CN116310194A - 一种配电站房三维模型重建方法、系统、设备和存储介质 - Google Patents
一种配电站房三维模型重建方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN116310194A CN116310194A CN202310184051.3A CN202310184051A CN116310194A CN 116310194 A CN116310194 A CN 116310194A CN 202310184051 A CN202310184051 A CN 202310184051A CN 116310194 A CN116310194 A CN 116310194A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- substation
- cloud data
- room
- power distribution
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 121
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 43
- 239000000178 monomer Substances 0.000 claims abstract description 36
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000013519 translation Methods 0.000 claims description 22
- 238000003064 k means clustering Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 239000000463 material Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- 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
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2219/00—Indexing scheme for manipulating 3D models or images for computer graphics
- G06T2219/20—Indexing scheme for editing of 3D models
- G06T2219/2016—Rotation, translation, scaling
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Computer Graphics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Architecture (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种配电站房三维模型重建方法、系统、设备和存储介质，包括：利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；利用神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据利用BIM生成各配电站房单体三维模型；基于配准后的配电站房点云数据，利用最小二乘拟合算法对各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；配电站房点云数据包括配电站房外部结构和内部设备点云数据；本发明通过迭代最近点算法进行点云数据配准，便于神经网络分类，通过分类可提高BIM生成单体模型的速度和准确率；通过最小二乘拟合算法拟合各单体模型的位置，可提高配电站房三维重建的效率和精度。
Description
技术领域
本发明属于配电站房工程建设领域，具体涉及一种配电站房三维模型重建方法、系统、设备和存储介质。
背景技术
随着配网工程的规模加大，配电站房结构越来越复杂，配电站房里的电气设备种类也越来越多，使传统的配电站房建模迎来巨大的挑战，由此可能导致配电站房运行和维护的难题。因此越来越多的研究人员开始研究智能化的配电站房三维建模方法，进而为智能电网的实施提供坚实有效的数据基础。
然而，配电站房不同于常规民用建筑，其电力线路结构复杂、电气设备众多。因此，在建立配电站房三维模型时，如何更加快速、高效、准确的采集原始数据是一个巨大的难题。目前，常用三维激光扫描和摄影测量的传感技术获取现场数据。通过现场数据，工程人员依据其经验可以对施工进度进行预判，但这种预判的效率和准确率不高。虽然，基于建筑信息模型(BIM)可进行施工进度预判，但基于BIM的施工进度监测研究尚处于初级阶段，相关理论还不够成熟，智能化水平不高，三维重建的速度、精度和准确度无法满足配电站房运行维护时的需求。鉴于上述原因，急需提出一种配电站房三维重建方法。
发明内容
为克服上述现有技术的不足，本发明提出一种配电站房三维模型重建方法，包括：
利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
优选的，所述利用迭代最近点算法，对预先获取的配电站房点云数据进行配准，包括：
以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；
以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解作为配准结果；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
