CN111310845A - 一种变电站设备识别方法、装置和设备 - Google Patents

一种变电站设备识别方法、装置和设备 Download PDF

Info

Publication number
CN111310845A
CN111310845A CN202010119774.1A CN202010119774A CN111310845A CN 111310845 A CN111310845 A CN 111310845A CN 202010119774 A CN202010119774 A CN 202010119774A CN 111310845 A CN111310845 A CN 111310845A
Authority
CN
China
Prior art keywords
point cloud
substation equipment
dimensional point
classifier
identified
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010119774.1A
Other languages
English (en)
Inventor
易琳
吴昊
钱金菊
麦晓明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority to CN202010119774.1A priority Critical patent/CN111310845A/zh
Publication of CN111310845A publication Critical patent/CN111310845A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Multimedia (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种变电站设备识别方法、装置和设备，其中方法包括：获取待识别变电站设备的三维点云样本；基于点云特征描述子提取待识别变电站设备的三维点云样本的几何特征；将几何特征输入到预置分类器中识别，得到预置分类器输出的待识别变电站设备识别结果。本申请中通过预置分类器对提取的几何特征进行识别，避免了人工识别变电站设备，提高了识别效率，解决了现有的人工识别变电站设备，存在识别效率低的技术问题。

Description

一种变电站设备识别方法、装置和设备
技术领域
本申请涉及变电站技术领域，尤其涉及一种变电站设备识别方法、装置和设备。
背景技术
随着通信技术和计算机科学等技术的发展，为构建智能电网提供了可能，使得构建智能电成为了电网未来的发展目标和方向。变电站是电力能源的交通枢纽，通过对变电站设备进行操作，可以控制电力能源的分配和运输，在智能电网建设中有着重大的作用。目前，变电站设备的识别方式是由人工进行，存在效率低的问题。
发明内容
本申请提供了一种变电站设备识别方法、装置和设备，用于解决现有的人工识别变电站设备，存在识别效率低的技术问题。
有鉴于此，本申请第一方面提供了一种变电站设备识别方法，包括：
获取待识别变电站设备的三维点云样本；
基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征；
将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
优选地，所述获取待识别变电站设备的三维点云样本，具体包括：
获取变电站三维点云数据，所述变电站三维点云数据包括地面数据和变电站设备数据；
对所述变电站三维点云数据进行去除地面数据处理，得到所述待识别变电站设备的三维点云样本。
优选地，所述对所述变电站三维点云数据进行去除地面数据处理，得到待识别变电站设备的三维点云样本，具体包括：
对所述变电站三维点云数据进行水平方向网格划分；
基于网格中的点云数据计算每个网格中的点云的平均高度；
逐个判断所有所述网格中点云的平均高度是否小于预设阈值，若是，则去除所述网格中的点云，若否，则保留所述网格中的点云；
当所有所述网格中的点云的平均高度判断完成时，得到所述待识别变电站设备的三维点云样本，所述地面数据为所述网格中点云的平均高度小于预设阈值的所述网格中的点云数据。
优选地，所述基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征，具体包括：
分别基于VFH、CVFH和ESF点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征，得到与所述VFH对应的第一几何特征、与所述CVFH对应的第二几何特征和与所述ESF对应的第三几何特征。
优选地，所述将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果，具体包括：
对所述第一几何特征、所述第二几何特征和所述第三几何特征进行归一化处理；
将归一化处理后的所述第一几何特征、所述第二几何特征和所述第三几何特征同时输入到所述预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
优选地，还包括：
获取待训练变电站设备的三维点云样本；
基于点云特征描述子提取所述待训练变电站设备的三维点云样本的几何特征；
将所述几何特征输入到分类器中，对所述分类器进行训练；
当所述分类器达到收敛条件时，停止训练，得到训练好的分类器，将所述训练好的分类器作为所述预置分类器。
本申请第二方面提供了一种变电站设备识别装置，包括：
第一获取模块，用于获取待识别变电站设备的三维点云样本；
第一特征提取模块，用于基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征；
识别模块，用于将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
优选地，所述第一获取模块具体包括：
第一获取子模块，用于获取变电站三维点云数据，所述变电站三维点云数据包括地面数据和变电站设备数据；
处理子模块，用于对所述变电站三维点云数据进行去除地面数据处理，得到所述待识别变电站设备的三维点云样本。
优选地，还包括：
第二获取模块，用于获取待训练变电站设备的三维点云样本；
第二特征提取模块，用于基于点云特征描述子提取所述待训练变电站设备的三维点云样本的几何特征；
训练模块，用于将所述几何特征输入到分类器中，对所述分类器进行训练；
收敛模块，用于当所述分类器达到收敛条件时，停止训练，得到训练好的分类器，将所述训练好的分类器作为所述预置分类器。
本申请第三方面提供了一种变电站设备识别设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的变电站设备识别方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种变电站设备识别方法，包括：获取待识别变电站设备的三维点云样本；基于点云特征描述子提取待识别变电站设备的三维点云样本的几何特征；将几何特征输入到预置分类器中识别，得到预置分类器输出的待识别变电站设备识别结果。本申请中提供的变电站设备识别方法，通过点云特征描述子提取获得的待识别变电站设备的三维点云样本的几何特征，将提取的待识别变电站设备的几何特征输入到预置分类器中进行识别，得到识别结果，通过预置分类器对提取的几何特征进行识别，避免了人工识别变电站设备，提高了识别效率，解决了现有的人工识别变电站设备，存在识别效率低的技术问题。
附图说明
图1为本申请提供的一种变电站设备识别方法的一个实施例的流程示意图；
图2为本申请提供的一种变电站设备识别方法的另一个实施例的流程示意图；
图3为本申请提供的一种变电站设备识别装置的一个实施例的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种变电站设备识别方法的一个实施例，包括：
步骤101、获取待识别变电站设备的三维点云样本。
需要说明的是，考虑到变电站设备是三维结构，获取待识别变电站设备的三维点云样本，有助于贴合实际应用，保证识别精度。
步骤102、基于点云特征描述子提取待识别变电站设备的三维点云样本的几何特征。
需要说明的是，由于变电站设备之间的几何形状区别较大，不同的待识别变电站设备的三维点云样本的几何特征之间的区别较大，有利于分类器进行识别。本申请实施例中可以采用VFH、CVFH和ESF中任意一种点云特征描述子提取待训练变电站设备的三维点云样本的几何特征，也可以采用VFH、CVFH和ESF分别提取待训练变电站设备的三维点云样本的几何特征，具体采用哪种方式，本领域技术人员可以在本申请的基础上进行灵活选择，在此不做具体的限定。
