CN115937288A - 一种变电站三维场景模型构建方法 - Google Patents
一种变电站三维场景模型构建方法 Download PDFInfo
- Publication number
- CN115937288A CN115937288A CN202211245972.8A CN202211245972A CN115937288A CN 115937288 A CN115937288 A CN 115937288A CN 202211245972 A CN202211245972 A CN 202211245972A CN 115937288 A CN115937288 A CN 115937288A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- laser
- model
- point cloud
- image
- 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
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种变电站三维场景模型构建方法,基于激光三维扫描技术及倾斜摄影技术,以电力作业环境为基础分别从数据采集、数据融合处理、语义分割实现变电站实施三维场景精细化建模。其中,倾斜摄影测量技术借助无人机获取建筑物全方位的照片信息,通过倾斜摄影测量软件可以将照片生成带有坐标信息的实景模型、密集点云、正射影像,可高质量的照片数据,生成室外实景三维模型也可以生成真彩色密集点云;三维激光雷达扫描技术可以获取精确的地面点云数据,用于生成没有纹理信息的白模和构建室内场景的点云模型。倾斜摄影测量技术与三维激光雷达扫描技术的结合,为电力现场作业三维建模提供了纹理和精度的保证。
Description
技术领域
本发明涉及一种模型构建方法,具体而言,涉及一种变电站三维场景模型构建方法。
背景技术
电力作业现场精细化三维模型是实现智能运检、安全风险管控、数字孪生等应用的基础,因此,实现电力作业现场环境、设施设备的真实还原尤其重要。电力作业现场的设施设备布局、结构、位置、外观是三维建模的关键内容。但是,由于电力作业现场具有设备设施密集、结构复制、高压带点等特点,使得数据采集、三维建模的难度较大。
现阶段的电力作业安全管控措施以二维视频图像监控为主。视频图像数据是目标从三维空间到二维空间的投影,丢失了精确的三维空间信息,在进行三维场景重建时,不可避免地发生信息的丢失,造成作业现场几何信息的失真和纹理信息的丢失,导致无法精准实现对电力作业安全管控。
有鉴于此,特提出本申请。
发明内容
本发明所要解决的技术问题是:对变电站进行三维场景重建时容易造成作业现场的集合信息失真和纹理信息丢失。目的在于提供一种变电站三维场景模型构建方法,采用将激光扫描与倾斜摄影相结合的方式对变电站实施实景三维模型扫描,通过融合多种采集设备的点云图像重构技术和基于目标识别的语义分割技术,实现对便定制现场精细化三维场景设施设备的高精度识别,最终得到变电站的精细化三维重构模型。
本发明通过下述技术方案实现:
一种变电站三维场景模型构建方法,包括以下步骤:对变电站内的设施设备分别进行激光三维扫描和无人机倾斜摄影;对经过激光三维扫描采集到的原始激光点云数据进行处理,对无人机倾斜摄影采集到的二维图像进行三维重建;根据处理后的激光点云数据和三维重建后的图像数据进行密集匹配,对密集匹配后的数据和处理后的激光点云数据依次进行点云融合、表面重构和纹理映射,得到变电站倾斜摄影模型;对变电站内的设施设备分别进行纹理数据采集和单体参数化建模;根据采集到的纹理数据和构建的单体参数化模型,对变电站内的设施设备进行单体模型纹理映射;对经过单体模型纹理映射后的设施设备进行属性挂接;根据所述变电站倾斜摄影模型和经过属性挂接后的设施设备数据,对变电站内的设施设备进行位置匹配和尺寸匹配,得到变电站三维场景模型。
进一步的,进行激光三维扫描之前,包括以下步骤:部署激光扫描工作的条件和进度,包括:(1)针对室外场景,选择在多云天气条件下在同一天内完成对同一电力作业场景的激光数据采集工作;(2)针对室内场景,采用光线均匀一致的照明设备进行补光;(3)限制现场的机器及人员流动;设置激光扫描仪的参数,包括:(1)根据对图像细节级别的需求、与取像对象之间的距离和到达目标的距离,设置激光扫描仪的分辨率;(2)根据室内外的扫描环境状况,调整激光扫描仪的扫描质量;(3)打开激光扫描仪的彩色扫描功能;部署激光扫描点位,包括:(1)将激光扫描点位部署在激光扫描仪的视线范围能够覆盖到扫描对象的位置;(2)根据对各激光扫描仪的扫描区域重叠度的需求,对激光扫描点位的疏密度进行调整;(3)将各激光扫描点位部署在所属间隔的不同位置。
进一步的,进行无人机倾斜摄影之前,包括以下步骤:根据室内外拍摄环境,将无人机的焦距调节为固定焦距;关闭光学或数码图像稳定功能;进行无人机倾斜摄影过程中,包括以下步骤:采用固定的焦距进行拍摄,通过调整拍摄距离的方式来获取非统一的影像精度;当使用不同焦距进行拍摄时,在每一个焦距下对同一目标进行多次拍摄;在室内,使用固定光源替代闪光灯;在室外,选择在多云天气条件下或在晴天的中午前后进行拍摄;拍摄中,由远及近地选择多个拍摄距离对同一拍摄对象进行多次拍摄,并确保连续影像之间的重叠部分超过60%,以及确保拍摄对象的同一部分的不同拍摄点之间的分隔小于15°。
进一步的,对原始激光点云数据进行处理包括:对原始激光点云数据进行去噪、过滤、注册、拼接和裁剪。
