CN112365503A - 基于点云数据的变电站场景分割方法 - Google Patents
基于点云数据的变电站场景分割方法 Download PDFInfo
- Publication number
- CN112365503A CN112365503A CN202011182882.XA CN202011182882A CN112365503A CN 112365503 A CN112365503 A CN 112365503A CN 202011182882 A CN202011182882 A CN 202011182882A CN 112365503 A CN112365503 A CN 112365503A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- transformer substation
- dimensional
- data
- points
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于点云数据的变电站场景分割方法,对变电站原始点云进行去除地面的操作,并快速聚类优化候选点云簇,然后将点云簇进行坐标变化及数据增强,并训练一个点云分割网络以实现对变电站各类设备的划分,包括以下步骤:S10,获取变电站三维点云数据,并由机器人端传至服务器端;S20,服务器端进行数据预处理,移除地面点云;S30,点云聚类;S40,关键点填补优化;S50,规范转换,数据增强;S60,归类划分,并将结果传回至客户端。本发明解决了利用点云数据对变电站实现场景分割的问题,提供了一种实现变电站三维点云分割的方法。
Description
技术领域
本发明属于三维点云分割领域,涉及一种基于点云数据的变电站场景分割方法。
背景技术
随着电力工业的迅猛发展,对变电站的建设也提出更高要求,而变电站数字重构是其监控和诊断的重要内容。以变电站设备的外形轮廓为基础,提取变电站设备的三维特征,并根据提取特征对变电站设备进行识别分类,同时根据位置姿态信息,能够清晰的知道变电站设备的空间位置关系。根据设备型号以及空间位置关系,对现有变电站建立数字重构模型,能够反应变电站设备的真实位置分布以及设备详情,方便及时发现设计中的问题,以便于变电站的升级维护以及布局的调整,同时可根据需要为变电站的重建提供更准确的数据。
电气设备的分类识别是变电站数字重构的关键技术,其识别数据来源于三维激光点云。通过三维激光扫描仪获取变电站设备外形的三维点云数据,使得利用变电站的外形特征对设备进行分类识别成为可能。同时,实现变电站设备的自动分类识别对变电站大规模三维自动数字重构有着基础支撑作用。
三维激光扫描技术又可理解为实景复制技术,是测绘领域继GPS技术之后的一次技术革命,是近几年出现的新技术,利用激光测距的原理,通过记录被测物体表面大量的密集的点的三维坐标、反射率和纹理等信息,可快速复建出被测目标的三维模型及线、面、体等各种图建数据。在变电站这种相对特殊的领域,三维激光扫描技术进行的非接触式测量采集提供扫描物体表面的三维点云数据,能够较好的解决一些传统测量方法在一些特殊环境下的不足。
变电站设备巡检是确保变电站运行正常的重要方法,当前变电站多数为人工进行识别变电站设备种类和型号以及所在的位置和姿态,在该过程中存在着一些难点和不足:
(1)人工巡检劳动强度大,工作效率低,检测质量和数据也存在着不准确性。而且变电站本身还会对人体本身造成一定的危害,不利于人体健康。
(2)变电站占地面积大,设备种类较多,设备布置多种多样,而且即便是同一类别同一型号的设备姿态位置也是各异。
因此,寻找一种快速有效的变电站三维场景分割、识别的方法是当务之急,有利于后续变电站三维自动数字重构,这样一方面可以降低员工劳动量,减少人力,另一方面也可以提高变电站数字重构的精度和效率。由激光雷达生产的点云数据量每秒可达上百万个,普通的聚类算法无法满足数据实时性计算的要求。点云分割,是指为了快速提取有用的物体信息,根据点云分布的整体特征和局部特征,将点云进行分割,从而形成多个独立的子集。每个子集的期望是每个子集均对应将拥有物理意义的感知目标,并反映出目标物体的几何及位姿特征。点云分割,是保证激光雷达后续目标分类和跟踪性能的重要基础。
