CN114741768A - 智能变电站三维建模方法 - Google Patents
智能变电站三维建模方法 Download PDFInfo
- Publication number
- CN114741768A CN114741768A CN202210451319.0A CN202210451319A CN114741768A CN 114741768 A CN114741768 A CN 114741768A CN 202210451319 A CN202210451319 A CN 202210451319A CN 114741768 A CN114741768 A CN 114741768A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- sampling
- dimensional
- cloud data
- modeling
- 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 25
- 238000005070 sampling Methods 0.000 claims abstract description 91
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000009877 rendering Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 8
- 241000350052 Daniellia ogea Species 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 15
- 230000004927 fusion Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004040 coloring Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 241001502050 Acis Species 0.000 description 1
- 238000000627 alternating current impedance spectroscopy Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06T17/005—Tree description, e.g. octree, quadtree
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Structural Engineering (AREA)
- Computer Graphics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Architecture (AREA)
- Civil Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了智能变电站三维建模方法,包括以下步骤:变电站测绘,制定建模采样路线并设置有多个采样点Kr;采用CCD相机在采样点Kr处对就近一次设备和辅助设备进行拍摄,获得对应的图像Prt并记录图像Prt拍摄时的方向与建模采样路线在采样点Kr处的夹角αrt;通过激光点云非接触式主动扫描获取三维点云数据;将图像Prt与三维点云数据通过F‑PoirtRet算法融合得到彩色点云数据,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。本发明采用预设建模采样路线、采样点和单点多角度拍摄与非接触式激光扫描点云通过F‑PoirtRet算法融合能够获得高精度的变电站数字孪生模型。
Description
技术领域
本发明涉及图像处理及建模技术领域,尤其涉及基于图像和激光点云融合建模技术领域,具体涉及智能变电站三维建模方法。
背景技术
电力系统由发输变配用各个环节组成,而变电是其中的重要组成部分。在国家推动构建新型电力系统的战略要求下,变电站作为电网运行中的枢纽环节,其运行状态关系着整个电力系统的安全稳定。随着设备规模的快速增长和数字新技术的快速发展,对全站信息数字化的要求越来越高,打造基于物联网技术的智能变电站平台已经成为行业研究的重点。而三维可视化建模是建设智能变电站平台的基础性技术,建模的好坏将直接关系到智能变电站平台的优劣。
目前主流的三维建模技术是指使用基于ACIS内核的三维设计软件所构造的各种线框、曲面、实体造型经由几何变换形成带有三维显示特征的模型,这种模型提供了着色、消隐等三维可视化效果。直接将三维建模技术生成的模型加载到三维环境中并不能充分反映电力设备的三维特征。为了提升变电站三维模型的真实感,为智能变电站的系统建设奠定基础,需要一种更逼近于真实变电站模型。
发明内容
为了解决现有三维建模软件建立的变电站三维模型不能充分反映电力设备三维特征的问题,本申请提供智能变电站三维建模方法,通过图像和点云按照图像拍摄的点位和方位进行精准融合,能够将物理结构转换为数字模型达到数字孪生的效果。