进一步的,对二维图像进行三维重建包括以下步骤:对二维影像进行空中三角测量解算,得到每一图像对的相对位置;利用光束平差法对每一图像对的相对位置进行平差,得到每一图像对的准确的三维空间坐标。
进一步的,所述密集匹配包括以下步骤:寻找出处理后的激光点云数据与三维重建后的图像数据之间的同名点;根据同名点确定出三维重建后的图像的相对位置,并生成对应的密集点云。
进一步的,所述点云融合包括以下步骤:通过在实景三维模型上选取控制点的方式,将处理后的激光点云数据转换为与倾斜摄影模型相同的地理坐标系。
进一步的,所述纹理采集包括以下步骤:针对变电站内的每栋建筑物,拍摄多张不同角度的建筑物全景图,按顺时针方向采集建筑物的结构纹理和铭牌;以间隔为单位完成对变电站内的所有设施设备的拍摄,每个间隔至少拍摄两张不同角度的全景图;针对每一台设备,拍摄多张不同角度的设备图像,包括设备全景图、设备铭牌图和设备细节图。
进一步的,所述单体参数化建模包括以下步骤:将所述倾斜摄影模型导入3DsMax;在工作界面中,将所述倾斜摄影模型的坐标中心移动指坐标原点,通过3DsMax自动完成单体参数化建模。
进一步的,上述变电站三维场景模型构建方法还包括以下步骤:利用图像卷积神经网络对三维重建后的图像进行语义分割。
与现有技术相比,本发明具有如下的优点和有益效果:基于激光三维扫描技术及倾斜摄影技术,以电力作业环境为基础分别从数据采集、数据融合处理、语义分割,可实现变电站实施三维场景精细化建模,可避免作业现场的集合信息失真和纹理信息丢失。其中,倾斜摄影测量技术借助无人机获取建筑物全方位的照片信息,通过倾斜摄影测量软件可以将照片生成带有坐标信息的实景模型、密集点云、正射影像,可高质量的照片数据,生成室外实景三维模型也可以生成真彩色密集点云;三维激光雷达扫描技术可以获取精确的地面点云数据,用于生成没有纹理信息的白模和构建室内场景的点云模型。倾斜摄影测量技术与三维激光雷达扫描技术的结合,为电力现场作业三维建模提供了纹理和精度的保证。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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,还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的变电站三维场景模型构建方法流程示意图;
图2为220kVA变电站激光扫描站点分布示意图;
图3为本发明实施例提供的处理后激光点云示意图;
图4为本发明实施例提供的倾斜摄影重构模型示意图;
图5为本发明实施例提供的DeepGCNs-ATT结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
变电站内的设施设备具有结构复杂、异形的特点,在对变电站进行三维场景重建时,将不可避免地发生信息的丢失,造成现场的几何信息失真和纹理信息丢失,导致无法精准实现对电力作业安全管控。针对上述技术问题,本实施例融合无人机航拍扫描全场景和手持设备扫描局部细节,提出一种由粗糙到精细的变电站三维场景模型构建方法,综合运用立体视觉和激光扫描的技术,通过融合无人机航拍扫描全场景和手持设备扫描局部细节的点云数据,实现精细化的三维场景建模。
在对变电站三维场景模型构建方法的具体实施方式做详细描述之前,本实施例首先对三维场景重建与实景三维模型扫描技术做如下描述:
(一)三维重建
三维重建是指基于现场的二维图像序列(包括彩色图像或深度图像),利用其几何对应关系恢复目标的三维几何信息。常见的三维重建方式有三维激光扫描技术、立体视觉技术和深度摄像机扫描技术。三维激光扫描技术通过高速激光扫描测量的方法,大面积、高分辨率地获取物体表面各个点的空间坐标、纹理等信息,生成具有纹理的三维点云模型,具有快速、高效、高精度等特点。立体视觉技术基于多视图立体几何原理,利用无人机采集的图像序列,实现现场三维模型的自动化重建。深度摄像机扫描技术采用具有深度测量功能的传感器,基于立体视觉技术实现快速、高精度的三维模型重建。三种三维重建技术的优缺点如表1所示。
(二)实景三维模型扫描技术
实景三维模型扫描技术又称“实景复制技术”,是一种高效率、高精度、非接触式的主动测量技术,它可以大面积快速获取目标物体的表面三维坐标数据,形成海量的高精度三维激光点云。然而该技术在应用上也仍然存在着高层建筑物与构筑物顶部的扫描盲区等不足之处。
1.三维激光扫描技术
三维激光扫描系统主要由三维激光扫描仪、计算机控制单元、电源供应系统、支架和系统配套软件构成。三维激光扫描仪是重要组成部分,由计时器、激光脉冲发射器、激光接收器、测角系统、内驱动装置、CCD相机(CCD是一种半导体器件,能把光学影像转化为数字信号;CCD相机即采用CCD作为感光元件的相机)、控制系统及其他辅助功能系统构成。三维激光扫描仪器工作时,由激光测距系统向被测物体发射激光,由计时系统记录激光从发射到返回的时间,同时测角系统捕获扫描仪器与被测物体间的水平角和竖直角,通过系统集成的驱动马达和激光转向镜对扫描区域进行覆盖式扫描,以此实现对被测物体的三维坐标采集。
在获取目标物体的三维坐标信息的同时,会同步记录各点位的激光反射强度,并由CCD相机获取目标物体各个点位的RGB色彩信息。因此所得到的点云数据不再是传统全站仪所获得的三维坐标数据,而是包含了反射强度和RGB色彩数字信息的更为丰富的数据。
