CN118229880A - 一种配电网设备三维模型精细化构建方法 - Google Patents
一种配电网设备三维模型精细化构建方法 Download PDFInfo
- Publication number
- CN118229880A CN118229880A CN202410361236.1A CN202410361236A CN118229880A CN 118229880 A CN118229880 A CN 118229880A CN 202410361236 A CN202410361236 A CN 202410361236A CN 118229880 A CN118229880 A CN 118229880A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- image data
- data
- distribution network
- power distribution
- 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
- 238000010276 construction Methods 0.000 title claims description 14
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 6
- 238000013461 design Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种配电网设备三维模型精细化构建方法,包括以下步骤:通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;通过表面轮廓信息构建目标配电网设备的三维模型。
Description
技术领域
本发明涉及一种配电网设备三维模型精细化构建方法,属于电力***数据工程技术领域。
背景技术
目前配电网相关数字化***主要是以静态展示为主,在业务应用场景的数字化支撑方面,缺少精细化数字场景直观呈现,难以实现配电网设备本体外观及状态的展示。
如何构建精细的配电网三维模型是解决上述问题的关键所在。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种配电网设备三维模型精细化构建方法。
本发明的技术方案如下:
一方面,本发明提出一种配电网设备三维模型精细化构建方法,包括以下步骤:
通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;
基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;
基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;
通过表面轮廓信息构建目标配电网设备的三维模型。
作为优选实施方式,所述对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
进行识别分析,获取第一图像数据和第二图像数据的相同区域;
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,在生成第一三维点云数据和第二三维点云数据时排除标记区域。
作为优选实施方式,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;
获取若干训练样本,所述训练样本包括一组不同视角的图像数据,且包含图像数据中相同区域的标记框;
将训练样本输入至识别模型进行训练,得到训练好的相同区域识别模型;
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域。
作为优选实施方式,所述基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;
基于标签提取多个平面,并计算每个平面和其他平面之间的相对位置;
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面;
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据。
另一方面,本发明还提出一种配电网设备三维模型精细化构建***,包括:
点云采集模块,用于通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;
点云处理模块,基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;
轮廓生成模块,基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;
三维模型构建模块,用于通过表面轮廓信息构建目标配电网设备的三维模型。
作为优选实施方式,所述点云采集模块中,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
进行识别分析,获取第一图像数据和第二图像数据的相同区域;
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,在生成第一三维点云数据和第二三维点云数据时排除标记区域。
作为优选实施方式,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;
获取若干训练样本,所述训练样本包括一组不同视角的图像数据,且包含图像数据中相同区域的标记框;
将训练样本输入至识别模型进行训练,得到训练好的相同区域识别模型;
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域。
作为优选实施方式,所述点云处理模块基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;
基于标签提取多个平面,并计算每个平面和其他平面之间的相对位置;
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面;
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据。
在一方面,本发明还提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的配电网设备三维模型精细化构建方法。
在一方面,本发明还提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的配电网设备三维模型精细化构建方法。
本发明具有如下有益效果:
本发明一种配电网设备三维模型精细化构建方法,通过在目标配电网设备的不同角度分别采集第一图像数据和第二图像数据作为后续处理的基础,基于两个图像数据的比较处理生成三维点云数据,能够去除图像中的冗余备份,使得生成的三维模型效率、精细度大大提升。
附图说明
图1为本发明实施例一的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,本实施例提供一种配电网设备三维模型精细化构建方法,包括以下步骤:
S100、通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,这一步骤至关重要,因为它为我们提供了设备在不同视角下的视觉信息,有助于全面、准确地了解设备的状态和结构。在第一位置,我们利用图像采集设备捕捉设备的正面或主要特征,获得第一图像数据。这些数据是设备最直接、最直观的反映,包含了设备的主要结构和关键部件的信息。随后,在第二位置,我们对设备进行侧面或辅助特征的采集,得到第二图像数据。这些数据进一步补充了设备的细节信息。
对第一图像数据和第二图像数据进行预处理,包括对图像进行去噪、增强、分割等操作,以提高图像的质量和清晰度,为后续的三维点云数据生成提供良好的基础。经过预处理后得到第一三维点云数据和第二三维点云数据,以三维的形式呈现了设备的表面形态和结构特征。
S200、基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据,栅格数据是一种将连续的空间数据离散化为规则网格的数据表示方式,适用于后续的图像处理和分析,生成点云栅格数据的具体步骤为:划分栅格,根据实际需求和数据特点,选择合适的栅格大小和形状,将空间划分为若干个离散的栅格单元。数据映射,将预处理第一三维点云数据和第二三维点云数据映射到划分的栅格上,每个栅格单元内包含一定数量的点云数据。特征提取,基于栅格内的点云数据,提取目标的几何特征、纹理特征等,为后续的目标识别和分类提供依据。
S300、基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线。除了基本的轮廓信息外,还可以通过进一步的分析和处理,获取更多的细节信息。例如,可以通过计算栅格数据的梯度、曲率等属性,来识别设备表面的凹凸、起伏等特征。这些信息可以为设备三维模型的优化设计和改进提供支持。
S400、通过表面轮廓信息构建目标配电网设备的三维模型。
作为本实施例的优选实施方式,所述对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
首先,我们需要对第一图像数据和第二图像数据进行识别分析,找出它们的相同区域。这一步骤可以通过图像配准和特征点提取等技术实现。在获得相同区域后,我们进一步对这些区域中的像素点进行详细比较。
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;为了确保比较的准确性和有效性,我们需要设置一个合理的像素阈值。这个阈值是基于图像质量、光照条件、相机参数等因素综合考虑得出的。当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于这个阈值时,我们就认为该像素点是不稳定的或存在误差的,并将其标记出来
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,这些区域通常代表了在图像中由于各种原因(如噪声、遮挡、运动模糊等)导致的不可靠区域。在生成第一三维点云数据和第二三维点云数据时,我们将排除这些标记区域,以确保生成的三维点云数据更加准确和可靠。
通过这种基于像素差值比较的图像识别方法,我们可以有效地筛选出图像中的不稳定区域,并在三维点云数据的生成过程中排除这些区域。这不仅提高了三维点云数据的精度和稳定性,也为后续的三维重建提供了坚实的基础。
作为本实施例的优选实施方式,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;卷积神经网络(CNN)是一种深度学习算法,特别适用于处理图像数据。它通过卷积层、池化层和全连接层等结构的组合,能够从原始图像中提取出有用的特征,并进而进行分类、识别等任务。在这个步骤中,我们需要选择合适的网络结构、激活函数和优化算法等,以确保模型能够有效地学习并识别图像中的特征。
获取若干训练样本。这些训练样本应该包含一组不同视角的图像数据,并且每个图像数据中都包含相同区域的标记框。这些标记框是通过对图像进行人工标注而得到的,用于指示模型应该关注哪些区域。为了获得足够的训练数据,我们可以从公开的数据集、实验室拍摄的图像或互联网上收集相关数据。
将训练样本输入至识别模型进行训练,这个过程包括前向传播和反向传播两个步骤。在前向传播中,我们将训练样本输入到模型中,得到模型的预测结果;在反向传播中,我们计算预测结果与真实标记之间的误差,并更新模型的参数以减小误差。通过多次迭代训练,得到训练好的相同区域识别模型。
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域,在这个过程中,模型会提取图像中的特征,并根据之前学习到的知识来判断哪些区域是相似的。通过这种方式,我们可以快速准确地识别不同图像中的相同区域。
作为本实施例的优选实施方式,所述基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;这一步的目的是为了将属于同一平面的点云数据进行归类,便于后续的处理。为了实现这一点,我们可以利用点云数据中的空间坐标信息,通过聚类算法或平面拟合方法,将相近的点云归类到同一标签下。
基于这些标签,我们可以提取出多个平面,并计算每个平面和其他平面之间的相对位置。这一步是为了确定各个平面之间的空间关系,为后续的匹配过程提供基础。我们可以通过计算平面之间的法向量、距离等参数,来量化它们之间的相对位置关系。
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面。这一步是为了找到空间位置上最为接近的平面,以实现精确的匹配。我们可以采用距离度量方法,如欧几里得距离或马氏距离,来衡量平面之间的相似度,并选取相似度最高的平面作为匹配结果。
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据,通过将匹配到的点云数据映射到栅格上,我们可以得到设备的三维模型在栅格空间中的表示,从而为后续的设备三维模型精细化构建提供基础。
实施例二:
本实施例提出一种配电网设备三维模型精细化构建***,包括:
点云采集模块,用于通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
点云处理模块,基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
轮廓生成模块,基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;该模块用于实现实施例一中步骤S300的功能,在此不再赘述;
三维模型构建模块,用于通过表面轮廓信息构建目标配电网设备的三维模型;该模块用于实现实施例一中步骤S400的功能,在此不再赘述。
作为本实施例的优选实施方式,所述点云采集模块中,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
进行识别分析,获取第一图像数据和第二图像数据的相同区域;
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,在生成第一三维点云数据和第二三维点云数据时排除标记区域。
作为本实施例的优选实施方式,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;
获取若干训练样本,所述训练样本包括一组不同视角的图像数据,且包含图像数据中相同区域的标记框;
将训练样本输入至识别模型进行训练,得到训练好的相同区域识别模型;
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域。
作为本实施例的优选实施方式,所述点云处理模块基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;
基于标签提取多个平面,并计算每个平面和其他平面之间的相对位置;
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面;
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据。
实施例三:
本实施例提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的配电网设备三维模型精细化构建方法。
实施例四:
本实施例提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的配电网设备三维模型精细化构建方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种配电网设备三维模型精细化构建方法,其特征在于,包括以下步骤:
通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;
基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;
基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;
通过表面轮廓信息构建目标配电网设备的三维模型。
2.根据权利要求1所述的一种配电网设备三维模型精细化构建方法,其特征在于,所述对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
进行识别分析,获取第一图像数据和第二图像数据的相同区域;
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,在生成第一三维点云数据和第二三维点云数据时排除标记区域。
3.根据权利要求2所述的一种配电网设备三维模型精细化构建方法,其特征在于,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;
获取若干训练样本,所述训练样本包括一组不同视角的图像数据,且包含图像数据中相同区域的标记框;
将训练样本输入至识别模型进行训练,得到训练好的相同区域识别模型;
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域。
4.根据权利要求1所述的一种配电网设备三维模型精细化构建方法,其特征在于,所述基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;
基于标签提取多个平面,并计算每个平面和其他平面之间的相对位置;
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面;
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据。
5.一种配电网设备三维模型精细化构建***,其特征在于,包括:
点云采集模块,用于通过图像采集设备在不同角度的第一位置采集和第二位置采集目标配电网设备的第一图像数据和第二图像数据,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据;
点云处理模块,基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据;
轮廓生成模块,基于点云栅格数据创建目标配电网设备的表面轮廓信息,包括若干轮廓线;
三维模型构建模块,用于通过表面轮廓信息构建目标配电网设备的三维模型。
6.根据权利要求5所述的一种配电网设备三维模型精细化构建***,其特征在于,所述点云采集模块中,对第一图像数据和第二图像数据进行预处理,得到第一三维点云数据和第二三维点云数据的步骤具体为:
进行识别分析,获取第一图像数据和第二图像数据的相同区域;
对第一图像数据和第二图像数据中相同区域中的像素点进行比较,设置像素阈值,当第一图像数据和第二图像数据中相同区域中相同位置的像素点之间的像素差值大于像素阈值时,则标记该像素点;
将第一图像数据和第二图像数据中标记的像素点相连形成标记区域,在生成第一三维点云数据和第二三维点云数据时排除标记区域。
7.根据权利要求6所述的一种配电网设备三维模型精细化构建***,其特征在于,所述进行识别分析,获取第一图像数据和第二图像数据的相同区域的方法具体为:
预建立基于卷积神经网络的识别模型;
获取若干训练样本,所述训练样本包括一组不同视角的图像数据,且包含图像数据中相同区域的标记框;
将训练样本输入至识别模型进行训练,得到训练好的相同区域识别模型;
将待识别的第一图像数据和第二图像数据输入至相同区域识别模型中,识别获取相同区域。
8.根据权利要求5所述的一种配电网设备三维模型精细化构建***,其特征在于,所述点云处理模块基于预处理后的第一三维点云数据和第二三维点云数据,生成目标配电网设备的点云栅格数据的步骤具体为:
基于第一三维点云数据和第二三维点云位置数据中的每一个点云,对相同平面中的点云添加相同的标签;
基于标签提取多个平面,并计算每个平面和其他平面之间的相对位置;
比较多个平面的相对位置,并将相对位置最接近的平面匹配为相对平面;
基于匹配到的相对平面上的点云数据,生成目标配电网设备的点云栅格数据。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至4任一项所述的配电网设备三维模型精细化构建方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一项所述的配电网设备三维模型精细化构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361236.1A CN118229880A (zh) | 2024-03-27 | 2024-03-27 | 一种配电网设备三维模型精细化构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410361236.1A CN118229880A (zh) | 2024-03-27 | 2024-03-27 | 一种配电网设备三维模型精细化构建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118229880A true CN118229880A (zh) | 2024-06-21 |
Family
ID=91500125
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410361236.1A Pending CN118229880A (zh) | 2024-03-27 | 2024-03-27 | 一种配电网设备三维模型精细化构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118229880A (zh) |
-
2024
- 2024-03-27 CN CN202410361236.1A patent/CN118229880A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956582B (zh) | 一种基于三维数据的人脸识别*** | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
CN104573614B (zh) | 用于跟踪人脸的设备和方法 | |
KR100647322B1 (ko) | 객체의 모양모델 생성장치 및 방법과 이를 이용한 객체의특징점 자동탐색장치 및 방법 | |
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN102804231B (zh) | 三维场景的分段平面重建 | |
CN112837344B (zh) | 一种基于条件对抗生成孪生网络的目标跟踪方法 | |
WO2019071976A1 (zh) | 基于区域增长和眼动模型的全景图像显著性检测方法 | |
CN110751097B (zh) | 一种半监督的三维点云手势关键点检测方法 | |
Pound et al. | A patch-based approach to 3D plant shoot phenotyping | |
CN107767358B (zh) | 一种图像中物体模糊度确定方法和装置 | |
CN114821541B (zh) | 一种基于网格模型的道路面损伤检测方法及相关设备 | |
CN116229189B (zh) | 基于荧光内窥镜的图像处理方法、装置、设备及存储介质 | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
Hao et al. | A hierarchical region-merging algorithm for 3-D segmentation of individual trees using UAV-LiDAR point clouds | |
Zeppelzauer et al. | Interactive segmentation of rock-art in high-resolution 3D reconstructions | |
CN115222884A (zh) | 一种基于人工智能的空间对象分析及建模优化方法 | |
CN115035089A (zh) | 适用于二维脑图像数据的脑解剖结构定位方法 | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
CN116993947B (zh) | 一种三维场景可视化展示方法及*** | |
Omidalizarandi et al. | Segmentation and classification of point clouds from dense aerial image matching | |
JP2012524920A (ja) | トレーニング方法及び装置並びに画像における対象の姿勢視角を推定する方法及び装置 | |
Ward et al. | A model-based approach to recovering the structure of a plant from images | |
CN109641351B (zh) | 一种物体特征的识别方法、视觉识别装置及机器人 |
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 |