CN111192363A - 一种基于云计算的用户配电房设计生成方法 - Google Patents
一种基于云计算的用户配电房设计生成方法 Download PDFInfo
- Publication number
- CN111192363A CN111192363A CN201911341997.6A CN201911341997A CN111192363A CN 111192363 A CN111192363 A CN 111192363A CN 201911341997 A CN201911341997 A CN 201911341997A CN 111192363 A CN111192363 A CN 111192363A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- design
- distribution room
- cloud
- neural network
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 13
- 238000011960 computer-aided design Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000013480 data collection Methods 0.000 description 5
- 238000012938 design process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Remote Sensing (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的用户配电房设计生成方法,属于业扩工程技术领域。目前采用的业扩设计方法,完成设计工作需要消耗较多时间,效率低。本发明通过激光深度传感器数据收集配电房三维信息以及图片,并利用卷积神经网络,获取绘图所需的参数,并将参数传输到CAD模块;最终输出实际可用的配电房设计图纸;能够有效缩短业扩设计时间,提高业扩设计效率。本发明可以通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合,缩短设计周期,规范工程标准,增供扩销,提升用户满意度,最终不断推动企业价值的产生,形成良性循环发展的商业模式。
Description
技术领域
本发明涉及一种基于云计算的用户配电房设计生成方法,属于业扩工程技术领域。
背景技术
高压业扩工程一般分为临时业扩、高压新装和高压扩容三种业扩类型,其中高压扩容需要现场收集用户端已安装的高压配电设备资料,目前工作流程是由客户经理沟通好需求后,由设计人员完成现场查看工作,收集用户配电房和设备的资料,主要采用拍照和配电房测量绘制草图方法。现场收资完成后,将绘制的草图在CAD软件中重新绘制,然后再根据用户业扩需求将需要安装的设备设计与现有收资的设计结合起来,形成新的配电房设计图纸。这份图纸由客户经理与用户确认后,设计人员再绘制施工图纸,交给实施人员完成设备安装工作。
目前采用的业扩设计方法,在一切顺利的情况下,需要消耗约1周时间才能完成设计工作。对电网、设计、施工和用户本身来说,该流程消耗了太多时间,所以需要引进新技术缩短该工作流程。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种通过激光深度传感器数据收集配电房三维信息以及图片,并利用卷积神经网络,获取绘图所需的参数,并将参数传输到CAD模块;最终输出实际可用的配电房设计图纸的能够有效缩短业扩设计时间的提高业扩设计效率的基于云计算的用户配电房设计生成方法。
为实现上述目的,本发明的技术方案为:
一种基于云计算的用户配电房设计生成方法,
其包括以下步骤:
第一步,建立采用为python编程语音定义的Web服务器和Web应用程序和深度计算框架的接口程序WSGI;
第二步,通过在配电房现场的工作人员,利用激光深度相机收集配电房三维信息;
第三步,通过无线网络将三维重建信息与设备的激光深度照片传输到云端服务器的WSGI;
第四步,通过云端的WSGI接口将数据传输到基于GPU集群的卷积神经网络推理inference模块,获取绘图所需的参数,并将参数传输到CAD模块的pythonAPI接口;
第五步,使用一种云端加速计算架构来加快现场传感器收集数据的空间计算量,最终输出配电房现场收资的标准图纸。
本发明通过激光深度传感器数据收集配电房三维信息以及图片,并利用卷积神经网络,获取绘图所需的参数,并将参数传输到CAD模块;最终输出实际可用的配电房设计图纸;能够有效缩短业扩设计时间,提高业扩设计效率。
应用本发明的方案,能够将现有的高压业扩设计流程,从原有的5个工作日,降低到0.5个工作日,实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合,缩短设计周期,规范工程标准,增供扩销,提升用户满意度,最终不断推动企业价值的产生,形成良性循环发展的商业模式。
作为优选技术措施:
卷积神经网络的输入数据为激光深度相机通过同步定位与建图技术SLAM收集到的配电房三维重建点云,点云应用偏微分算法,得出变化量较大的点作为特征点云,然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源;采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入。
通过同步定位与建图技术实现三维数据的收集,可与现场三维数据收集相结合,也能够单独应用,进而能够有效提高数据收集效率,同时提高卷积神经网络的输入数据的多样性以及精准性。
作为优选技术措施:
卷积神经网络的训练通过模拟***完成数据收集,采用机器人训练用三维引擎,gazebo,随机生成多个不同大小的配电房和设备;并通过在***内采用机器人的虚拟激光深度相机作为传感器输入,虚拟激光深度传感器被安装到虚拟机器人的身上,在ROS(robotoperating system)***内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据,自动生成卷积神经网络训练用数据集,通过GPU集群生成预训练网络;最后,通过预训练网络输出设计勘察数据,其包括设备数量、设备类型和设备相对三维重建的位置坐标。
作为优选技术措施:
SLAM技术目标是在没有任何先验知识的情况下,根据虚拟激光深度传感器数据实时构建周围环境地图,同时根据这个地图推测自身的定位,虚拟机器人携带虚拟激光深度传感器在未知环境中运动;
为方便起见,把一段连续时间的运动变成离散时刻t=1,…k,而在这些时刻,用x表示虚拟机器人的自身位置,则各时刻的位置就记为x1,x2…xk,它构成了虚拟机器人的轨迹;
地图方面,地图由许多个三维点坐标组成,而每个时刻,虚拟激光深度传感器会测量到一部分三维点坐标,得到它们的观测数据;
三维点坐标共有N个,用y1,y2…yn表示;通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。
作为优选技术措施:
调用激光ToF传感器,由在配电房现场的工作人员完成配电房的三维点云收集,收集完成的激光点云会通过一个简单的数量判断;
点数量超过50000的点云能够作为房间关键点坐标提取卷积神经网络的输入,不超过50000点需要工作人员重新收集三维点云;
点云输入卷积神经网络后,推理(Inference)房间基本形状关键点坐标并向量化。
通过现场收集三维数据,可与同步定位与建图技术相结合,可与也能够单独应用,进而能够有效提高数据收集效率,同时提高卷积神经网络的输入数据的多样性以及精准性。
作为优选技术措施:
由现场工作人员对用户已有的高压配电设备,采用同一个激光ToF传感器拍摄深度图像,获取到的激光深度图像先要经过无效像素点判断流程;
如果无效像素点数量超过像素点总量的15%,则需要工作人员重新拍摄高压配电设备。无效像素点小于像素总量的15%的深度图像,通过双边滤波去噪算法处理后,输入预训练配网设备识别深度卷积神经网络。
作为优选技术措施:
在这个网络里完成设备分类和位置坐标提取的步骤,如输出中存在无法识别的模型,现场工作人员需要重新拍摄深度图像,重启流程;如所有模型均识别成功,则输出配电设备数量、类型、中心点坐标参数。
作为优选技术措施:所述卷积神经网络是一种前馈型卷积神经网络,其CNNC结构分为五层:
第一层输入图片,进行卷积(Convolution)操作,得到第二层深度为3的矩阵(Feature Map);
对第二层的矩阵进行池化(Pooling)操作,得到第三层深度为3的矩阵;
重复上述操作得到第五层深度为5的矩阵,最后将这5个矩阵,按行展开连接成向量,传入全连接(Fully Connected)层,全连接层就是一个BP卷积神经网络;每个矩阵都能够看成是排列成矩阵形式的神经元,与BP卷积神经网络中的神经元大同小异。
作为优选技术措施:
根据需要设定补零的层数;补零层称为Zero Padding,是一个能够设置的超参数,但要根据卷积核的大小,步幅,输入矩阵的大小进行调整,以使得卷积核恰好滑动到边缘;
一般情况下,输入的图片矩阵以及后面的卷积核,特征图矩阵都是方阵,这里输入矩阵大小为w,卷积核大小为k,步幅为s,补零层数为p,则卷积后产生的特征图大小计算公式为:
作为优选技术措施:
为了提取更多的特征,采用多个卷积核分别进行卷积,这样便能够得到多个特征图;有时,对于一张三通道彩色图片,输入的是一组矩阵,这时卷积核也不再是一层的,而要变成相应的深度。
与现有技术相比,本发明具有以下有益效果:
本发明通过激光深度传感器数据收集配电房三维信息以及图片,并利用卷积神经网络,获取绘图所需的参数,并将参数传输到CAD模块;最终输出实际可用的配电房设计图纸;能够有效缩短业扩设计时间,提高业扩设计效率。
应用本发明的方案,能够将现有的高压业扩设计流程,从原有的5个工作日,降低到0.5个工作日,实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合,缩短设计周期,规范工程标准,增供扩销,提升用户满意度,最终不断推动企业价值的产生,形成良性循环发展的商业模式。
附图说明
图1为本发明工作流程图;
图2为本发明输出设备数量、设备类型和位置坐标的工作流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也能够完全理解本发明。
如图1-2所示,一种基于云计算的用户配电房设计生成方法,
其包括以下步骤:
第一步,建立采用为python编程语音定义的Web服务器和Web应用程序和深度计算框架的接口程序WSGI;
第二步,通过在配电房现场的工作人员,利用激光深度相机收集配电房三维信息;
第三步,通过无线网络将三维重建信息与设备的激光深度照片传输到云端服务器的WSGI;
第四步,通过云端的WSGI接口将数据传输到基于GPU集群的卷积神经网络推理inference模块,获取绘图所需的参数,并将参数传输到CAD模块的pythonAPI接口;
第五步,使用一种云端加速计算架构来加快现场传感器收集数据的空间计算量,最终输出配电房现场收资的标准图纸。
本发明通过激光深度传感器数据收集配电房三维信息以及图片,并利用卷积神经网络,获取绘图所需的参数,并将参数传输到CAD模块;最终输出实际可用的配电房设计图纸;能够有效缩短业扩设计时间,提高业扩设计效率。
应用本发明的方案,能够将现有的高压业扩设计流程,从原有的5个工作日,降低到0.5个工作日,实现工作效率的革命性提升。本发明能够通过将供电服务、电力工程设计、电力工程施工、电力设备制造等有机融合,缩短设计周期,规范工程标准,增供扩销,提升用户满意度,最终不断推动企业价值的产生,形成良性循环发展的商业模式。
本发明卷积神经网络输入源一种具体实施例:
卷积神经网络的输入数据为激光深度相机通过同步定位与建图技术SLAM收集到的配电房三维重建点云,点云应用偏微分算法,得出变化量较大的点作为特征点云,然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源;采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入。
本发明卷积神经网络训练模拟一种具体实施例:
卷积神经网络的训练通过模拟***完成数据收集,采用机器人训练用三维引擎,gazebo,随机生成多个不同大小的配电房和设备;并通过在***内采用机器人的虚拟激光深度相机作为传感器输入,虚拟激光深度传感器被安装到虚拟机器人的身上,在ROS(robotoperating system)***内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据,自动生成卷积神经网络训练用数据集,通过GPU集群生成预训练网络;最后,通过预训练网络输出设计勘察数据,其包括设备数量、设备类型和设备相对三维重建的位置坐标。
本发明SLAM技术一种具体实施例:
SLAM技术目标是在没有任何先验知识的情况下,根据虚拟激光深度传感器数据实时构建周围环境地图,同时根据这个地图推测自身的定位,虚拟机器人携带虚拟激光深度传感器在未知环境中运动;
为方便起见,把一段连续时间的运动变成离散时刻t=1,…k,而在这些时刻,用x表示虚拟机器人的自身位置,则各时刻的位置就记为x1,x2…xk,它构成了虚拟机器人的轨迹;
地图方面,地图由许多个三维点坐标组成,而每个时刻,虚拟激光深度传感器会测量到一部分三维点坐标,得到它们的观测数据;
三维点坐标共有N个,用y1,y2…yn表示;通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。
本发明卷积神经网络输入源另一种具体实施例:
调用激光ToF传感器,由在配电房现场的工作人员完成配电房的三维点云收集,收集完成的激光点云会通过一个简单的数量判断;
点数量超过50000的点云能够作为房间关键点坐标提取卷积神经网络的输入,不超过50000点需要工作人员重新收集三维点云;
点云输入卷积神经网络后,推理(Inference)房间基本形状关键点坐标并向量化。
本发明无效像素点判断的一种具体实施例:
由现场工作人员对用户已有的高压配电设备,采用同一个激光ToF传感器拍摄深度图像,获取到的激光深度图像先要经过无效像素点判断流程;
如果无效像素点数量超过像素点总量的15%,则需要工作人员重新拍摄高压配电设备。无效像素点小于像素总量的15%的深度图像,通过双边滤波去噪算法处理后,输入预训练配网设备识别深度卷积神经网络。
在这个网络里完成设备分类和位置坐标提取的步骤,如输出中存在无法识别的模型,现场工作人员需要重新拍摄深度图像,重启流程;如所有模型均识别成功,则输出配电设备数量、类型、中心点坐标参数。
