System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及计算机视觉和图像处理,尤其涉及一种基于变电站实景点云的对象自动分割方法及系统。
技术介绍
1、三维视觉技术经过多年的发展已经变得较为成熟,并且在工业生产中得到广泛应用。为了提升变电站的管理智能化程度,可以利用三维技术对变电站的数据、图像和视频进行综合展示。进行三维建模时,由于变电站场景庞大复杂,为了确保模型获取的准确性和高效性,可以采用激光扫描获取点云数据。当前使用的点云分割方法,包括基于图的方法:将点云数据建模为图结构,其中点云的点作为图的节点,通过计算节点之间的边和边的特征来进行分割;基于区域的方法:将点云数据划分为具有连续性的区域,并利用聚类或者分割算法进行区域标记;基于深度学习的方法:这种方法利用深度学习,如卷积神经网络、图卷积神经网络和注意力机制,对点云数据进行分割;基于特征的方法:通过提取点云数据中的特征来进行分割,例如形状描述符、法线、曲率和颜色等。然后只用聚类或者其他算法对特征进行分析和分割。基于集合特征的方法:利用集合特征,如点云的位置、距离、法线方向等,对点云数据进行分割。例如,基于基准面的分割方法、基于曲率的分割方法等。
2、上述方法很大程度上都依赖对象的分布情况或者初始种子点选取,因此鲁棒性不强。同时点云文件中包含着大量的点,其中存在许多无用的噪声点,因此需要对点云进行聚类分割,提取出有效的点,以便进行三维模型的重构。
技术实现思路
1、鉴于上述现有存在的问题,提出了本专利技术。因此,本专利技术提供了一种基于变电站实景点云的对象自动
2、为解决上述技术问题,本专利技术提供如下技术方案:
3、第一方面,本专利技术提供了一种基于变电站实景点云的对象自动分割方法,包括:
4、获取实景点云数据以及对应的标注信息;
5、通过自适应分层方法对所述实景点云数据进行预处理,所述预处理将点云数据划分为不同层级并安排点的组织方式;
6、对于每个层次的点云进行特征提取,将不同层次的点云特征进行融合,以获取全局和综合的特征表示;
7、使用全连接层对每个点进行类别预测,依据预测结果,对点云进行分割和语义标记,并进行训练与优化;
8、利用训练好的网络对新的实景点云进行分割,得到每个点的语义标签,以根据标签对不同对象进行分割、提取和分析。
9、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:所述获取实景点云数据以及对应的标注信息,其中,获取实景点云数据包括,
10、获取建筑物、设备、输电线路和热分布的几何形状和位置信息;
11、所述对应的标注信息包括,类别标注、边界框标注、点云标注。
12、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:通过自适应分层方法对所述实景点云数据进行预处理,所述预处理将点云数据划分为不同层级并安排点的组织方式,包括,
13、通过八叉树方法,根据点云的分布和特征构建层级结构,以获取不同层次的点云,具体包括,设置四个层级;
14、第一层级包括整个变电站点云数据,提供变电站的全局特征;
15、第二层级根据变电站热分布的点云数据,将其分为不同热分布区域;
16、第三层级根据变电站点云数据的分布和复杂性,将其分为不同设备功能区域;
17、第四层级根据每个区域内部的设备通过类型和功能组合划分网格。
18、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:所述安排点的组织方式用以获取所述不同层次的点云具有不同的密度和分辨率,具体包括,
19、在所述第一层级和第二层级中通过局部邻域点云方式设定第一邻域半径阈值确定相应的局部邻域;
20、在所述第三层级和第四层级中通过局部邻域点云方式设定第二邻域半径阈值确定相应的局部邻域;
21、所述第一邻域半径阈值大于第二邻域半径阈值。
22、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:还包括,在确定局部邻域后,根据点的相对位置或投影到不同网格的分辨率设定每个层级的分辨率;
23、第一层级和第二层级设定第一分辨率;
24、第三层级和第四层级设定第二分辨率;
25、所述第一分辨率小于第二分辨率;
26、在分层结构中,对于每个层级的点云数据,计算相对于该层级的局部坐标,用于分割阶段使用。
27、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:对于每个层次的点云进行特征提取,将不同层次的点云特征进行融合,以获取全局和综合的特征表示,包括,
28、在自适应分层后的每个层级,通过pointnet++网格结构对局部点云数据进行特征提取,包括对局点云进行多层感知和特征提取;
29、使用全连接层对每个点进行类别预测,依据预测结果,对点云进行分割和语义标记,并进行训练与优化,包括,
30、针对特定的点云分割任务,在pointnet++中引入分割头网络输出每个点的语义分割标签,根据任务需求,调整分割头;
31、在训练阶段,使用带有已知标签的点云数据进行监督学习,通过反向传播和优化算法来更新网络的参数,目标为最小化预测标签与真实标签之间的损失函数。
32、作为本专利技术所述的基于变电站实景点云的对象自动分割方法的一种优选方案,其中:利用训练好的网络对新的实景点云进行分割,得到每个点的语义标签,以根据标签对不同对象进行分割、提取和分析,包括,
33、在测试阶段,使用训练后的pointnet++网络模型对新的点云数据进行分割,对每个点进行前向传播,根据最终的分割结果为该点分配相应的标签。
34、第二方面,本专利技术提供了一种基于变电站实景点云的对象自动分割的系统,包括,
35、获取模块,用于获取实景点云数据以及对应的标注信息;
36、预处理模块,用于通过自适应分层方法对所述实景点云数据进行预处理,所述预处理将点云数据划分为不同层级并安排点的组织方式;
37、融合模块,用于对于每个层次的点云进行特征提取,将不同层次的点云特征进行融合,以获取全局和综合的特征表示;
38、训练模块,用于使用全连接层对每个点进行类别预测,依据预测结果,对点云进行分割和语义标记,并进行训练与优化;
39、分割模块,用于利用训练好的网络对新的实景点云进行分割,得到每个点的语义标签,以根据标签对不同对象进行分割、提取和分析。
40、第三方面,本专利技术提供了一种计算设备,包括:
41、存储器和处理器;
42、所述存储器用于存储计算机可执行本文档来自技高网...
【技术保护点】
1.基于变电站实景点云的对象自动分割方法,其特征在于,包括:
2.如权利要求1所述的基于变电站实景点云的对象自动分割方法,其特征在于,所述获取实景点云数据以及对应的标注信息,其中,获取实景点云数据包括,
3.如权利要求1或2所述的基于变电站实景点云的对象自动分割方法,其特征在于,通过自适应分层方法对所述实景点云数据进行预处理,所述预处理将点云数据划分为不同层级并安排点的组织方式,包括,
4.如权利要求3所述的基于变电站实景点云的对象自动分割方法,其特征在于,所述安排点的组织方式用以获取所述不同层次的点云具有不同的密度和分辨率,具体包括,
5.如权利要求4所述的基于变电站实景点云的对象自动分割方法,其特征在于,还包括,在确定局部邻域后,根据点的相对位置或投影到不同网格的分辨率设定每个层级的分辨率;
6.如权利要求5所述的基于变电站实景点云的对象自动分割方法,其特征在于,对于每个层次的点云进行特征提取,将不同层次的点云特征进行融合,以获取全局和综合的特征表示,包括,
7.如权利要求1或6所述的基于变电站实景点云的
8.一种基于变电站实景点云的对象自动分割的系统,其特征在于,包括,
9.一种电子设备,包括:
10.一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现权利要求1至7任意一项所述基于变电站实景点云的对象自动分割方法的步骤。
...【技术特征摘要】
1.基于变电站实景点云的对象自动分割方法,其特征在于,包括:
2.如权利要求1所述的基于变电站实景点云的对象自动分割方法,其特征在于,所述获取实景点云数据以及对应的标注信息,其中,获取实景点云数据包括,
3.如权利要求1或2所述的基于变电站实景点云的对象自动分割方法,其特征在于,通过自适应分层方法对所述实景点云数据进行预处理,所述预处理将点云数据划分为不同层级并安排点的组织方式,包括,
4.如权利要求3所述的基于变电站实景点云的对象自动分割方法,其特征在于,所述安排点的组织方式用以获取所述不同层次的点云具有不同的密度和分辨率,具体包括,
5.如权利要求4所述的基于变电站实景点云的对象自动分割方法,其特征在于,还包括,在确定局部邻域后,根据点的相对位置或投影到...
【专利技术属性】
技术研发人员:张玉波,芦宇峰,张炜,陈梁远,崔志美,刘旭,邹林,
申请(专利权)人:广西电网有限责任公司电力科学研究院,
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。