CN117951893A - 基于点云数据的输电通道对象单体化模型优化方法 - Google Patents

基于点云数据的输电通道对象单体化模型优化方法 Download PDF

Info

Publication number
CN117951893A
CN117951893A CN202410091316.XA CN202410091316A CN117951893A CN 117951893 A CN117951893 A CN 117951893A CN 202410091316 A CN202410091316 A CN 202410091316A CN 117951893 A CN117951893 A CN 117951893A
Authority
CN
China
Prior art keywords
transmission channel
channel object
power transmission
local feature
feature map
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
Application number
CN202410091316.XA
Other languages
English (en)
Inventor
朱力
肖明东
郁金宝
张鹏超
肖康
常德龙
丁嫚荔
孟凡明
廖仁贵
朱博
单跃强
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.)
Beijing National Remote Xintiandi Information Technology Ltd By Share Ltd
Xiangyang Chengzhi Power Design Co ltd
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Beijing National Remote Xintiandi Information Technology Ltd By Share Ltd
Xiangyang Chengzhi Power Design Co ltd
Xiangyang Power Supply Co of State Grid Hubei Electric Power 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 Beijing National Remote Xintiandi Information Technology Ltd By Share Ltd, Xiangyang Chengzhi Power Design Co ltd, Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Beijing National Remote Xintiandi Information Technology Ltd By Share Ltd
Priority to CN202410091316.XA priority Critical patent/CN117951893A/zh
Publication of CN117951893A publication Critical patent/CN117951893A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Processing (AREA)

Abstract

公开了一种基于点云数据的输电通道对象单体化模型优化方法。其首先基于由激光扫描仪采集的输电通道对象的点云数据对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型，接着，通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图，然后，对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图，接着，对所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图进行融合，最后，基于得到的多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。这样，可以提高电力系统的安全性和可靠性。