步骤103、将几何特征输入到预置分类器中识别，得到预置分类器输出的待识别变电站设备识别结果。
需要说明的是，预置分类器可以是训练好的SVM或KNN，也可以是多种分类器一起识别，在此不做具体的限定。采用预置分类器进行识别，避免了人工干涉，提高了识别效率。
本申请实施例中提供的变电站设备识别方法，通过点云特征描述子提取获得的待识别变电站设备的三维点云样本的几何特征，将提取的待识别变电站设备的几何特征输入到预置分类器中进行识别，得到待识别变电站设备的识别结果，通过预置分类器对提取的几何特征进行识别，避免了人工识别变电站设备，提高了识别效率，解决了现有的人工识别变电站设备，存在识别效率低的技术问题。
为了便于理解，请参阅图2，本申请提供的一种变电站设备识别方法的另一个实施例，包括：
步骤201、获取待训练变电站设备的三维点云样本。
需要说明的是，可以通过三维激光实时扫描变电站的各个设备，得到变电站三维点云数据，其中，变电站三维点云数据包括地面数据和变电站设备数据。
由于得到的变电站三维点云数据中有地面，为了提高识别准确率，可以通过对变电站三维点云数据进行去除地面数据处理，从而得到待训练变电站设备的三维点云样本，具体步骤为：
对变电站三维点云数据进行水平方向网格划分，得到多个网格；获得每个网格中的点云数据，计算每个网格中的点云的高度，然后求取每个网格中的点云的平均高度；逐个判断所有网格中点云的平均高度是否小于预设阈值，若是，表示该网格中的点云数据是地面数据，则去除该网格中的点云，若否，表示该网格中的点云数据是变电站设备数据，则保留该网格中的点云；当所有的网格中的点云的平均高度判断完成时，得到最终的点云集，即去除地面数据后的待训练变电站设备的三维点云样本，对得到的待训练变电站设备的三维点云样本打标签，以便于后续分类器进行训练，其中，因为表示地面的三维点云集在高程上比较集中，该预设阈值可以根据三维点云集的高程进行设置。
若得到的变电站三维点云数据中包含多个不同的变电站设备数据，可以采用分割算法对变电站三维点云数据进行分割，得到单个的变电站设备，其中变电站设备可以是GIS外部设备、矩形配电房、变压器、悬挂式绝缘器、电线、钢架结构、管状电线杆、端子和电压互感器等。
步骤202、基于点云特征描述子提取待训练变电站设备的三维点云样本的几何特征。
需要说明的是，采用的点云特征描述子包括视点特征直方图(Viewpoint FeatureHistogram,VFH)、聚类视点特征直方图(Cluster Viewpoint Feature Histogram,CVFH)和形状函数集(Ensemble ofshape Functions,ESF)。
VFH是一种有效表达三维点云的几何姿态和视点信息的特征描述子，它源于快速点特征直方图描述子(Fast Point Feature Histograms,FPFH)，不仅保留了FPFH的表达自身点与周围点之间表面法线之间的相互作用，捕捉到最好的曲面变化，还增加了视点的信息。
CVFH是基于VHF扩展的方法，可以通过点云建立坐标系统，同时使用所有视角计算描述子，将待训练目标点云分成若干块不互联的平滑区域，然后计算每一块的视点特征直方图，每一块点云计算视点特征直方图时。平滑区域的CVFH计算十分简单，一是去除了曲率较高的点云数据，因为高曲率表明该区域为噪声或平滑区域的边界；二是计算在xyz轴和法线方向上保持增长区域的VFH。为了避免点云总数量被标准化的问题，采用CVFH进行特征计算时可以采用独立的尺度，使得提取的CVFH不仅能区分待训练变电站设备点云的形状，还能区分待训练变电站设备的尺寸。
ESF是由10组64个子区间的形状函数直方图描述点云样本的形状特征，其中，形状函数是由面积形状函数、角度点之间的距离组成，利用3D Bresenhan算法在网格中形成一个接近待训练变电站设备的真实表明，并且计算量较小。
本申请实施例中分别采用VFH、CVFH和ESF点云特征描述子提取待训练变电站设备的三维点云样本的几何特征，分别得到三种几何特征，几何特征的具体提取过程属于现有技术，在此不再进行赘述。
步骤203、将几何特征输入到分类器中，对分类器进行训练。
需要说明的是，本申请实施例中的分类器可以采用SVM，为了提高分类准确率，可以对提取的三种几何特征进行归一化处理；将归一化处理后的三种几何特征同时输入到SVM中，对SVM进行训练。本申请实施例中分别采用VFH、CVFH和ESF三种点云特征描述子提取得到三种不同的几何特征，将经过归一化处理的三种几何特征同时输入到SVM中，通过采用多维度融合几何特征训练分类器，可以提高特征的丰富度，使得分类器充分学习待训练变电站设备的三维点云样本的几何特征，从而提高分类器的分类能力。
步骤204、当分类器达到收敛条件时，停止训练，得到训练好的分类器，将训练好的分类器作为预置分类器。
需要说明的是，当训练的迭代次数达到预设的最大迭代次数时或计算得到的SVM的分类准确率达到预置阈值时，停止训练，得到训练好的SVM，将训练好的分类器作为预置分类器。
步骤205、获取待识别变电站设备的三维点云样本。
需要说明的是，可以通过三维激光实时扫描变电站的各个待识别设备，得到变电站三维点云数据，其中，变电站三维点云数据包括地面数据和变电站设备数据。
需要说明的是，由于得到的变电站三维点云数据中有地面数据，为了提高识别准确率，可以通过对变电站三维点云数据进行去除地面数据处理，从而得到待识别变电站设备的三维点云样本，具体步骤为：
对变电站三维点云数据进行水平方向网格划分，得到多个网格；获得每个网格中的点云数据，计算每个网格中的点云的高度，然后求取每个网格中的点云的平均高度；逐个判断网格中点云的平均高度是否小于预设阈值，若是，表示该网格中的点云数据是地面数据，则去除该网格中的点云，若否，表示该网格中的点云数据是变电站设备数据，则保留该网格中的点云；当所有的网格中的点云的平均高度判断完成，得到最终的点云集，即去除地面数据后的待识别变电站设备的三维点云样本，其中，因为表示地面的三维点云集在高程上比较集中，该预设阈值可以根据三维点云集的高程进行设置。
若得到的变电站三维点云数据中包含多个不同的待识别变电站设备，可以采用分割算法对变电站三维点云数据进行分割，得到单个的待识别变电站设备，其中待识别变电站设备可以是GIS外部设备、矩形配电房、变压器、悬挂式绝缘器、电线、钢架结构、管状电线杆、端子和电压互感器等。
步骤206、基于点云特征描述子提取待识别变电站设备的三维点云样本的几何特征。
需要说明的是，分别基于VFH、CVFH和ESF点云特征描述子提取待识别变电站设备的三维点云样本的几何特征，得到与VFH对应的第一几何特征、与CVFH对应的第二几何特征和与ESF对应的第三几何特征。
步骤207、将几何特征输入到预置分类器中识别，得到预置分类器输出的待识别变电站设备识别结果。
需要说明的是，对提取的第一几何特征、第二几何特征和第三几何特征进行归一化处理；将归一化处理后的第一几何特征、第二几何特征和第三几何特征同时输入到预置分类器中，也就是前述训练好的SVM中，得到预置分类器输出的待识别变电站设备识别结果，也就是输出待识别变电站设备的类别。本申请实施例中分别采用VFH、CVFH和ESF三种点云特征描述子提取三种不同的几何特征，将经过归一化处理的三种几何特征同时输入到SVM中，将多维度融合几何特征同时输入预置分类器中，可以提高特征的丰富度，使得预置分类器充分利用待识别变电站设备的三维点云样本的几何特征，从而更准确的识别待识别变电站设备。
为了便于理解，请参阅图3，本申请提供的一种变电站设备识别装置的一个实施例，包括：
第一获取模块301，用于获取待识别变电站设备的三维点云样本。
第一特征提取模块302，用于基于点云特征描述子提取待识别变电站设备的三维点云样本的几何特征。
识别模块303，用于将几何特征输入到预置分类器中识别，得到预置分类器输出的待识别变电站设备识别结果。
进一步地，第一获取模块301具体包括：
第一获取子模块3011，用于获取变电站三维点云数据，变电站三维点云数据包括地面数据和变电站设备数据。
处理子模块3012，用于对变电站三维点云数据进行去除地面数据处理，得到去除地面数据后的待识别变电站设备的三维点云样本。
进一步的，还包括：
第二获取模块304，用于获取待训练变电站设备的三维点云样本。
第二特征提取模块305，用于基于点云特征描述子提取待训练变电站设备的三维点云样本的几何特征。
训练模块306，用于将几何特征输入到分类器中，对分类器进行训练。
收敛模块307，用于当分类器达到收敛条件时，停止训练，得到训练好的分类器，将训练好的分类器作为预置分类器。
本申请还提供了一种变电站设备识别设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述变电站设备识别方法实施例中的变电站设备识别方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

1.一种变电站设备识别方法，其特征在于，包括：
获取待识别变电站设备的三维点云样本；
基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征；
将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
2.根据权利要求1所述的变电站设备识别方法，其特征在于，所述获取待识别变电站设备的三维点云样本，具体包括：
获取变电站三维点云数据，所述变电站三维点云数据包括地面数据和变电站设备数据；
对所述变电站三维点云数据进行去除地面数据处理，得到所述待识别变电站设备的三维点云样本。
3.根据权利要求2所述的变电站设备识别方法，其特征在于，所述对所述变电站三维点云数据进行去除地面数据处理，得到待识别变电站设备的三维点云样本，具体包括：
对所述变电站三维点云数据进行水平方向网格划分；
基于网格中的点云数据计算每个网格中的点云的平均高度；
逐个判断所有所述网格中点云的平均高度是否小于预设阈值，若是，则去除所述网格中的点云，若否，则保留所述网格中的点云；
当所有所述网格中的点云的平均高度判断完成时，得到所述待识别变电站设备的三维点云样本，所述地面数据为所述网格中点云的平均高度小于预设阈值的所述网格中的点云数据。
4.根据权利要求1所述的变电站设备识别方法，其特征在于，所述基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征，具体包括：
分别基于VFH、CVFH和ESF点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征，得到与所述VFH对应的第一几何特征、与所述CVFH对应的第二几何特征和与所述ESF对应的第三几何特征。
5.根据权利要求4所述的变电站设备识别方法，其特征在于，所述将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果，具体包括：
对所述第一几何特征、所述第二几何特征和所述第三几何特征进行归一化处理；
将归一化处理后的所述第一几何特征、所述第二几何特征和所述第三几何特征同时输入到所述预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
6.根据权利要求1所述的变电站设备识别方法，其特征在于，还包括：
获取待训练变电站设备的三维点云样本；
基于点云特征描述子提取所述待训练变电站设备的三维点云样本的几何特征；
将所述几何特征输入到分类器中，对所述分类器进行训练；
当所述分类器达到收敛条件时，停止训练，得到训练好的分类器，将所述训练好的分类器作为所述预置分类器。
7.一种变电站设备识别装置，其特征在于，包括：
第一获取模块，用于获取待识别变电站设备的三维点云样本；
第一特征提取模块，用于基于点云特征描述子提取所述待识别变电站设备的三维点云样本的几何特征；
识别模块，用于将所述几何特征输入到预置分类器中识别，得到所述预置分类器输出的待识别变电站设备识别结果。
8.根据权利要求7所述的变电站设备识别装置，其特征在于，所述第一获取模块具体包括：
第一获取子模块，用于获取变电站三维点云数据，所述变电站三维点云数据包括地面数据和变电站设备数据；
处理子模块，用于对所述变电站三维点云数据进行去除地面数据处理，得到所述待识别变电站设备的三维点云样本。
9.根据权利要求7所述的变电站设备识别装置，其特征在于，还包括：
第二获取模块，用于获取待训练变电站设备的三维点云样本；
第二特征提取模块，用于基于点云特征描述子提取所述待训练变电站设备的三维点云样本的几何特征；
训练模块，用于将所述几何特征输入到分类器中，对所述分类器进行训练；
收敛模块，用于当所述分类器达到收敛条件时，停止训练，得到训练好的分类器，将所述训练好的分类器作为所述预置分类器。
10.一种变电站设备识别设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-6任一项所述的变电站设备识别方法。
CN202010119774.1A 2020-02-26 2020-02-26 一种变电站设备识别方法、装置和设备 Pending CN111310845A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010119774.1A CN111310845A (zh) 2020-02-26 2020-02-26 一种变电站设备识别方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010119774.1A CN111310845A (zh) 2020-02-26 2020-02-26 一种变电站设备识别方法、装置和设备

Publications (1)

Publication Number Publication Date
CN111310845A true CN111310845A (zh) 2020-06-19

Family

ID=71162200

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010119774.1A Pending CN111310845A (zh) 2020-02-26 2020-02-26 一种变电站设备识别方法、装置和设备

Country Status (1)

Country Link
CN (1) CN111310845A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365455A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于3d点云和深度学习的变电站设备检测方法
CN112365456A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于三维点云数据的变电站设备分类方法
CN113538570A (zh) * 2021-09-15 2021-10-22 南方电网数字电网研究院有限公司 电力设备的定位方法、装置、计算机设备和存储介质
CN113884010A (zh) * 2021-12-07 2022-01-04 湖南联智科技股份有限公司 一种隧道钢架检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
CN105844064A (zh) * 2016-05-23 2016-08-10 厦门亿力吉奥信息科技有限公司 基于激光点云数据的三维变电站半自动重建方法
CN106156778A (zh) * 2015-02-04 2016-11-23 通用汽车环球科技运作有限责任公司 用于识别三维机器视觉系统的视野中的已知对象的装置和方法
CN106951860A (zh) * 2017-03-20 2017-07-14 河南腾龙信息工程有限公司 一种基于点云的三维数据智能识别方法
CN107025323A (zh) * 2016-12-29 2017-08-08 南京南瑞信息通信科技有限公司 一种基于模板库的变电站快速建模方法
CN110414351A (zh) * 2019-06-26 2019-11-05 广东康云科技有限公司 变电站的智能分割与识别方法、系统及存储介质
CN110633749A (zh) * 2019-09-16 2019-12-31 无锡信捷电气股份有限公司 基于改进视点特征直方图的三维点云识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150003723A1 (en) * 2013-06-27 2015-01-01 Chevron U.S.A. Inc. System and method of detecting objects in scene point cloud
CN106156778A (zh) * 2015-02-04 2016-11-23 通用汽车环球科技运作有限责任公司 用于识别三维机器视觉系统的视野中的已知对象的装置和方法
CN105844064A (zh) * 2016-05-23 2016-08-10 厦门亿力吉奥信息科技有限公司 基于激光点云数据的三维变电站半自动重建方法
CN107025323A (zh) * 2016-12-29 2017-08-08 南京南瑞信息通信科技有限公司 一种基于模板库的变电站快速建模方法
CN106951860A (zh) * 2017-03-20 2017-07-14 河南腾龙信息工程有限公司 一种基于点云的三维数据智能识别方法
CN110414351A (zh) * 2019-06-26 2019-11-05 广东康云科技有限公司 变电站的智能分割与识别方法、系统及存储介质
CN110633749A (zh) * 2019-09-16 2019-12-31 无锡信捷电气股份有限公司 基于改进视点特征直方图的三维点云识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
张杰: "机载LiDAR点云滤波及特征提取技术研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
纪勇等: "基于霍夫投票的变电站设备三维点云识别算法", 《郑州大学学报(工学版)》 *
钱金菊等: "广东电网大型无人直升机电力线路规模化巡检应用及效果", 《广东电力》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365455A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于3d点云和深度学习的变电站设备检测方法
CN112365456A (zh) * 2020-10-29 2021-02-12 杭州富阳富创大数据产业创新研究院有限公司 基于三维点云数据的变电站设备分类方法
CN113538570A (zh) * 2021-09-15 2021-10-22 南方电网数字电网研究院有限公司 电力设备的定位方法、装置、计算机设备和存储介质
CN113884010A (zh) * 2021-12-07 2022-01-04 湖南联智科技股份有限公司 一种隧道钢架检测方法

Similar Documents

Publication Publication Date Title
CN111310845A (zh) 一种变电站设备识别方法、装置和设备
CN106709946B (zh) 基于LiDAR点云的多分裂导线自动提取与精细建模方法
CN104573702A (zh) 一种六氟化硫压力仪表图像自动识别方法
CN111260668B (zh) 一种电力线提取方法、系统及终端
CN112132197A (zh) 模型训练、图像处理方法、装置、计算机设备和存储介质
CN110889861A (zh) 一种电力杆塔点云提取方法
CN112883878B (zh) 一种基于三维格网的变电站场景下的点云自动分类方法
CN111275821A (zh) 一种电力线拟合方法、系统及终端
CN112989995A (zh) 文本检测方法、装置及电子设备
Ding et al. High accuracy real-time insulator string defect detection method based on improved yolov5
CN114119528A (zh) 一种配电线路绝缘子的缺陷检测方法及装置
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN113724400A (zh) 一种面向倾斜摄影的多属性融合建筑物点云提取方法
CN113111728A (zh) 面向变电站内电力生产作业风险的智能识别方法及系统
CN111382767B (zh) 电力线点识别方法、装置、设备、计算机设备和存储介质
CN116452604A (zh) 一种复杂变电站场景分割方法、设备及存储介质
CN114049346B (zh) 一种基于剪裁YOLOv3-SPP3的柑橘木虱检测与识别方法
CN115937492A (zh) 一种基于特征识别的变电设备红外图像识别方法
CN115457581A (zh) 表格提取方法、装置及计算机设备
Li et al. Predicting positions and orientations of individual kiwifruit flowers and clusters in natural environments
Shen et al. Substation one-line diagram automatic generation based on image recongnition
CN114639022A (zh) 基于sufr模板匹配的开关柜分合状态识别方法及系统
CN103413310A (zh) 协同分割方法和装置
CN113486881A (zh) 一种文本识别方法、装置、设备及介质
CN117173385B (zh) 一种变电站的检测方法、装置、介质及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination