要采用拍照和配电房测量绘制草图方法。

现场收资完成后，将绘制的草图在CAD软件中重新绘制，然后再根据用户业扩需求将需要安装的设备设计与现有收资的设计结合起来，形成新的配电房设计图纸。

因此对电网、设计、施工和用户本身来说，整个过程，输出设计勘察数据的时间较长，效率较慢，进而导致业扩设计效率很低。

发明内容

针对现有技术的缺陷，本发明的目的在于提供一种通过激光深度传感器数据收集配电房图片，通过SLAM技术收集配电房三维重建点云，并利用卷积神经网络，输出设计勘察数据的进而能够有效缩短业扩设计时间，提高业扩设计效率的用户高压配电设备识别与空间重建方法。

为实现上述目的，本发明的技术方案为：

一种用户高压配电设备识别与空间重建方法，

其包括以下步骤：

第一步，通过同步定位与建图技术SLAM收集配电房三维重建点云；

第二步，点云应用偏微分算法，得出变化量较大的点作为特征点云；

第三步，然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源；采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入；

第四步，神经网络的训练通过模拟系统完成数据收集，生成神经网络训练用数据集，通过GPU集群生成预训练网络；

最后，通过预训练网络输出设计勘察数据，其包括设备数量、设备类型和设备相对三维重建的位置坐标。

本发明通过激光深度传感器数据收集配电房图片，通过SLAM技术收集配电房三维重建点云，并利用卷积神经网络，输出设计勘察数据，进而能够有效缩短业扩设计时间，提高业扩设计效率。

本发明通过同步定位与建图技术实现三维数据的收集，可与现场三维数据收集相结合，进而能够有效提高数据收集效率，同时提高卷积神经网络的输入数据的多样性以及精准性。

应用本发明的方案，能够将现有的高压业扩设计流程，从原有的5个工作日，降低到0.5个工作日，实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合，缩短设计周期，规范工程标准，增供扩销，提升用户满意度，最终不断推动企业价值的产生，形成良性循环发展的商业模式。

作为优选技术措施：

通过模拟系统完成数据收集的方案：采用机器人训练用三维引擎，gazebo，随机生成多个不同大小的配电房和设备；并通过在系统内采用机器人的虚拟激光深度相机作为传感器输入，虚拟激光深度传感器被安装到虚拟机器人的身上，在ROS(robot operatingsystem)系统内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据，自动生成卷积神经网络训练用数据集，通过GPU集群生成预训练网络。

作为优选技术措施：

SLAM技术目标是在没有任何先验知识的情况下，根据虚拟激光深度传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位，虚拟机器人携带虚拟激光深度传感器在未知环境中运动；

为方便起见，把一段连续时间的运动变成离散时刻t＝1，…k，而在这些时刻，用x表示虚拟机器人的自身位置，则各时刻的位置就记为x1，x2…xk，它构成了虚拟机器人的轨迹；

地图方面，地图由许多个三维点坐标组成，而每个时刻，虚拟激光深度传感器会测量到一部分三维点坐标，得到它们的观测数据；

三维点坐标共有N个，用y1，y2…yn表示；通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。

作为优选技术措施：

在这个网络里完成设备分类和位置坐标提取的步骤，如输出中存在无法识别的模型，需要重新拍摄深度图像，重启流程；如所有模型均识别成功，则输出配电设备数量、类型、中心点坐标参数。

作为优选技术措施：

所述卷积神经网络是一种前馈型卷积神经网络，其CNNC结构分为五层：

第一层输入图片，进行卷积(Convolution)操作，得到第二层深度为3的矩阵(Feature Map)；

对第二层的矩阵进行池化(Pooling)操作，得到第三层深度为3的矩阵；

重复上述操作得到第五层深度为5的矩阵，最后将这5个矩阵，按行展开连接成向量，传入全连接(Fully Connected)层，全连接层就是一个BP卷积神经网络；每个矩阵都能够看成是排列成矩阵形式的神经元，与BP卷积神经网络中的神经元大同小异。

作为优选技术措施：

根据需要设定补零的层数；补零层称为Zero Padding，是一个能够设置的超参数，但要根据卷积核的大小，步幅，输入矩阵的大小进行调整，以使得卷积核恰好滑动到边缘。

作为优选技术措施：

一般情况下，输入的图片矩阵以及后面的卷积核，特征图矩阵都是方阵，这里输入矩阵大小为w，卷积核大小为k，步幅为s，补零层数为p，则卷积后产生的特征图大小计算公式为：

作为优选技术措施：

为了提取更多的特征，采用多个卷积核分别进行卷积，这样便能够得到多个特征图；有时，对于一张三通道彩色图片，输入的是一组矩阵，这时卷积核也不再是一层的，而要变成相应的深度。

与现有技术相比，本发明具有以下有益效果：

本发明通过激光深度传感器数据收集配电房图片，通过SLAM技术收集配电房三维重建点云，并利用卷积神经网络，输出设计勘察数据，进而能够有效缩短业扩设计时间，提高业扩设计效率。

应用本发明的方案，能够将现有的高压业扩设计流程，从原有的5个工作日，降低到0.5个工作日，实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合，缩短设计周期，规范工程标准，增供扩销，提升用户满意度，最终不断推动企业价值的产生，形成良性循环发展的商业模式。

附图说明

图1为本发明架构流程图；

图2为本发明工作流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也能够完全理解本发明。

如图1-2所示，一种用户高压配电设备识别与空间重建方法，

其包括以下步骤：

第一步，通过同步定位与建图技术SLAM收集配电房三维重建点云；

第二步，点云应用偏微分算法，得出变化量较大的点作为特征点云；

第三步，然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源；采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入。

第四步，神经网络的训练通过模拟系统完成数据收集，生成神经网络训练用数据集，通过GPU集群生成预训练网络。

最后，通过预训练网络输出设计勘察数据，其包括设备数量、设备类型和设备相对三维重建的位置坐标。

本发明通过激光深度传感器数据收集配电房图片，通过SLAM技术收集配电房三维重建点云，并利用卷积神经网络，输出设计勘察数据，进而能够有效缩短业扩设计时间，提高业扩设计效率。

应用本发明的方案，能够将现有的高压业扩设计流程，从原有的5个工作日，降低到0.5个工作日，实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合，缩短设计周期，规范工程标准，增供扩销，提升用户满意度，最终不断推动企业价值的产生，形成良性循环发展的商业模式。

本发明数据收集一种具体实施例：

通过模拟系统完成数据收集的方案：采用机器人训练用三维引擎，gazebo，随机生成多个不同大小的配电房和设备；并通过在系统内采用机器人的虚拟激光深度相机作为传感器输入，虚拟激光深度传感器被安装到虚拟机器人的身上，在ROS(robot operatingsystem)系统内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据，自动生成卷积神经网络训练用数据集，通过GPU集群生成预训练网络。

本发明SLAM技术一种具体实施例：

SLAM技术目标是在没有任何先验知识的情况下，根据虚拟激光深度传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位，虚拟机器人携带虚拟激光深度传感器在未知环境中运动；

为方便起见，把一段连续时间的运动变成离散时刻t＝1，…k，而在这些时刻，用x表示虚拟机器人的自身位置，则各时刻的位置就记为x1，x2…xk，它构成了虚拟机器人的轨迹；

地图方面，地图由许多个三维点坐标组成，而每个时刻，虚拟激光深度传感器会测量到一部分三维点坐标，得到它们的观测数据；

三维点坐标共有N个，用y1，y2…yn表示；通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。

在这个网络里完成设备分类和位置坐标提取的步骤，如输出中存在无法识别的模型，需要重新拍摄深度图像，重启流程；如所有模型均识别成功，则输出配电设备数量、类型、中心点坐标参数。

本发明卷积神经网络架构一种具体实施例：

所述卷积神经网络是一种前馈型卷积神经网络，其CNNC结构分为五层：

第一层输入图片，进行卷积(Convolution)操作，得到第二层深度为3的矩阵(Feature Map)；

对第二层的矩阵进行池化(Pooling)操作，得到第三层深度为3的矩阵；

重复上述操作得到第五层深度为5的矩阵，最后将这5个矩阵，按行展开连接成向量，传入全连接(Fully Connected)层，全连接层就是一个BP卷积神经网络；每个矩阵都能够看成是排列成矩阵形式的神经元，与BP卷积神经网络中的神经元大同小异。

根据需要设定补零的层数；补零层称为Zero Padding，是一个能够设置的超参数，但要根据卷积核的大小，步幅，输入矩阵的大小进行调整，以使得卷积核恰好滑动到边缘。

一般情况下，输入的图片矩阵以及后面的卷积核，特征图矩阵都是方阵，这里输入矩阵大小为w，卷积核大小为k，步幅为s，补零层数为p，则卷积后产生的特征图大小计算公式为：

为了提取更多的特征，采用多个卷积核分别进行卷积，这样便能够得到多个特征图；有时，对于一张三通道彩色图片，输入的是一组矩阵，这时卷积核也不再是一层的，而要变成相应的深度。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种用户高压配电设备识别与空间重建方法，其特征在于，

其包括以下步骤：

第一步，通过同步定位与建图技术SLAM收集配电房三维重建点云；

第二步，点云应用偏微分算法，得出变化量较大的点作为特征点云；

第三步，然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源；采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入；

第四步，神经网络的训练通过模拟系统完成数据收集，生成神经网络训练用数据集，通过GPU集群生成预训练网络；

最后，通过预训练网络输出设计勘察数据，其包括设备数量、设备类型和设备相对三维重建的位置坐标。

2.如权利要求1所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

通过模拟系统完成数据收集的方案：采用机器人训练用三维引擎，gazebo，随机生成多个不同大小的配电房和设备；并通过在系统内采用机器人的虚拟激光深度相机作为传感器输入，虚拟激光深度传感器被安装到虚拟机器人的身上，在ROS系统内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据，自动生成卷积神经网络训练用数据集，通过GPU集群生成预训练网络。

3.如权利要求2所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

SLAM技术目标是在没有任何先验知识的情况下，根据虚拟激光深度传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位，虚拟机器人携带虚拟激光深度传感器在未知环境中运动；

把一段连续时间的运动变成离散时刻t＝1，…k，而在这些时刻，用x表示虚拟机器人的自身位置，则各时刻的位置就记为x1，x2…xk，它构成了虚拟机器人的轨迹；

地图方面，地图由许多个三维点坐标组成，而每个时刻，虚拟激光深度传感器会测量到一部分三维点坐标，得到它们的观测数据；

三维点坐标共有N个，用y1，y2…yn表示；通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。

4.如权利要求3所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

在这个网络里完成设备分类和位置坐标提取的步骤，如输出中存在无法识别的模型，需要重新拍摄深度图像，重启流程；如所有模型均识别成功，则输出配电设备数量、类型、中心点坐标参数。

5.如权利要求1-4任一所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

所述卷积神经网络是一种前馈型卷积神经网络，其CNNC结构分为五层：

第一层输入图片，进行卷积操作，得到第二层深度为3的矩阵；

对第二层的矩阵进行池化操作，得到第三层深度为3的矩阵；

重复上述操作得到第五层深度为5的矩阵，最后将这5个矩阵，按行展开连接成向量，传入全连接层，全连接层就是一个BP卷积神经网络；每个矩阵都能够看成是排列成矩阵形式的神经元，与BP卷积神经网络中的神经元大同小异。

6.如权利要求5所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

根据需要设定补零的层数；补零层称为Zero Padding，是一个能够设置的超参数，但要根据卷积核的大小，步幅，输入矩阵的大小进行调整，以使得卷积核恰好滑动到边缘。

7.如权利要求6所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

一般情况下，输入的图片矩阵以及后面的卷积核，特征图矩阵都是方阵，这里输入矩阵大小为w，卷积核大小为k，步幅为s，补零层数为p，则卷积后产生的特征图大小计算公式为：

8.如权利要求7所述的一种用户高压配电设备识别与空间重建方法，其特征在于，

为了提取更多的特征，采用多个卷积核分别进行卷积，这样便能够得到多个特征图；对于一张三通道彩色图片，输入的是一组矩阵，这时卷积核也不再是一层的，而要变成相应的深度。

Images