本申请涉及一种三维重建模型生成方法、装置、计算机设备和存储介质。所述方法包括：获取目标图像集，构建目标图像集中各个图像对应的超像素图；计算各个超像素图中各个超像素点对应的特征，将各个超像素图对应的各个特征进行融合，得到各个超像素图对应的目标特征；分别对各个超像素图进行超像素点连接操作，得到各个超像素图对应的三角形网格；获取各个三角形网格对应的相机位置数据，基于各个目标特征、各个三角形网格和各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型，所述目标三维重建模型用于构建待处理图像集对应的三维网格图。采用本方法能够提高推断输变电设备覆冰厚度与分布的准确性。设备覆冰厚度与分布的准确性。设备覆冰厚度与分布的准确性。
【技术实现步骤摘要】
三维重建模型生成方法、装置、计算机设备和存储介质
[0001]本申请涉及计算机
，特别是涉及一种三维重建模型生成方法、装置、计算机设备和存储介质。
技术介绍
[0002]随着计算机技术的快速发展，计算机技术也应用于变电站巡检数据处理中。由于电网覆盖范围广，电力线路经过区域的地理环境多变，易于受到自然环境的影响，对于一些海拔较高的地方，输变电设备覆冰现象较为严重，需要对输变电设备的覆冰情况进行分析，因此出现了分析输变电设备中导线的覆冰厚度与分布的相关技术。
[0003]然而，传统技术实时性差，其直接测量运行导线或绝缘子的可行性低，对测量人员来说较为危险，即便采用无人机采集相关信号，也难以避免存在复杂场景被遮挡的情况，从而导致推断输变电设备覆冰厚度与分布的准确性降低。
技术实现思路
[0004]基于此，有必要针对上述技术问题，提供一种能够推断输变电设备覆冰厚度与分布情况的三维模型生成方法、装置、计算机设备和存储介质，提高了推断输变电设备覆冰厚度与分布的准确性。
[0005]一种三维重建模型生成方法，所述方法包括：
[0006]获取目标图像集，构建所述目标图像集中各个图像对应的超像素图；
[0007]计算所述各个超像素图中各个超像素点对应的特征，将所述各个超像素对应的各个特征进行融合，得到所述各个超像素图对应的目标特征；
[0008]分别对所述各个超像素图进行超像素点连接操作，得到所述各个超像素图对应的三角形网格；
[0009]获取所述各个三角形网格对应的相机位置数据，基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型，所述目标三维重建模型用于构建待处理图像集对应的三维网格图。
[0010]在其中一个实施例中，获取目标图像集，构建所述目标图像集中各个图像对应的超像素图包括：
[0011]获取原始图像集，从所述原始图像集中筛选出第一数量个图像作为第一图像集，对所述第一图像集中各个图像标注标签，得到第一目标图像集；
[0012]获取目标半监督模型，将所述原始图像集中未筛选的图像作为第二图像集，基于所述目标半监督模型对所述第二图像集中各个图像标注标签，得到第二目标图像集，将所述第一目标图像集和第二目标图像集的集合作为所述目标图像集；
[0013]获取目标超像素个数，在所述目标图像集的各个图像中划分目标超像素个数的超像素点；
[0014]获取第一目标范围，计算各个所述超像素点对应的第一目标范围内各个像素点的
梯度值，基于所述各个超像素点对应的各个像素点的梯度值的对比结果，从所述各个像素点中筛选出各个超像素点对应的目标像素点，将所述各个超像素点的位置移动到对应的目标像素点的位置，得到目标超像素点；
[0015]获取第二目标范围，计算所述各个目标超像素点与对应的第二目标范围内的各个像素点的目标距离，基于所述各个目标距离的对比结果，将所述各个像素点划分为对应的目标超像素点类别，得到所述目标图像集中各个图像对应的超像素图。
[0016]在其中一个实施例中，计算所述各个超像素图中各个超像素点对应的特征，将所述各个超像素图对应的各个特征进行融合，得到所述各个超像素图对应的目标特征包括：
[0017]获取所述各个超像素图中各个像素点的特征；
[0018]将所述各个像素点对应的目标超像素点类别一致的像素点的特征进行融合，得到所述各个超像素图中各个超像素点对应的特征；
[0019]将所述各个超像素图中各个超像素点对应的特征进行融合，得到所述各个超像素图的目标特征。
[0020]在其中一个实施例中，基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型包括：
[0021]基于所述各个三角形网格对应的时间帧，从所述各个三角形网格中选取当前时间帧对应的三角形网格作为当前三角形网格；
[0022]基于所述初始网络模型的编码层，基于所述当前三角形网格对应的目标特征，计算所述当前三角形网格中各个顶点对应的目标曲率；
[0023]获取目标依赖矩阵和目标句柄位置，基于所述各个顶点对应的目标曲率、所述目标依赖矩阵和所述目标句柄位置，得到所述当前三角形网格对应的当前变形网格；
[0024]获取目标损失函数，基于所述目标损失函数，计算所述当前变形网络对应的当前损失值，基于所述当前损失值和目标条件的对比结果，将所述当前变形网格作为所述当前三角形网格对应的目标变形网格；
[0025]将所述当前时间帧对应的下一时间帧作为当前时间帧，重复从所述各个三角形网格中选取当前时间帧对应的三角形网格作为当前三角形网格的操作，直到所述各个三角形网格均有对应的目标变形网格；
[0026]基于所述初始网络模型的解码层，将所述各个三角形网格对应的目标变形网格进行融合，生成目标三维网格图，得到所述目标三维重建模型。
[0027]在其中一个实施例中，获取目标损失函数之前，还包括：
[0028]获取运动重投影损失函数，获取关键点重投影损失函数，获取纹理损失函数，获取局部刚性损失函数，获取区域相似性损失函数；
[0029]将所述运动重投影损失函数、关键点重投影损失函数、纹理损失函数、局部刚性损失函数和区域相似性损失函数进行结合，得到所述目标损失函数。
[0030]在其中一个实施例中，基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型之后，还包括：
[0031]获取目标待处理图像集，构建所述目标待处理图像集中各个图像对应的目标超像素图；
[0032]计算所述各个目标超像素图对应的目标特征；
[0033]对所述各个图像对应的目标超像素图进行超像素点连接，得到所述各个目标超像素图对应的目标三角形网格；
[0034]获取所述各个目标三角形网格对应的目标相机位置数据，获取目标三维重建模型，将所述各个目标特征、所述各个目标三角形网格和所述各个目标相机位置数据输入到所述目标三维重建模型中，得到所述目标待处理图像集对应的目标三维网格图。
[0035]一种三维重建模型生成装置，所述装置包括：
[0036]超像素图构建模块，用于获取目标图像集，构建所述目标图像集中各个图像对应的超像素图；
[0037]特征获取模块，用于计算所述各个超像素图中各个超像素点对应的特征，将所述各个超像素图对应的各个特征进行融合，得到所述各个超像素图对应的目标特征；
[0038]网格构建模块，用于分别对所述各个超像素图进行超像素点连接操作，得到所述各个超像素图对应的三角形网格；
[0039]目标模型确定模块，用于获取所述各个三角形网格对应的相机位置数据，基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型，所述目标三维重建模型用于构建待处理图像集对应的三本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种三维重建模型生成方法，其特征在于，所述方法包括：获取目标图像集，构建所述目标图像集中各个图像对应的超像素图；计算所述各个超像素图中各个超像素点对应的特征，将所述各个超像素图对应的各个特征进行融合，得到所述各个超像素图对应的目标特征；分别对所述各个超像素图进行超像素点连接操作，得到所述各个超像素图对应的三角形网格；获取所述各个三角形网格对应的相机位置数据，基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型，所述目标三维重建模型用于构建待处理图像集对应的三维网格图。2.根据权利要求1所述的方法，其特征在于，所述获取目标图像集，构建所述目标图像集中各个图像对应的超像素图包括：获取原始图像集，从所述原始图像集中筛选出第一数量个图像作为第一图像集，对所述第一图像集中各个图像标注标签，得到第一目标图像集；获取目标半监督模型，将所述原始图像集中未筛选的图像作为第二图像集，基于所述目标半监督模型对所述第二图像集中各个图像标注标签，得到第二目标图像集，将所述第一目标图像集和第二目标图像集的集合作为所述目标图像集；获取目标超像素个数，在所述目标图像集的各个图像中划分目标超像素个数的超像素点；获取第一目标范围，计算各个所述超像素点对应的第一目标范围内各个像素点的梯度值，基于所述各个超像素点对应的各个像素点的梯度值的对比结果，从所述各个像素点中筛选出各个超像素点对应的目标像素点，将所述各个超像素点的位置移动到对应的目标像素点的位置，得到目标超像素点；获取第二目标范围，计算所述各个目标超像素点与对应的第二目标范围内的各个像素点的目标距离，基于所述各个目标距离的对比结果，将所述各个像素点划分为对应的目标超像素点类别，得到所述目标图像集中各个图像对应的超像素图。3.根据权利要求1所述的方法，其特征在于，所述计算所述各个超像素图中各个超像素点对应的特征，将所述各个超像素图对应的各个特征进行融合，得到所述各个超像素图对应的目标特征包括：获取所述各个超像素图中各个像素点的特征；将所述各个像素点对应的目标超像素点类别一致的像素点的特征进行融合，得到所述各个超像素图中各个超像素点对应的特征；将所述各个超像素图中各个超像素点对应的特征进行融合，得到所述各个超像素图的目标特征。4.根据权利要求1所述的方法，其特征在于，所述基于所述各个目标特征、所述各个三角形网格和所述各个相机位置数据对初始网络模型进行训练，得到目标三维重建模型包括：基于所述各个三角形网格对应的时间帧，从所述各个三角形网格中选取当前时间帧对应的三角形网格作为当前三角形网格；基于所述初始网络模型的编码层，基于所述当前三角形网格对应的目标特征，计算所
述当前三角形网格中各个顶点对应的目标曲率；获取目标依赖矩阵和目标句柄位置，基于所述各个顶点对应的目标曲率、所述目标依赖矩阵和所述目标句柄位置，得到所述当前三角形网格对应的当前变形网格；获取目标损失函数，基于所述目标损失函数，计算所述当前变形网络对应的当前损失值，基于所...
【专利技术属性】
技术研发人员：黄安子，张云翔，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。