CN112862910B - 一种对变电站三维模型进行数据压缩的方法 - Google Patents

一种对变电站三维模型进行数据压缩的方法 Download PDF

Info

Publication number
CN112862910B
CN112862910B CN202110450800.3A CN202110450800A CN112862910B CN 112862910 B CN112862910 B CN 112862910B CN 202110450800 A CN202110450800 A CN 202110450800A CN 112862910 B CN112862910 B CN 112862910B
Authority
CN
China
Prior art keywords
sub
dimensional
module
transformer substation
dimensional model
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.)
Active
Application number
CN202110450800.3A
Other languages
English (en)
Other versions
CN112862910A (zh
Inventor
张雅洁
吴钟飞
李兆伟
张承周
薛峰
刘丽荣
张伟平
刘贯科
陈冰心
彭俊坚
陈凤超
汪杰
廖肇毅
王植
谢培成
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.)
Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Dongguan Power Supply Bureau 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 Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Dongguan Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202110450800.3A priority Critical patent/CN112862910B/zh
Publication of CN112862910A publication Critical patent/CN112862910A/zh
Application granted granted Critical
Publication of CN112862910B publication Critical patent/CN112862910B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T9/00—Image coding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种对变电站三维模型进行数据压缩的方法，包括以下步骤：对变电站三维模型进行聚类降维，获得变电站三维模型的子模块文件；依次对所有的所述子模块文件进行轨迹编码，获得轨迹文件；基于所述轨迹文件对所述子模块文件进行映射编码，获得变电站三维模型的压缩文件；利用压缩算法LZMA对所述压缩文件进行数据压缩。本发明利用K‑means算法对变电站三维模型进行聚类降维，并对获得的子模块文件进行逻辑编码，形成轨迹文件，从而能够依据该轨迹文件进行映射编码以获得压缩文件；本发明充分结合考虑了空间色彩逻辑和空间坐标逻辑，有效地提高了压缩精度。