现有技术中,针对三维建模获得的数字模型,尽管软件已经赋予了着色,光照,渲染的功能,使得获得的三维模型数据尽可能的真实,但现有技术中针对电力设备的三维特征建模后并不能得到充分的反应,且渲染后的着色真实度较低,设备之间的位置比例存在部分失真的问题,产生这一问题的原因主要是单一扫描由于角度的局限,软件存在计算误差导致比例失真;没有客观的材质色彩对应,导致着色失真。
为了解决这一问题本发明针对性的采用二次成像和图像精准融合方法分别解决单一角度扫描带来的尺寸比例失真和着色渲染失真的问题。
为了达到上述目的,本申请所采用的技术方案为:
智能变电站三维建模方法,包括以下步骤:
步骤STP100,变电站测绘,获取变电站整体外围尺寸并制定建模采样路线,所述建模采样路线由多条线段连接而成,建模采样路线上设置有多个采样点Kr;
步骤STP200,采用CCD相机沿建模采样路线依次在采样点Kr处对就近依次设备和辅助设备进行拍摄,获得对应的图像Prt并记录图像Prt拍摄时的方向与建模采样路线沿前进方向在采样点Kr处的夹角αrt;
步骤STP300,采用FARO Focus s 150/70激光扫描仪沿建模采样路线通过激光点云非接触式主动扫描获取三维点云数据;
步骤STP400,将步骤STP200中获取的图像Prt与步骤STP300中获取的三维点云数据通过F-PoirtRet算法融合得到彩色点云数据,其中,融合的基准点为采样点Kr,匹配角度为夹角αrt;
步骤STP500,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。
模型建立原理简述:
由于每个变电站的布局不同,大小不同,安装的电力设备不同,为了从整体的全局客观的反应变电站的设备布局,从而利于后期变电站数字化、智能化、可视化建设,需要对变电站中主要的一次设备和二次辅助设备进行充分反应,因此,在对变电站进行采样时,针对变电站的主要设备需要多角度采样,以达到精准匹配,孪生建模的技术效果。步骤STP100对变电站进行测绘并制定建模采样路线的目的是保证所有主要电力设备,包括一次设备和二次辅助设备均被合理纳入采样范围,采样点Kr设置的数量和位置不受具体限制,可根据实际变电站布局而定,采样点Kr可以设置在线段上,也可以设置在线段的端点,其中r=1、2、3、4……r;完成建模采样路线和采样点确定后进行采样工作。
采用CCD相机沿设定的建模采样线路在每一个采样点K1-Kr对位于建模采样线路两侧的电力设备进行拍摄,拍摄时以对应采样点Kr为基点,以采样点Kr所在线段并沿该线段朝下一个端点或者采样点Kr+1方向作为基准线并沿顺时针方向偏转至实际拍摄对准的方向,偏转的实际角度αrt记为在采样点Kr的第一张照片Prt,其中t=1、2、3、4……t;若在采样点Kr需要拍摄第二张,则第二张照片记为Prt+1。按照上述方法直到执行完所有采样点,至此,实际取景的照片采集工作结束。
采用FARO Focus s 150/70激光扫描仪沿建模采样路线通过激光点云非接触式主动扫描获取三维点云数据;当然,非接触式激光扫描点云的设备有多种,根据实际场景运用需要,本领域技术人员可以在能够达到或者超过预期效果的前提下灵活自主的选择激光扫描仪。完成扫描后将获得整个变电站的点云。
将三维点云数据与拍摄获得的照片Prt集合逐一按照对应的采样点Kr和匹配夹角αrt利用F-PoirtRet算法进行融合,值得说明的是,此处进行融合计算则是本发明的重要技术发明点之一,并详细阐述如下:
现有的F-PoirtRet算法通常是基于纯粹的三维点云数据进行计算,虽然最终计算的精度会符合预期,但是其弊端就是算力要求高,算量非常巨大,导致时间消耗大,运算效率低;当然,基于F-PoirtRet的改进方法,亦可以先通过二维的目标检测,如CCD相机拍摄的照片进行目标检测,然后再对点云数据进行三维目标检测和匹配,这种方式相较于纯三维点数据进行计算的效率会高一些,但依然存在可改进的点,具体在于:
其一、在进行融合算法时,检测二维目标是需要时间和算了的,不能快速实现定位;
其二、二维目标被检测到后,在进行点云匹配过程中存在匹配误差,其根本原因在于点云数据的离散性和二维目标的识别误差。
本申请中,任一张CCD相机拍摄的图片都可以通过对应的采样点Kr和匹配的夹角αrt来进行精准定位,这样的好处在于,无需更改底层算法即可实现快速定位融合,相较于自主识别二维目标而言具有更高的效率和精准匹配度,融合后的模型失真度更低。
经过匹配融合后,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。上述后续处理的算法为现有技术,其渲染过程在此不做详述。
为了实现精准匹配,优选地,所述步骤STP200中采用CCD相机拍摄时距离地面高度与步骤STP300中激光点云扫描高度均为H。
进一步优选,步骤STP300还包括二次激光点云扫描的步骤,扫描高度大于变电站设备最高高度。本步骤中,可采用现有摄影无人机按照预设高度沿建模采样路线飞行采样,从而实现多角度点云集合校准,填补扫描盲区,克服变电站比例失真,设备缺失的问题。
进一步优选地,所述步骤STP400还包括对彩色点云数据进行仿真识别的步骤,具体包括:
使用八叉树编码对彩色点云数据进行简化去噪处理,对处理后的彩色点云数据进行位置校准和尺寸标准化,利用KNN算法对子空间特征向量进行分类,再利用粒子集群优化算法提高分类精度,所述简化去噪处理具体包括以下步骤:
步骤STP410,根据指定的点距d 0 确定八叉树划分的层数n;
步骤STP420,对彩色点云数据中的每个点p(x,y,z)进行编码;
通过以下公式将x、y、z转换为索引值i、j、k:
其中,xmin、ymin、zmin分别是x、y、z轴坐标的最小值,索引值可以用二进制表示如下:
步骤STP430,相同的编码值储存在按编码值排序的相同最小立方体中;
步骤STP440,保留离中心点最近的点,删除每个最小立方体中的其他点,达到去噪的目的。
有益效果:
本发明采用预设建模采样路线、采样点和单点多角度拍摄与非接触式激光扫描点云通过F-PoirtRet算法融合能够获得高精度的变电站数字孪生模型;同时,通过采样点和夹角的标定,无需更改底层算法对照片进行识别即可实现快速定位融合,相较于自主识别二维目标而言具有更高的效率和精准匹配度,降低融合后的模型失真度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明采用CCD相机拍摄示意图。
图2是CCD相机采集的图片。
图3是变电站的三维模型。
图4是融合后经灰度处理的电力设备模型。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。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。
优选实施例:
本实施例提供了一种智能变电站三维建模方法,包括以下步骤:
步骤STP100,变电站测绘,获取变电站整体外围尺寸并制定建模采样路线,所述建模采样路线由多条线段连接而成,建模采样路线上设置有多个采样点Kr;
步骤STP200,采用CCD相机沿建模采样路线依次在采样点Kr处对就近依次设备和辅助设备进行拍摄,获得对应的图像Prt并记录图像Prt拍摄时的方向与建模采样路线沿前进方向在采样点Kr处的夹角αrt;
步骤STP300,采用FARO Focus s 150/70激光扫描仪沿建模采样路线通过激光点云非接触式主动扫描获取三维点云数据;为了实现精准匹配,本实施例中,所述步骤STP200中采用CCD相机拍摄时距离地面高度与步骤STP300中激光点云扫描高度均为H。
步骤STP300还包括二次激光点云扫描的步骤,扫描高度大于变电站设备最高高度。本步骤中,可采用现有摄影无人机按照预设高度沿建模采样路线飞行采样,从而实现多角度点云集合校准,填补扫描盲区,克服变电站比例失真,设备缺失的问题。
步骤STP400,将步骤STP200中获取的图像Prt与步骤STP300中获取的三维点云数据通过F-PoirtRet算法融合得到彩色点云数据,其中,融合的基准点为采样点Kr,匹配角度为夹角αrt;
本实施例中,所步骤STP400还包括对彩色点云数据进行仿真识别的步骤,具体包括:
使用八叉树编码对彩色点云数据进行简化去噪处理,对处理后的彩色点云数据进行位置校准和尺寸标准化,利用KNN算法对子空间特征向量进行分类,再利用粒子集群优化算法提高分类精度,所述简化去噪处理具体包括以下步骤:
步骤STP410,根据指定的点距d 0 确定八叉树划分的层数n;
步骤STP420,对彩色点云数据中的每个点p(x,y,z)进行编码;
通过以下公式将x、y、z转换为索引值i、j、k:
其中,xmin、ymin、zmin分别是x、y、z轴坐标的最小值,索引值可以用二进制表示如下:
步骤STP430,相同的编码值储存在按编码值排序的相同最小立方体中;
步骤STP440,保留离中心点最近的点,删除每个最小立方体中的其他点,达到去噪的目的。
步骤STP500,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。
模型建立原理简述:
由于每个变电站的布局不同,大小不同,安装的电力设备不同,为了从整体的全局客观的反应变电站的设备布局,从而利于后期变电站数字化、智能化、可视化建设,需要对变电站中主要的一次设备和二次辅助设备进行充分反应,因此,在对变电站进行采样时,针对变电站的主要设备需要多角度采样,以达到精准匹配,孪生建模的技术效果。步骤STP100对变电站进行测绘并制定建模采样路线的目的是保证所有主要电力设备,包括一次设备和二次辅助设备均被合理纳入采样范围,采样点Kr设置的数量和位置不受具体限制,可根据实际变电站布局而定,采样点Kr可以设置在线段上,也可以设置在线段的端点,其中r=1、2、3、4……r;完成建模采样路线和采样点确定后进行采样工作。
采用CCD相机沿设定的建模采样线路在每一个采样点K1-Kr对位于建模采样线路两侧的电力设备进行拍摄,拍摄时以对应采样点Kr为基点,以采样点Kr所在线段并沿该线段朝下一个端点或者采样点Kr+1方向作为基准线并沿顺时针方向偏转至实际拍摄对准的方向,偏转的实际角度αrt记为在采样点Kr的第一张照片Prt,其中t=1、2、3、4……t;若在采样点Kr需要拍摄第二张,则第二张照片记为Prt+1。按照上述方法直到执行完所有采样点,至此,实际取景的照片采集工作结束。具体地,在第一个采样点K1处分别在夹角α11=-45°,α12=-30°,α13=-15°,α14=0°,α15=15°,α16=30°,α17=45°拍摄一张照片,获得对应的照片为P11,P12,P13,P14,P15,P16,P17,同理,在采样点K2处亦按照同样方式按需采集照片,直到采样点Kr采集完毕为止。
采用FARO Focus s 150/70激光扫描仪沿建模采样路线通过激光点云非接触式主动扫描获取三维点云数据;当然,非接触式激光扫描点云的设备有多种,根据实际场景运用需要,本领域技术人员可以在能够达到或者超过预期效果的前提下灵活自主的选择激光扫描仪。完成扫描后将获得整个变电站的点云。
将三维点云数据与拍摄获得的照片Prt集合逐一按照对应的采样点Kr和匹配夹角αrt利用F-PoirtRet算法进行融合,值得说明的是,此处进行融合计算则是本发明的重要技术发明点之一,并详细阐述如下:
现有的F-PoirtRet算法通常是基于纯粹的三维点云数据进行计算,虽然最终计算的精度会符合预期,但是其弊端就是算力要求高,算量非常巨大,导致时间消耗大,运算效率低;当然,基于F-PoirtRet的改进方法,亦可以先通过二维的目标检测,如CCD相机拍摄的照片进行目标检测,然后再对点云数据进行三维目标检测和匹配,这种方式相较于纯三维点数据进行计算的效率会高一些,但依然存在可改进的点,具体在于:
其一、在进行融合算法时,检测二维目标是需要时间和算了的,不能快速实现定位;
其二、二维目标被检测到后,在进行点云匹配过程中存在匹配误差,其根本原因在于点云数据的离散性和二维目标的识别误差。
本申请中,任一张CCD相机拍摄的图片都可以通过对应的采样点Kr和匹配的夹角αrt来进行精准定位,这样的好处在于,无需更改底层算法即可实现快速定位融合,相较于自主识别二维目标而言具有更高的效率和精准匹配度,融合后的模型失真度更低。
经过匹配融合后,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。上述后续处理的算法为现有技术,其渲染过程在此不做详述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.智能变电站三维建模方法,其特征在于,包括以下步骤:
步骤STP100,变电站测绘,获取变电站整体外围尺寸并制定建模采样路线,所述建模采样路线由多条线段连接而成,建模采样路线上设置有多个采样点Kr;
步骤STP200,采用CCD相机沿建模采样路线依次在采样点Kr处对就近依次设备和辅助设备进行拍摄,获得对应的图像Prt并记录图像Prt拍摄时的方向与建模采样路线沿前进方向在采样点Kr处的夹角αrt;
步骤STP300,采用FARO Focus s 150/70激光扫描仪沿建模采样路线通过激光点云非接触式主动扫描获取三维点云数据;
步骤STP400,将步骤STP200中获取的图像Prt与步骤STP300中获取的三维点云数据通过F-PoirtRet算法融合得到彩色点云数据,其中,融合的基准点为采样点Kr,匹配角度为夹角αrt;
步骤STP500,将彩色点云数据通过OpenGL图形算法,构建三维空间几何图形并通过着色器渲染,再使用WebGL图形加速渲染器生成基于WebGL的数字孪生图形库获得变电站三维模型。
2.根据权利要求1所述的智能变电站三维建模方法,其特征在于,步骤STP200中采用CCD相机拍摄时距离地面高度与步骤STP300中激光点云扫描高度均为H。
3.根据权利要求2所述的智能变电站三维建模方法,其特征在于,步骤STP300还包括二次激光点云扫描的步骤,扫描高度大于变电站设备最高高度。
4.根据权利要求2或3所述的智能变电站三维建模方法,其特征在于,步骤STP400还包括对彩色点云数据进行仿真识别的步骤,具体包括:
使用八叉树编码对彩色点云数据进行简化去噪处理,对处理后的彩色点云数据进行位置校准和尺寸标准化,利用KNN算法对子空间特征向量进行分类,再利用粒子集群优化算法提高分类精度,所述简化去噪处理具体包括以下步骤:
步骤STP410,根据指定的点距d 0 确定八叉树划分的层数n;
步骤STP420,对彩色点云数据中的每个点p(x,y,z)进行编码;
通过以下公式将x、y、z转换为索引值i、j、k:
其中,xmin、ymin、zmin分别是x、y、z轴坐标的最小值,索引值可以用二进制表示如下:
其中im、jm、km∈{0,1}和m∈{0,1,...,n-1};
步骤STP430,相同的编码值储存在按编码值排序的相同最小立方体中;
步骤STP440,保留离中心点最近的点,删除每个最小立方体中的其他点,达到去噪的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451319.0A CN114741768A (zh) | 2022-04-27 | 2022-04-27 | 智能变电站三维建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210451319.0A CN114741768A (zh) | 2022-04-27 | 2022-04-27 | 智能变电站三维建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741768A true CN114741768A (zh) | 2022-07-12 |
Family
ID=82283303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210451319.0A Pending CN114741768A (zh) | 2022-04-27 | 2022-04-27 | 智能变电站三维建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741768A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115597659A (zh) * | 2022-09-21 | 2023-01-13 | 山东锐翊电力工程有限公司(Cn) | 一种变电站智能安全管控方法 |
CN115661333A (zh) * | 2022-09-07 | 2023-01-31 | 同济大学 | 一种基于图像与点云的数字孪生生成方法及系统 |
CN116109684A (zh) * | 2023-04-07 | 2023-05-12 | 国网智能电网研究院有限公司 | 面向变电场站在线视频监测二三维数据映射方法及装置 |
CN116612223A (zh) * | 2023-07-17 | 2023-08-18 | 金锐同创(北京)科技股份有限公司 | 数字孪生模拟空间的生成方法、装置、计算机设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901501A (zh) * | 2010-07-22 | 2010-12-01 | 首都师范大学 | 一种生成激光彩色云图的方法 |
CN107194983A (zh) * | 2017-05-16 | 2017-09-22 | 华中科技大学 | 一种基于点云与影像数据的三维可视化方法和系统 |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
CN111815698A (zh) * | 2020-07-20 | 2020-10-23 | 广西安良科技有限公司 | 人工智能单目3d点云生成方法、装置、终端及存储介质 |
CN113012293A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 石刻模型构建方法、装置、设备及存储介质 |
US20210327119A1 (en) * | 2020-04-17 | 2021-10-21 | Occipital, Inc. | System for Generating a Three-Dimensional Scene Reconstructions |
CN114090809A (zh) * | 2021-11-23 | 2022-02-25 | 北京市商汤科技开发有限公司 | 输电线路的可视化方法、装置、计算机设备以及存储介质 |
-
2022
- 2022-04-27 CN CN202210451319.0A patent/CN114741768A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101901501A (zh) * | 2010-07-22 | 2010-12-01 | 首都师范大学 | 一种生成激光彩色云图的方法 |
CN107194983A (zh) * | 2017-05-16 | 2017-09-22 | 华中科技大学 | 一种基于点云与影像数据的三维可视化方法和系统 |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
US20210327119A1 (en) * | 2020-04-17 | 2021-10-21 | Occipital, Inc. | System for Generating a Three-Dimensional Scene Reconstructions |
CN111815698A (zh) * | 2020-07-20 | 2020-10-23 | 广西安良科技有限公司 | 人工智能单目3d点云生成方法、装置、终端及存储介质 |
CN113012293A (zh) * | 2021-03-22 | 2021-06-22 | 平安科技(深圳)有限公司 | 石刻模型构建方法、装置、设备及存储介质 |
CN114090809A (zh) * | 2021-11-23 | 2022-02-25 | 北京市商汤科技开发有限公司 | 输电线路的可视化方法、装置、计算机设备以及存储介质 |
Non-Patent Citations (2)
Title |
---|
刘训华等: "基于改进Frustum PointNet的3D目标检测", 激光与光电子学进展/基于改进FRUSTUM POINTNET的3D目标检测, vol. 57, no. 20, 31 October 2020 (2020-10-31), pages 201508 - 1 * |
邵正伟;席平;: "基于八叉树编码的点云数据精简方法", 工程图学学报, no. 04, 15 August 2010 (2010-08-15), pages 73 - 76 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661333A (zh) * | 2022-09-07 | 2023-01-31 | 同济大学 | 一种基于图像与点云的数字孪生生成方法及系统 |
CN115597659A (zh) * | 2022-09-21 | 2023-01-13 | 山东锐翊电力工程有限公司(Cn) | 一种变电站智能安全管控方法 |
CN115597659B (zh) * | 2022-09-21 | 2023-04-14 | 山东锐翊电力工程有限公司 | 一种变电站智能安全管控方法 |
CN116109684A (zh) * | 2023-04-07 | 2023-05-12 | 国网智能电网研究院有限公司 | 面向变电场站在线视频监测二三维数据映射方法及装置 |
CN116612223A (zh) * | 2023-07-17 | 2023-08-18 | 金锐同创(北京)科技股份有限公司 | 数字孪生模拟空间的生成方法、装置、计算机设备和介质 |
CN116612223B (zh) * | 2023-07-17 | 2023-10-17 | 金锐同创(北京)科技股份有限公司 | 数字孪生模拟空间的生成方法、装置、计算机设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114741768A (zh) | 智能变电站三维建模方法 | |
CN109883401B (zh) | 一种城市观山可视域的测量方法及系统 | |
CN111899328B (zh) | 一种基于rgb数据与生成对抗网络的点云三维重建方法 | |
CN113192179B (zh) | 一种基于双目立体视觉的三维重建方法 | |
CN104966281A (zh) | 多视影像的imu/gnss引导匹配方法 | |
CN107369204B (zh) | 一种从单幅照片恢复出场景基本三维结构的方法 | |
CN114066960B (zh) | 三维重建方法、点云融合方法、装置、设备及存储介质 | |
CN112929626B (zh) | 一种基于智能手机影像的三维信息提取方法 | |
CN115082254A (zh) | 一种变电站精益管控数字孪生系统 | |
CN115937461B (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN104751451B (zh) | 基于无人机低空高分辨率影像的密集点云提取方法 | |
CN113034678A (zh) | 一种基于群体智能的特高拱坝坝面三维快速建模方法 | |
Ahmadabadian et al. | Image selection in photogrammetric multi-view stereo methods for metric and complete 3D reconstruction | |
Lei et al. | Radial coverage strength for optimization of monocular multicamera deployment | |
CN110197489B (zh) | 一种无人机降落区域的选择方法和装置 | |
Barazzetti et al. | Automated and accurate orientation of complex image sequences | |
Hosseininaveh et al. | Automatic image selection in photogrammetric multi-view stereo methods | |
CN112767459A (zh) | 基于2d-3d转换的无人机激光点云与序列影像配准方法 | |
Delis et al. | Point Cloud Derived Fromvideo Frames: Accuracy Assessment in Relation to Terrestrial Laser Scanningand Digital Camera Data | |
CN107194334B (zh) | 基于光流模型的视频卫星影像密集匹配方法及系统 | |
CN114782357A (zh) | 一种用于变电站场景的自适应分割系统及方法 | |
CN113284249B (zh) | 一种基于图神经网络的多视角三维人体重建方法及系统 | |
CN112815911B (zh) | 基于三目视觉的输电线路交跨距离测量方法 | |
Bai et al. | Application of unmanned aerial vehicle multi-vision image 3D modeling in geological disasters | |
Lei et al. | Radial coverage strength for optimization of multi-camera deployment |
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 |