三维激光扫描仪器在测量的过程中,以自身定义的坐标系统为基准,激光发射点即水平与竖直旋转轴的交点为坐标原点,Z轴竖直向上位于竖向扫描面内,向上为正;X轴与Y轴互相垂直于所在的平面内,Y轴正向指向物体,且与X轴、Z轴一起构成右手坐标系。
三维激光扫描仪器通过激光所测的距离与水平角和竖直角反算得到被测物体的三维坐标。仪器实测的数据有激光发射到返回的时间,距离S,垂直角度与水平角度。则点的三维坐标可由式(1)解算出:其中C表示光速,为激光往返的时间。激光测距技术从测距原理上可分为三种:基于脉冲往返时间测量距离的脉冲测距法、激光三角法及利用相位测量原理的相位测距法。激光三角法利用于光斑成像位置转为“角边角问题”求解三角形计算距离的。
相位测距法利用不间断的整数波长,通过记录信号往返传播产生的相位差,间接计算被测物体的距离,由式(2)可得出距离S:其中c为光速,φ是相位差,Δφ是信号往返相位差不足2π部分,f是脉冲频率,n是调制信号半波长整数,Δn为不足波长的小数部分。
2.无人机倾斜摄影采集技术
倾斜摄影技术,是通过在同一飞行平台上搭载多台传感器,从垂直、倾斜等不同角度采集影像(或是在飞行平台上搭载一台传感器,分别从垂直、倾斜等不同角度多次采集影像),获取地面物体更为完整准确的信息。然后,通过计算机图形计算,结合GPS坐标进行空三处理,生成点云,点云构成格网,格网结合照片生成赋有纹理的三维模型。
倾斜摄影测量技术利用无人机搭载倾斜摄影装置快速获取倾斜三维影像和正射影像,通过三角测量、立体重构、表面纹理映射等技术手段,最大限度地真实还原所摄场景。倾斜摄影技术采集地物的多角度影像,从图像中重建模型,采集效率高,实景还原度好,但是基于倾斜摄影技术获取数据资料也存在建筑底部由于遮挡等因素精度较差等问题。
基于以上对三维场景重建与实景三维模型扫描技术的分析可知,地面激光扫描数据可以高精度、高精细重建测区底部及侧面特征,而测区高处特别是建筑顶部则是其扫描盲区,且地面激光扫面数据相对纹理失真较为严重。无人机倾斜摄影为从空中多角度对地俯拍,具有高效性,在短时间内可以获取大范围的建筑物、地形影像,其获取的多视影像纹理具有高真实感、高分辨率等特性,可以有效弥补地面激光扫描技术的上述不足之处。但由于其飞行高度高,容易受到房檐等的遮挡,造成地物纹理的缺失,导致在空中三角测量过程中无法生成完整的加密点云。
以下对本实施例提出的一种变电站三维场景模型构建方法的具体实施方式做详细描述。
如图1所示,变电站三维场景模型构建方法包括以下步骤:
步骤1:对变电站内的设施设备分别进行激光三维扫描和无人机倾斜摄影。
步骤2:对经过激光三维扫描采集到的原始激光点云数据进行处理,对无人机倾斜摄影采集到的二维图像进行三维重建。
步骤3:根据处理后的激光点云数据和三维重建后的图像数据进行密集匹配。
步骤4:对密集匹配后的数据和处理后的激光点云数据依次进行点云融合、表面重构和纹理映射,得到变电站倾斜摄影模型。
步骤5:对变电站内的设施设备分别进行纹理数据采集和单体参数化建模。
步骤6:根据采集到的纹理数据和构建的单体参数化模型,对变电站内的设施设备进行单体模型纹理映射。
步骤7:对经过单体模型纹理映射后的设施设备进行属性挂接。
步骤8:根据所述变电站倾斜摄影模型和经过属性挂接后的设施设备数据,对变电站内的设施设备进行位置匹配和尺寸匹配,得到变电站三维场景模型。
针对三维激光扫描和倾斜摄影测量技术各自的优缺点,本方法将激光扫描与倾斜摄影相结合开展实景三维模型扫描,互相弥补不足,为精细化的三维场景建模提供数据支撑;通过融合多种采集设备的点云图像重构技术,提升数据的精确度;并且,基于目标识别的语义分割技术,实现了电力作业现场精细化三维场景设施设备的智能识别。
此处对激光三维扫描做补充说明如下:
第一,在开始正式进行激光扫描前,需要对整个现场环境进行勘察,对激光扫描工作的影响因素进行甄别和排除。激光扫描技术对光线的要求较高,在光线较暗的区域所得的测绘图像也普遍不够清晰,对后期数据处理与分析产生较大影响;而光线较亮的区域所得的测绘图像往往会产生曝光或者白光覆盖较多测绘区域的现象,其同样会影响到后期的工作。
第二,电力作业现场分为室外场景和室内场景,对于室外场景采用自然光,最好选择多云的天气进行激光数据采集,同一场景最好同一天采集完毕,以确保光线一致;室内场景采用照明设备进行补光,要注意光线的均匀一致。
第三,需对电力作业现场环境特征进行分析,以作为扫描点位设计的参考。如变电站间隔设备相似度较高,在设计点位时就要保持两个扫描点位的差异。激光数据采集时,减少机器人、人员流动,会直接影响到实际测绘和获取信息的难易程度。
第四,激光扫描仪获取数据的密度和质量以及扫描的时间都与扫描参数的设置相关,不同的项目场景(室内、室外等),需要设置不同的参数才能确保成功地将扫描注册到一起,主要是以下三个参数:
一是分辨率,分辨率设置用于确定扫描点的密度。分辨率设置越高,图像越清晰,细节细度也越高。分辨率设置用于确定点距离,从而决定了细节级别。增加分辨率设置可增加捕获的点数并减少点距离。减小分辨率设置可减少捕获的点数并增加点距离。使用1/8的分辨率设置,距离扫描仪10米的点距离为12.272毫米。使用1/2的分辨率设置,可将点距离减少到3.068毫米。我们可以根据所需细节级别、与取像对象的距离以及到目标的距离分辨率设置。
二是质量。扫描时质量设置越高,噪音就越少或者多余的点数量就越少。质量设置会影响测量速度、降噪级别和扫描仪的范围,增加质量设置会降低测量速度。在不利的扫描条件下增加质量设置,如果条件良好或者容错度较大,则降低质量设置。当扫描环境较好,质量设置为2x。一般室内、室外质量设置为3x,这也是最常用的设置。在户外天气恶劣天气下帮助消除噪音,可以增加质量设置,设置为4x。