Description

一种对变电站三维模型进行数据压缩的方法
技术领域
本发明涉及电力模型仿真技术领域，具体涉及一种对变电站三维模型进行数据压缩的方法。
背景技术
随着信息技术的发展，目前使用虚拟现实技术等数字化手段实现了变电站场景的数字化，在变电站仿真培训环境中构建基于网络的变电站仿真系统，实现了变电站的实时监控、信息共享和仿真培训等。为了实现高质量的视觉体验，变电站三维场景的数据量往往会很大，但是在进行网络传输时，数据量过大会增加网络传输时间，造成变电站三维场景实时浏览的延迟。
例如，现有技术CN201410342590.6公开了一种对变电站三维模型进行数据压缩的方法及系统，该方法包括；遍历变电站三维设备模型中的子部件模型数据；通过模型特征匹配方法对变电站设备模型中的子部件进行分组匹配，从每一类子部件模型集合中获取一个基准模型；基于基准模型计算所涉及该类中所有部件模型相对于基准模型的空间变换参数；根据计算出的空间变换参数对变电站设备模型进行索引和重编码，完成变电站三维场景的数据压缩。本发明实施例基于基准模型进行同一编码，大大减少了变电站三维场景的数据流，实现了变电站三维场景的数据压缩，从而提高了变电站三维场景的传输效率。
虽然现有技术能够对变电站三维场景进行数据压缩，但是仍存在一定的缺陷，具体如下：将变电站三维模型的压缩过程中需要进行人为分拣子模块分量，则仅能从空间拓扑逻辑中进行子模块相似度归纳，忽视了空间色彩逻辑导致子模块识别精度低，子模块逐个人为分拣效率低，最终导致压缩受损，效率降低的问题。
发明内容
本发明的目的在于提供一种对变电站三维模型进行数据压缩的方法，以解决现有技术对变电站三维场景进行数据压缩时存在压缩受损、效率降低的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种对变电站三维模型进行数据压缩的方法，包括以下步骤：
对变电站三维模型进行聚类降维，获得变电站三维模型的子模块文件；
依次对所有的所述子模块文件进行轨迹编码，获得轨迹文件；
基于所述轨迹文件对所述子模块文件进行映射编码，获得变电站三维模型的压缩文件；
利用压缩算法LZMA对所述压缩文件进行数据压缩。
可选地，所述对变电站三维模型进行聚类降维，包括：
对所述变电站三维模型进行分量分割，生成三维子模块，确定所述三维子模块的关键特征量；
基于所述关键特征量对所述三维子模块进行聚类，获得子模块簇，基于所述子模块簇归纳所述子模块文件。
可选地，对所述变电站三维模型进行分量分割，生成三维子模块，包括：
对所述变电站三维模型进行三维坐标化，分别选取所述变电站三维模型在x向、y向和z向上的顶点，基于选取的各个顶点构建矩形容器；
等分量分割所述矩形容器获得多个矩形子容器，将所述矩形子容器作为变电站三维模型随所述矩形容器同步分割而形成的三维子模块。
可选地，所述关键特征量包括：基于颜色直方图在所述三维子模块上提取的多个关键特征的集合；
所述确定所述三维子模块的关键特征量，包括：
基于颜色直方图在所述三维子模块上提取特征集合；
将所述特征集合进行两两配对组合，获得双特征对；
将所述双特征对的特征值代入相关性计算公式，获得双特征对的相关性系数；
遍历选取相关性系数高于相关性阈值的第一双特征对，在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分并汇总，获得构成所述关键特征的特征汇总；
所述相关性计算公式如下：
Figure 18643DEST_PATH_IMAGE001
；
其中，X为特征集合，
Figure 466941DEST_PATH_IMAGE002
，
Figure 246679DEST_PATH_IMAGE003
为特征集合中的第i，j个特征的特征值，
Figure 641888DEST_PATH_IMAGE004
是
Figure 456260DEST_PATH_IMAGE005
和
Figure 809881DEST_PATH_IMAGE006
的联合概率分布函数，而
Figure 76914DEST_PATH_IMAGE007
和
Figure 275815DEST_PATH_IMAGE008
分别是
Figure 475852DEST_PATH_IMAGE005
和
Figure 469216DEST_PATH_IMAGE006
的边缘概率分布函数。
可选地，所述基于所述关键特征量对所述三维子模块进行聚类，获得子模块簇，基于所述子模块簇归纳所述子模块文件，包括：
基于所述关键特征量依次对所有所述三维子模块进行关键特征值计算；
随机在所有所述三维子模块中选取K个三维子模块作为聚类中心，并基于K-means算法对所有所述三维子模块进行聚类收敛，获得K组子模块簇；
获取所述K组子模块簇中，位于簇中心处的K个三维子模块的关键特征值，分别独立保存形成K组子模块文件。
可选地，所述依次对所有的所述子模块文件进行轨迹编码，获得轨迹文件，包括：
遍历所述K组子模块文件，针对每组模块簇中的所有三维子模块，依次基于与所述子模块文件对应的三维子模块进行三维坐标偏移量计算，得到K组子模块簇中所有三维子模块的偏移量；
将K组子模块簇中所有三维子模块的偏移量进行汇总，构成K组轨迹文件。
可选地，基于所述轨迹文件对所述子模块文件进行映射编码，获得变电站三维模型的压缩文件，包括：
将所述子模块文件作为轨迹文件的索引建立映射，获得变电站三维模型的压缩文件。
可选地，所述等分量分割所述矩形容器获得多个矩形子容器时，利用全局搜索策略结合多目标优化策略求取等分量分割的分数；
所述全局搜索策略结合多目标优化策略，包括：
构建全局搜索的多目标函数，并利用全局搜索算法基于对变电站三维模型建立等分量分割模型。
可选地，所述构建全局搜索的多目标函数，包括：
基于公式：
Figure 223545DEST_PATH_IMAGE009
，对关键特征量的提取复杂度进行量化提取；
基于公式：
Figure 960557DEST_PATH_IMAGE010
，对偏移量的计算复杂度进行量化提取；
基于公式：
Figure 483942DEST_PATH_IMAGE011
，对子模块簇的聚类复杂度进行量化提取；
分别对公式
Figure 444945DEST_PATH_IMAGE009
、
Figure 686570DEST_PATH_IMAGE010
和
Figure 961694DEST_PATH_IMAGE011
进行最小化修正，得到
Figure 605165DEST_PATH_IMAGE012
、
Figure 471490DEST_PATH_IMAGE013
和
Figure 200411DEST_PATH_IMAGE014
；
将
Figure 279226DEST_PATH_IMAGE012
、
Figure 777203DEST_PATH_IMAGE015
和
Figure 80008DEST_PATH_IMAGE014
联合生成多目标函数如下：
Figure 30647DEST_PATH_IMAGE016
，
其中，N为等分量分割的三维子模块的数目，K为子模块簇的数目。
可选地，所述全局搜索算法采用免疫遗传算法。
本发明与现有技术相比较具有如下有益效果：
本发明利用K-means算法对变电站三维模型进行聚类降维，并对获得的子模块文件进行逻辑编码，形成轨迹文件，从而能够依据该轨迹文件进行映射编码以获得压缩文件；本发明充分结合考虑了空间色彩逻辑和空间坐标逻辑，有效地提高了压缩精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明提供的一种对变电站三维模型进行数据压缩的方法的方法流程图；
图2为本发明提供的对一种对变电站三维模型进行数据压缩的方法中步骤S1的方法流程图
图3为本发明实施例提供的K组子模块簇结构示意图；
图4为本发明实施例提供的变电站三维模型数据压缩前结构示意图；
图5为本发明实施例提供的变电站三维模型数据压缩后结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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，都属于本发明保护的范围。
如图1-5所示，本发明提供了一种对变电站三维模型进行数据压缩的方法，包括以下步骤：
变电站中的设备结构通常较为规整，并且许多部件具有高度的形体相似性，因此本实施在进行变电站三维模型数据压缩对变电站三维模型进行三维子模型聚类，从而可将相似度高的多个三维子模型的数据压缩为一个三维子模型数据，从而降低数据冗余实现数据压缩的作用。
步骤S1、对变电站三维模型进行聚类降维，获得变电站三维模型的子模块文件。
具体地，该步骤S1包括：
步骤S101、对变电站三维模型进行分量分割，生成三维子模块，确定三维子模块的关键特征量；
步骤S102、基于关键特征量对三维子模块进行聚类，获得子模块簇，基于子模块簇归纳子模块文件。
步骤S101中，变电站三维模型进行分量分割以生成三维子模块的具体方法包括：
对变电站三维模型进行三维坐标化，分别选取变电站三维模型在x向、y向和z向上的顶点，基于选取的各个顶点构建矩形容器；
等分量分割矩形容器获得多个矩形子容器，将矩形子容器作为变电站三维模型随矩形容器同步分割而形成的三维子模块。