本发明卷积神经网络架构层次的一种具体实施例:所述卷积神经网络是一种前馈型卷积神经网络,其CNNC结构分为五层:
第一层输入图片,进行卷积(Convolution)操作,得到第二层深度为3的矩阵(Feature Map);
对第二层的矩阵进行池化(Pooling)操作,得到第三层深度为3的矩阵;
重复上述操作得到第五层深度为5的矩阵,最后将这5个矩阵,按行展开连接成向量,传入全连接(Fully Connected)层,全连接层就是一个BP卷积神经网络;每个矩阵都能够看成是排列成矩阵形式的神经元,与BP卷积神经网络中的神经元大同小异。
根据需要设定补零的层数;补零层称为Zero Padding,是一个能够设置的超参数,但要根据卷积核的大小,步幅,输入矩阵的大小进行调整,以使得卷积核恰好滑动到边缘;
一般情况下,输入的图片矩阵以及后面的卷积核,特征图矩阵都是方阵,这里输入矩阵大小为w,卷积核大小为k,步幅为s,补零层数为p,则卷积后产生的特征图大小计算公式为:
为了提取更多的特征,采用多个卷积核分别进行卷积,这样便能够得到多个特征图;有时,对于一张三通道彩色图片,输入的是一组矩阵,这时卷积核也不再是一层的,而要变成相应的深度。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于云计算的用户配电房设计生成方法,其特征在于,
其包括以下步骤:
第一步,建立采用为python编程语音定义的Web服务器和Web应用程序和深度计算框架的接口程序WSGI;
第二步,通过在配电房现场的工作人员,利用激光深度相机收集配电房三维信息;
第三步,通过无线网络将三维重建信息与设备的激光深度照片传输到云端服务器的WSGI;
第四步,通过云端的WSGI接口将数据传输到基于GPU集群的卷积神经网络推理inference模块,获取绘图所需的参数,并将参数传输到CAD模块的pythonAPI接口;
第五步,使用一种云端加速计算架构来加快现场传感器收集数据的空间计算量,最终输出配电房现场收资的标准图纸。
2.如权利要求1所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
卷积神经网络的输入数据为激光深度相机通过同步定位与建图技术SLAM收集到的配电房三维重建点云,点云应用偏微分算法,得出变化量较大的点作为特征点云,然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源;采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入。
3.如权利要求2所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
卷积神经网络的训练通过模拟***完成数据收集,采用机器人训练用三维引擎,gazebo,随机生成多个不同大小的配电房和设备;并通过在***内采用机器人的虚拟激光深度相机作为传感器输入,虚拟激光深度传感器被安装到虚拟机器人的身上,在ROS***内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据,自动生成卷积神经网络训练用数据集,通过GPU集群生成预训练网络;最后,通过预训练网络输出设计勘察数据,其包括设备数量、设备类型和设备相对三维重建的位置坐标。
4.如权利要求3所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
SLAM技术目标是在没有任何先验知识的情况下,根据虚拟激光深度传感器数据实时构建周围环境地图,同时根据这个地图推测自身的定位,虚拟机器人携带虚拟激光深度传感器在未知环境中运动;
把一段连续时间的运动变成离散时刻t=1,…k,而在这些时刻,用x表示虚拟机器人的自身位置,则各时刻的位置就记为x1,x2…xk,它构成了虚拟机器人的轨迹;
地图方面,地图由许多个三维点坐标组成,而每个时刻,虚拟激光深度传感器会测量到一部分三维点坐标,得到它们的观测数据;
三维点坐标共有N个,用y1,y2…yn表示;通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y。
5.如权利要求1所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
调用激光ToF传感器,由在配电房现场的工作人员完成配电房的三维点云收集,收集完成的激光点云会通过一个简单的数量判断;
点数量超过50000的点云能够作为房间关键点坐标提取卷积神经网络的输入,不超过50000点需要工作人员重新收集三维点云;
点云输入卷积神经网络后,推理(Inference)房间基本形状关键点坐标并向量化。
6.如权利要求5所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
由现场工作人员对用户已有的高压配电设备,采用同一个激光ToF传感器拍摄深度图像,获取到的激光深度图像先要经过无效像素点判断流程;
如果无效像素点数量超过像素点总量的15%,则需要工作人员重新拍摄高压配电设备。无效像素点小于像素总量的15%的深度图像,通过双边滤波去噪算法处理后,输入预训练配网设备识别深度卷积神经网络。
7.如权利要求6所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
在这个网络里完成设备分类和位置坐标提取的步骤,如输出中存在无法识别的模型,现场工作人员需要重新拍摄深度图像,重启流程;如所有模型均识别成功,则输出配电设备数量、类型、中心点坐标参数。
8.如权利要求1-7任一所述的一种基于云计算的用户配电房设计生成方法,其特征在于,所述卷积神经网络是一种前馈型卷积神经网络,其CNNC结构分为五层:
第一层输入图片,进行卷积操作,得到第二层深度为3的矩阵;
对第二层的矩阵进行池化操作,得到第三层深度为3的矩阵;
重复上述操作得到第五层深度为5的矩阵,最后将这5个矩阵,按行展开连接成向量,传入全连接层,全连接层就是一个BP卷积神经网络;每个矩阵都能够看成是排列成矩阵形式的神经元,与BP卷积神经网络中的神经元大同小异。
10.如权利要求9所述的一种基于云计算的用户配电房设计生成方法,其特征在于,
为了提取更多的特征,采用多个卷积核分别进行卷积,这样便能够得到多个特征图;对于一张三通道彩色图片,输入的是一组矩阵,这时卷积核也不再是一层的,而要变成相应的深度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341997.6A CN111192363B (zh) | 2019-12-23 | 2019-12-23 | 一种基于云计算的用户配电房设计生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911341997.6A CN111192363B (zh) | 2019-12-23 | 2019-12-23 | 一种基于云计算的用户配电房设计生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192363A true CN111192363A (zh) | 2020-05-22 |
CN111192363B CN111192363B (zh) | 2023-09-29 |
Family
ID=70707457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911341997.6A Active CN111192363B (zh) | 2019-12-23 | 2019-12-23 | 一种基于云计算的用户配电房设计生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192363B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832542A (zh) * | 2020-08-15 | 2020-10-27 | 武汉易思达科技有限公司 | 三目视觉识别与定位方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400415A (zh) * | 2013-08-07 | 2013-11-20 | 赞奇科技发展有限公司 | 平面空间结构三维数字模型自动生成及在线互动的实现方法和*** |
CN105027190A (zh) * | 2013-01-03 | 2015-11-04 | 美达公司 | 用于虚拟或增强介导视觉的射出空间成像数字眼镜 |
CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉***及控制方法 |
CN108365994A (zh) * | 2018-03-13 | 2018-08-03 | 山东超越数控电子股份有限公司 | 一种针对云计算安全统一管理的云安全管理平台 |
CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及*** |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
-
2019
- 2019-12-23 CN CN201911341997.6A patent/CN111192363B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105027190A (zh) * | 2013-01-03 | 2015-11-04 | 美达公司 | 用于虚拟或增强介导视觉的射出空间成像数字眼镜 |
CN103400415A (zh) * | 2013-08-07 | 2013-11-20 | 赞奇科技发展有限公司 | 平面空间结构三维数字模型自动生成及在线互动的实现方法和*** |
CN108171796A (zh) * | 2017-12-25 | 2018-06-15 | 燕山大学 | 一种基于三维点云的巡检机器人视觉***及控制方法 |
CN108365994A (zh) * | 2018-03-13 | 2018-08-03 | 山东超越数控电子股份有限公司 | 一种针对云计算安全统一管理的云安全管理平台 |
CN108921893A (zh) * | 2018-04-24 | 2018-11-30 | 华南理工大学 | 一种基于在线深度学习slam的图像云计算方法及*** |
CN109801358A (zh) * | 2018-12-06 | 2019-05-24 | 宁波市电力设计院有限公司 | 一种基于slam扫描和点云影像融合的变电站三维勘测方法 |
Non-Patent Citations (1)
Title |
---|
王权等: "基于ROS与Kinect的移动机器人同时定位与地图构建" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111832542A (zh) * | 2020-08-15 | 2020-10-27 | 武汉易思达科技有限公司 | 三目视觉识别与定位方法及装置 |
CN111832542B (zh) * | 2020-08-15 | 2024-04-16 | 武汉易思达科技有限公司 | 三目视觉识别与定位装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111192363B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458939B (zh) | 基于视角生成的室内场景建模方法 | |
CN103440357B (zh) | 虚拟现实漫游场景生成方法及*** | |
CN110288695A (zh) | 基于深度学习的单帧图像三维模型表面重建方法 | |
CN109978767A (zh) | 基于多机器人协同的激光slam地图方法 | |
CN111028335B (zh) | 一种基于深度学习的点云数据的分块面片重建方法 | |
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 | |
CN112862090A (zh) | 一种基于深度时空神经网络的气温预报方法 | |
CN103337085A (zh) | 一种高效的人像面部变形方法 | |
CN109583377A (zh) | 一种管路模型重建的控制方法、装置及上位机 | |
CN111104702A (zh) | 一种基于ue4的堤防工程可视化仿真的实现方法 | |
CN111368637A (zh) | 一种基于多掩模卷积神经网络的搬运机器人识别目标方法 | |
CN111192363B (zh) | 一种基于云计算的用户配电房设计生成方法 | |
CN111047703B (zh) | 一种用户高压配电设备识别与空间重建方法 | |
CN116958478B (zh) | 城市建筑模型程序化生成方法、装置、设备及存储介质 | |
CN116051699B (zh) | 动捕数据的处理方法、装置、设备及存储介质 | |
CN105321205B (zh) | 一种基于稀疏关键点的参数化人体模型重建方法 | |
CN112017159A (zh) | 一种遥感场景下的地面目标真实感仿真方法 | |
CN112488413A (zh) | 基于awa-drcn的人口空间化方法 | |
Jia | Daylight prediction using Gan: General workflow, tool development and case study on Manhattan, New York | |
CN115849202A (zh) | 基于数字孪生技术的智能起重机操作目标识别方法 | |
CN113192204B (zh) | 单幅倾斜遥感图像中建筑物的三维重建方法 | |
CN110689616B (zh) | 基于三维数字地球的输水渠道参数化建模方法 | |
CN112837420A (zh) | 基于多尺度和折叠结构的兵马俑点云的形状补全方法及*** | |
CN116363329B (zh) | 基于CGAN与LeNet-5的三维图像生成方法及*** | |
CN110689618A (zh) | 基于多尺度变分图卷积的三维可变形物补全方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |