CN111985161A - 一种变电站三维模型重构方法 - Google Patents
一种变电站三维模型重构方法 Download PDFInfo
- Publication number
- CN111985161A CN111985161A CN202010850897.2A CN202010850897A CN111985161A CN 111985161 A CN111985161 A CN 111985161A CN 202010850897 A CN202010850897 A CN 202010850897A CN 111985161 A CN111985161 A CN 111985161A
- Authority
- CN
- China
- Prior art keywords
- training set
- transformer substation
- neural network
- equipment
- dimensional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 122
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 238000013526 transfer learning Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000000877 morphologic effect Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种变电站三维模型重构方法,所述方法包括:获取三维模型公开数据库数据构成基础训练集;获取变电站设备原始图像并进行标记并确定迁移学习训练集;对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图,基于所述设备特征图构造深度卷积自编码神经网络;使用所述基础训练集训练深度卷积自编码神经网络,并使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练;根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型。通过采用上述技术方案,可对变电站的三维模型进行构建,提高变电站建模的效率,减少建模中采样的工作量。
Description
技术领域
本发明实施例涉及智能变电站领域,尤其涉及一种一种变电站三维模型重构方法。
背景技术
随着科技的进步,用电设备的不断增加,变电站的日常运维压力越来越大。构建变电站模型可以辅助工作人员的安全巡视和运维操作人员的可视化培训,对变电站的安全运行具有非常重要的现实意义。
目前,国内主流的变电站建模方法有以下四种:近景摄影测法,通过专业摄影工具获取变电站设备的资料,配合专业后期软件实现变电站的建模;VRML建模,通过编程语言以圆柱、立方体等规则立体图形为原始对象构造电气设备模型;几何造型模型,依据变电站图片和设备图纸,采用立体图形建立电气设备的三维模型;地面激光雷达建模法,利用大量的扫描数据和图片数据融合,再对得到的数据进行分类重构得到模型。
但上述四种主流建模方法均存在较为明显技术缺点:传统的近景摄影测量法效率低;VRML建模方法模型对建模人员要求高;几何造型建模方法过于依赖变电站原始设计资料;地面激光雷达建模法成本高,耗时长。
发明内容
为解决相关技术问题,本发明提供一种基于变电站三维模型重构方法,对复杂的变电站设备进行三维模型的建立,建模过程简洁方便,使得变电站的三维建模更高效。
为实现上述目的,本发明实施例采用如下技术方案:
提供一种变电站三维模型重构方法,包括
获取三维模型公开数据库数据构成基础训练集;
获取变电站设备原始图像并进行标记并确定迁移学习训练集;
对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图,基于所述设备特征图构造深度卷积自编码神经网络;
使用所述基础训练集训练深度卷积自编码神经网络,并使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练;
根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型。
可选地,获取变电站设备原始图像并进行标记并确定迁移学习训练集,包括:
获取变电站设备多角度摄影图像,对获取的图像进行标记,并选取其中正投影图像作为监督训练标签,其他图像则构成迁移学习训练集。
可选地,对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图,包括:
对获取的所有二维图像数据进行裁剪、统一尺寸以及归一化处理;
使用多组不同类型形态学算子对预处理后的二维图像进行滤波,分别提取变电站设备不同维度的特征信息;
使用解码器对所提取特征信息进行解码,得到变电站设备特征图。
可选地,所述二维图像的像素大小为256×256,所述二维形态学算子尺寸为16×16,所述解码器对特征信息解码后获得256×256的设备特征图。
可选地,使用所述基础训练集训练深度卷积自编码神经网络,包括:
采用Hinge损失函数作为深度卷积自动编码神经网络的损失函数,将训练样本随机划分为大小为64~256的mini-batch;
在不同的mini-batch上利用随机梯度下降算法训练不同的子模型,完成对整个深度卷积自动编码神经网络模型的训练。
可选地,使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练,包括:
以所述迁移学习训练集作为训练好的深度卷积自动编码神经网络模型输入,以重投影一致性函数为损失函数,结合所述监督训练标签数据对深度卷积自动编码神经网络模型进行反向微调训练。
可选地,所述损失函数采用如下函数:
可选地,根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型,包括:针对待建模变电站进行现场设备图像采集,并将采集所得图像输入训练完成的深度卷积自编码神经网络中,输出得到变电站设备的三维模型;
所获取的变电站基本建模信息,对变电站各设备的三维模型进行拼接,完成对变电站的三维建模。
可选地,获取三维模型公开数据库数据构成基础训练集,包括:通过PASCAL3D+或Pix3D公开数据集中的工程设备类图像构建基础训练集,其中以设备的多角度二维图像作为基础训练集的输入,其对应的三维模型为输出。
可选的方法包括:获取变电站三维建模需求以及变电站的内部设备信息、外部结构信息以及所处地理位置信息,作为原始图像采集方案制定以及最终变电设备拼接参考。
本发明实施例提供的变电站三维模型重构方法,通过建立深度卷积自编码神经网络,实现对变电站三维模型的建立;从多张不同角度的二维图像中直接提取特征信息,并利用该特征信息直接生成相应的三维模型,该过程中利用计算机视觉领域已经公开的数据库对建立的神经网络进行训练,再结合待建模变电站现场信息对神经网络进行迁移学习训练,大大缩短了神经网络的训练时间,提高了变电站的建模效率与精度,使得变电站的三维建模更快速高效。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1为本发明实施例一提供的一种变电站三维模型重构方法的流程示意图;
图2为本发明实施例二提供的一种变电站三维模型重构方法的流程示意图;
图3为本发明提供的一种变电站三维模型重构方法的示意图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,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。
正如背景技术中所述,现有的建模方法存在较为明显技术缺点:1)传统的近景摄影测量法数据采集只能逐点采集,不能快速获取,且建模工作中需要处理海量的数据以及庞大的计算量,不适合区域面积小的变电站的数据采集,因此存在工作量大、采点困难、效率低、程序复杂等缺点;2)VRML建模方法采用立方体、圆锥体、圆柱体、球体的组合构建设备模型,会造成建立的变电站模型缺乏真实感,模型精确度差精度低,且该方法需要作业人员熟悉掌握VRML编程和电气设备的具体构造,对人员素质要求高,建模效率较低;3)几何造型建模方法极度依赖变电站原始设计资料,但实际运行中变电站原始设计资料完整度不高,且局部改建造成的电气设备数量变化以及带电设备长期运行造成的电气设备尺寸变化均很难单从设计资料获取,这也造成该方法建模精度较低,耗时长,效率低;4)地面激光雷达建模则极度依赖于专业设备以及专业软件,设备成本较高,且对海量的三维点云数据的处理工作量大,计算负荷重,耗时长,效率偏低,且最后生成的模型无法形象反映设备表面纹理,精度仍有所欠缺。
实施例一
图1为本发明实施例一提供的变电站三维模型重构方法的流程示意图。该模型重构方法可用于对变电站及站内电气设备的三维建模,具体参见图1所示,该方法可以包括如下步骤:
110:获取三维模型公开数据库数据构成基础训练集。
其中,公开数据库数据可以是计算机视觉领域通用数据库,这类数据库数据量较大、种类较多、质量较高,能很好弥补变电设备三维模型数据量较少的缺点;基础训练集是在构造深度卷积自编码神经网络之后,对该神经网络进行初步训练的数据集。
具体的,在该过程中,可以使用公开数据集中的工程设备类图像构建基础训练集,在该数据集中,设备的多角度二维图像可以作为基础训练集的输入,其对应的三维模型为输出。
120:获取变电站设备原始图像进行标记并确定迁移学习训练集。
其中,所述变电站设备是待建模的变电站中的设备;所述变电站设备原始图像为设备的多角度图像;对图像进行标记包括:对获取的图像进行标记和选取其中正投影图像作为后续的监督训练标签;迁移学习训练集是用于神经网络进一步迁移学习训练的数据集。
具体地,根据所建模变电站的外部结构和地理位置,可以确定合理的原始图像采集方案,再通过无人机、专业数码相机等摄影设备对变电站设备进行多角度摄影,然后对获取的所获取RGB格式二维图像进行标记,并选取其中正投影图像作为后续的监督训练标签,其他图像则构成迁移学习训练集。迁移学习训练集有助于在深度卷积神经网络对变电设备三维模型特征进行定制化迁移学习,可进一步提高生成三维模型的精度。
130:对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图。
例如对所述基础训练集合和所述迁移学习训练集中的图像进行裁剪、统一尺寸和归一化处理,然后,使用多组不同类型形态学算子对预处理后的二维图像进行滤波,最后,分别提取变电站设备不同维度的特征信息进行解码,得到变电设备特征图。其中,作为优选地,二维图像像素大小可以统一为256×256,所述二维形态学算子尺寸可以为16×16,解码器对特征信息解码后获得256×256的设备特征图。
140:基于所述设备特征图构造深度卷积自编码神经网络。
具体地,深度卷积自编码神经网络的具体结构可以为:一个输入层、六个卷积层、一个全连接层、五个反卷积层和一个输出层,其中输入层可以为256×256的特征图,各卷积层的卷积滤波器尺寸为64×64、32×32、16×16、8×8、4×4、1×1,各卷积层的滤波器数目可以为64、64、128、128、256、512。全连接层结点为512。各三维反卷积层的滤波器尺寸为8×8×8、16×16×16、32×32×32、64×64×64、128×128×128,其中各层滤波器数目为64、32、32、16、1。输出为128×128×128的三维体素数据。
150:使用所述基础训练集训练深度卷积自编码神经网络。
具体地,首先可以为深度卷积自动编码神经网络选用适当的损失函数,再将基础训练集中的训练样本划分成一定大小的mini-batch,然后在不同mini-batch上利用随机梯度下降算法训练不同的子模型,最终完成对整个深度卷积自动编码神经网络模型的训练。
160:使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练。
具体地,以迁移学习训练集为训练好的深度卷积自动编码神经网络模型输入;以重投影一致性函数为损失函数,再结合监督训练标签数据对深度卷积自动编码神经网络模型进行反向微调训练。
170:根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型。
具体地,针对待建模变电站进行现场设备图像采集,并将采集所得图像预处理后输入训练完毕的形态学-深度卷积自编码神经网络中,输出得到各变电站设备的三维模型。然后,对变电站各设备的三维模型进行拼接,最终完成对变电站的三维建模。
本发明所提出的变电站三维模型重构方法能够从多张不同角度的二维图像中直接提取特征信息,并利用该特征信息直接生成相应的三维模型,建模过程中充分利用了计算机视觉领域已建立的数据库及相关研究成果,并结合待建模变电站现场信息进行了针对性迁移学习,大大缩短了神经网络的训练时间,提高了变电站的建模效率与精度,使得变电站的三维建模更快速高效,适用范围更广。
实施例二
参考图2,图2是本发明实施例提供的另一种变电站三维模型重构方法,该方法包括:
210:获取变电站三维建模需求以及变电站的内部设备信息、外部结构信息以及所处地理位置信息。
具体地,获取变电站三维建模需求以及变电站的内部设备信息、外部结构信息以及所处地理位置等相关信息,主要用于后续原始图像采集方案制定以及最终变电设备拼接参考。
220:获取三维模型公开数据库数据构成基础训练集。
具体地,可以主要通过PASCAL3D+、Pix3D等公开数据集中的工程设备类图像构建基础训练集,其中,并把设备的多角度二维图像标记为基础训练集的自变量,其对应的三维模型体素数据标记为因变量。
230:获取变电站设备原始图像进行标记并确定迁移学习训练集。
具体地,根据步骤210所得变电站三维建模需求以及变电站的内部设备信息、外部结构信息以及所处地理位置等相关信息,制定合理的原始图像采集方案。进而可以利用配备有高清摄像头的无人机对变电站设备逐一进行多角度的摄影,并对获得的RGB格式的二维图像进行标记,选取其中的正投影图像作为后续的监督训练标签数据,其他角度的图像构成迁移学习训练数据集。
240:对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图。
具体地,可以构造形态学算子特征提取器对所获取图像数据进行多维度特征提取,具体包括以下步骤:对互联网获取以及实地采集的二维RGB格式图像数据进行定位、裁剪、缩放等操作,将图像尺寸统一为256×256,然后进行归一化处理;构建尺寸为16×16的四组不同内核的形态学算子对预处理后的二维图像进行分割滤波操作,过滤图像的无关背景信息,然后分别提取变电站设备的外形轮廓、深度、表面纹理以及表面法向等四种不同维度的特征信息;使用解码器对变电站设备的外形轮廓、深度、表面纹理以及表面法向特征信息进行解码,得到四组256×256的变电设备特征图。
250:基于所述设备特征图构造深度卷积自编码神经网络。
具体地,深度卷积自编码神经网络可以包括:一个输入层、六个卷积层、一个全连接层、五个反卷积层和一个输出层。其中输入层可以为256×256的特征图,输出可以为128×128×128的三维体素数据。
260:使用所述基础训练集训练深度卷积自编码神经网络。
具体地,使用所述基础训练集训练深度卷积自编码神经网络,包括:采用Hinge损失函数作为深度卷积自动编码神经网络的损失函数,将训练样本随机划分为大小为64~256的mini-batch;在不同的mini-batch上利用随机梯度下降算法训练不同的子模型,完成对整个深度卷积自动编码神经网络模型的训练。
270:使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练。
具体地,使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练,包括:以所述迁移学习训练集作为训练好的深度卷积自动编码神经网络模型输入;以重投影一致性函数为损失函数;结合所述监督训练标签数据对深度卷积自动编码神经网络模型进行反向微调训练。其中,所述损失函数的函数表达式为:
280:根据训练完成的深度卷积自编码神经网络对变电站设备进行建模,得到变电站各设备三维模型。
具体地,针对待建模变电站可以进行现场设备图像采集,并将采集所得图像输入训练完成的形态学-深度卷积自编码神经网络中,输出得到变电站中各个设备的三维模型。
290:根据变电站三维建模需求等信息对变电站各设备的三维模型进行拼接,得到变电站的三维模型。
具体地,结合步骤210所获取的变电站三维建模需求和变电站的内部设备信息、外部结构信息以及所处地理位置信息,对变电站各设备的三维模型进行拼接,最终完成对变电站的三维建模。
本发明所提出的变电站三维模型重构方法根据建模需求、内部设备、外部结构以及所处地理位置等信息进行变电站多角度图像采集进而提取特征信息,利用该特征信息生成相应三维模型。在建模过程中,利用变电站的三维建模需求等信息制定图像采集方案,并将变电站的三维建模需求等信息作为最终的变电设备模型拼接参考,增加了图像采集的精度,大大提高了模型拼接的效率,从而使得变电站的建模效率大幅提高,变电站的三维建模更加精确、快速、高效。
参考图3,图3是本发明实施例提供的另一种变电站三维模型重构过程的示意图,该方法可以分为离线训练和在线应用。
在离线训练阶段:对无人机采集变电站设备的二维图像以及对PASCAL3D+、Pix3D等公开数据集中的通用工程设备类图像,在形态学特征提取器进行预处理,得到基础训练集和迁移学习训练集;
基于变电站设备特征图构造深度卷积自编码神经网络;
基于随机梯度下降训练法,采用基础训练集对深度卷积自编码神经网络进行训练;
采用迁移学习训练集对深度卷积自编码神经网络进行进一步训练;
在线应用阶段,将无人机获取的待建模变电站二维图像进行预处理,采用形态学形态学特征提取器提取设备特征图,将待建模变电站的设备特征图输入深度卷积自编码神经网络,得到各个变电设备三维模型;
根据变电站三维建模需求等信息对变电站设备三维模型进行拼接,得到变电站三维模型。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种变电站三维模型重构方法,其特征在于,包括
获取三维模型公开数据库数据构成基础训练集;
获取变电站设备原始图像并进行标记并确定迁移学习训练集;
对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图,基于所述设备特征图构造深度卷积自编码神经网络;
使用所述基础训练集训练深度卷积自编码神经网络,并使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练;
根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型。
2.根据权利要求1所述的方法,其特征在于,获取变电站设备原始图像并进行标记并确定迁移学习训练集,包括:
获取变电站设备多角度摄影图像,对获取的图像进行标记,并选取其中正投影图像作为监督训练标签,其他图像则构成迁移学习训练集。
3.根据权利要求1所述的方法,其特征在于,对所述基础训练集合和所述迁移学习训练集中的图像进行处理并提取得到设备特征图,包括:
对获取的所有二维图像数据进行裁剪、统一尺寸以及归一化处理;
使用多组不同类型形态学算子对预处理后的二维图像进行滤波,分别提取变电站设备不同维度的特征信息;
使用解码器对所提取特征信息进行解码,得到变电站设备特征图。
4.根据权利要求3所述的方法,其特征在于,所述二维图像的像素大小为256×256,所述二维形态学算子尺寸为16×16,所述解码器对特征信息解码后获得256×256的设备特征图。
5.根据权利要求2所述的方法,其特征在于,使用所述基础训练集训练深度卷积自编码神经网络,包括:
采用Hinge损失函数作为深度卷积自动编码神经网络的损失函数,将训练样本随机划分为大小为64~256的mini-batch;
在不同的mini-batch上利用随机梯度下降算法训练不同的子模型,完成对整个深度卷积自动编码神经网络模型的训练。
6.根据权利要求2所述的方法,其特征在于,使用所述迁移学习训练集对深度卷积自编码神经网络进一步训练,包括:
以所述迁移学习训练集作为训练好的深度卷积自动编码神经网络模型输入,以重投影一致性函数为损失函数,结合所述监督训练标签数据对深度卷积自动编码神经网络模型进行反向微调训练。
8.根据权利要求6所述的方法,其特征在于,根据训练完成的深度卷积自编码神经网络对变电站进行建模,得到变电站三维模型,包括:针对待建模变电站进行现场设备图像采集,并将采集所得图像输入训练完成的深度卷积自编码神经网络中,输出得到变电站设备的三维模型;
所获取的变电站基本建模信息,对变电站各设备的三维模型进行拼接,完成对变电站的三维建模。
9.根据权利要求1所述的方法,其特征在于,获取三维模型公开数据库数据构成基础训练集,包括:通过PASCAL3D+或Pix3D公开数据集中的工程设备类图像构建基础训练集,其中以设备的多角度二维图像作为基础训练集的输入,其对应的三维模型为输出。
10.根据权利要求1所述的方法,其特征在于,还包括:获取变电站三维建模需求以及变电站的内部设备信息、外部结构信息以及所处地理位置信息,作为原始图像采集方案制定以及最终变电设备拼接参考。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010850897.2A CN111985161A (zh) | 2020-08-21 | 2020-08-21 | 一种变电站三维模型重构方法 |
PCT/CN2020/125909 WO2022036867A1 (zh) | 2020-08-21 | 2020-11-02 | 变电站三维模型重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010850897.2A CN111985161A (zh) | 2020-08-21 | 2020-08-21 | 一种变电站三维模型重构方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985161A true CN111985161A (zh) | 2020-11-24 |
Family
ID=73442433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010850897.2A Pending CN111985161A (zh) | 2020-08-21 | 2020-08-21 | 一种变电站三维模型重构方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111985161A (zh) |
WO (1) | WO2022036867A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634215A (zh) * | 2020-12-16 | 2021-04-09 | 华虹半导体(无锡)有限公司 | 一种提高多类型图片深度学习模型训练效率的方法 |
CN112733676A (zh) * | 2020-12-31 | 2021-04-30 | 青岛海纳云科技控股有限公司 | 一种基于深度学习的电梯内垃圾检测识别方法 |
CN113074718A (zh) * | 2021-04-27 | 2021-07-06 | 广东电网有限责任公司清远供电局 | 一种定位方法、装置、设备及存储介质 |
CN113284112A (zh) * | 2021-05-27 | 2021-08-20 | 中国科学院国家空间科学中心 | 一种基于深度神经网络的熔滴图像轮廓提取方法及系统 |
CN113781541A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 基于神经网络的三维图像处理方法、装置及电子设备 |
CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082695A (zh) * | 2022-05-31 | 2022-09-20 | 中国科学院沈阳自动化研究所 | 一种基于改进Yolov5的变电站绝缘子串建模及检测方法 |
CN115082770B (zh) * | 2022-07-04 | 2024-02-23 | 青岛科技大学 | 一种基于机器学习的图像中心线结构提取方法 |
CN115953486B (zh) * | 2022-12-30 | 2024-04-12 | 国网电力空间技术有限公司 | 一种直流t型直线塔部件巡检图像自动编码方法 |
CN116996926B (zh) * | 2023-09-26 | 2023-11-28 | 香港中文大学(深圳) | 一种数据驱动的基站功耗建模方法 |
CN117494356A (zh) * | 2023-10-31 | 2024-02-02 | 成都建工第九建筑工程有限公司 | 一种基于bim技术的装配式施工方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107122809A (zh) * | 2017-04-24 | 2017-09-01 | 北京工业大学 | 基于图像自编码的神经网络特征学习方法 |
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN107798349A (zh) * | 2017-11-03 | 2018-03-13 | 合肥工业大学 | 一种基于深度稀疏自编码机的迁移学习方法 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
CN110544297A (zh) * | 2019-08-06 | 2019-12-06 | 北京工业大学 | 一种单幅图像的三维模型重建方法 |
US20200012923A1 (en) * | 2016-10-06 | 2020-01-09 | Siemens Aktiengesellschaft | Computer device for training a deep neural network |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875076B (zh) * | 2018-07-10 | 2021-07-20 | 重庆大学 | 一种基于Attention机制和卷积神经网络的快速商标图像检索方法 |
CN111127360B (zh) * | 2019-12-20 | 2023-08-29 | 东南大学 | 一种基于自动编码器的灰度图像迁移学习方法 |
-
2020
- 2020-08-21 CN CN202010850897.2A patent/CN111985161A/zh active Pending
- 2020-11-02 WO PCT/CN2020/125909 patent/WO2022036867A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200012923A1 (en) * | 2016-10-06 | 2020-01-09 | Siemens Aktiengesellschaft | Computer device for training a deep neural network |
CN107122809A (zh) * | 2017-04-24 | 2017-09-01 | 北京工业大学 | 基于图像自编码的神经网络特征学习方法 |
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN107798349A (zh) * | 2017-11-03 | 2018-03-13 | 合肥工业大学 | 一种基于深度稀疏自编码机的迁移学习方法 |
CN109543745A (zh) * | 2018-11-20 | 2019-03-29 | 江南大学 | 基于条件对抗自编码网络的特征学习方法及图像识别方法 |
CN110544297A (zh) * | 2019-08-06 | 2019-12-06 | 北京工业大学 | 一种单幅图像的三维模型重建方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112634215A (zh) * | 2020-12-16 | 2021-04-09 | 华虹半导体(无锡)有限公司 | 一种提高多类型图片深度学习模型训练效率的方法 |
CN112634215B (zh) * | 2020-12-16 | 2022-06-07 | 华虹半导体(无锡)有限公司 | 一种提高多类型图片深度学习模型训练效率的方法 |
CN112733676A (zh) * | 2020-12-31 | 2021-04-30 | 青岛海纳云科技控股有限公司 | 一种基于深度学习的电梯内垃圾检测识别方法 |
CN113074718A (zh) * | 2021-04-27 | 2021-07-06 | 广东电网有限责任公司清远供电局 | 一种定位方法、装置、设备及存储介质 |
CN113074718B (zh) * | 2021-04-27 | 2024-03-29 | 广东电网有限责任公司清远供电局 | 一种定位方法、装置、设备及存储介质 |
CN113284112A (zh) * | 2021-05-27 | 2021-08-20 | 中国科学院国家空间科学中心 | 一种基于深度神经网络的熔滴图像轮廓提取方法及系统 |
CN113284112B (zh) * | 2021-05-27 | 2023-11-10 | 中国科学院国家空间科学中心 | 一种基于深度神经网络的熔滴图像轮廓提取方法及系统 |
CN113781541A (zh) * | 2021-09-15 | 2021-12-10 | 平安科技(深圳)有限公司 | 基于神经网络的三维图像处理方法、装置及电子设备 |
CN113781541B (zh) * | 2021-09-15 | 2024-03-26 | 平安科技(深圳)有限公司 | 基于神经网络的三维图像处理方法、装置及电子设备 |
CN115482248A (zh) * | 2022-09-22 | 2022-12-16 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
CN115482248B (zh) * | 2022-09-22 | 2023-12-08 | 推想医疗科技股份有限公司 | 图像分割方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2022036867A1 (zh) | 2022-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985161A (zh) | 一种变电站三维模型重构方法 | |
CN110458939B (zh) | 基于视角生成的室内场景建模方法 | |
CN108399649B (zh) | 一种基于级联回归网络的单张图片三维人脸重建方法 | |
CN112084556B (zh) | 一种海量数据bim模型的轻量化显示方法及系统 | |
CN112241997B (zh) | 基于多尺度点云上采样的三维模型建立、修复方法及系统 | |
CN111127538B (zh) | 一种基于卷积循环编码-解码结构的多视影像三维重建方法 | |
Zhao | Application of 3D CAD in landscape architecture design and optimization of hierarchical details | |
CN116229019A (zh) | 面向数字孪生的大场景融合三维重建方法及系统 | |
CN110660125B (zh) | 用于电力配网系统的三维建模装置 | |
CN107170045B (zh) | 基于点云数据对变电站变压器进行建模的方法 | |
CN110378047A (zh) | 一种基于计算机视觉的大跨度桥梁拓扑感知三维重建方法 | |
CN112819066A (zh) | 一种Res-UNet单木树种分类技术 | |
CN115082254A (zh) | 一种变电站精益管控数字孪生系统 | |
CN111598803B (zh) | 一种基于变分辨率体素格网与稀疏卷积的点云滤波方法 | |
CN115797568A (zh) | 一种基于三维gis与bim集成的建模方法及装置 | |
CN115527036A (zh) | 电网场景点云语义分割方法、装置、计算机设备和介质 | |
CN114399692A (zh) | 基于深度学习的违建识别监控检测方法及系统 | |
CN113626917A (zh) | 基于全景技术和bim模型的构件工程量算量方法及系统 | |
CN116977586A (zh) | 一种基于电网gis平台的实景三维建模方法 | |
Chen et al. | Plane segmentation for a building roof combining deep learning and the RANSAC method from a 3D point cloud | |
CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
Yuan et al. | Automatic cables segmentation from a substation device based on 3D point cloud | |
Sanders | Neural networks, AI, phone-based VR, machine learning, computer vision and the CUNAT automated translation app–not your father’s archaeological toolkit | |
CN115984603A (zh) | 基于gf-2与开放地图数据的城市绿地精细化分类方法与系统 | |
CN112000758B (zh) | 一种三维城市建筑构建方法 |
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 |