可以理解的是，等风量分割是将变电站三维模型等分为多个相同体积的三维子模块，变电站三维模型通常在三维结构上为非矩形结构，直接对三维模型进行等分量切割会造成空间体积的计算量骤增，从而将变电站三维模型进行三维空间的顶点为边界填充生成嵌套在变电站三维模型外部的标准矩形容器，用以进行等分量分割，降低计算量的同时可获得规整的三维子模块，便于后续的三维子模块颜色直方图的计算。
另外，变电站三维模型等分量分割的三维子模块数目，与变电站三维模型的压缩效率具有紧密联系，因此本实施例提供了一种智能优化策略求取变电站三维模型等分量分割成三维子模块最佳数目，具体为：
等分量分割的分数利用全局搜索策略结合多目标优化策略求取，具体方法包括：
构建全局搜索的多目标函数，并利用全局搜索算法基于对变电站三维模型进行建立等分量分割模型。
构建全局搜索的多目标函数的具体方法包括：
对关键特征量的提取复杂度进行量化提取，关键特征量的提取复杂度的计算公式 为：
Figure 913152DEST_PATH_IMAGE009
；
对偏移量的计算复杂度进行量化提取，偏移量的提取复杂度的计算公式为：
Figure 265636DEST_PATH_IMAGE010
。
对子模块簇的聚类复杂度进行量化提取，子模块簇的聚类复杂度的提取复杂度的 计算公式为：
Figure 751062DEST_PATH_IMAGE011
；
分别对
Figure 188996DEST_PATH_IMAGE009
、
Figure 609613DEST_PATH_IMAGE010
和
Figure 82183DEST_PATH_IMAGE011
进行最小化修正分别为
Figure 195632DEST_PATH_IMAGE012
、
Figure 652021DEST_PATH_IMAGE013
和
Figure 876329DEST_PATH_IMAGE014
；
将
Figure 468985DEST_PATH_IMAGE012
、
Figure 753336DEST_PATH_IMAGE015
和
Figure 165862DEST_PATH_IMAGE014
联合生成多目标函数为：
Figure 193861DEST_PATH_IMAGE016
，
其中，N为等分量分割的三维子模块数目，K为子模块簇的数目。
Figure 375444DEST_PATH_IMAGE009
、
Figure 96275DEST_PATH_IMAGE010
和
Figure 996098DEST_PATH_IMAGE011
均为与变电站三维模型等分量分割的三维子 模块数目N有关函数，
Figure 562209DEST_PATH_IMAGE009
的自变量为
Figure 863877DEST_PATH_IMAGE017
，
Figure 755610DEST_PATH_IMAGE010
的自变量为N，
Figure 142729DEST_PATH_IMAGE011
的自变量为
Figure 512530DEST_PATH_IMAGE018
，因此全局搜索算法可在f求得N的最佳数值使得
Figure 403126DEST_PATH_IMAGE009
、
Figure 731339DEST_PATH_IMAGE010
和
Figure 340175DEST_PATH_IMAGE011
均为最低，则压缩的整体复杂度最低。
具体地，前述步骤中，全局搜索算法采用免疫遗传算法。
利用关键特征量的提取复杂度、偏移量的计算复杂度和子模块簇的聚类复杂度作为多目标函数，能够使求取的变电站三维模型等分量分割成三维子模块最佳数目具有最低计算复杂度，从而获得最高的压缩效率。
如图2所示，步骤S102中，基于关键特征量对三维子模块进行聚类获得子模块簇，并基于子模块簇归纳子模块文件；其中，关键特征量包括：基于颜色直方图在三维子模块上提取的多个关键特征的集合。
该步骤S102包括：
基于颜色直方图在三维子模块上提取特征集合；
将特征集合进行两两配对组合，获得双特征对；
将双特征对的特征值代入相关性计算公式，获得双特征对的相关性系数；
遍历选取相关性系数高于相关性阈值的第一双特征对，在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分并汇总，获得构成关键特征的特征汇总。
利用颜色直方图作为三维子模块相似度划分的特征，能够实现变电站三维模型的空间色彩逻辑的运用，更适用于具有颜色分量的变电站三维模型，且相较于从空间结构逻辑上的相似度划分只需逐点考虑即可，无需空间记忆性；而空间结构逻辑上进行相似度划分需要进行空间坐标记忆从而进行体积、面积匹配，空间结构逻辑极度依赖于划分成三维子模块的子容器形状，因此子容器形状选取不慎可导致相似度均为0，进而完全达不到压缩效果，而且依据空间结构逻辑划分为一类的三维子模块在空间色彩逻辑存在差别，那么仍然需要对空间色彩逻辑进行数据区分，最终导致计算量增大的同时，数据冗余仍然存在，压缩效果差，得不偿失。
可以理解的是，空间色彩逻辑包括但不仅限于三维子模块的RGB、灰度和像素中，空间结构逻辑包括但不仅限于三维坐标、体积和面积中。
具体地，相关性计算公式为：
Figure 513667DEST_PATH_IMAGE001
；
其中，X为特征集合，
Figure 524348DEST_PATH_IMAGE002
，
Figure 492304DEST_PATH_IMAGE003
为特征集合中的第i，j个特征的特征值，
Figure 119595DEST_PATH_IMAGE004
是
Figure 362357DEST_PATH_IMAGE002
和
Figure 227545DEST_PATH_IMAGE003
的联合概率分布函数，而
Figure 366403DEST_PATH_IMAGE007
和
Figure 949831DEST_PATH_IMAGE008
分别是
Figure 730705DEST_PATH_IMAGE002
和
Figure 715978DEST_PATH_IMAGE003
的边缘概率分布函数。
相关性系数是指两个特征的相似程度，利用相关性系数量化颜色直方图在三维子模块上提取的特征集合内特征间的相似程度，而后将特征集合内相似程度高的多个特征仅用一个特征进行表征即可，从而能够实现特征降维，保留关键特征。
步骤S102中，基于关键特征量对三维子模块进行聚类，获得子模块簇，基于子模块簇归纳子模块文件的具体方法包括：
基于关键特征量依次对所有三维子模块进行关键特征值计算；
随机在所有三维子模块中选取K个三维子模块作为聚类中心，并基于K-means算法对所有三维子模块进行聚类收敛，获得K组子模块簇；
获取K组子模块簇中，位于簇中心处的K个三维子模块的关键特征值，分别独立保存形成K组子模块文件。
具体地，随机在所有三维子模块中选取K个三维子模块作为聚类中心，并基于K-means算法对所有三维子模块进行聚类收敛，获得K组子模块簇，包括：
首先，随机在所有三维子模块中选取K个三维子模块作为聚类中心作为初始化的K个子模块簇；然后，依次计算所有三维子模块的关键特征量与K聚类中心的关键特征量之间的欧式距离，并归属于欧式距离最短的子模块簇；其次，重新计算子模块簇的所有三维子模块的关键特征量的均值更新聚类中心；最后，计算聚类中心更新前后的差值，并与设定阈值比较，若高于阈值，则返回第二步，若低于阈值，则将当前分簇结果作为K组子模块簇。
将子模块簇的簇中心的三维子模块的关键特征值表征为簇内所有三维子模块的关键特征值，因此可将三维子模块的空间色彩逻辑进行簇内归一，实现三维子模块在空间色彩逻辑上的数据压缩。
步骤S2、依次对所有的子模块文件进行轨迹编码，获得轨迹文件。
子模块文件进行轨迹编码获得轨迹文件的具体方法包括：
遍历K组子模块文件并依次将每组模块簇的所有三维子模块与子模块文件对应的三维子模块进行三维坐标偏移量计算；
将K组子模块簇的所有三维子模块的偏移量进行汇总构成K组轨迹文件。
对子模块簇的簇内三维子模块进行空间结构逻辑上的偏移量计算，可获得簇中心的三维子模块所位于的所有空间坐标。
步骤S3、基于轨迹文件对子模块文件进行映射编码，获得变电站三维模型的压缩文件。
子模块文件进行映射编码获得三维模型的压缩文件的具体方法包括：
将子模块文件作为轨迹文件的索引建立映射获得压缩文件，可通过子模块文件中的三维子模块的关键特征量的数据匹配到该三维子模块处于的所有空间坐标，做到三维子模块的一个空间色彩逻辑对应多个空间结构逻辑，避免一个空间色彩逻辑对应一个空间结构逻辑，实现了空间色彩逻辑上的数据压缩。
步骤S4、利用压缩算法LZMA对压缩文件进行数据压缩。
本发明利用K-means算法对变电站三维模型的各个三维子模块基于关键特征量进行聚类成簇，利用智能算法自行对三维子模块进行归类提高压缩效率，而且将相似度高的多个三维子模块降维成用同一三维子模块空间色彩逻辑编码的子模块文件，并将多个三维子模块的空间坐标逻辑编码为轨迹文件，以子模块文件作为轨迹文件索引建立压缩文件，充分结合考虑了空间色彩逻辑和空间坐标逻辑，提高压缩精度。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (7)

1.一种对变电站三维模型进行数据压缩的方法，其特征在于，包括以下步骤：
对变电站三维模型进行聚类降维，获得变电站三维模型的子模块文件；
依次对所有的所述子模块文件进行轨迹编码，获得轨迹文件；
基于所述轨迹文件对所述子模块文件进行映射编码，获得变电站三维模型的压缩文件；
利用压缩算法LZMA对所述压缩文件进行数据压缩；
所述对变电站三维模型进行聚类降维，包括：
对所述变电站三维模型进行分量分割，生成三维子模块，确定所述三维子模块的关键特征量；
基于所述关键特征量对所述三维子模块进行聚类，获得子模块簇，基于所述子模块簇归纳所述子模块文件；
对所述变电站三维模型进行分量分割，生成三维子模块，包括：
对所述变电站三维模型进行三维坐标化，分别选取所述变电站三维模型在x向、y向和z向上的顶点，基于选取的各个顶点构建矩形容器；
等分量分割所述矩形容器获得多个矩形子容器，将所述矩形子容器作为变电站三维模型随所述矩形容器同步分割而形成的三维子模块；
所述关键特征量包括：基于颜色直方图在所述三维子模块上提取的多个关键特征的集合；
所述确定所述三维子模块的关键特征量，包括：
基于颜色直方图在所述三维子模块上提取特征集合；
将所述特征集合进行两两配对组合，获得双特征对；
将所述双特征对的特征值代入相关性计算公式，获得双特征对的相关性系数；
遍历选取相关性系数高于相关性阈值的第一双特征对，在第一双特征对中随机选取第一特征，并对应删除所有双特征对中的第一特征，直至第一双特征对遍历完成；
将所有双特征对进行配对拆分并汇总，获得构成所述关键特征的特征汇总；
所述相关性计算公式如下：
Figure DEST_PATH_IMAGE001
；
其中，X为特征集合，
Figure 258923DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
为特征集合中的第i，j个特征的特征值，
Figure 927802DEST_PATH_IMAGE004
是
Figure 921166DEST_PATH_IMAGE002
和
Figure 675495DEST_PATH_IMAGE003
的联合概率分布函数，而
Figure DEST_PATH_IMAGE005
和
Figure 599458DEST_PATH_IMAGE006
分别是
Figure 122843DEST_PATH_IMAGE002
和
Figure 552687DEST_PATH_IMAGE003
的边缘概率分布函数。
2.根据权利要求1所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，所述基于所述关键特征量对所述三维子模块进行聚类，获得子模块簇，基于所述子模块簇归纳所述子模块文件，包括：
基于所述关键特征量依次对所有所述三维子模块进行关键特征值计算；
随机在所有所述三维子模块中选取K个三维子模块作为聚类中心，并基于K-means算法对所有所述三维子模块进行聚类收敛，获得K组子模块簇；
获取所述K组子模块簇中，位于簇中心处的K个三维子模块的关键特征值，分别独立保存形成K组子模块文件。
3.根据权利要求2所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，所述依次对所有的所述子模块文件进行轨迹编码，获得轨迹文件，包括：
遍历所述K组子模块文件，针对每组模块簇中的所有三维子模块，依次基于与所述子模块文件对应的三维子模块进行三维坐标偏移量计算，得到K组子模块簇中所有三维子模块的偏移量；
将K组子模块簇中所有三维子模块的偏移量进行汇总，构成K组轨迹文件。
4.根据权利要求3所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，基于所述轨迹文件对所述子模块文件进行映射编码，获得变电站三维模型的压缩文件，包括：
将所述子模块文件作为轨迹文件的索引建立映射，获得变电站三维模型的压缩文件。
5.根据权利要求4所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，所述等分量分割所述矩形容器获得多个矩形子容器时，利用全局搜索策略结合多目标优化策略求取等分量分割的分数；
所述全局搜索策略结合多目标优化策略，包括：
构建全局搜索的多目标函数，并利用全局搜索算法基于对变电站三维模型建立等分量分割模型。
6.根据权利要求5所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，所述构建全局搜索的多目标函数，包括：
基于公式：
Figure DEST_PATH_IMAGE007
，对关键特征量的提取复杂度进行量化提取；
基于公式：
Figure DEST_PATH_IMAGE008
，对偏移量的计算复杂度进行量化提取；
基于公式：
Figure 731996DEST_PATH_IMAGE009
，对子模块簇的聚类复杂度进行量化提取；
分别对公式
Figure 7119DEST_PATH_IMAGE007
、
Figure 650590DEST_PATH_IMAGE008
和
Figure 985757DEST_PATH_IMAGE009
进行最小化修正，得到
Figure DEST_PATH_IMAGE010
、
Figure DEST_PATH_IMAGE011
和
Figure 901629DEST_PATH_IMAGE012
；
将
Figure 980443DEST_PATH_IMAGE010
、
Figure 478421DEST_PATH_IMAGE011
和
Figure 250068DEST_PATH_IMAGE012
联合生成多目标函数如下：
Figure DEST_PATH_IMAGE013
，
其中，N为等分量分割的三维子模块的数目，K为子模块簇的数目。
7.根据权利要求6所述的一种对变电站三维模型进行数据压缩的方法，其特征在于，所述全局搜索算法采用免疫遗传算法。
CN202110450800.3A 2021-04-26 2021-04-26 一种对变电站三维模型进行数据压缩的方法 Active CN112862910B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110450800.3A CN112862910B (zh) 2021-04-26 2021-04-26 一种对变电站三维模型进行数据压缩的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110450800.3A CN112862910B (zh) 2021-04-26 2021-04-26 一种对变电站三维模型进行数据压缩的方法

Publications (2)

Publication Number Publication Date
CN112862910A CN112862910A (zh) 2021-05-28
CN112862910B true CN112862910B (zh) 2021-07-27

Family

ID=75992846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110450800.3A Active CN112862910B (zh) 2021-04-26 2021-04-26 一种对变电站三维模型进行数据压缩的方法

Country Status (1)

Country Link
CN (1) CN112862910B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630552B (zh) * 2023-07-26 2023-11-07 北京中科辅龙智能技术有限公司 面向大规模的三维流程工厂模型的优化渲染方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167017A (zh) * 2014-07-17 2014-11-26 广东电网公司教育培训评价中心 一种对变电站三维模型实现数据压缩的方法及系统
CN108022039A (zh) * 2017-11-21 2018-05-11 国家电网公司 一种基于增强现实的变电站仿真培训系统
CN109345628A (zh) * 2018-08-07 2019-02-15 云南电网有限责任公司曲靖供电局 一种模型轻量化处理方法、装置及电子设备
CN110322546A (zh) * 2019-05-14 2019-10-11 广东康云科技有限公司 变电站三维数字化建模方法、系统、装置及存储介质
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

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105578192A (zh) * 2015-12-16 2016-05-11 国网浙江省电力公司湖州供电公司 电力视觉元模型聚合压缩方法
CN108536648B (zh) * 2018-03-30 2021-07-06 武汉大学 基于多超声波传感器的局部放电非线性模型转换求解与优化方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104167017A (zh) * 2014-07-17 2014-11-26 广东电网公司教育培训评价中心 一种对变电站三维模型实现数据压缩的方法及系统
CN108022039A (zh) * 2017-11-21 2018-05-11 国家电网公司 一种基于增强现实的变电站仿真培训系统
CN109345628A (zh) * 2018-08-07 2019-02-15 云南电网有限责任公司曲靖供电局 一种模型轻量化处理方法、装置及电子设备
CN110322546A (zh) * 2019-05-14 2019-10-11 广东康云科技有限公司 变电站三维数字化建模方法、系统、装置及存储介质
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

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Compressing Large-Scale Transformer-Based Models: A Case Study on BERT;Prakhar Ganesh 等;《arXiv.org》;20200227;第1-7页 *
变电站激光扫描点云数据与三维设计模型融合应用研究;刘平 等;《低碳世界》;20201225;第10卷(第12期);第57-58页 *
基于特征降维与模糊聚类的自适应点云压缩研究;王艺楠;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170515(第5期);第I138-1099页 *
基于降维数据边界点曲率的变电站设备识别;窦本君 等;《郑州大学学报(工学版)》;20170504;第38卷(第2期);第61-65页 *

Also Published As

Publication number Publication date
CN112862910A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN111489358B (zh) 一种基于深度学习的三维点云语义分割方法
CN110660062B (zh) 一种基于PointNet的点云实例分割方法及系统
Han et al. Real-time object detection based on YOLO-v2 for tiny vehicle object
CN114255238A (zh) 一种融合图像特征的三维点云场景分割方法及系统
CN109086777B (zh) 一种基于全局像素特征的显著图精细化方法
CN109544681B (zh) 一种基于点云的果实三维数字化方法
CN110659664B (zh) 一种基于ssd的高精度识别小物体的方法
WO2021143264A1 (zh) 图像处理方法、装置、服务器和存储介质
CN112085072B (zh) 基于时空特征信息的草图检索三维模型的跨模态检索方法
CN111046917B (zh) 基于深度神经网络的对象性增强目标检测方法
CN113744311A (zh) 基于全连接注意力模块的孪生神经网络运动目标跟踪方法
CN106780639B (zh) 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法
CN112819080B (zh) 一种高精度通用的三维点云识别方法
CN112862910B (zh) 一种对变电站三维模型进行数据压缩的方法
CN102208033A (zh) 基于数据聚类的鲁棒sift特征匹配方法
CN103905824A (zh) 视频语义检索与压缩同步的摄像系统与方法
CN113515656A (zh) 一种基于增量学习的多视角目标识别与检索方法、及装置
CN110097581B (zh) 基于点云配准icp算法构建k-d树的方法
CN114897912A (zh) 一种基于增强循环切片网络的三维点云分割方法及系统
CN113033345B (zh) 基于公共特征子空间的v2v视频人脸识别方法
CN111597367B (zh) 基于视图和哈希算法的三维模型检索方法
CN114937153B (zh) 弱纹理环境下基于神经网络的视觉特征处理系统及方法
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN116109649A (zh) 一种基于语义错误修正的3d点云实例分割方法
CN113723474A (zh) 一种跨通道聚合相似性网络系统

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
GR01 Patent grant
GR01 Patent grant