三维点云分割问题具有不同的解决方案。早先的方法基于欧氏聚类进行点云分割,这些方法足够高效但是分割结果不能提供语义信息;受图像语义分割的启发,一些研究者将三维点云投影为二维图像,再利用成熟的卷积神经网络为像素分配语义标签,但是这样做忽视了三维点云的几何信息,导致算法性能不佳;基于相机-激光雷达融合的方法可以解决上述问题,但是二维的检测在某些具有挑战性的情况下会失效,而在三维空间中是很容易解决的,此外,这类方法要处理大量的图像和点云输入,因此运行缓慢;此外,直接对整个场景点云进行处理的方法也非常耗时,同时会面临坐标偏差带来的问题。
发明内容
为了实现变电站巡检机器人代替人工对变电站各类设备进行巡查,确保变电站正常运行,也为了后续更好实现变电站的数字重构以及对各类设备实现精准分类,本发明解决了利用点云数据对变电站实现场景分割的问题,提供了一种实现变电站三维点云分割的方法。
为实现上述目的,我们在巡检机器人上搭载相关三维激光扫描仪,以获取变电站点云数据,通过一个两阶段框架首先对原始点云去除地面,在短时间内得到高质量的候选点云簇快速聚类并优化候选点云簇,然后将点云簇进行坐标变化及数据增强,并训练一个点云分割网络以实现对变电站各类设备的划分,从而实现变电站的点云场景分割。本发明的关键观点是分割整个变电站场景,将点云聚为多个有意义的子部分即变电站各个电气设备本身,然后将它们放入一个强大的点集处理器中进行归类划分。因为我们发现我们感兴趣的部分在三维空间是独立开来的,所以在归类每个物体设备时不需要考虑场景中所有的点云,移除地面后的点云是自然段开的。因此,本发明认为通过不带地面的点云聚类来划分各个变电站电气设备是可行和有效的,也有利于后续有关于变电站的重构等的快速准确实现。
本发明的技术方案为基于点云数据的变电站场景分割方法,对变电站原始点云进行去除地面的操作,并快速聚类优化候选点云簇,然后将点云簇进行坐标变化及数据增强,并训练一个点云分割网络以实现对变电站各类设备的划分,包括以下步骤:
S10,获取变电站三维点云数据,并由机器人端传至服务器端;
S20,服务器端进行数据预处理,移除地面点云;
S30,点云聚类;
S40,关键点填补优化;
S50,规范转换,数据增强;
S60,归类划分,并将结果传回至客户端。
优选地,所述获取变电站三维点云数据,并由机器人端传至服务器端,包括以下步骤:
S11,变电站巡检机器人端通过所搭载的三维激光扫描仪对整个变电站内各个电气设备进行扫描,获取整个变电站场景的三维点云数据;
S12,点云数据由空间三维坐标值、激光反射强度组成,且点云数据为离散分布的,即点云数据的位置和间隔等在空间不规则分布,激光扫描待测物体后得到二进制文件,再对其进行相应的格式转换;
S13,巡检机器人端将获得的变电站场景三维点云数据传至服务器端,通过配置好的服务器对采集到的大量点云数据进行后续处理。
优选地,所述服务器端进行数据预处理,移除地面点云,包括以下步骤:
S21,沿着巡检机器人端前进方向将变电站场景分为N个部分,对每个部分提取高度最低的种子点并且拟合出初始的平面模型;
S22,根据垂直距离与预设阈值相比较,判断每个点是否属于该平面,属于平面的点将作为新的种子点拟合出新的平面,如此循环若干次后得到的各点云段进行拼接,得到整个变电站地面的平面表示,
其中,地面点云的分布符合以下条件:可由平面数学模型表示;假定高度值最低的点云属于地面。
优选地,所述点云聚类包括以下步骤:
S31,将不带地面的点云聚类为若干部分,在去除变电站地面点云之后,采用基于激光束的旋转扫描特性的聚类方法进行聚类;
S32,将三维点作为图像的像素点,采用二进制图像中的二进连通分量标注方法,生成实时三维聚类算法;
S33,把由同一激光雷达环产生的一层点称为扫描线,在每个扫描线中,其元素被组织在运行的连续点的向量中,运行中的元素共享相同的标签,并且是集群的构建块;
S34,对于属于同一条线上的点,根据距离阈值将其归为一类,再扩张到相邻的线束上;
S35,将整个变电站场景划分为多个点云集群,即每一个三维电气设备。
优选地,所述关键点填补优化,为每个聚类生成一个最小的三维包围框,确保其Z轴垂直于地面,根据包围框的尺寸以及包围框内的点数进行初步的过滤,排除掉不可能的聚类。
优选地,所述规范转换,数据增强,为以每个聚类为样本,对每个点云簇进行旋转和翻转变换,在不改变样本类别的情况下创建其余M-1个生成的样本,使整体分布均匀,M个样本混合到网络的训练集中,在训练过程中随机采样,将得到的每一点云聚类作为输入,并预测每一聚类的概率分数,该分数表明该聚类属于各电气设备的类别的可能性。
优选地,所述归类划分,并将结果传回至客户端,为利用PointNet++和多尺度分组作为主网络,分用来描述原始点的逐点特征,将变电站场景中分割好的各个三维电气设备进行归类划分,将服务器端处理结果传送显示至客户端或机器人端。
本发明至少有如下具体有益效果:
1、通过对变电站区域现场扫描的三维点云数据进行处理,实现了对变电站中各个三维电气设备种类的划分。与传统的图像识别不同,点云的优势在于实时性比较强,数据精度也比图像高,通过直接对变电站场景三维点云数据的处理,为变电站设备的自动识别提供了新的思路和方法,同时也为变电站自动数字重构奠定了基础;
2、通过一个两阶段框架,结合传统几何方法的效率和先进的深度学习网络的鲁棒性,降低后续的点云处理量,提高了变电站整体场景分割速度,极大地缩短了整个时间;
3、数据增强对于后续变电站三维设备点云集的学习问题,采用一种新的数据增强方法,可以有效的缓解三维空间中的坐标偏差,提高网络的性能,有利于更好实现设备的识别和分类,减少计算量,加快处理时间。
附图说明
图1为本发明方法实施例的基于点云数据的变电站场景分割方法的步骤流程图。
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可以完全理解本发明。
为了便于对本发明的更好理解,我们将定义或解释以下规则:
1.点云数据
点云数据是指扫描资料以点的形式记录,每一个点包含有三维坐标,有些可能含有颜色信息(RGB)或反射强度信息(Intensity)。颜色信息通常是通过相机获取彩色影像,然后将对应位置的像素的颜色信息(RGB)赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采集到的回波强度,此强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。因为每一个点云都具备空间坐标信息,因此它们都具备测量能力。两点成线,三点成面,四点成体,通过这些点,不仅可以明确了解地表空间上的某个点的坐标信息,还可以计算他们之间的长度、面积、体积、角度等信息。点云数据可以用于制作数字高程模型或者用于三维建模等等。
2.欧几里得距离/空间
欧几里得距离(Euclidean distance)也称欧式距离,它是一个通常采用的距离定义,它是在n维空间中两个点之间的真实距离,在二维和三维空间中的欧式距离的就是两点之间的距离。在计算相似度(如人脸识别)的场景下,欧几里得距离是比较直观常见的一种相似度算法。欧氏距离越小,相似度越大;欧氏距离越大,相似度越小。所谓欧氏距离变换,是指对于一张二值图像(我们假定白色为前景色,黑色为背景色)将前景中的像素的值转化为该点到达最近的背景点的距离。欧氏距离变换在数字图像处理中的应用范围很广泛,尤其对于图像的骨架提取,是一个很好的参照。
3.PointNet++
点云是由三维扫描仪获取的一个特别重要的几何点集类型。作为一个集合,这样的数据必须对其元素的排列具有不变性。此外,距离度量定义了可能显示不同属性的局部特征。例如,点的密度或其他属性在不同的位置上可能不一致——在三维扫描中,密度变化可以来自透视效果、径向密度变化、移动等。以前很少有人研究深度学习在点集中的应用。PointNet是这方面的先驱。PointNet的基本思想是学习每个点的空间编码,然后将所有单个点特征聚合到点云的全局特征中。但PointNet没有捕获到由度量引起的局部结构特征,而局部结构特征对于卷积架构(CNN)的成功与否至关重要。而PointNet++,以分层方式处理在度量空间中采样的每一组点。PointNet++的基本思想很简单:首先,用基础空间的距离度量将点集划分为重叠的局部区域。与CNN相似,从小区域内提取点云得局部特征,捕捉精细的几何结构;这些局部特征被进一步分组成更大的单元,并被处理用来产生更高级别的特征,重复这个过程直到得到整个点集的特征。
参见图1,为本发明实施例的本发明的技术方案为基于点云数据的变电站场景分割方法的步骤流程图,对变电站原始点云进行去除地面的操作,并快速聚类优化候选点云簇,然后将点云簇进行坐标变化及数据增强,并训练一个点云分割网络以实现对变电站各类设备的划分,包括以下步骤:
S10,获取变电站三维点云数据,并由机器人端传至服务器端;
S20,服务器端进行数据预处理,移除地面点云;
S30,点云聚类;
S40,关键点填补优化;
S50,规范转换,数据增强;
S60,归类划分,并将结果传回至客户端。
具体实施例中,S10中,变电站巡检机器人端通过所搭载的三维激光扫描仪对整个变电站内各个电气设备进行扫描来获取整个变电站场景的三维点云数据。点云数据由空间三维坐标值、激光反射强度等信息组成,且点云数据是离散分布的,即点云数据的位置和间隔等在空间不规则分布,激光扫描待测物体后得到二进制文件,再对其进行相应的格式转换。之后,巡检机器人端将获得的变电站场景三维点云数据传至服务器端,通过配置好的服务器对采集到的大量点云数据进行后续处理。
S20中,通过对获取的变电站三维点云数据进行预处理,移除地面点云。之前的一些工作是基于欧几里得距离来分割点云,或者是通过将三维点云投影为二维图像再利用成熟的卷积神经网络进行处理,还有通过将相机与激光雷达融合来实现的方法,但这些方法都存在一些不足,或导致算法性能不佳,或导致处理运行缓慢或者耗时太久等等。基于上述说明,本发明通过一个两阶段的框架结合三维几何聚类以及三维深度学习算法来实现对变电站整体场景的三维点云分割以及对应三维电气设备的归类划分。因为我们发现我们感兴趣的部分在三维空间是独立开来的,所以在归类每一电气设备时不需要考虑场景中所有的点云,移除地面后的点云是自然段开的,去除地面点可以使场景中的设备在三维欧几里得空间中相互分离,大大减少了后续进行计算时所涉及的点的数量,更加有利于我们对于各个设备的划分归类。关于地面的去除环节,地面点的分布符合以下假设:1)它们很容易识别,可以由平面这一简单的数学模型表示;2)可以假定高度值最低的点云最可能属于地面。一般情况下,单平面模型不足以表示真实地面,因为地面点不能形成一个完美的平面,考虑到地面的不平整以及在长距离测量时会产生较大的噪声,沿着巡检小车前进方向将变电站场景分为N个部分,对每个部分提取高度最低的种子点并且拟合出初始的平面模型,再根据垂直距离与设定好的阈值相比较判断每个点是否属于该平面,属于平面的点将作为新的种子点拟合出新的平面,如此循环数次后将得到的各点云段进行拼接可以得到整个变电站地面的平面表示。
S30中,将不带地面的点云聚类为若干部分。在去除变电站地面点云之后,采用基于激光束的旋转扫描特性的聚类方法进行聚类。如用64线激光雷达扫描获取相关点云数据,则具有64道光束,采集的点遵循一定的顺序。在360度激光雷达传感器扫描下,三维点云的多层结构与二维图像的行状结构非常相似,主要区别在于各层元素个数的不均匀性及其圆形形式。本方法将三维点作为图像的像素点,采用二进制图像中的二进连通分量标注技术,生成实时三维聚类算法。我们把由同一激光雷达环产生的一层点称为扫描线。在每个扫描线中,它的元素被组织在称为运行的连续点的向量中。运行中的元素共享相同的标签,并且是集群的主要构建块。对于属于同一条线上的点,根据距离阈值将其归为一类,随后扩张到相邻的线束上。最终,我们可以成功地将整个变电站场景划分为多个点云集群,即每一个三维电气设备。
S40中,聚类后的点云优化:为每个聚类生成一个最小的三维包围框,确保其Z轴垂直于地面,根据包围框的尺寸以及包围框内的点数进行初步的过滤,排除掉不可能的聚类。我们发现,在去除地面点云时,一些属于电气设备的点由于太接近地面而被错误地计算为地面。基于这个原因,需要对对候选点云簇进行优化,如扩大包围框融入更多点,将有些由于距离地面较近被归入了地面的点找回来。
S50中,对各个点云分割部分进行规范转换、数据增强。由于目标在扫描坐标系中分布在场景的各个位置,使得目标的坐标变化剧烈,这将会使得神经网络难以收敛。考虑到这一点,我们以每个聚类为样本,对每个点云簇进行旋转和翻转变换操作,在不改变样本类别的情况下创建其余七个生成的样本,使得整体的分布是均匀的,这八个样本都可能是我们在现实世界中通过上述方法所得到的。我们将这八个样本混合到网络的训练集中,在训练过程中随机采样。这样,基于学习的方法对视点的变化(局部坐标系的选择)不敏感,在一定程度上减轻了坐标偏差的负面影响。坐标系的变化不会影响点之间的相对位置,反而会使数据分布更加集中,使神经网络更加关注点的相对位置而不是绝对位置。之后,我们将上述得到的每一点云聚类作为输入,并预测每一聚类的概率分数,该分数表明该聚类属于各电气设备的类别的可能性有多大。
