本发明专利技术公开了一种变电站三维建模方法，包括采用无人机获取目标变电站的影像数据信息；对影像数据信息进行特征点提取和特征点匹配；进行空中三角测量得到特征点的三维数据信息；进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模；构建点云分类模型并提取设备的局部特征；基于神经辐射场的高精度三维模型进行设备的精细化点云补全；构建不规则三角形网格得到目标变电站设备的精细模型；融合得到的模型完成目标变电站的三维建模。本发明专利技术还公开了一种实现所述变电站三维建模方法的系统。本发明专利技术不仅实现了目标变电站的精细化三维建模，而且可靠性更高，精确性更好。
1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
2、变电站是电力系统的重要组成部分；因此，变电站的巡检，对于电力系统而言，就具有重要意义。以前，变电站巡检采用人工巡检的方式，不仅费时费力，而且效率低下，可靠性差。随着无人机技术的飞速发展，现阶段，电力系统变电站的巡检工作，基本都采用无人机巡检的方式来进行。
3、采用无人机对变电站进行巡检的前提，是构建了变电站的高精度三维模型。目前，常用的变电站三维建模方案，主要包括基于激光雷达的三维建模和基于计算视觉的三维建模。但是，单纯的基于激光雷达的三维建模方案，存在采集工作耗时耗力问题，并且激光雷达采集设备昂贵，不适合区域面积大的场景数据采集重建。单纯的基于计算视觉的三维建模方案，这类方案所建立的模型基本只能恢复物体的几何结构和外观，以实现对变电站大规模场景的高精度三维建模。
>5、s2.对步骤s1获取的影像数据信息进行特征点提取和特征点匹配；6、s3.根据步骤s2得到的特征点，进行空中三角测量，得到特征点的三维数据信息；
7、s4.对步骤s3得到的数据信息进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模；
8、s5.基于transformer构建点云分类模型，并提取设备的局部特征；
9、s6.根据步骤s5得到的局部特征，基于神经辐射场的高精度三维模型，进行设备的精细化点云补全；
10、s7.根据步骤s6得到的数据信息，构建不规则三角形网格，得到目标变电站设备的精细模型；
11、s8.融合步骤s4和步骤s7得到的模型，完成目标变电站的三维建模。
12、步骤s2所述的对步骤s1获取的影像数据信息进行特征点提取和特征点匹配，包括如下步骤：
13、基于高斯函数，构建多尺度高斯金字塔，提取尺度空间的极值点；
14、基于构建的多尺度高斯金字塔，构建高斯差分金字塔，对得到的极值点进行滤波，实现特征点的提取；
15、基于卷积神经网络，进行特征点匹配。
16、所述的步骤s2，具体包括如下步骤：
17、采用高斯卷积构建尺度空间l(x,y,σ)，表示为
18、l(x,y,σ)＝g(x,y,σ)*i(x,y)
19、式中g(x,y,σ)为以(x,y)为中心的高斯核函数；σ为尺度参数；*为卷积运算；i(x,y)为(x,y)处图像的像素值；
20、将相邻的尺度空间作差，得到高斯差分金字塔d(x,y,σ)为d(x,y,σ)＝l(x,y,kσ)-l(x,y,σ)；其中k为相邻的尺度的倍数系数；
21、利用邻域像素的梯度方向特征来求取特征点的方向参数，表示为
22、
23、式中m(x,y)为梯度模值；l(x,y)为图像样本；θ(x,y)为相角；
24、基于卷积神经网络，进行特征点匹配：利用卷积网络中的相似度学习模块，基于余弦相似度或欧氏距离对特征描述符进行匹配；将提取的特征描述作为一个高维向量，使用神经网络的输出特征进行匹配计算。
25、步骤s4所述的对步骤s3得到的数据信息进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模，包括如下步骤：
26、计算像片外方位元素和地面加密点坐标，并将加密点坐标作为光束法区域网平差概值；
27、以像片组成的光束为基本单元构建共线方程，构建每个像片的待定加密点和已知控制点的误差方程，计算得出图像中外方位元素；
28、通过若干张像片空间前方交汇公式，计算得到待定点和加密点的实际地面坐标；
29、对稀疏点云通过立体匹配，计算得到每个像素点的深度信息，并将含深度信息的像素点映射到三维空间，对得到的点云数据进行融合，得到变电站的稠密点云，最终得到基于倾斜摄影的全局粗模。
30、所述的步骤s4，具体包括如下步骤：
31、计算像片外方位元素和地面加密点坐标，并将加密点坐标作为光束法区域网平差概值：
32、光束法区域网平差的共线方程表示为
33、
34、式中(x,y)为像平面上像点的坐标；f为相机焦距；a1为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第一方向余弦；a2为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第二方向余弦；a3为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第三方向余弦；b1为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第四方向余弦；b2为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第五方向余弦；b3为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第六方向余弦；c1为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第七方向余弦；c2为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第八方向余弦；c3为第一外方位角元素第二外方位角元素ω和第三外方位角元素κ构成的第九方向余弦；(x,y,z)为物点的空间坐标；(xs,ys,zs)为相机投影中心的空间坐标；
35、对光束法区域网平差的共线方程进行处理，得到误差方程为
36、
37、式中(vx,vy)为在x，y方向上的观测误差；为共线方程的导数(雅可比矩阵)构成；(ix,iy)为观测量的差异向量，(x0,y0)为像主点坐标，且ix＝x-x0，iy＝y-y0；
38、以像片组成的光束为基本单元构建共线方程，构建每个像片的待定加密点和已知控制点的误差方程，计算得出图像中外方位元素；
39、通过若干张像片空间前方交汇公式，计算得到待定点和加密点的实际地面坐标；
40、对稀疏点云通过立体匹配，计算得到每个像素点的深度信息，并将含深度信息的像素点映射到三维空间，对得到的点云数据进行融合，得到变电站的稠密点云，最终得到基于倾斜摄影的全局粗模：
41、在照片集中选取航测照片，对每一张照片选取若干张照片作为邻近照片，采用稀疏点云的结果作为判断是否具有较高的相似性的标准，从而保证稠密三维重建的准确性；
42、对初始的稀疏点云特征点进行深度估计，并将稀疏点云特征点作为种子点本文档来自技高网...
【技术保护点】
1.一种变电站三维建模方法，包括如下步骤：
2.根据权利要求1所述的变电站三维建模方法，其特征在于步骤S2所述的对步骤S1获取的影像数据信息进行特征点提取和特征点匹配，包括如下步骤：
3.根据权利要求2所述的变电站三维建模方法，其特征在于所述的步骤S2，具体包括如下步骤：
4.根据权利要求3所述的变电站三维建模方法，其特征在于步骤S4所述的对步骤S3得到的数据信息进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模，包括如下步骤：
5.根据权利要求4所述的变电站三维建模方法，其特征在于所述的步骤S4，具体包括如下步骤：
6.根据权利要求5所述的变电站三维建模方法，其特征在于步骤S6所述的根据步骤S5得到的局部特征，基于神经辐射场的高精度三维模型，进行设备的精细化点云补全，具体包括如下步骤：
7.根据权利要求6所述的变电站三维建模方法，其特征在于所述的构建神经辐射场模型，学习点云的局部和全部信息，从而进行设备的精细化点云补全，具体包括如下步骤：
8.根据权利要求7所述的变电站三维建模方法，其特征在于步骤S8所述的融合步骤S4和步骤S7得到的模型，完成目标变电站的三维建模，具体包括如下步骤：首先使用特征点匹配，然后基于标定点的齐次坐标变换将全局粗模型与精细模型对齐到同一坐标系中。
9.一种实现权利要求1～8之一所述的变电站三维建模方法的系统，其特征在于包括数据获取模块、特征匹配模块、三角测量模块、粗模建模模块、特征提取模块、点云补全模块、精细建模模块和三维建模模块；数据获取模块、特征匹配模块、三角测量模块、粗模建模模块、特征提取模块、点云补全模块、精细建模模块和三维建模模块依次串联；数据获取模块用于采用无人机，获取目标变电站的影像数据信息，并将数据信息上传特征匹配模块；特征匹配模块用于根据接收到的数据信息，对获取的影像数据信息进行特征点提取和特征点匹配，并将数据信息上传三角测量模块；三角测量模块用于根据接收到的数据信息，根据得到的特征点，进行空中三角测量，得到特征点的三维数据信息，并将数据信息上传粗模建模模块；粗模建模模块用于根据接收到的数据信息，对得到的数据信息进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模，并将数据信息上传特征提取模块；特征提取模块用于根据接收到的数据信息，基于Transformer构建点云分类模型，并提取设备的局部特征，并将数据信息上传点云补全模块；点云补全模块用于根据接收到的数据信息，根据得到的局部特征，基于神经辐射场的高精度三维模型，进行设备的精细化点云补全，并将数据信息上传精细建模模块；精细建模模块用于根据接收到的数据信息，根据得到的数据信息，构建不规则三角形网格，得到目标变电站设备的精细模型，并将数据信息上传三维建模模块；三维建模模块用于根据接收到的数据信息，融合得到的模型，完成目标变电站的三维建模。
...
【技术特征摘要】
1.一种变电站三维建模方法，包括如下步骤：
2.根据权利要求1所述的变电站三维建模方法，其特征在于步骤s2所述的对步骤s1获取的影像数据信息进行特征点提取和特征点匹配，包括如下步骤：
3.根据权利要求2所述的变电站三维建模方法，其特征在于所述的步骤s2，具体包括如下步骤：
4.根据权利要求3所述的变电站三维建模方法，其特征在于步骤s4所述的对步骤s3得到的数据信息进行多视角影像密集匹配得到目标变电站的全局稠密点云数据，得到基于倾斜摄影的全局粗模，包括如下步骤：
5.根据权利要求4所述的变电站三维建模方法，其特征在于所述的步骤s4，具体包括如下步骤：
6.根据权利要求5所述的变电站三维建模方法，其特征在于步骤s6所述的根据步骤s5得到的局部特征，基于神经辐射场的高精度三维模型，进行设备的精细化点云补全，具体包括如下步骤：
7.根据权利要求6所述的变电站三维建模方法，其特征在于所述的构建神经辐射场模型，学习点云的局部和全部信息，从而进行设备的精细化点云补全，具体包括如下步骤：
8.根据权利要求7所述的变电站三维建模方法，其特征在于步骤s8所述的融合步骤s4和步骤s7得到的模型，完成目标变电站的三维建模，具体包括如下步骤：首先使用特征点匹配，然后基于标定点的齐次坐标变换将全局粗模型与精细模型对齐到同一坐标系中。
9.一种实现权利要求1～8之一所述的变电站三维...
【专利技术属性】
技术研发人员：刘立洪，肖辉，贺丽，罗正经，单周平，秦正斌，贺杰，张兴伟，李琴，罗磊鑫，刘义，王继军，李勇智，何韵，曾刚，
申请(专利权)人：国网湖南省电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。