三是彩色扫描。彩色扫描打开时,扫描仪在捕获扫描数据后拍摄扫描区域的彩色照片。扫描仪进行额外的旋转,每次扫描最多可捕获66张照片。打开彩色扫描可赋予点云颜色。
以220kVA变电站激光扫描参数为例。220kVA变电站激光扫描参数为辨率设置1/5,质量设置3x,彩色扫描“打开”,传感器“打开”。传感器主要包括:倾角仪、罗盘等,提供关于扫描相对于彼此以及相对于外部数据的位置信息,具体取决于传感器和扫描仪设置,在注册过程中使用可提高成功率。
第五,激光扫描点位设计。三维扫描数据合成原理是:提取空间中两个不同站点所测绘到的区域中的相同部分进行拟合与拼接,以此将两个位置所测绘到的空间数据信息进行合成与组合。因此扫描点之间的疏密程度和位置选择将直接影响到点云模型的后期合成与处理。可知,扫描点与扫描点之间的布置越密集,扫描点中相同的区域的重合率将会越高,合成后的点云模型的精确度也将越高,但同时这也会大大增加现场测绘的工作量和所需的测绘时间。相反,扫描点之间越稀疏,虽然可以减少扫描的时间,但由于点与点之间的重合部分的减少,模型的精准度也会相应降低。因此把控扫描点的疏密程度是影响激光扫描工作质量的关键。220kVA变电站激光扫描站点设计如图2所示。
确定扫描仪位置数量时要考虑的最重要因素是重叠扫描区域。每个扫描区域都必须与一个或多个其他扫描区域重叠。在设计扫描点位时,应该注意以下几个问题:
一是确保扫描对象在在扫描仪视线范围内;二是注意扫描仪与扫描对象之间的角度,以确保扫描站点之间较好的重叠率;三是放置扫描仪时,不要让起点、终点位于扫描对象上。可以通过调整扫描仪角度,避免分割扫描对象。
变电站属于高压带电环境,有安全距离限制,因此扫描仪不能随意布置。变电站中同一电压等级的设备、间隔按规定距离安装,间隔之间距离一定、设备相似度较高。因此不能在间隔的相同位置布置扫描仪,需要保证两个站点之间采集数据的不同。为保证点云密度、站点之间衔接地方均匀稠密,扫描站点之间间隔不大于10米,变电站整个区域都需要扫描,放置扫描仪时,始终使起点、终点位于细节最少的区域。
对无人机倾斜摄影做补充说明如下:
第一,影像精度指的是由传统航空摄影的地面分辨率扩展到更加广义(而不仅仅是航空图像)的获取图像的分辨率设置。生成三维模型的精度和分辨率与采集的影像精度直接相关。为达到预定的影像精度,必须使用准确的焦距及拍摄距离来采集影像。相关计算公式为:影像精度(米/像素)×焦距(毫米)×图像的最大尺寸(像素)=传感器宽度(毫米)×拍摄距离(米)。传感器的宽度、焦距、图像的像素是固定的,想要多少的影像精度,可以通过拍摄距离来调整。
第二,整个图像获取过程采用固定的焦距。如果需要获得非统一的影像精度,可以调整拍摄距离来实现。如果无法避免使用不同的焦距设置,比如拍摄距离的限制等因素,应在每个焦距设置下各采集一定数量的影像组,避免某个焦距只有非常少量的影像的情况。当使用可变焦距镜头,应需保持在一组影像上使用同一焦距。
第三,尽量选用可避免重影、散焦与噪声、曝光过度或不足等的曝光设置,否则将会严重影响三维建模质量。手动曝光设置能有效降低3D模型贴图产生色差的可能性。如果不具备条件,自动曝光获取的影像也能被处理。建议关闭光学或数码图像稳定功能。室内拍照时,固定光源比试用闪光灯更好;室外拍摄时,多云的天气比晴天更好。如果必须在晴天拍摄,最好选择中午前后,使阴影区域最小化。
第四,模型重建对象的每一部分应至少3个不同的视点(但比较接近)进行拍摄。一般来说,连续影像之间的重叠部分应该超过60%。物体的同一部分的不同拍摄点间的分隔应该小于15度。为了最大程度地还原照片重建后的纹理信息,在采集拍照的时候要注意分层,可以由远至近拍三个距离,让中间层联系远近两层,避免空三运算时失败。
需进一步说明的是,步骤2中,对经过激光三维扫描采集到的原始激光点云数据进行处理的具体实施方式如下:
获取数据后,利用Faro扫描仪自带的数据预处理软件FaroScene对原始激光点云数据进行点云去噪、过滤、注册,最终将所有站点拼接在一起。处理后的激光雷达点云在经过拼接、裁剪和抽稀等预处理后,可以作为后续点云重建的基础数据。处理后激光点云如图3所示。
步骤2中,对无人机倾斜摄影采集到的二维图像进行三维重建的具体实施方式如下:
首先进行空中三角测量解算。空中三角测量又称空三加密,是立体摄影测量中必不可少的环节,在本实施例中,采用的是自带卫星定位模块的无人机进行拍摄的图片,图片中带有POS数据即GPS信息,没有额外布设控制点,所以必须通过空三加密来解算出每一像对的相对位置。
空中三角测量解算后,需对数据进行平差。无人机从通过旋转镜头从不同角度拍摄影像,不同的拍摄角度导致多视影像上每个点的外方位元素都不一样,拥有比垂直影像更复杂的纹理信息和几何变形的遮挡关系,所以需要通过多视角影像联合平差来获取更精确的外方位元素。比较成熟的技术为光束平差法。光束平差法是摄像机参数和空间点参数的非线性优化迭代过程,目的是最小化重投影误差;所谓重投影误差是指真实三维空间点在图像平面上的投影(图像上的像素点)和重投影(计算得到的像素点)的差值,最小化差值获取最优的相机参数和三维空间点的坐标。
将摄影采集的二维影像还原到三维空间,然后通过对数据的一系列处理,获得倾斜摄影模型和正射影像,通过构建影像与真实物体之间的集合关系,再基于同名特征点对影像进行匹配。即:检测两幅像片中的特征点,寻找同名点并利用同名点确定像片的相对位置生成密集点云,点云生成三角网、生成白模、最终通过纹理映射将白模生成实景三维模型。倾斜摄影重构模型如图4所示。
进一步对步骤4的具体实施方式做详细说明如下:
由于本项目中获取的点云数据是自由坐标系,与倾斜摄影测量定义的地理坐标系不一致,因此通过在实景三维模型上选取控制点的方法为激光雷达点云定义地理坐标。
首先对激光点云数据进行坐标转换,通过倾斜模型上三个以上控制点的坐标,并在激光点云数据上定位,从而将激光点云数据转为与倾斜摄影测量数据相同的地理坐标系。
如表2所示,以A变电站为例,在倾斜摄影模型上找到三个控制点point1、point2、point3,采用WGS84/UTM zone 48N坐标系,E、N、Z指高斯投影平面直角坐标系的X坐标、Y坐标、正常高。将坐标在点云中进行一一匹配,最后在FaroScene中进行转换处理,实现点云与倾斜摄影模型的坐标系的统一。
控制点名称 | E | N | Z |
Point1 | -194236 | 3345176 | 444.16 |
Point2 | -194280 | 3345276 | 444.74 |
Point3 | -194144 | 3345173 | 444.16 |
步骤5中,对变电站内的设施设备分别进行纹理数据采集的方法是:利用专业单反相机,对电力作业现场电气设备进行纹理影像采集。多角度采集电气设备的纹理图像,提高纹理覆盖度。每栋建筑物至少4张不同角度的全景图,按照顺时针方向采集其结构纹理和铭牌,如果建筑物太高,从上到下依次拍。设备区域按间隔为单位拍摄,一个间隔拍完后再拍另一个间隔,并保证拍完间隔内的所有设备,每个间隔至少两张不同角度的全景图。拍摄间隔内的设备里,先拍一张全景图,再拍设备的铭牌(包括运行编号铭牌和设备参数铭牌),然后拍设备细节图,细节图尽量把每个细节都拍到,每个设备至少12张以上不同角度的照片。
另外,步骤5中,对变电站内的设施设备分别进行单体参数化建模的方法是:利用收集得到的各电气设备、各土建设备的详细CAD图、现场采集的纹理结构图,对变电站的电气设备进行精确的参数化建模。建模精度满足技术参数表中的要求。首先将倾斜摄影模型或三维激光扫描仪所扫描出的点云文件导入到3Ds Max的工作界面中,并将倾斜摄影模型或点云模型的坐标中心移动至坐标原点。在建模时始终确保模型的长、宽、高与倾斜摄影模型或点云数据相切。由于倾斜摄影模型、点云数据的坐标是真实的,所以可以保证模型形状、尺寸的真实性。电力作业现场电气设备、设施、建筑模型映射现场采集的真实纹理,可以最大程度上还原变电站场景。
此外,本方法还需要利用图像卷积神经网络对三维重建后的图像进行语义分割。
三维重构场景图像实现了真实场景的重现,缺乏图像的语义信息,电力作业常见的设备复杂,不同的设备、区域有不同对作业有不同的要求,因此,对三维重构场景图像也在语义层次(场景分类,语义或实例级别分割等)进行分割,以区分电力场景的不同区域,便于后续的危险态势感知与评价。
三维点云具有三个主要特征:无序性、局部特征性、旋转平移不变性。在空间中,点云的分布是没有规律的,在一个点云的数据集中,点云被表示为一个集合,而集合中的点云排列顺序是不固定的;每一个点周围的邻域点的数量是不同的,由邻域点构成的集合具有局部特征;对点云进行平移和旋转并不会改变物体本身的特征,无论做任何的平移或者旋转,语义分割或者物体分类的结果都不会改变。
点云的分布属于非欧式空间,每一个点的邻居点数量并不固定,传统卷积无法有效处理分布不规则的数据。图卷积技术将无规律的数据信息转换为图的结构,并通过可学习的卷积核在图上聚合并更新节点之间的特征,将传统卷积与图进行有效地结合,解决了在非欧式空间进行监督学习的难题。为了更加准确的实现对点云数据的分割,本项目采用DeepGCNs-ATT的网络模型,它在GCN(Graph Convolutional Networks)主干块之后添加了双通道注意力融合层(attention layer,ATT),可以使网络在预测模块部分高效地聚合全局上下文特征,以增强神经网络实现场景的语义分割,DeepGCNs-ATT结构如图5所示。
DeepGCNs通过残差连接和空洞卷积等操作使得GCN的网络层次更多,可以使神经网络学习到更深层次的特征。DeepGCNs的总体网络结构主要由三个模块构成:图卷积主干模块、融合模块与MLP预测模块。主干网络模块通过多层图卷积神经网络对输入的点云进行特征学习,融合模块通过1×1的卷积层以及最大池化层(max pooling)进行全局特征聚合,MLP预测模块通过不同通道数的多层感知机预测每一个点的分割结果。
ResGCN采用的残差连接方式如式所示,残差映射函数F将第l层的图卷积结果作为输入,输出新的图。函数将残差映射与映射前的图进行逐点相加,得到。ResGCN中的残差连接主要是为了通过卷积层之间的跳跃连接以及层与层之间的梯度反传避免了图卷积层加深导致梯度消失的问题。
DeepGCNs在图卷积层采用了空洞卷积(Dilated Aggregation),在卷积核中加入一定数量的空洞(dailtion rate,DR)来增大卷积核的感受野从而一定程度上缓解了梯度反传,通过空洞卷积,神经网络可以学习到更远距离的特征,相应的,对一些大型的物体就会有较好的识别与分割效果。
DeepGCNs-Att模型中,预测模块采用多层感知机对GCN主干网络学习到的高维点云特征信息进行降维,通过注意力融合模块进一步学习低维特征之间上下文的关系。双通道注意力融合机制首先在图像语义分割领域被成功应用,相比于二维图像,在三维空间中,注意力模块的作用是在非欧氏空间中自适应地聚合全局空间特征信息。