Description

基于点云数据的输电通道对象单体化模型优化方法
技术领域
本申请涉及智能化电能输送领域，且更为具体地，涉及一种基于点云数据的输电通道对象单体化模型优化方法。
背景技术
输电通道是电力系统中用于输送电能的重要组成部分，输电通道对象单体化模型是指将输电通道中的各个对象进行个体化建模的过程。传统上，输电通道被视为一个整体来进行输电通道的检查，这种方法没有对其中的各个对象进行单独建模和分析，使得检查的效率低下且容易忽略掉一些细节特征。通过进行输电通道对象单体化模型，可以将输电通道中的每个对象都单独建模，使其更适合于使用和计算。然而，传统的输电通道对象的单体化模型主要基于人工或半自动的方式对点云数据进行分割、分类和建模，以此来进行输电通道的检测，这些方法存在效率低、精度差、稳定性差等问题。
因此，为了提高对输电通道的检测、分析和维护的效率，以及更为有效地对输电通道对象进行监测和管理，期望一种基于点云数据的输电通道对象单体化模型优化方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请提供了一种基于点云数据的输电通道对象单体化模型优化方法，其可以提高输电通道的检测和维护效率，并更为有效地对输电通道对象进行监测和管理，从而提高电力系统的安全性和可靠性。
根据本申请的一个方面，提供了一种基于点云数据的输电通道对象单体化模型优化方法，其包括：
获取由激光扫描仪采集的输电通道对象的点云数据；
基于所述输电通道对象的点云数据，对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型；
通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图；
对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图；
融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征；以及
基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。
与现有技术相比，本申请提供的基于点云数据的输电通道对象单体化模型优化方法，其首先基于由激光扫描仪采集的输电通道对象的点云数据对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型，接着，通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图，然后，对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图，接着，对所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图进行融合，最后，基于得到的多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。这样，可以提高电力系统的安全性和可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，以下附图并未刻意按实际尺寸等比例缩放绘制，重点在于示出本申请的主旨。
图1为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的流程图。
图2为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的架构示意图。
图3为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的子步骤S160的流程图。
图4为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的子步骤S161的流程图。
图5为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化系统的框图。
图6为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本申请的部分实施例，而不是全部的实施例。基于本申请实施例，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，也属于本申请保护的范围。
如本申请和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用，然而，任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的，并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，根据需要，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
针对上述技术问题，本申请的技术构思为通过激光扫描仪采集输电通道对象(如植被、房屋屋顶等)的点云数据，并对所述输电通道对象进行三维建模来得到输电通道对象初始三维单体化模型，然后，在后端引入数据处理和分析算法来进行该输电通道对象初始三维单体化模型的特征分析，以自动从点云数据中提取输电通道对象的三维单体化模型特征，并生成优化的三维单体化模型。这样，能够提高输电通道的检测和维护效率，并更为有效地对输电通道对象进行监测和管理，从而提高电力系统的安全性和可靠性。
图1为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的流程图。图2为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的架构示意图。如图1和图2所示，根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法，包括步骤：S110，获取由激光扫描仪采集的输电通道对象的点云数据；S120，基于所述输电通道对象的点云数据，对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型；S130，通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图；S140，对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图；S150，融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征；以及，S160，基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。
应可以理解，在步骤S110中，通过使用激光扫描仪对输电通道对象进行扫描，获取其点云数据，即一系列三维坐标点的集合。在步骤S120中，利用点云数据进行三维建模，将点云数据转换为初始的三维单体化模型，即将点云数据拟合成连续的三维模型。在步骤S130中，利用深度神经网络模型的特征提取器，提取输电通道对象初始三维单体化模型的局部特征，得到特征图。在步骤S140中，对输电通道对象的局部特征图进行处理，强化图像中的局部细节信息，以提高特征图的质量和准确性。在步骤S150中，将细节强化输电通道对象局部特征图和输电通道对象局部特征图进行融合，得到多尺度的输电通道对象局部特征，以综合考虑细节和整体特征。在步骤S160中，利用多尺度的输电通道对象局部特征，对初始的三维单体化模型进行优化，以得到更加准确和完整的输电通道对象三维模型。
值得一提的是，在一个示例中，所述输电通道对象为植株。在另一个示例中，所述输电通道对象为房屋屋顶。
具体地，在本申请的技术方案中，首先，获取由激光扫描仪采集的输电通道对象的点云数据，这些点云数据可以包括植株或房屋屋顶等与输电通道相关的对象。接着，再基于所述输电通道对象的点云数据，对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型。通过对所述点云数据进行三维建模，可以将各个输电通道对象，如植被、房屋屋顶等离散的点云数据转化为连续的三维模型，从而更好地表示各个输电通道对象的形态和结构。三维建模可以将点云数据中的点连接起来，形成平滑的曲面或多边形网格，使得每个输电通道对象的形状更加清晰和可视化。
然后，为了从所述输电通道对象初始三维单体化模型中提取出有关输电通道对象的局部特征信息，以便更好地描述和分析输电通道对象的细节和特征，在本申请的技术方案中，进一步将所述输电通道对象初始三维单体化模型通过基于三维卷积神经网络模型的模型局部特征提取器以得到输电通道对象局部特征图。通过使用所述基于三维卷积神经网络的模型局部特征提取器，可以从所述初始三维单体化模型中提取出与输电通道对象相关的局部特征，如形状、纹理、边缘等特征信息。特别地，所述输电通道对象局部特征图可以更准确地描述输电通道对象的局部细节特征信息，使其更易于分析和理解。也就是说，通过提取所述输电通道对象的局部特征图，可以实现对输电通道对象的细粒度分析和处理。例如，在植被单体化中，可以提取植被的形状、高度、密度等局部特征，以便更好地了解植被的分布和状态。在房屋屋顶单体化中，可以提取屋顶的形状、倾斜度、损坏程度等局部特征，以便更好地评估屋顶的安全性和维护需求。
相应地，在步骤S130中，所述深度神经网络模型为三维卷积神经网络模型。值得一提的是，三维卷积神经网络(3D Convolutional Neural Network，3D CNN)是一种用于处理三维数据的深度学习模型，与传统的二维卷积神经网络(2D CNN)相比，三维卷积神经网络能够直接处理包含时间维度的三维数据，如视频、点云等。三维卷积神经网络模型通过使用三维卷积层、池化层和全连接层来学习三维数据中的特征。三维卷积层在三个方向(宽度、高度、深度)上滑动卷积核，从而可以捕捉到数据在三个方向上的空间特征。池化层用于减少特征图的尺寸，并提取最重要的特征。全连接层用于将特征映射到最终的输出类别。总之，三维卷积神经网络模型能够有效地处理三维数据，并提取其中的空间特征，从而在各种任务中取得良好的性能。
进一步地，考虑到所述输电通道对象局部特征图中存在着关于输电通道对象的显著性区域细节特征信息和无关的背景干扰特征。因此，为了突出显示输电通道对象的重要特征，增强细节信息，使其更加明显和易于分析，在本申请的技术方案中，进一步将所述输电通道对象局部特征图通过显著特征提取器以得到细节强化输电通道对象局部特征图。应可以理解，所述显著特征提取器能够在传统卷积后增加1×1卷积核和ReLU激活函数，从跨通道池化的角度来看，这样等效于在一个正常的卷积层上实施级联跨通道加权池化，使得模型能够学习到通道之间的关系。在输电通道对象的单体化模型中，通过使用所述显著特征提取器对所述输电通道对象局部特征图进行处理，可以突出显示输电通道对象的重要细节特征，如植被的茂密区域、房屋屋顶的损坏区域等。通过显著特征提取器的处理，细节强化的输电通道对象局部特征图可以更好地突出显示输电通道对象的关键细节特征信息。这有助于进一步分析和理解输电通道对象的形态、结构和状态。例如，在植被单体化中，细节强化的局部特征图可以更清晰地显示出植被的茂密程度和分布情况，有助于判断植被对输电线路的潜在影响。在房屋屋顶单体化中，细节强化的局部特征图可以更明显地显示出屋顶的损坏或松动区域，有助于及时发现并解决问题。
相应地，在步骤S140中，对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图，包括：将所述输电通道对象局部特征图通过显著特征提取器以如下局部细节强化公式进行处理以得到所述细节强化输电通道对象局部特征图；其中，所述局部细节强化公式为：
Foutput＝ReLU(Conv1×1[Conv3×3(Finput)])
其中，Finput表示所述输电通道对象局部特征图，Conv3×3(·)表示使用3×3的卷积核进行卷积处理，Conv1×1[·]表示使用1×1的卷积核进行卷积处理，ReLU(·)表示ReLU函数，Foutput表示所述细节强化输电通道对象局部特征图。
接着，考虑到所述细节强化输电通道对象局部特征图虽然刻画了有关于输电通道对象的局部细节强化特征信息，但是对于整体的特征敏感度较弱。因此，为了能够将输电通道对象的不同尺度的特征信息融合在一起，以提供更全面和丰富的特征表示，在本申请的技术方案中，进一步使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征图。在输电通道对象的单体化模型中，使用残差模块可以将细节强化的局部特征图与原始的局部特征图进行融合，通过融合不同尺度的特征图，可以捕捉到输电通道对象的不同层次和不同尺度的特征信息。由于细节强化的局部特征图可以提供更精细的细节信息，而原始的局部特征图可以提供更全局的特征信息。融合后的多尺度局部特征图可以同时包含细节和全局信息，更全面地描述输电通道对象的特征，以便于为后续的分析和优化提供更丰富的特征表示。
相应地，在步骤S150中，融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征，包括：使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征图作为所述多尺度输电通道对象局部特征。
应可以理解，残差模块(Residual Module)是一种在深度神经网络中用于解决梯度消失和梯度爆炸问题的重要技术。它的核心思想是通过引入跳跃连接(skipconnection)来将输入与输出进行直接相加，从而将网络的学习目标从对输出的直接建模转变为对残差的建模。在残差模块中，输入数据通过一个或多个卷积层进行特征提取和变换，并与原始的输入数据进行相加操作，得到输出。残差模块的主要作用是提高网络的学习能力和适应性。通过引入跳跃连接，残差模块使得网络可以更容易地学习到输入和输出之间的差异，从而更好地捕捉到数据中的重要特征。此外，残差模块还有助于加速网络的训练过程，避免梯度消失和梯度爆炸问题，使得网络可以更深地进行训练。在步骤S150中，使用残差模块来融合细节强化输电通道对象局部特征图和输电通道对象局部特征图，可以将两者的特征进行融合，得到更加丰富和多尺度的输电通道对象局部特征。通过引入残差模块，可以提高特征的表达能力和判别能力，从而更好地支持后续的优化三维单体化模型的步骤。
具体地，在一个示例中，使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征图作为所述多尺度输电通道对象局部特征，包括：使用残差模块如下残差融合公式来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到所述多尺度输电通道对象局部特征图；其中，所述残差融合公式为：
Mask＝Sigmoid(F1―Conv1×1(UpSampling(F2)))
F3＝PMA(F1⊙Mask)
其中，F1是所述细节强化输电通道对象局部特征图，F2是所述输电通道对象局部特征图，F3是所述多尺度输电通道对象局部特征图，Sigmoid(·)表示Sigmoid激活函数，UpSampling(·)表示反卷积操作，Conv1×1(·)表示使用1×1的卷积核进行卷积处理，PMA(·)表注意力机制，⊙表示按位置点乘。
继而，再将所述多尺度输电通道对象局部特征图通过基于扩散模型的模型优化生成器以得到输电通道对象优化三维单体化模型。在输电通道对象的单体化模型中，通过使用所述基于扩散模型的模型优化生成器，可以对所述多尺度的局部特征图进行进一步的优化和改进，以得到更精确和可靠的输电通道对象三维单体化模型。优化后的输电通道对象三维单体化模型可以更好地反映输电通道对象的真实形态和结构，有利于提高对输电通道的检测和维护效率，提高电力系统的安全性和可靠性。
相应地，在步骤S160中，如图3所示，基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型，包括：S161，对所述多尺度输电通道对象局部特征图进行特征分布优化以得到优化后多尺度输电通道对象局部特征图；以及，S162，将所述优化后多尺度输电通道对象局部特征图通过基于扩散模型的模型优化生成器以得到输电通道对象优化三维单体化模型。
应可以理解，步骤S161旨在对多尺度输电通道对象局部特征图进行特征分布的优化，以提高特征图的质量和表达能力，通过对特征图进行分析和调整，可以使特征分布更加合理和有利于后续的模型优化。步骤S162利用基于扩散模型的模型优化生成器，将优化后的多尺度输电通道对象局部特征图转化为最终的输电通道对象优化三维单体化模型。扩散模型是一种基于物理原理的模型，它可以通过模拟物质的扩散过程来优化特征图，使得特征图中的特征更加平滑和连续。通过应用扩散模型，可以进一步提升优化后的特征图的质量，并生成更准确和完整的输电通道对象三维单体化模型。综合以上两个步骤，步骤S161通过特征分布优化提高特征图的质量和表达能力，而步骤S162则利用扩散模型的模型优化生成器将优化后的特征图转化为最终的输电通道对象优化三维单体化模型。这两个步骤共同作用，可以使得输电通道对象的三维单体化模型更加准确、完整和符合实际情况。
特别地，在本申请的技术方案中，所述输电通道对象局部特征图表达所述输电通道对象初始三维单体化模型的三维图像语义局部关联特征，并且，在通过显著特征提取器后，可以强化某些三维图像关联语义特征的局部三维空间分布，这样，当使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图时，考虑到残差模块会基于特征矩阵为单位的残差计算来针对特征矩阵融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图，所述多尺度输电通道对象局部特征图的各个特征矩阵之间也会存在特征分布整体性差的问题，从而影响所述多尺度输电通道对象局部特征图通过基于扩散模型的模型优化生成器得到的所述输电通道对象优化三维单体化模型的模型质量。
因此，本申请的申请人首先对所述多尺度输电通道对象局部特征图进行线性变换以使得特征矩阵的宽度和高度相等，然后对转换后的多尺度输电通道对象局部特征图进行基于特征矩阵的优化。
相应地，在一个示例中，在步骤S161中，如图4所示，对所述多尺度输电通道对象局部特征图进行特征分布优化以得到优化后多尺度输电通道对象局部特征图，包括：S1611，对所述多尺度输电通道对象局部特征图进行线性变换以使得所述多尺度输电通道对象局部特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的多尺度输电通道对象局部特征图；以及，S1612，对所述转换后的多尺度输电通道对象局部特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后多尺度输电通道对象局部特征图。
应可以理解，步骤S1611旨在通过线性变换对多尺度输电通道对象局部特征图进行调整，使得沿通道维度的每个特征矩阵的宽度和高度相等，这样做的目的是为了统一特征矩阵的尺寸，方便后续的特征优化和处理。步骤S1612针对转换后的多尺度输电通道对象局部特征图中的每个特征矩阵，进行基于特征矩阵的优化，具体来说，可以使用各种优化算法和方法，如非线性变换、局部平滑、增强边缘等，对特征矩阵进行调整和优化，以提升特征的质量和表达能力。综合以上两个步骤，步骤S1611通过线性变换调整特征矩阵的尺寸，使得沿通道维度的每个特征矩阵的宽度和高度相等，为后续的特征优化做准备。而步骤S1612则通过基于特征矩阵的优化方法，对转换后的特征矩阵进行调整和改进，以得到优化后的多尺度输电通道对象局部特征图。这两个步骤共同作用，可以提升特征图的质量和表达能力，为生成输电通道对象优化三维单体化模型提供更准确和可靠的特征。
其中，在步骤S1612中，对所述转换后的多尺度输电通道对象局部特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后多尺度输电通道对象局部特征图，包括：以如下优化公式对所述转换后的多尺度输电通道对象局部特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后多尺度输电通道对象局部特征图；其中，所述优化公式为：
其中，Mi和Mi+1分别是所述转换后的多尺度输电通道对象局部特征图的沿通道方向的第i和第i+1位置的特征矩阵，且ε是尺度调节超参数，表示矩阵乘法，⊙表示按位置点乘，/>表示矩阵加法，(·)T表示转置操作，Mi+1′是所述优化后多尺度输电通道对象局部特征图的沿通道方向的第i+1位置的特征矩阵。
这里，通过所述转换后的多尺度输电通道对象局部特征图的具有通道相邻分布的特征矩阵的递进式结构化嵌入计算，来在高维特征空间内预测所述转换后的多尺度输电通道对象局部特征图的局部特征分布沿通道的耦合分布方向，从而以分布递进中心为基础来确定基于通道耦合的迭代生成的传递图式表示，以经由细化所述转换后的多尺度输电通道对象局部特征图整体沿通道维度由下而上的投影规范化提议的方式，来重建所述转换后的多尺度输电通道对象局部特征图的以特征矩阵的场景布局为基础的上下文关系，从而提升所述转换后的多尺度输电通道对象局部特征图的特征表示的整体性，以改进所述基于扩散模型的模型优化生成器得到的所述输电通道对象优化三维单体化模型的模型质量。这样，能够基于对输电通道对象的点云数据分析生成更为优化的三维单体化模型，通过这样的方式，能够提高输电通道的检测和维护效率，并更为有效地对输电通道对象进行监测和管理，从而提高电力系统的安全性和可靠性。
综上，基于本申请实施例的基于点云数据的输电通道对象单体化模型优化方法被阐明，其可以提高输电通道的检测和维护效率，并更为有效地对输电通道对象进行监测和管理，从而提高电力系统的安全性和可靠性。
图5为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化系统100的框图。如图5所示，根据本申请实施例的基于点云数据的输电通道对象单体化模型优化系统100，包括：数据采集模块110，用于获取由激光扫描仪采集的输电通道对象的点云数据；三维建模模块120，用于基于所述输电通道对象的点云数据，对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型；三维特征提取模块130，用于通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图；局部细节强化模块140，用于对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图；融合模块150，用于融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征；以及，模型确认模块160，用于基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。
这里，本领域技术人员可以理解，上述基于点云数据的输电通道对象单体化模型优化系统100中的各个模块的具体功能和操作已经在上面参考图1到图4的基于点云数据的输电通道对象单体化模型优化方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的基于点云数据的输电通道对象单体化模型优化系统100可以实现在各种无线终端中，例如具有基于点云数据的输电通道对象单体化模型优化算法的服务器等。在一个示例中，根据本申请实施例的基于点云数据的输电通道对象单体化模型优化系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该基于点云数据的输电通道对象单体化模型优化系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该基于点云数据的输电通道对象单体化模型优化系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该基于点云数据的输电通道对象单体化模型优化系统100与该无线终端也可以是分立的设备，并且该基于点云数据的输电通道对象单体化模型优化系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
图6为根据本申请实施例的基于点云数据的输电通道对象单体化模型优化方法的应用场景图。如图6所示，在该应用场景中，首先，获取由激光扫描仪采集的输电通道对象的点云数据(例如，图6中所示意的D)，然后，将所述输电通道对象的点云数据输入至部署有基于点云数据的输电通道对象单体化模型优化算法的服务器(例如，图6中所示意的S)中，其中，所述服务器能够使用所述基于点云数据的输电通道对象单体化模型优化算法对所述输电通道对象的点云数据进行处理以得到输电通道对象优化三维单体化模型。
根据本申请的另一方面，还提供了一种非易失性的计算机可读存储介质，其上存储有计算机可读的指令，当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
上面是对本申请的说明，而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例，但本领域技术人员将容易地理解，在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此，所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解，上面是对本申请的说明，而不应被认为是限于所公开的特定实施例，并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。

Claims (9)

1.一种基于点云数据的输电通道对象单体化模型优化方法，其特征在于，包括：
获取由激光扫描仪采集的输电通道对象的点云数据；
基于所述输电通道对象的点云数据，对所述输电通道对象进行三维建模以得到输电通道对象初始三维单体化模型；
通过基于深度神经网络模型的模型局部特征提取器对所述输电通道对象初始三维单体化模型进行特征提取以得到输电通道对象局部特征图；
对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图；
融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征；以及
基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型。
2.根据权利要求1所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，所述输电通道对象为植株。
3.根据权利要求2所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，所述输电通道对象为房屋屋顶。
4.根据权利要求3所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，所述深度神经网络模型为三维卷积神经网络模型。
5.根据权利要求4所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，对所述输电通道对象局部特征图进行局部细节强化以得到细节强化输电通道对象局部特征图，包括：
将所述输电通道对象局部特征图通过显著特征提取器以如下局部细节强化公式进行处理以得到所述细节强化输电通道对象局部特征图；
其中，所述局部细节强化公式为：
Foutput＝ReLU(Conv1×1[Conv3×3(Finput)])
其中，Finput表示所述输电通道对象局部特征图，Conv3×3(·)表示使用3×3的卷积核进行卷积处理，Conv1×1[·]表示使用1×1的卷积核进行卷积处理，ReLU(·)表示ReLU函数，Foutput表示所述细节强化输电通道对象局部特征图。
6.根据权利要求5所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征，包括：
使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征图作为所述多尺度输电通道对象局部特征。
7.根据权利要求6所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，使用残差模块来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到多尺度输电通道对象局部特征图作为所述多尺度输电通道对象局部特征，包括：
使用残差模块如下残差融合公式来融合所述细节强化输电通道对象局部特征图和所述输电通道对象局部特征图以得到所述多尺度输电通道对象局部特征图；
其中，所述残差融合公式为：
Mask＝Sigmoid(F1-Conv1×1(UpSampling(F2)))
F3＝PMA(F1⊙Mask)
其中，F1是所述细节强化输电通道对象局部特征图，F2是所述输电通道对象局部特征图，F3是所述多尺度输电通道对象局部特征图，Sigmoid(·)表示Sigmoid激活函数，UpSampling(·)表示反卷积操作，Conv1×1(·)表示使用1×1的卷积核进行卷积处理，PMA(·)表注意力机制，⊙表示按位置点乘。
8.根据权利要求7所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，基于所述多尺度输电通道对象局部特征，确定输电通道对象优化三维单体化模型，包括：
对所述多尺度输电通道对象局部特征图进行特征分布优化以得到优化后多尺度输电通道对象局部特征图；以及
将所述优化后多尺度输电通道对象局部特征图通过基于扩散模型的模型优化生成器以得到输电通道对象优化三维单体化模型。
9.根据权利要求8所述的基于点云数据的输电通道对象单体化模型优化方法，其特征在于，对所述多尺度输电通道对象局部特征图进行特征分布优化以得到优化后多尺度输电通道对象局部特征图，包括：
对所述多尺度输电通道对象局部特征图进行线性变换以使得所述多尺度输电通道对象局部特征图中沿通道维度的每个特征矩阵的宽度和高度相等以得到转换后的多尺度输电通道对象局部特征图；以及
对所述转换后的多尺度输电通道对象局部特征图中沿通道维度的各个特征矩阵进行基于特征矩阵的优化以得到所述优化后多尺度输电通道对象局部特征图。
CN202410091316.XA 2024-01-23 2024-01-23 基于点云数据的输电通道对象单体化模型优化方法 Pending CN117951893A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410091316.XA CN117951893A (zh) 2024-01-23 2024-01-23 基于点云数据的输电通道对象单体化模型优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410091316.XA CN117951893A (zh) 2024-01-23 2024-01-23 基于点云数据的输电通道对象单体化模型优化方法

Publications (1)

Publication Number Publication Date
CN117951893A true CN117951893A (zh) 2024-04-30

Family

ID=90804866

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410091316.XA Pending CN117951893A (zh) 2024-01-23 2024-01-23 基于点云数据的输电通道对象单体化模型优化方法

Country Status (1)

Country Link
CN (1) CN117951893A (zh)

Similar Documents

Publication Publication Date Title
CN115171165A (zh) 全局特征与阶梯型局部特征融合的行人重识别方法及装置
CN113221687B (zh) 一种压板状态识别模型的训练方法及压板状态识别方法
CN111626300A (zh) 基于上下文感知的图像语义分割模型及建模方法
CN111027576B (zh) 基于协同显著性生成式对抗网络的协同显著性检测方法
CN112818969A (zh) 一种基于知识蒸馏的人脸姿态估计方法及系统
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN112102165A (zh) 一种基于零样本学习的光场图像角域超分辨系统及方法
CN115223009A (zh) 基于改进型YOLOv5的小目标检测方法及装置
CN114187506B (zh) 视点意识的动态路由胶囊网络的遥感图像场景分类方法
CN118096922A (zh) 一种基于风格迁移和遥感影像生成地图的方法
CN117651144A (zh) 基于深度学习的建筑物点云压缩方法及系统
CN110728683B (zh) 一种基于密集连接的图像语义分割方法
CN114494284B (zh) 一种基于显式监督区域关系的场景解析模型及方法
CN117951893A (zh) 基于点云数据的输电通道对象单体化模型优化方法
CN116168418A (zh) 一种图像的多模态目标感知与重识别方法
CN116030365A (zh) 模型训练方法、装置、计算机设备、存储介质和程序产品
CN115564709A (zh) 一种对抗场景下电力算法模型鲁棒性的评估方法和系统
KR102340387B1 (ko) 뇌 연결성 학습 방법 및 이를 위한 시스템
CN118196107B (zh) 基于多协同网络辅助的全景图像盲质量评价方法与系统
CN112966569B (zh) 一种图像处理方法、装置、计算机设备及存储介质
CN118229781B (zh) 显示屏异物检测方法、模型训练方法、装置、设备及介质
CN116911268B (zh) 一种表格信息处理方法、装置、处理设备及可读存储介质
Gan et al. Target Detection and Network Optimization: Deep Learning in Face Expression Feature Recognition
CN118015714A (zh) 基于多特征融合网络的人脸伪造检测方法
CN113392865A (zh) 一种图片处理方法、装置、计算机设备及存储介质

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