CN115761265A - 一种用于提取激光雷达点云中变电站设备的方法及装置 - Google Patents
一种用于提取激光雷达点云中变电站设备的方法及装置 Download PDFInfo
- Publication number
- CN115761265A CN115761265A CN202211483245.5A CN202211483245A CN115761265A CN 115761265 A CN115761265 A CN 115761265A CN 202211483245 A CN202211483245 A CN 202211483245A CN 115761265 A CN115761265 A CN 115761265A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- feature
- point
- scale
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明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。
Description
技术领域
本发明属于智能电网的技术领域,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。
背景技术
变电站设备作为新型电力***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。
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。
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。
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。
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。
发明内容
针对上述现有技术中存在的缺陷,本发明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。
第一方面,本发明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:
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。
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:
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。
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;
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,HCFi为第i个原始点的高程上下文特征,ICFi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,zi为变电站场景第i个原始点的z轴坐标,ri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:
DCFi=S(R,range(0,1))
其中,DCFi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,NCFi为第i个原始点的法向量上下文特征,Nxi为第i个原始点法向量的x轴坐标,Nyi为第i个原始点法向量的y轴坐标,Nzi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。
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:
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。
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,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)=Fin·(Wq,Wk,Wv)
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,Fin为输入函数,Wq为Query特征矩阵中可学习的共享权值,Wk为Key特征矩阵中可学习的共享权值,Wv为Value特征矩阵中可学习的共享权值;
根据Query特征矩阵值和Key特征矩阵值,通过矩阵点积获取三个特征矩阵的注意权重,计算公式如下:
A=Q·KT
其中,A为三个特征矩阵的注意权重,T为转置函数;
根据三个特征矩阵的注意权重,利用加权求和以及归一化处理,获取语义特征。
进一步的,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,具体包括如下步骤:
基于抵消注意力机制,利用元素相减计算粗尺度第三点云数据的分异特征,形成分异特征集;
将分异特征集分别输入到集合网络模型消除噪声,得到细尺度的第四点云数据。
进一步的,利用元素相减计算粗尺度第三点云数据的分异特征,具体计算公式为:
Fout=OA(Fin)=Fin+LBR(Fin-Fmid)
其中,Fout为第三点云数据的分异特征,OA为用于计算输入特征分异值的抵消注意力函数,Fin为第三点云数据,Fmid为第三点云数据的中间输出特征,且Fin-Fmid为离散拉普拉斯算子,LBR为集合网络模型,且LBR包括针对数据进行线性、批量归一化以及ReLU激活的函数。
进一步的,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,具体包括如下步骤:
基于K邻近算法,在细尺度的第四点云数据中确定任意一个中心点的局部数据点;
利用通道扩宽对称聚合函数,在给定的范围内计算该局部数据点的边缘特征;
将边缘特征与第三点云数据的分异特征合并,分别输入到线性函数、批量归一化函数、ReLU函数以及Dropout函数中,得到变电站的场景设备分布。
进一步的,在给定范围内计算该局部数据点的边缘特征,具体计算公式为:
第二方面,本发明还提供一种用于提取激光雷达点云中变电站设备的装置,采用如上述的用于提取激光雷达点云中变电站设备的方法,包括:
采集模块,采集变电站场景的激光雷达原始点云,形成第一点云数据;
分析处理模块,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;
特征提取模块,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。
本发明提供的一种用于提取激光雷达点云中变电站设备的方法及装置,至少包括如下有益效果:
(1)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。
(2)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。
(3)采用特征增强、自注意力和边缘卷积,克服了密度、反射值分布不均的限制,有效提取电力设备点云数据的固有特征,使得电力设备提取结果更加鲁棒高效。
(4)采用特征增强、自注意力和边缘卷积的方法也提升了大规模点云数据处理的效率,改善智能运检的有效性和城市电网的安全性。
附图说明
图1为本发明提供的一种用于提取激光雷达点云中变电站设备的方法流程示意图;
图2为本发明提供的某一实施例中用于提取粗尺度第三点云数据的抵消注意力机制结构示意图;
图3为本发明提供的某一实施例中在给定范围内计算局部数据点的边缘特征示意图;
图4为本发明提供的一种用于提取激光雷达点云中变电站设备的装置结构示意图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者装置中还存在另外的相同要素。
通过三维激光扫描技术(LiDAR)对变电站进行扫描,获取变电站中相关电力设备的空间几何信息,然后再将已被数字化的电力设备导入三维设计软件,参照该数字化信息进行模型的建立。
关于变电站设备的空间几何信息的提取,基于点云数据的逆向建模,如图1所示,本发明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:
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。
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。
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。
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;
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,HCFi为第i个原始点的高程上下文特征,ICFi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,zi为变电站场景第i个原始点的z轴坐标,ri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:
DCFi=S(R,range(0,1))
其中,DCFi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,NCFi为第i个原始点的法向量上下文特征,Nxi为第i个原始点法向量的x轴坐标,Nyi为第i个原始点法向量的y轴坐标,Nzi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。
其中,预设转化度δ的数值可以根据特征增强的需求进行设定,在某个实施例中,设定δ=1,当然也可以根据高程上下文特征和强度上下文特征的效果设定其他的数值,在此不做具体的限定。
球面邻域搜索半径R的数值可以预先设定,在某个实施例中可以设定为0.5m,当然也可以根据不同变电站场景的区别设定其他的数值,在此不做具体的限定。
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:
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。
在某个实施例中可以将级联变形器设置为4个,针对于变电站第二点云数据特点,每个级联变形器的数据特征输出维度均为256维,合并上述所有级联变形器的输出结果,获取总计1024维的语义特征。
基于多级联分类器的电力设备目标捕捉与快速识别方法,利用漏斗状的级联分类器作为目标检测算法和利用训练的深度神经网络来进行目标识别,并将这两种算法合成一个整体,该算法基于嵌入式深度学习技术,对变电站设备目标的朝向和光照的变化都有一定的抗干扰性。
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,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)=Fin·(Wq,Wk,Wv)
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,Fin为输入函数,Wq为Query特征矩阵中可学习的共享权值,Wk为Key特征矩阵中可学习的共享权值,Wv为Value特征矩阵中可学习的共享权值;
根据Query特征矩阵值和Key特征矩阵值,通过矩阵点积获取三个特征矩阵的注意权重,计算公式如下:
A=Q·KT
其中,A为三个特征矩阵的注意权重,T为转置函数;
根据三个特征矩阵的注意权重,利用加权求和以及归一化处理,获取语义特征。
如图2所示,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,具体包括如下步骤:
基于抵消注意力机制,利用元素相减计算粗尺度第三点云数据的分异特征,形成分异特征集;
将分异特征集分别输入到集合网络模型消除噪声,得到细尺度的第四点云数据。
进一步的,利用元素相减计算粗尺度第三点云数据的分异特征,具体计算公式为:
Fout=OA(Fin)=Fin+LBR(Fin-Fmid)
其中,Fout为第三点云数据的分异特征,OA为用于计算输入特征分异值的抵消注意力函数,Fin为第三点云数据,Fmid为第三点云数据的中间输出特征,且Fin-Fmid为离散拉普拉斯算子,LBR为集合网络模型,且LBR包括针对数据进行线性、批量归一化以及ReLU激活的函数。
特征提取也包括提取特征的尺寸信息,如槽的宽度、深度,孔的半径、深度等信息。
如图3所示,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,具体包括如下步骤:
基于K邻近算法,在细尺度的第四点云数据中确定任意一个中心点的局部数据点;
利用通道扩宽对称聚合函数,在给定的范围内计算该局部数据点的边缘特征;
将边缘特征与第三点云数据的分异特征合并,分别输入到线性函数、批量归一化函数、ReLU函数以及Dropout函数中,得到变电站的场景设备分布。
进一步的,在给定范围内计算该局部数据点的边缘特征,具体计算公式为:
确定相邻的预设范围内数据点之间的约束关系,通过上述关系判别方法,遍历所有的局部数据点,确定变电站设备边缘间的邻接关系,最终取得变电站的场景设备分布。
本发明提供一种用于提取激光雷达点云中变电站设备的装置,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。
如图4所示,本发明还提供一种用于提取激光雷达点云中变电站设备的装置,采用如上述的用于提取激光雷达点云中变电站设备的方法,包括:
采集模块,采集变电站场景的激光雷达原始点云,形成第一点云数据;
分析处理模块,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;
特征提取模块,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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
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,HCFi为第i个原始点的高程上下文特征,ICFi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,zi为变电站场景第i个原始点的z轴坐标,ri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:
DCFi=S(R,range(0,1))
其中,DCFi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,NCFi为第i个原始点的法向量上下文特征,Nxi为第i个原始点法向量的x轴坐标,Nyi为第i个原始点法向量的y轴坐标,Nzi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)=Fin·(Wq,Wk,Wv)
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,Fin为输入函数,Wq为Query特征矩阵中可学习的共享权值,Wk为Key特征矩阵中可学习的共享权值,Wv为Value特征矩阵中可学习的共享权值;
根据Query特征矩阵值和Key特征矩阵值,通过矩阵点积获取三个特征矩阵的注意权重,计算公式如下:
A=Q·KT
其中,A为三个特征矩阵的注意权重,T为转置函数;
根据三个特征矩阵的注意权重,利用加权求和以及归一化处理,获取语义特征。
6.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,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,具体包括如下步骤:
基于抵消注意力机制,利用元素相减计算粗尺度第三点云数据的分异特征,形成分异特征集;
将分异特征集分别输入到集合网络模型消除噪声,得到细尺度的第四点云数据。
7.如权利要求6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,利用元素相减计算粗尺度第三点云数据的分异特征,具体计算公式为:
Fout=OA(Fin)=Fin+LBR(Fin-Fmid)
其中,Fout为第三点云数据的分异特征,OA为用于计算输入特征分异值的抵消注意力函数,Fin为第三点云数据,Fmid为第三点云数据的中间输出特征,且Fin-Fmid为离散拉普拉斯算子,LBR为集合网络模型,且LBR包括针对数据进行线性、批量归一化以及ReLU激活的函数。
8.如权利要求6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,具体包括如下步骤:
基于K邻近算法,在细尺度的第四点云数据中确定任意一个中心点的局部数据点;
利用通道扩宽对称聚合函数,在给定的范围内计算该局部数据点的边缘特征;
将边缘特征与第三点云数据的分异特征合并,分别输入到线性函数、批量归一化函数、ReLU函数以及Dropout函数中,得到变电站的场景设备分布。
10.一种用于提取激光雷达点云中变电站设备的装置,其特征在于,采用如权利要求1-9任一所述的用于提取激光雷达点云中变电站设备的方法,包括:
采集模块,采集变电站场景的激光雷达原始点云,形成第一点云数据;
分析处理模块,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;
特征提取模块,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483245.5A CN115761265A (zh) | 2022-11-24 | 2022-11-24 | 一种用于提取激光雷达点云中变电站设备的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211483245.5A CN115761265A (zh) | 2022-11-24 | 2022-11-24 | 一种用于提取激光雷达点云中变电站设备的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761265A true CN115761265A (zh) | 2023-03-07 |
Family
ID=85337112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211483245.5A Pending CN115761265A (zh) | 2022-11-24 | 2022-11-24 | 一种用于提取激光雷达点云中变电站设备的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761265A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876686A (zh) * | 2024-01-15 | 2024-04-12 | 广东科学技术职业学院 | 一种基于深度学习的点云全景分割方法及*** |
-
2022
- 2022-11-24 CN CN202211483245.5A patent/CN115761265A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876686A (zh) * | 2024-01-15 | 2024-04-12 | 广东科学技术职业学院 | 一种基于深度学习的点云全景分割方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340797B (zh) | 一种激光雷达与双目相机数据融合检测方法及*** | |
CN111563442B (zh) | 基于激光雷达的点云和相机图像数据融合的slam方法及*** | |
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN110794413B (zh) | 线性体素分割的激光雷达点云数据电力线检测方法和*** | |
CN108711172B (zh) | 基于细粒度分类的无人机识别与定位方法 | |
CN113592905B (zh) | 基于单目摄像头的车辆行驶轨迹预测方法 | |
CN112818925A (zh) | 一种城市建筑和树冠识别方法 | |
CN113284144B (zh) | 一种基于无人机的隧道检测方法及装置 | |
CN113791400A (zh) | 一种基于激光雷达的楼梯参数自主检测方法 | |
CN116844147A (zh) | 一种基于深度学习的指针式仪表识别和异常警报方法 | |
CN115761265A (zh) | 一种用于提取激光雷达点云中变电站设备的方法及装置 | |
CN106709432B (zh) | 基于双目立体视觉的人头检测计数方法 | |
CN117288094B (zh) | 基于激光传感器的掘进机实时定位*** | |
CN116901089B (zh) | 一种多角度视距的机器人控制方法及*** | |
CN117333846A (zh) | 恶劣天气下基于传感器融合和增量学习的检测方法及*** | |
CN116862832A (zh) | 一种基于三维实景模型的作业人员定位方法 | |
CN115542362A (zh) | 电力作业现场的高精度空间定位方法、***、设备及介质 | |
CN115661446A (zh) | 基于深度学习的指针式仪表示数自动读取***及方法 | |
CN115014359A (zh) | 一种无人机路径规划与定位导航*** | |
Xu et al. | [Retracted] Multiview Fusion 3D Target Information Perception Model in Nighttime Unmanned Intelligent Vehicles | |
Li et al. | Real time obstacle estimation based on dense stereo vision for robotic lawn mowers | |
Shokri et al. | POINTNET++ Transfer Learning for Tree Extraction from Mobile LIDAR Point Clouds | |
CN113836975A (zh) | 基于yolov3的双目视觉无人机避障方法 | |
CN113963335B (zh) | 基于图像和点云数据的路面障碍物检测方法 |
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 |