给定特征图H∈RC×N,在MLP输出层中,算法将这些特征向量作为输入。C和N分别对应了特征图中的通道数和节点数。分别通过两个相同的非线性变换ρi和ρj获得了不同的特征图Ai和Bi,{Ai,Bi}∈RC×N,其中N是特征向量的数量,C是特征通道的数量。将Ai和Bi相乘并作SoftMax得到归一化后的空间注意力权重Ui,j。Ui,j的表达式为:
Ui,j=soft maxj(Ai,Bj)=soft maxj(ρi(Hi),ρj(Hj)) (1)
之后,对特征向量H再进行一次非线性变换,获得新的特征Cj∈RN×D,然后将C和Uij作矩阵乘法获得特征图以聚合全局空间特征,并与原始特征向量Hi逐点相加以获得新的特征图 的表达式为:
通道注意力模型与空间注意力模型类似。在特征图中每一个通道可以看作是由卷积产生的对点云不同语义分割结果的描述,类似于在对图像采用卷积提取特征时,输出结果的通道可以看作是采用不同滤波器产生的不同分割结果,所以无论是图像还是点云,通道之间是存在一定的映射关系,从而使自注意模块利用通道之间的相互依赖性来学习全局特征表示。
综上,三激光扫描在地面上以一定的角度扫描,直接获取地表物体的表面三维坐标,形成激光点云数据。倾斜摄影测量以无人机平台搭载数码相机,在空中多角度对地表对象进行拍摄获取影像数据,然后基于多视影像的地表同名点坐标进行密集匹配,快速获取地表三维数据。其数据格式一般为JPG等图片格式,通过相应的软件平台进行空三加密和影像密集匹配算法,自动匹配出所有影像的同名点,并从影像中抽取更多的特征点构成密集点云。由于密集匹配过程中产生了大量的点云数据,这就为三维激光点云与倾斜摄影密集点云的融合提供了可操作性。地面三维激光点云的高精度可以弥补倾斜摄影近地面区域精度偏低的缺陷,而空中无人机倾斜摄影则弥补了三维激光顶部扫描盲区和影像获取视角不够广的缺陷,将两种方法的点云进行融合,再进行三维建模,就可以实现三维模型整体上的高精度,解决倾斜摄影三维建模局部拉花、底部效应等问题。三维激光扫描与倾斜摄影技术的结合,实现了空中无人机航空影像与地面三维激光点云的“空地联合”,全方位无死角获取地表物体的完整表面坐标信息,实现高精度的三维建模。同时结合变电站的纹理结构图像、基础图纸资料等对变电站设备模型进行精细化建模,将设备台账信息进行详细梳理,并建立与设备三维模型的关联关系,形成输变电设备物联网应用的数据基础。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种变电站三维场景模型构建方法,其特征在于,包括以下步骤:
对变电站内的设施设备分别进行激光三维扫描和无人机倾斜摄影;对经过激光三维扫描采集到的原始激光点云数据进行处理,对无人机倾斜摄影采集到的二维图像进行三维重建;根据处理后的激光点云数据和三维重建后的图像数据进行密集匹配,对密集匹配后的数据和处理后的激光点云数据依次进行点云融合、表面重构和纹理映射,得到变电站倾斜摄影模型;
对变电站内的设施设备分别进行纹理数据采集和单体参数化建模;根据采集到的纹理数据和构建的单体参数化模型,对变电站内的设施设备进行单体模型纹理映射;对经过单体模型纹理映射后的设施设备进行属性挂接;
根据所述变电站倾斜摄影模型和经过属性挂接后的设施设备数据,对变电站内的设施设备进行位置匹配和尺寸匹配,得到变电站三维场景模型。
2.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,进行激光三维扫描之前,包括以下步骤:
部署激光扫描工作的条件和进度,包括:(1)针对室外场景,选择在多云天气条件下在同一天内完成对同一电力作业场景的激光数据采集工作;(2)针对室内场景,采用光线均匀一致的照明设备进行补光;(3)限制现场的机器及人员流动;
设置激光扫描仪的参数,包括:(1)根据对图像细节级别的需求、与取像对象之间的距离和到达目标的距离,设置激光扫描仪的分辨率;(2)根据室内外的扫描环境状况,调整激光扫描仪的扫描质量;(3)打开激光扫描仪的彩色扫描功能;
部署激光扫描点位,包括:(1)将激光扫描点位部署在激光扫描仪的视线范围能够覆盖到扫描对象的位置;(2)根据对各激光扫描仪的扫描区域重叠度的需求,对激光扫描点位的疏密度进行调整;(3)将各激光扫描点位部署在所属间隔的不同位置。
3.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,进行无人机倾斜摄影之前,包括以下步骤:根据室内外拍摄环境,将无人机的焦距调节为固定焦距;关闭光学或数码图像稳定功能;
进行无人机倾斜摄影过程中,包括以下步骤:采用固定的焦距进行拍摄,通过调整拍摄距离的方式来获取非统一的影像精度;当使用不同焦距进行拍摄时,在每一个焦距下对同一目标进行多次拍摄;在室内,使用固定光源替代闪光灯;在室外,选择在多云天气条件下或在晴天的中午前后进行拍摄;拍摄中,由远及近地选择多个拍摄距离对同一拍摄对象进行多次拍摄,并确保连续影像之间的重叠部分超过60%,以及确保拍摄对象的同一部分的不同拍摄点之间的分隔小于15°。
4.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,对原始激光点云数据进行处理包括:对原始激光点云数据进行去噪、过滤、注册、拼接和裁剪。
5.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,对二维图像进行三维重建包括以下步骤:
对二维影像进行空中三角测量解算,得到每一图像对的相对位置;
利用光束平差法对每一图像对的相对位置进行平差,得到每一图像对的准确的三维空间坐标。
6.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,所述密集匹配包括以下步骤:
寻找出处理后的激光点云数据与三维重建后的图像数据之间的同名点;
根据同名点确定出三维重建后的图像的相对位置,并生成对应的密集点云。
7.根据权利要求1或3所述的一种变电站三维场景模型构建方法,其特征在于,所述点云融合包括以下步骤:通过在实景三维模型上选取控制点的方式,将处理后的激光点云数据转换为与倾斜摄影模型相同的地理坐标系。
8.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,所述纹理采集包括以下步骤:
针对变电站内的每栋建筑物,拍摄多张不同角度的建筑物全景图,按顺时针方向采集建筑物的结构纹理和铭牌;
针对每个间隔,对变电站内的所有设施设备的拍摄,每个间隔至少拍摄两张不同角度的全景图;
针对每一台设备,拍摄多张不同角度的设备图像,包括设备全景图、设备铭牌图和设备细节图。
9.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,所述单体参数化建模包括以下步骤:
将所述倾斜摄影模型导入3DsMax;
在工作界面中,将所述倾斜摄影模型的坐标中心移动指坐标原点,通过3DsMax自动完成单体参数化建模。
10.根据权利要求1所述的一种变电站三维场景模型构建方法,其特征在于,还包括以下步骤:利用图像卷积神经网络对三维重建后的图像进行语义分割。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245972.8A CN115937288A (zh) | 2022-10-12 | 2022-10-12 | 一种变电站三维场景模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211245972.8A CN115937288A (zh) | 2022-10-12 | 2022-10-12 | 一种变电站三维场景模型构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937288A true CN115937288A (zh) | 2023-04-07 |
Family
ID=86553090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211245972.8A Pending CN115937288A (zh) | 2022-10-12 | 2022-10-12 | 一种变电站三维场景模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937288A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384255A (zh) * | 2023-05-11 | 2023-07-04 | 四川新迎顺信息技术股份有限公司 | 一种基于多源数据融合的园区危险态势感知方法及系统 |
CN116740288A (zh) * | 2023-08-14 | 2023-09-12 | 北京数慧时空信息技术有限公司 | 一种融合激光雷达、倾斜摄影的三维重建方法 |
CN116797744A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大势智慧科技有限公司 | 多时相实景三维模型的构建方法、系统及终端设备 |
CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、系统、计算机设备和存储介质 |
CN117078873A (zh) * | 2023-07-19 | 2023-11-17 | 达州市斑马工业设计有限公司 | 一种三维高精度地图生成方法、系统及云平台 |
CN117315146A (zh) * | 2023-09-22 | 2023-12-29 | 武汉大学 | 基于跨尺度多源数据的三维模型的重建方法及存储方法 |
CN117315476A (zh) * | 2023-10-11 | 2023-12-29 | 国网江苏省电力有限公司南通供电分公司 | 一种电力场景异常行为的智能检测方法及系统 |
-
2022
- 2022-10-12 CN CN202211245972.8A patent/CN115937288A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116384255A (zh) * | 2023-05-11 | 2023-07-04 | 四川新迎顺信息技术股份有限公司 | 一种基于多源数据融合的园区危险态势感知方法及系统 |
CN116384255B (zh) * | 2023-05-11 | 2023-08-11 | 四川新迎顺信息技术股份有限公司 | 一种基于多源数据融合的园区危险态势感知方法及系统 |
CN117078873A (zh) * | 2023-07-19 | 2023-11-17 | 达州市斑马工业设计有限公司 | 一种三维高精度地图生成方法、系统及云平台 |
CN116740288A (zh) * | 2023-08-14 | 2023-09-12 | 北京数慧时空信息技术有限公司 | 一种融合激光雷达、倾斜摄影的三维重建方法 |
CN116740288B (zh) * | 2023-08-14 | 2023-10-20 | 北京数慧时空信息技术有限公司 | 一种融合激光雷达、倾斜摄影的三维重建方法 |
CN116797744A (zh) * | 2023-08-29 | 2023-09-22 | 武汉大势智慧科技有限公司 | 多时相实景三维模型的构建方法、系统及终端设备 |
CN116797744B (zh) * | 2023-08-29 | 2023-11-07 | 武汉大势智慧科技有限公司 | 多时相实景三维模型的构建方法、系统及终端设备 |
CN116993923A (zh) * | 2023-09-22 | 2023-11-03 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、系统、计算机设备和存储介质 |
CN116993923B (zh) * | 2023-09-22 | 2023-12-26 | 长沙能川信息科技有限公司 | 换流站三维模型制作方法、系统、计算机设备和存储介质 |
CN117315146A (zh) * | 2023-09-22 | 2023-12-29 | 武汉大学 | 基于跨尺度多源数据的三维模型的重建方法及存储方法 |
CN117315146B (zh) * | 2023-09-22 | 2024-04-05 | 武汉大学 | 基于跨尺度多源数据的三维模型的重建方法及存储方法 |
CN117315476A (zh) * | 2023-10-11 | 2023-12-29 | 国网江苏省电力有限公司南通供电分公司 | 一种电力场景异常行为的智能检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115937288A (zh) | 一种变电站三维场景模型构建方法 | |
CN112132972B (zh) | 一种激光与图像数据融合的三维重建方法及系统 | |
CN104330074B (zh) | 一种智能测绘平台及其实现方法 | |
CN109919911B (zh) | 基于多视角光度立体的移动三维重建方法 | |
AU2011312140C1 (en) | Rapid 3D modeling | |
CN111028155B (zh) | 一种基于多对双目相机的视差图像拼接方法 | |
CN104537707B (zh) | 像方型立体视觉在线移动实时测量系统 | |
CN105931234A (zh) | 一种地面三维激光扫描点云与影像融合及配准的方法 | |
CN116182805A (zh) | 基于遥感图像的国土测绘方法 | |
CN116740288B (zh) | 一种融合激光雷达、倾斜摄影的三维重建方法 | |
Haala et al. | High density aerial image matching: State-of-the-art and future prospects | |
CN115330594A (zh) | 一种基于无人机倾斜摄影3d模型的目标快速识别与标定方法 | |
Hirschmüller et al. | Stereo vision based reconstruction of huge urban areas from an airborne pushbroom camera (HRSC) | |
CN116129064A (zh) | 电子地图生成方法、装置、设备及存储介质 | |
CN113345084B (zh) | 三维建模系统及三维建模方法 | |
CN105654462A (zh) | 一种基于影像配准的建筑物高程提取方法 | |
Barrile et al. | 3D models of Cultural Heritage | |
CN114332383B (zh) | 一种基于全景视频的场景三维建模方法及装置 | |
Puerta et al. | Photogrammetry as an engineering design tool | |
CN114252058A (zh) | 一种航空精细大场景制作与量测方法 | |
Zhang et al. | Tests and performance evaluation of DMC images and new methods for their processing | |
Hirzinger et al. | Photo-realistic 3D modelling-From robotics perception to-wards cultural heritage | |
CN116233390B (zh) | 一种基于多目立体视觉的煤堆无人自动化作业系统及方法 | |
Zhu et al. | 3D Real-Scene Model of Oblique Photography Based on Retinex | |
Inzerillo et al. | UAV experimentation for pavement distresses detection |
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 |