[發明專利]一種變電站三維模型重構方法

在審

• 申請號: 202010850897.2
• 申請日: 2020-08-21
• 公開（公告）號: CN111985161A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 鄺振星;華耀;溫愛輝;邱健文;朱紅濤;林孝斌;歐冠華;李朝陽;羅欣禮;李存海;賴家文;何榮偉;何文濱
• 申請（專利權）人: 廣東電網有限責任公司清遠供電局
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06Q50/06;G06T17/00
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種變電站三維模型重構方法，其特征在于，包括

獲取三維模型公開數據庫數據構成基礎訓練集；

獲取變電站設備原始圖像并進行標記并確定遷移學習訓練集；

對所述基礎訓練集合和所述遷移學習訓練集中的圖像進行處理并提取得到設備特征圖，基于所述設備特征圖構造深度卷積自編碼神經網絡；

使用所述基礎訓練集訓練深度卷積自編碼神經網絡，并使用所述遷移學習訓練集對深度卷積自編碼神經網絡進一步訓練；

根據訓練完成的深度卷積自編碼神經網絡對變電站進行建模，得到變電站三維模型。

2.根據權利要求1所述的方法，其特征在于，獲取變電站設備原始圖像并進行標記并確定遷移學習訓練集，包括：

獲取變電站設備多角度攝影圖像，對獲取的圖像進行標記，并選取其中正投影圖像作為監督訓練標簽，其他圖像則構成遷移學習訓練集。

3.根據權利要求1所述的方法，其特征在于，對所述基礎訓練集合和所述遷移學習訓練集中的圖像進行處理并提取得到設備特征圖，包括：

對獲取的所有二維圖像數據進行裁剪、統一尺寸以及歸一化處理；

使用多組不同類型形態學算子對預處理后的二維圖像進行濾波，分別提取變電站設備不同維度的特征信息；

使用解碼器對所提取特征信息進行解碼，得到變電站設備特征圖。

4.根據權利要求3所述的方法，其特征在于，所述二維圖像的像素大小為256×256，所述二維形態學算子尺寸為16×16，所述解碼器對特征信息解碼后獲得256×256的設備特征圖。

5.根據權利要求2所述的方法，其特征在于，使用所述基礎訓練集訓練深度卷積自編碼神經網絡，包括：

采用Hinge損失函數作為深度卷積自動編碼神經網絡的損失函數，將訓練樣本隨機劃分為大小為64～256的mini-batch；

在不同的mini-batch上利用隨機梯度下降算法訓練不同的子模型，完成對整個深度卷積自動編碼神經網絡模型的訓練。

6.根據權利要求2所述的方法，其特征在于，使用所述遷移學習訓練集對深度卷積自編碼神經網絡進一步訓練，包括：

以所述遷移學習訓練集作為訓練好的深度卷積自動編碼神經網絡模型輸入，以重投影一致性函數為損失函數，結合所述監督訓練標簽數據對深度卷積自動編碼神經網絡模型進行反向微調訓練。

7.根據權利要求6所述的方法，其特征在于，所述損失函數采用如下函數：

8.根據權利要求6所述的方法，其特征在于，根據訓練完成的深度卷積自編碼神經網絡對變電站進行建模，得到變電站三維模型，包括：針對待建模變電站進行現場設備圖像采集，并將采集所得圖像輸入訓練完成的深度卷積自編碼神經網絡中，輸出得到變電站設備的三維模型；

所獲取的變電站基本建模信息，對變電站各設備的三維模型進行拼接，完成對變電站的三維建模。

9.根據權利要求1所述的方法，其特征在于，獲取三維模型公開數據庫數據構成基礎訓練集，包括：通過PASCAL3D+或Pix3D公開數據集中的工程設備類圖像構建基礎訓練集，其中以設備的多角度二維圖像作為基礎訓練集的輸入，其對應的三維模型為輸出。

10.根據權利要求1所述的方法，其特征在于，還包括：獲取變電站三維建模需求以及變電站的內部設備信息、外部結構信息以及所處地理位置信息，作為原始圖像采集方案制定以及最終變電設備拼接參考。