基于子空间特征向量K-近邻分类的变电站设备三维识别

发布时间：2020-06-25 13:59

【摘要】：变电站设备识别是变电站智能化建设过程中的关键环节。变电站智能化是为了实现智能电气设备间信息共享的现代化变电站。变电站设备的三维识别就是通过计算机自动识别出未知变电站设备的类别、具体型号,并呈现出变电站设备在环境中所处的位置和姿态情况。为了快速、高效地实现基于点云的变电站设备三维识别,本文提出了一种基于子空间特征向量K-近邻分类的变电站设备识别方法。并且针对此识别算法中子空间大小和点云缺失比例对识别结果的影响进行了研究。主要内容包括:(1)点云数据预处理。本文采用八叉树编码法对激光扫描仪获取的点云数据进行点云精简。为了提高算法的效率,同样采用八叉树编码法进行点云去噪。然后通过主方向贴合法对点云位置校准。(2)点云特征提取。本文提出了一种新的子空间特征提取方法。把整体点云质心与各子空间点云质心连线相对于Z轴正方向夹角的余弦值作为特征,来反映各子空间点云相对于点云整体的分布情况。对选定的变电站设备标准件提取特征,构成模板特征库和模板数据库。(3)基于三维点云的变电站设备识别。本文采用K-近邻分类法对点云设备识别分类。为了提高识别精度,用粒子群优化各子空间的特征权重。实验证明,基于粒子群优化的K-近邻分类法,具有较高的识别效率。本文研究了不同子空间分割大小和不同程度点云缺失对于识别结果的影响。为了证明本文方法的有效性,将本文识别算法和改进的ICP识别算法进行对比。(4)识别算法封装。将识别方法在Matlab中封装成dll文件,并用C#调用dll文件。制作成变电站智能识别软件,实现了具有标准件自动添加、删除的动态模板库和变电站设备自动识别的功能。经过对河南腾龙信息有限公司提供的90个待识别数据测试,本文识别算法识别准确率在90%以上,并且容许低程度的点云缺失。实验证明,本文的识别算法在具有较好的识别准确率的同时,具有更令人满意的识别效率。
【学位授予单位】：郑州大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TM63
【图文】：

整体结构,模型,变电站设备,点云数据

2 总体设计参考标准。三维激光扫描仪获得的点云数据能够良好的反映被扫描对象的外形特征，通过有效的点云数据预处理能提高点云识别的准确性和效率。参考当前的三维识别方法和较成熟的二维识别方法，基于点云数据的变电站设备识别方法具有识别技术的通用性。同时，也应该考虑到变电站设备外形的特殊性。在针对变电站设备外形的基础上进行特征提取以及设备识别，能够极大程度的满足变电站设备识别的实现要求。通过在图像处理方面深入的前期工作，相信在借鉴国内外研究成果的精华上，是可以完成本项课题，并取得较好成果的。2.2 整体结构本文的重点研究内容是基于三维点云的变电站设备识别。对于未知类型的变电站设备，识别目标是识别出该设备的类型、具体型号以及位置、方向角度等姿态信息。识别系统的总模型结构如图 2.1。

三维点云,变电站设备,场景图,点云数据

3 点云数据预处理3 点云数据预处理3.1 点云数据获取三维点云数据由三维扫描设备扫描获得，常用的三维扫描设备有：激光雷达、立体摄像头、越渡时间相机等。由于三维激光扫描技术能够真实描述扫描对象整体结构，并存在高精度、高密度、高效率的优势，一般情况下，变电站设备的点云数据使用三维激光扫描仪获得。三维激光扫描仪扫描大场景下的多种变电站设备后形成三维点云场景图。图 3.1 是部分变电站设备三维点云场景图在可视化软件 Quick Terrain Reader 中的呈现。其中，点云上的不同颜色仅为软件便于表现点云的不同高度特征而赋予的色彩变化。在三维点云编辑软件 Geomagic Studio 等中，对三维点云场景图粗略的分割后可以得到单个变电站设备的点云数据。

【参考文献】