优选的，所述以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解，包括：
将所述目标点云和源点云转换为质心坐标，并在质心坐标下以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，得到点云旋转矩阵；
通过奇异值分解法，对所述点云旋转矩阵进行求解，得到点云最优旋转矩阵；
基于所述点云最优旋转矩阵，计算点云最优平移矩阵；
所述点云最优旋转矩阵和点云最优平移矩阵，为所述配电站房点云数据的最优解。
优选的，所述点云最优平移矩阵，按下式计算：
式中，t为点云最优平移矩阵，
为源点云的质心，/>
为目标点云的质心，R为点云最优旋转矩阵。
优选的，所述点云最优旋转矩阵，按下式计算：
式中，R为点云最优旋转矩阵，
为第i个源点云的对应点，/>
为第i个目标点云的对应点，N为源点云总数；
所述第i个源点云的对应点
和第i个目标点云的对应点/>
按下式表示：
式中，
为第i个源点云，/>
为第i个目标点云，/>
为源点云的质心，/>
为目标点云的质心。
优选的，所述利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型，包括：
利用预先构建的神经网络，对所述配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别；
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；
其中，所述神经网络，以所述配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；所述神经网络，基于深度学习构建，并利用已知构件类别的配电站房点云数据进行训练。
优选的，所述基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型，包括：
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法拟合所述各配电站房单体三维模型的位置；
基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到配电站房三维重建模型。
优选的，所述方法还包括：
通过架设在配电站房内部和外部多个角度的多台激光扫描仪，分别对配电站房的外部和内部进行扫描，得到配电站房原始点云数据；
采用K均值聚类算法，对所述配电站房原始点云数据进行去噪，得到所述配电站房点云数据。
基于同一发明构思，本发明还提供了一种配电站房三维模型重建系统，包括：数据配准模块、单体构建模块和三维重建模块；
所述数据配准模块，用于利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
所述单体构建模块，用于利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
所述三维重建模块，用于基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
优选的，所述数据配准模块，包括：设定单元和求解单元；
所述设定单元，用于以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；
所述求解单元，用于以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解作为配准结果；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
优选的，所述求解单元，具体用于：
将所述目标点云和源点云转换为质心坐标，并在质心坐标下以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，得到点云旋转矩阵；
通过奇异值分解法，对所述点云旋转矩阵进行求解，得到点云最优旋转矩阵；
基于所述点云最优旋转矩阵，计算点云最优平移矩阵；
所述点云最优旋转矩阵和点云最优平移矩阵，为所述配电站房点云数据的最优解。
优选的，所述求解单元中点云最优平移矩阵，按下式计算：
式中，t为点云最优平移矩阵，
为源点云的质心，/>
为目标点云的质心，R为点云最优旋转矩阵。
优选的，所述求解单元中点云最优旋转矩阵，按下式计算：
式中，R为点云最优旋转矩阵，
为第i个源点云的对应点，/>
为第i个目标点云的对应点，N为源点云总数；
所述第i个源点云的对应点
和第i个目标点云的对应点/>
按下式表示：
式中，
为第i个源点云，/>
为第i个目标点云，/>
为源点云的质心，/>
为目标点云的质心。
优选的，所述单体构建模块，具体用于：
利用预先构建的神经网络，对所述配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别；
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；
其中，所述神经网络，以所述配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；所述神经网络，基于深度学习构建，并利用已知构件类别的配电站房点云数据进行训练。
优选的，所述三维重建模块，具体用于：
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法拟合所述各配电站房单体三维模型的位置；
基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到配电站房三维重建模型。
优选的，所述系统还包括：获取模块；
所述获取模块，具体用于在调用所述数据配准模块对预先获取的配电站房点云数据进行配准前，通过架设在配电站房内部和外部多个角度的多台激光扫描仪，分别对配电站房的外部和内部进行扫描，得到配电站房原始点云数据；
