一种用于提取激光雷达点云中变电站设备的方法及装置制造方法及图纸

本发明专利技术公开了一种用于提取激光雷达点云中变电站设备的方法及装置，方法包括如下步骤：采集变电站场景的激光雷达原始点云，形成第一点云数据；基于特征转换函数，增强第一点云数据的特征显著性，得到第二点云数据；对第二点云数据进行分割处理，得到粗尺度的第三点云数据；通过抵消注意力机制对粗尺度的第三点云数据进行特征提取，获得细尺度的第四点云数据；对细尺度的第四点云数据进行变电站设备提取，得到变电站的场景设备分布。本发明专利技术利用基于原始点云数据特征增强、点变形器神经网络以及边缘卷积的方法，实现了在变电站复杂场景下精确、稳定地设备提取。稳定地设备提取。稳定地设备提取。

【技术实现步骤摘要】
一种用于提取激光雷达点云中变电站设备的方法及装置


[0001]本专利技术属于智能电网的
，具体涉及一种用于提取激光雷达点云中变电站设备的方法及装置。

技术介绍

[0002]变电站设备作为新型电力系统和智慧电网的重要组成部分，需要周期性的监测和维护，智能化的监管能有效地保障电力设备智能化巡视的准确性。传统的电力设备监测方法主要依靠于人工外业测量和数字摄影测量的方式。人工作业方式受到人员工作强度大和安全风险高等因素影响较大，数字摄影测量方式借助无人机影像、监控相机图像等获取变电站设备信息，也受雨雪天气、物体遮挡、影像分辨率等因素限制，导致提取的电力设备精度并不能达到在线智能巡视的要求。
[0003]有研究通过激光雷达扫描进行绘测，快速、精确地收集大规模变电站场景的三维信息，并提取形态各异的电力设备。如专利CN114782626A给出了一种基于激光与视觉融合的变电站场景建图及定位优化方法，首先获取单线激光雷达、惯性传感器IMU、里程计和双目图像数据，进行预处理；然后进行局部定位与建图，构建子地图；在进行激光线程定位与建图的同时，同步进行对双目图像的处理即视觉线程，实现特征点跟踪，判断关键帧；再对获得的关键帧进行目标检测；最后生成语义地标，并投影至子地图；优化子地图，并进行全局优化。该方法结合了基于图优化的定位算法和深度学习的优势，可以得到完整的、可供稳定定位的导航地图，大大缩短了特征匹配时间，极大增加了变电站复杂运维场景下的定位的稳定性，并且使得在变电站场景下的导航更加快速和可靠。
[0004]如专利CN114638909A给出的基于激光SLAM和视觉融合的变电站语义地图构建方法，包括如下步骤：S1
‑
1对深度相机进行内参标定以及激光雷达和相机的外参联合标定；S1
‑
2、对深度相机和激光雷达获取的数据进行同步预处理；S2
‑
1通过激光雷达采集的点云数据以及里程计信息进行运维环境的地图建模；S2
‑
2、获取深度相机的RGBD图像，通过深度学习进行目标识别，以及场景信息理解，获取其语义信息；S2
‑
3、进行坐标转换，将步骤S2
‑
2中识别的目标投影至栅格地图中，为变电站提供环境认知信息；S3、重复步骤S2，完成语义地图的构建。采用上述技术方案，在建图过程中，对不同天气环境及光照条件适应性较高的优点，算法可有效去除激光运动畸变，提高建图的精度，减小累积误差。
[0005]然而，如上述现有技术，当前的电力设备提取方法仍局限为形态学分析法和深度学习等，该方法受到以下几个方面的限制：(1)变电站电力设备的种类存在多样性，变电站的形状较为复杂；(2)电力设备之间存在干扰和遮挡；(3)高质量的电力设备点云标记数据的数量有限，无法满足电力设备的精准特征提取。基于以上限制，现有的方法还无法满足大规模变电站复杂场景下的电力设备的提取要求。
[0006]因此，如何设计一种用于提取激光雷达点云中变电站设备的方法及装置，以实现稳定、精准且鲁棒的从高密度、无顺序的海量激光雷达点云数据中提取形态各异的变电站设备是本领域技术人员亟待解决的问题。

技术实现思路

[0007]针对上述现有技术中存在的缺陷，本专利技术提供了一种用于提取激光雷达点云中变电站设备的方法及装置，采用高精激光点云重构的变电站三维实景，使得变电站场景中每个设备、部件以及摄像机均具有精确空间坐标信息，通过算法可以算出巡视点位与摄像机之间的关联关系，利用基于原始点云数据特征增强、点变形器神经网络以及边缘卷积的方法，使得变电站中设备复杂、位置密集，设备、部件以及点位之间的空间遮挡关系得以有效解决，实现了在变电站复杂场景下精确、稳定地设备提取。
[0008]第一方面，本专利技术提供一种用于提取激光雷达点云中变电站设备的方法，包括如下步骤：
[0009]采集变电站场景的激光雷达原始点云，形成第一点云数据；
[0010]基于特征转换函数，增强第一点云数据的特征显著性，得到第二点云数据；
[0011]对第二点云数据进行分割处理，得到粗尺度的第三点云数据；
[0012]通过抵消注意力机制对粗尺度的第三点云数据进行特征提取，获得细尺度的第四点云数据；
[0013]对细尺度的第四点云数据进行变电站设备提取，得到变电站的场景设备分布。
[0014]进一步的，基于特征转换函数，增强第一点云数据的特征显著性，得到第二点云数据，具体包括如下步骤：
[0015]定义原始点云的坐标系方向，其中，坐标系包括x、y、z三轴；
[0016]根据给出的特征转化关系，对第一点云数据进行特征增强。
[0017]进一步的，坐标系包括x、y、z三轴，具体为：x轴代表激光雷达装置行驶的正前方，y轴代表激光雷达装置的右侧，z轴代表激光雷达装置的正上方；
[0018]根据给出的特征转化关系，对第一点云数据进行特征增强，具体包括如下步骤：
[0019]分析每个原始点的高程上下文特征和强度上下文特征，具体分析计算关系如下：
[0020][0021]其中，HCF
i
为第i个原始点的高程上下文特征，ICF
i
为第i个原始点的强度上下文特征，cot为余切函数，δ为预设转化度，z
i
为变电站场景第i个原始点的z轴坐标，r
i
为变电站场景第i个原始点的强度；
[0022]通过预定邻域内相邻点的数量，确定每个原始点的密度上下文特征，具体的确定关系如下：
[0023]DCF
i
＝S(R,range(0,1))
[0024]其中，DCF
i
为第i个原始点的密度上下文特征，S为归一化函数，R为第i个原始点的球面邻域搜索半径，range为归一化的范围；
[0025]给出每个点的法向量上下文特征，具体关系如下：
[0026][0027]其中，NCF
i
为第i个原始点的法向量上下文特征，N
xi
为第i个原始点法向量的x轴坐
标，N
yi
为第i个原始点法向量的y轴坐标，N
zi
为第i个原始点法向量的z轴坐标；
[0028]合并高程上下文特征、强度上下文特征、密度上下文特征以及法向量上下文特征，完成对第一点云数据的特征增强。
[0029]进一步的，对第二点云数据进行分割处理，得到粗尺度的第三点云数据，具体包括如下步骤：
[0030]利用多个级联变形器对第二点云数据进行特征嵌入；
[0031]在每个级联变形器中，基于多头自注意力机制，对第二点云数据的不同语义信息进行特征提取，获取多维的语义特征；
[0032]将多维的语义特征输送到全连接层，并进行求和线性函数以及批量归一化处理，得到粗尺度的第三点云数据。
[0033]进一步的，基于多头自注意力机制，对第二点云数据的不同语义信息进行特征提取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于提取激光雷达点云中变电站设备的方法，其特征在于，包括如下步骤：采集变电站场景的激光雷达原始点云，形成第一点云数据；基于特征转换函数，增强第一点云数据的特征显著性，得到第二点云数据；对第二点云数据进行分割处理，得到粗尺度的第三点云数据；通过抵消注意力机制对粗尺度的第三点云数据进行特征提取，获得细尺度的第四点云数据；对细尺度的第四点云数据进行变电站设备提取，得到变电站的场景设备分布。2.如权利要求1所述的用于提取激光雷达点云中变电站设备的方法，其特征在于，基于特征转换函数，增强第一点云数据的特征显著性，得到第二点云数据，具体包括如下步骤：定义原始点云的坐标系方向，其中，坐标系包括x、y、z三轴；根据给出的特征转化关系，对第一点云数据进行特征增强。3.如权利要求2所述的用于提取激光雷达点云中变电站设备的方法，其特征在于，坐标系包括x、y、z三轴，具体为：x轴代表激光雷达装置行驶的正前方，y轴代表激光雷达装置的右侧，z轴代表激光雷达装置的正上方；根据给出的特征转化关系，对第一点云数据进行特征增强，具体包括如下步骤：分析每个原始点的高程上下文特征和强度上下文特征，具体分析计算关系如下：其中，HCF
i
为第i个原始点的高程上下文特征，ICF
i
为第i个原始点的强度上下文特征，cot为余切函数，δ为预设转化度，z
i
为变电站场景第i个原始点的z轴坐标，r
i
为变电站场景第i个原始点的强度；通过预定邻域内相邻点的数量，确定每个原始点的密度上下文特征，具体的确定关系如下：DCF
i
＝S(R,range(0,1))其中，DCF
i
为第i个原始点的密度上下文特征，S为归一化函数，R为第i个原始点的球面邻域搜索半径，range为归一化的范围；给出每个点的法向量上下文特征，具体关系如下：其中，NCF
i
为第i个原始点的法向量上下文特征，N
xi
为第i个原始点法向量的x轴坐标，N
yi
为第i个原始点法向量的y轴坐标，N
zi
为第i个原始点法向量的z轴坐标；合并高程上下文特征、强度上下文特征、密度上下文特征以及法向量上下文特征，完成对第一点云数据的特征增强。4.如权利要求1所述的用于提取激光雷达点云中变电站设备的方法，其特征在于，对第二点云数据进行分割处理，得到粗尺度的第三点云数据，具体包括如下步骤：利用多个级联变形器对第二点云数据进行特征嵌入；在每个级联变形器中，基于多头自注意力机制，对第二点云数据的不同语义信息进行
特征提取，获取多维的语义特征；将多维的语义特征输送到全连接层，并进行求和线性函数以及批量归一化处理，得到粗尺度的第三点云数据。5.如权利要求4所述的用于提取激光雷达点云中变电站设备的方法，其特征在于，基于多头自注意力机制，对第二点云数据的不同语义信息进行特征提取，具体包括：从第二点云数据中提取出的语义信息包括Query、Key和Value三个特征矩阵；计算以上三个特征矩阵值，具体的计算公式如下：(Q，K，V)＝F
in
·
(W
q
，W
k
，W
v
)其中，Q为Query特征矩阵值，K为Key特征矩阵值，V为Value特征矩阵值，F

【专利技术属性】
技术研发人员：郑鑫，陈轩，施进进，杭峰，李伟，许卫刚，徐长福，郭雅娟，徐江涛，毕晓甜，韩学春，甘强，何露芽，
申请(专利权)人：国网江苏省电力有限公司超高压分公司，
类型：发明
国别省市：