S60中,在得到分割好的变电站设备点云集后,我们可以利用PointNet++和多尺度分组作为我们的主网络,进而去学习区分用来描述原始点的逐点特征,当然它也可以被其他三维神经网络灵活地代替,最终将变电站场景中分割好的各个三维电气设备进行归类划分。然后将服务器端处理结果传送显示至客户端/机器人端。
本发明所述的方法结合变电站点云场景提出一个灵活的两阶段三维点云分割框架,结合了传统分割聚类算法和基于深度学习的优势,可以得到精炼的高召回率的候选点云簇,极大降低了后续点云处理的计算量,大大缩短了时间,并且使得变电站电气设备的边界分割更加快速和准确。
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 (7)
1.基于点云数据的变电站场景分割方法,其特征在于,对变电站原始点云进行去除地面的操作,并快速聚类优化候选点云簇,然后将点云簇进行坐标变化及数据增强,并训练一个点云分割网络以实现对变电站各类设备的划分,包括以下步骤:
S10,获取变电站三维点云数据,并由机器人端传至服务器端;
S20,服务器端进行数据预处理,移除地面点云;
S30,点云聚类;
S40,关键点填补优化;
S50,规范转换,数据增强;
S60,归类划分,并将结果传回至客户端。
2.根据权利要求1所述的方法,其特征在于,所述获取变电站三维点云数据,并由机器人端传至服务器端,包括以下步骤:
S11,变电站巡检机器人端通过所搭载的三维激光扫描仪对整个变电站内各个电气设备进行扫描,获取整个变电站场景的三维点云数据;
S12,点云数据由空间三维坐标值、激光反射强度组成,且点云数据为离散分布的,即点云数据的位置和间隔等在空间不规则分布,激光扫描待测物体后得到二进制文件,再对其进行相应的格式转换;
S13,巡检机器人端将获得的变电站场景三维点云数据传至服务器端,通过配置好的服务器对采集到的大量点云数据进行后续处理。
3.根据权利要求1所述的方法,其特征在于,所述服务器端进行数据预处理,移除地面点云,包括以下步骤:
S21,沿着巡检机器人端前进方向将变电站场景分为N个部分,对每个部分提取高度最低的种子点并且拟合出初始的平面模型;
S22,根据垂直距离与预设阈值相比较,判断每个点是否属于该平面,属于平面的点将作为新的种子点拟合出新的平面,如此循环若干次后得到的各点云段进行拼接,得到整个变电站地面的平面表示,
其中,地面点云的分布符合以下条件:可由平面数学模型表示;假定高度值最低的点云属于地面。
4.根据权利要求1所述的方法,其特征在于,所述点云聚类包括以下步骤:
S31,将不带地面的点云聚类为若干部分,在去除变电站地面点云之后,采用基于激光束的旋转扫描特性的聚类方法进行聚类;
S32,将三维点作为图像的像素点,采用二进制图像中的二进连通分量标注方法,生成实时三维聚类算法;
S33,把由同一激光雷达环产生的一层点称为扫描线,在每个扫描线中,其元素被组织在运行的连续点的向量中,运行中的元素共享相同的标签,并且是集群的构建块;
S34,对于属于同一条线上的点,根据距离阈值将其归为一类,再扩张到相邻的线束上;
S35,将整个变电站场景划分为多个点云集群,即每一个三维电气设备。
5.根据权利要求1所述的方法,其特征在于,所述关键点填补优化,为每个聚类生成一个最小的三维包围框,确保其Z轴垂直于地面,根据包围框的尺寸以及包围框内的点数进行初步的过滤,排除掉不可能的聚类。
6.根据权利要求1所述的方法,其特征在于,所述规范转换,数据增强,为以每个聚类为样本,对每个点云簇进行旋转和翻转变换,在不改变样本类别的情况下创建其余M-1个生成的样本,使整体分布均匀,M个样本混合到网络的训练集中,在训练过程中随机采样,将得到的每一点云聚类作为输入,并预测每一聚类的概率分数,该分数表明该聚类属于各电气设备的类别的可能性。
7.根据权利要求1所述的方法,其特征在于,所述归类划分,并将结果传回至客户端,为利用PointNet++和多尺度分组作为主网络,分用来描述原始点的逐点特征,将变电站场景中分割好的各个三维电气设备进行归类划分,将服务器端处理结果传送显示至客户端或机器人端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182882.XA CN112365503A (zh) | 2020-10-29 | 2020-10-29 | 基于点云数据的变电站场景分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011182882.XA CN112365503A (zh) | 2020-10-29 | 2020-10-29 | 基于点云数据的变电站场景分割方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112365503A true CN112365503A (zh) | 2021-02-12 |
Family
ID=74512950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011182882.XA Withdrawn CN112365503A (zh) | 2020-10-29 | 2020-10-29 | 基于点云数据的变电站场景分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365503A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052274A (zh) * | 2021-06-02 | 2021-06-29 | 天津云圣智能科技有限责任公司 | 点云数据处理方法、装置及电子设备 |
CN113420846A (zh) * | 2021-08-24 | 2021-09-21 | 天津云圣智能科技有限责任公司 | 点云分割方法、装置及终端设备 |
CN113744323A (zh) * | 2021-08-11 | 2021-12-03 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
CN113793421A (zh) * | 2021-09-26 | 2021-12-14 | 国网湖南省电力有限公司 | 一种变电站设备三维点云数据处理方法、系统及存储介质 |
CN114399762A (zh) * | 2022-03-23 | 2022-04-26 | 成都奥伦达科技有限公司 | 一种道路场景点云分类方法及存储介质 |
CN114820747A (zh) * | 2022-06-28 | 2022-07-29 | 安徽继远软件有限公司 | 基于点云和实景模型的航线规划方法、装置、设备及介质 |
CN115048688A (zh) * | 2022-04-01 | 2022-09-13 | 湖州电力设计院有限公司 | 一种基于可移动式屋面的gis室平面优化方法 |
-
2020
- 2020-10-29 CN CN202011182882.XA patent/CN112365503A/zh not_active Withdrawn
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052274A (zh) * | 2021-06-02 | 2021-06-29 | 天津云圣智能科技有限责任公司 | 点云数据处理方法、装置及电子设备 |
CN113744323A (zh) * | 2021-08-11 | 2021-12-03 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
CN113744323B (zh) * | 2021-08-11 | 2023-12-19 | 深圳蓝因机器人科技有限公司 | 点云数据处理方法和装置 |
CN113420846A (zh) * | 2021-08-24 | 2021-09-21 | 天津云圣智能科技有限责任公司 | 点云分割方法、装置及终端设备 |
CN113793421A (zh) * | 2021-09-26 | 2021-12-14 | 国网湖南省电力有限公司 | 一种变电站设备三维点云数据处理方法、系统及存储介质 |
CN114399762A (zh) * | 2022-03-23 | 2022-04-26 | 成都奥伦达科技有限公司 | 一种道路场景点云分类方法及存储介质 |
CN114399762B (zh) * | 2022-03-23 | 2022-06-10 | 成都奥伦达科技有限公司 | 一种道路场景点云分类方法及存储介质 |
CN115048688A (zh) * | 2022-04-01 | 2022-09-13 | 湖州电力设计院有限公司 | 一种基于可移动式屋面的gis室平面优化方法 |
CN114820747A (zh) * | 2022-06-28 | 2022-07-29 | 安徽继远软件有限公司 | 基于点云和实景模型的航线规划方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365503A (zh) | 基于点云数据的变电站场景分割方法 | |
CN113449594B (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
Neubert et al. | Evaluation of remote sensing image segmentation quality–further results and concepts | |
Feng et al. | GCN-based pavement crack detection using mobile LiDAR point clouds | |
CN111144325A (zh) | 变电站电力设备的故障识别定位方法、装置及设备 | |
CN110288586A (zh) | 一种基于可见光图像数据的多尺度输电线路缺陷检测方法 | |
CN104331699A (zh) | 一种三维点云平面化快速搜索比对的方法 | |
CN110598784A (zh) | 基于机器学习的建筑垃圾分类方法及装置 | |
CN111582294A (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN110133443B (zh) | 基于平行视觉的输电线路部件检测方法、系统、装置 | |
CN115797813B (zh) | 基于航拍图像的水环境污染检测方法 | |
Alidoost et al. | Y-shaped convolutional neural network for 3d roof elements extraction to reconstruct building models from a single aerial image | |
CN115267815A (zh) | 一种基于点云建模的路侧激光雷达组群优化布设方法 | |
CN114998103A (zh) | 一种基于孪生网络的点云文物碎片的三维虚拟拼接方法 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
Kuchkorov et al. | Agro-field boundary detection using mask R-CNN from satellite and aerial images | |
CN117808964A (zh) | 一种基于bim的钢结构形变监测处理方法及系统 | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
CN114782357A (zh) | 一种用于变电站场景的自适应分割系统及方法 | |
CN115482386A (zh) | 一种基于深度学习的三维点云语义分割方法 | |
Poier et al. | Petrosurf3d–a high-resolution 3d dataset of rock art for surface segmentation | |
CN113610066B (zh) | 基于人工智能的红枣数据识别方法 | |
CN116843831B (zh) | 一种农产品仓储保鲜库孪生数据管理方法及系统 | |
CN115937229B (zh) | 一种基于超体素和图割算法的三维自动分割方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210212 |
|
WW01 | Invention patent application withdrawn after publication |