采用K均值聚类算法，对所述配电站房原始点云数据进行去噪，得到所述配电站房点云数据。
基于同一发明构思，本发明还提供了一种计算机设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的一种配电站房三维模型重建方法。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的一种配电站房三维模型重建方法。
与最接近的现有技术相比，本发明具有的有益效果如下：
1.本发明提供了一种配电站房三维模型重建方法和系统，包括：利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；基于配准后的配电站房点云数据，利用最小二乘拟合算法对各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据；本发明通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，可提高配电站房三维模型重建的效率和精度。
2.本发明构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
附图说明
图1为本发明提供的一种配电站房三维模型重建方法的流程示意图；
图2为本发明提供的一个配电站房三维模型重建方法实施例的流程示意图；
图3为本发明提供的一种配电站房三维模型重建系统的基本结构示意图。
具体实施方式
本发明提出一种配电站房三维模型重建方法，基于采集的配电站房点云数据，通过深度学习和BIM技术的结合，使得配电站房以三维重建模型的形式进行展示，空间表达更为清晰准确，能够充分体现配电站房的真实面貌。一方面用可视化与信息化的手段为运维服务提高工作效率，方便配电站房检修维护时信息查询和调取；另一方面节省人力物力成本，为后期资产管理、虚拟仿真训练提供真实的三维场景，可进一步提高工程质量和工程精细化管理水平。
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种配电站房三维模型重建方法，其流程示意图如图1所示，包括：
步骤1：利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
步骤2：利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
步骤3：基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
步骤1中配电站房点云数据的获取，包括：
通过高精度激光扫描仪捕获配电站房外部结构和内部设备的原始点云数据。由于配电站房内部结构复杂且各种建筑物体自身遮挡导致不能利用一个架站位置获得配电站房的整体信息，因此需要在多角度架设仪器站点进行扫描。
随后采用K均值聚类算法对原始点云数据进行去噪。由于点云数据是由多角度架设仪器获取的，很容易产生噪声，造成点云数据冗余，所以为了提高点云数据的精度和处理速度，需去除与三维重建目标无关的点云数据。
K均值聚类算法(K-means clustering algorithm)是一种迭代求解的聚类分析算法，其步骤是随机选取K个对象作为初始的聚类中心，然后计算每个对象与各聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心，如下式所示：
式中，
为各样本与各聚类中心C之间的距离，x(i)为第i个样本，μ(k)为第k次迭代样本均值，Ck为第k次迭代的聚类数，K为选择的样本总数。
K均值聚类算法的求解过程如下：
(1)适当选择C个类的初始中心；
(2)在k次迭代中，对任意一个样本，求其到C各中心的距离，将该样本归到距离更短的中心所在的类；
(3)利用均值等方法更新该类的中心值；
(4)对于所有的C个聚类中心，如果利用(1)和(2)的迭代法更新后值保持不变，则迭代结束，否则继续迭代。
步骤1具体包括：
由于原始点云数据，是通过架设在配电站房内部和外部多个角度的若干台激光扫描仪捕获的，每台激光扫描仪捕获的点云数据的坐标系不同，为使若干个不同坐标系中的点云数据能够转移到同一个坐标系中，需要对原始点云数据进行数据配准。
本发明通过迭代最近点算法(ICP)进行数据配准。对于ICP算法，最优变换是有解析解的，可以使用奇异值分解法(SVD)来计算，以该解析解作为配准的结果。SVD法中求解旋转和平移是分开的。首先计算点云最优旋转矩阵R，再根据R计算点云最优平移矩阵t。
以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；为了去除平移的影响，先将源点云和目标点云都转换到质心坐标下，即令
式中，
为第i个源点云的对应点，/>
为第i个源点云，/>
为源点云的质心，/>
为第i个目标点云的对应点，/>
为第i个目标点云，/>
为目标点云的质心。
在质心坐标下以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，得到点云旋转矩阵，并通过奇异值分解法对迭代最近点算法的配准进行求解，得到点云最优旋转矩阵；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
损失函数loss可用来衡量源点云与目的点云之间的差异，进而表达配准的效果，损失函数最小说明目前点云配准是最优的，因此最优旋转矩阵可通过loss来计算。
点云配准问题的损失函数loss可以写为：
通过该式可求得点云最优旋转矩阵R；式中，N为源点云总数；
展开有：
其中，上标T代表矩阵的转置，上标r代表矩阵的阶；
因为点云是坐标是确定的，因此最小化的损失函数loss可转化为下式：
其中，trace表示矩阵的迹，即矩阵对角线元素之和，H和R均为中间参数，并令H＝PsPt T＝UΣVT，M＝VTRU，U和V均为正交矩阵，Ps为源点云，
为第i个最优旋转点云，Pt T为目标点云的转置；
根据奇异值非负的性质和正交矩阵的性质(正交矩阵中的元素绝对值不大于1)，容易证得只有当M为单位阵时最大，即
VTRU＝I
R＝VUUT；
式中，I为单位矩阵；
考虑到A为旋转矩阵的约束，点云最优旋转矩阵R的最终解为：
R＝VUT(A∣＝1)；
基于所述点云最优旋转矩阵，计算点云最优平移矩阵；
点云最优平移矩阵t，可按下式计算：
所述点云最优旋转矩阵和点云最优平移矩阵，为所述配电站房点云数据的最优解。
步骤2具体包括：
利用预先构建的神经网络，对所述配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别(构件类别包括但不限于配电站房内部设备、建构筑物、材料及外部结构点云数据)，以便于进行BIM单体建模；
其中，所述神经网络，以所述配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；基于深度学习构建所述神经网络(包括AlextNet、VGG、CNN网络但不仅限于此)，并利用已知构件类别的配电站房点云数据进行训练。
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；配电站房的构件类别也是配电站房的建设元素(包括但不限于电气一次设备、电气二次设备、材料、建构筑物)。
步骤3具体包括：
由于获取的配电站房点云数据中包含位置点云(即各构件间的三维位置关系)，可基于配准后的配电站房点云数据，利用最小二乘拟合算法对配电站房点云数据中的位置点云进行拟合，确定各配电站房单体三维模型的精确位置；
进而基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到完整精确的配电站房三维重建模型。
本方法通过采用K均值聚类算法对点云数据进行去噪，避免点云数据冗余，去除与建模无关的点云数据，以便于提高点云数据的精度和处理速度；通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，得到单体模型精确位置，然后按照真实数据把模型进行组合，可提高配电站房三维模型重建的效率和精度；本发明构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
实施例2：
本实施例对一种配电站房三维模型重建方法的具体实现过程进行介绍，如图2所示，包括：
1)使用高精度激光扫描仪捕获配电站房外部结构和内部设备的原始点云数据；
2)采用K均值聚类算法对点云数据进行去噪；
3)基于ICP的配准算法对点云数据配准；
4)基于深度学习对点云数据进行分割与目标识别；
5)根据目标识别后的点云数据进行BIM单体建模；
6)基于最小二乘拟合算法对位置点云进行拟合，得到完整的配电站房三维重建模型。
以某配电站房的三维模型重建过程为例进行说明：
1)高精度激光扫描仪捕获配电站房外部结构和内部设备的原始点云数据。
本实施例使用多台徕卡C10激光扫描仪(该扫描仪可以通过自身补偿进行校准)，然后根据配电站房的实际情况选择各扫描仪设置的站点角度范围，对配电站房外部结构和内部设备进行扫描，获得多角度实时的点云数据。
2)采用K均值聚类算法对点云数据进行去噪。
根据实际配电站房空间排布，为方便K均值算法进行迭代，可对点云数据进行分组，每组点云数据先选取C个类为初始中心，然后在k次迭代中，对任意一个样本，求其到C各中心的距离，将该样本归到距离更短的中心所在的类，然后利用均值更新该类的中心值，直到该类的中心值不变时，则该点云数据迭代完成，得到去噪后的点云数据。算法公式如下式所示：
式中，
为各样本与各聚类中心C之间的距离，x(i)为第i个样本，μ(k)为第k次迭代样本均值，Ck为第k次迭代的聚类数，K为选择的样本总数。
3)基于ICP的配准算法对点云数据配准。
为了完全覆盖复杂的配电站房及其外部结构，通常需要从多个位置获取点云数据。1)中通过多角度设置的多台激光扫描仪，捕获了若干个点云数据。为了从这些点云中获得单个完整的点云，所有的点云应该通过数据配准过程，组合在相同的参考系统中。
基于ICP对点云数据配准，可使多个点云数据在相同的参考系统中组合。首先计算最优旋转，再根据最优旋转计算最优平移，最后以所述点云最优旋转矩阵和点云最优平移矩阵，为配电站房点云数据最优解。具体过程与实施例1中利用ICP法进行数据配准的过程一致，这里不做详细说明。
4)基于深度学习对点云数据进行分割与目标识别。
本实施例建立的神经网络为卷积神经网络(CNN)，但不局限于CNN。创建的神经网络卷积层数为6，卷积核大小为5×5，空洞率为1，步长为2。然后利用已知配电站房构件类别的点云数据对卷积神经网络进行训练，训练过程的batchsize(批大小)取20，使用Adam优化器，初始学习率为0.001。然后输入预处理后的点云数据，输出相应构件的类别。配电站房相应构件如表1所示。
表1构件类别
5)根据目标识别后的点云数据进行BIM单体建模。
如表1所示，配电站房的构件类别即配电站房建设元素，主要有电气一次设备、电气二次设备、材料和建构筑物等，根据各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型。
6)基于最小二乘拟合算法对位置点云进行拟合，得到完整的配电站房三维重建模型。
配电站房单体三维模型创建后，利用最小二乘算法对配电站房点云数据中包含的位置点云进行拟合，确定各配电站房单体三维模型的精确位置；然后按照精确位置组合单体三维模型，得到完整精确的配电站房三维重建模型。
本实施例通过采用K均值聚类算法对点云数据进行去噪，避免点云数据冗余，去除与建模无关的点云数据，以便于提高点云数据的精度和处理速度；通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，得到单体模型精确位置，然后按照真实数据把模型进行组合，可提高配电站房三维模型重建的效率和精度；本实施例构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
实施例3：
基于同一发明构思，本发明还提供了一种配电站房三维模型重建系统，其基本结构示意图如图3所示，包括：数据配准模块、单体构建模块和三维重建模块。
所述数据配准模块，用于利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
所述单体构建模块，用于利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
所述三维重建模块，用于基于配准后的配电站房点云数据，利用最小二乘拟合算法对各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
优选的，所述数据配准模块，包括：设定单元和求解单元；
所述设定单元，用于以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；
所述求解单元，用于以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解作为配准结果；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
优选的，所述求解单元，具体用于：
将所述目标点云和源点云转换为质心坐标，并在质心坐标下以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，得到点云旋转矩阵；
通过奇异值分解法，对所述点云旋转矩阵进行求解，得到点云最优旋转矩阵；
基于所述点云最优旋转矩阵，计算点云最优平移矩阵；
以所述点云最优旋转矩阵和点云最优平移矩阵，为配电站房点云数据最优解。
优选的，所述求解单元中点云最优平移矩阵，按下式计算：
式中，t为点云最优平移矩阵，
为源点云的质心，/>
为目标点云的质心，R为点云最优旋转矩阵；
所述点云最优旋转矩阵R，按下式计算：
式中，
为第i个源点云的对应点，/>
为第i个目标点云的对应点，N为源点云总数；
所述第i个源点云的对应点
和第i个目标点云的对应点/>
按下式表示：
式中，
为第i个源点云，/>
为第i个目标点云。
优选的，所述单体构建模块，具体用于：
利用预先构建的神经网络，对配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别；
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；
其中，所述神经网络，以配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；所述神经网络，基于深度学习构建，并利用已知构件类别的配电站房点云数据进行训练。
优选的，所述三维重建模块，具体用于：
基于配准后的配电站房点云数据，利用最小二乘拟合算法拟合各配电站房单体三维模型的位置；
基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到配电站房三维重建模型。
优选的，所述系统还包括：获取模块；
所述获取模块，具体用于在调用所述数据配准模块对预先获取的配电站房点云数据进行配准前，通过架设在配电站房内部和外部多个角度的若干台激光扫描仪，分别对配电站房的外部和内部进行扫描，得到配电站房原始点云数据；
采用K均值聚类算法，对所述配电站房原始点云数据进行去噪，得到配电站房点云数据。
本系统通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，可提高配电站房三维模型重建的效率和精度；通过采用K均值聚类算法对点云数据进行去噪，避免点云数据冗余，去除与建模无关的点云数据，以便于提高点云数据的精度和处理速度；本系统构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
实施例4：
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种配电站房三维模型重建方法的步骤。
通过本实施例提供的计算机设备，实现一种配电站房三维模型重建方法，通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，可提高配电站房三维模型重建的效率和精度；通过采用K均值聚类算法对点云数据进行去噪，避免点云数据冗余，去除与建模无关的点云数据，以便于提高点云数据的精度和处理速度；本发明构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
实施例5：
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种配电站房三维模型重建方法的步骤。
通过本实施例提供的存储介质，实现一种配电站房三维模型重建方法，通过迭代最近点算法对获取的点云数据进行配准，使全部点云数据整合于同一参考系中，便于神经网络进行分类，通过神经网络的分类可提高BIM生成单体三维模型的速度和准确率；通过最小二乘拟合算法对各配电站房单体三维模型的位置进行拟合，可提高配电站房三维模型重建的效率和精度；通过采用K均值聚类算法对点云数据进行去噪，避免点云数据冗余，去除与建模无关的点云数据，以便于提高点云数据的精度和处理速度；本发明构建的配电站房三维模型，空间表达更为清晰准确，能够充分体现配电站房的真实面貌，便于配电站房检修维护时的信息查询、调取及施工进度预判，可节省人力物力成本，提高工程质量和工程精细化管理水平。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (14)
1.一种配电站房三维模型重建方法，其特征在于，包括：
利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
2.如权利要求1所述的方法，其特征在于，所述利用迭代最近点算法，对预先获取的配电站房点云数据进行配准，包括：
以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；
以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解作为配准结果；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
3.如权利要求2所述的方法，其特征在于，所述以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解，包括：
将所述目标点云和源点云转换为质心坐标，并在质心坐标下以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，得到点云旋转矩阵；
通过奇异值分解法，对所述点云旋转矩阵进行求解，得到点云最优旋转矩阵；
基于所述点云最优旋转矩阵，计算点云最优平移矩阵；
所述点云最优旋转矩阵和点云最优平移矩阵，为所述配电站房点云数据的最优解。
4.如权利要求3所述的方法，其特征在于，所述点云最优平移矩阵，按下式计算：
式中，t为点云最优平移矩阵，
为源点云的质心，/>
为目标点云的质心，R为点云最优旋转矩阵。
5.如权利要求3所述的方法，其特征在于，所述点云最优旋转矩阵，按下式计算：
式中，R为点云最优旋转矩阵，
为第i个源点云的对应点，/>
为第i个目标点云的对应点，N为源点云总数；
所述第i个源点云的对应点
和第i个目标点云的对应点/>
按下式表示：
式中，
为第i个源点云，/>
为第i个目标点云，/>
为源点云的质心，/>
为目标点云的质心。
6.如权利要求1所述的方法，其特征在于，所述利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型，包括：
利用预先构建的神经网络，对所述配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别；
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；
其中，所述神经网络，以所述配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；所述神经网络，基于深度学习构建，并利用已知构件类别的配电站房点云数据进行训练。
7.如权利要求1所述的方法，其特征在于，所述基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型，包括：
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法拟合所述各配电站房单体三维模型的位置；
基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到配电站房三维重建模型。
8.如权利要求1所述的方法，其特征在于，所述方法还包括：
通过架设在配电站房内部和外部多个角度的多台激光扫描仪，分别对配电站房的外部和内部进行扫描，得到配电站房原始点云数据；
采用K均值聚类算法，对所述配电站房原始点云数据进行去噪，得到所述配电站房点云数据。
9.一种配电站房三维模型重建系统，其特征在于，包括：数据配准模块、单体构建模块和三维重建模块；
所述数据配准模块，用于利用迭代最近点算法，对预先获取的配电站房点云数据进行配准；
所述单体构建模块，用于利用预先构建的神经网络对配准后的配电站房点云数据进行分类，并基于分类的配电站房点云数据，利用BIM生成各配电站房单体三维模型；
所述三维重建模块，用于基于所述配准后的配电站房点云数据，利用最小二乘拟合算法对所述各配电站房单体三维模型进行位置拟合，得到配电站房三维重建模型；
其中，所述配电站房点云数据，包括配电站房外部结构点云数据和配电站房内部设备点云数据。
10.如权利要求9所述的系统，其特征在于，所述数据配准模块，具体用于：
以预先获取的配电站房点云数据为源点云，并为所述配电站房点云数据设定目标点云；
以所述目标点云为目标，通过迭代最近点算法对所述源点云进行配准，并利用奇异值分解法对迭代最近点算法的配准进行求解，得到配电站房点云数据的最优解作为配准结果；
其中，所述目标点云，依据配电站房三维重建模型的精度要求设定。
11.如权利要求9所述的系统，其特征在于，所述单体构建模块，具体用于：
利用预先构建的神经网络，对所述配准后的配电站房点云数据进行数据分割，并对分割后的配电站房点云数据通过目标识别进行分类，得到各配电站房点云数据的构件类别；
基于所述各配电站房点云数据及对应的构件类别，利用BIM生成各配电站房单体三维模型；
其中，所述神经网络，以所述配电站房点云数据为输入，以配电站房点云数据的构件类别为输出；所述神经网络，基于深度学习构建，并利用已知构件类别的配电站房点云数据进行训练。
12.如权利要求9所述的系统，其特征在于，所述三维重建模块，具体用于：
基于所述配准后的配电站房点云数据，利用最小二乘拟合算法拟合所述各配电站房单体三维模型的位置；
基于所述各配电站房单体三维模型的位置，对所述各配电站房单体三维模型进行组合，得到配电站房三维重建模型。
13.一种计算机设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至8中任一项的一种配电站房三维模型重建方法。
14.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任一项的一种配电站房三维模型重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310184051.3A CN116310194A (zh) | 2023-02-28 | 2023-02-28 | 一种配电站房三维模型重建方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310184051.3A CN116310194A (zh) | 2023-02-28 | 2023-02-28 | 一种配电站房三维模型重建方法、系统、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116310194A true CN116310194A (zh) | 2023-06-23 |
Family
ID=86821649
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310184051.3A Pending CN116310194A (zh) | 2023-02-28 | 2023-02-28 | 一种配电站房三维模型重建方法、系统、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116310194A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-02-28 CN CN202310184051.3A patent/CN116310194A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111062282B (zh) | 基于改进yolov3模型的变电站指针式仪表识别方法 | |
| 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 | |
| Zou et al. | Tree classification in complex forest point clouds based on deep learning | |
| CN108959794B (zh) | 一种基于深度学习的结构频响动力学模型修正方法 | |
| CN110287873B (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
| CN109614935A (zh) | 车辆定损方法及装置、存储介质及电子设备 | |
| Duan et al. | Craniofacial reconstruction based on multi-linear subspace analysis | |
| CN108154104A (zh) | 一种基于深度图像超像素联合特征的人体姿态估计方法 | |
| CN112489099B (zh) | 点云配准方法、装置、存储介质及电子设备 | |
| WO2020168648A1 (zh) | 一种图像分割方法、装置及计算机可读存储介质 | |
| CN113420640A (zh) | 红树林高光谱图像分类方法、装置、电子设备及存储介质 | |
| CN115457492A (zh) | 目标检测方法、装置、计算机设备及存储介质 | |
| CN116310194A (zh) | 一种配电站房三维模型重建方法、系统、设备和存储介质 | |
| CN115482522A (zh) | 飞机结构件转角特征识别方法、装置、设备及存储介质 | |
| CN114120067A (zh) | 一种物体识别方法、装置、设备及介质 | |
| CN112580428A (zh) | 一种配电网设计方法及装置 | |
| CN114565916A (zh) | 目标检测模型训练方法、目标检测方法以及电子设备 | |
| Li et al. | Inlier extraction for point cloud registration via supervoxel guidance and game theory optimization | |
| CN115311502A (zh) | 基于多尺度双流架构的遥感图像小样本场景分类方法 | |
| Harmening et al. | A fully automated three-stage procedure for spatio-temporal leaf segmentation with regard to the B-spline-based phenotyping of cucumber plants | |
| CN106951918B (zh) | 一种用于冷冻电镜分析的单颗粒图像聚类方法 | |
| CN116883606A (zh) | 基于激光点云的三维模型构建方法及系统 | |
| CN111275747A (zh) | 一种虚拟装配方法、装置、设备和介质 | |
| Li et al. | Automatic branch–leaf segmentation and leaf phenotypic parameter estimation of pear trees based on three-dimensional point clouds | |
| Pu et al. | Feature Analysis of Scanning Point Cloud of Structure and Research on Hole Repair Technology Considering Space-Ground Multi-Source 3D Data Acquisition |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |