一种分割方法及系统与流程

本技术涉及计算机，特别是涉及一种分割方法及系统。

背景技术：

1、随着智能电网和数字孪生变电站的快速发展，基于三维点云的电力设备高精度感知与智能化巡检已成为保障电网安全稳定运行的关键技术手段。变电站环境中设备种类繁多、结构紧凑、金属表面反光强烈且背景复杂，这对三维目标的精确检测与空间位姿估计提出了严峻挑战。当前，激光雷达与深度相机等三维感知技术的成熟使得获取高密度点云数据成为可能，如何从海量点云中准确识别绝缘子、断路器、隔离开关等关键设备并精确估计其三维空间位置和朝向，已成为支撑机械臂自主操作、带电作业仿真及设备状态评估的核心技术基础。

2、现有技术中，部分方案直接基于原始点云提取特征，未对大规模点云进行有效的结构化预处理，导致面对变电站整站级海量点云数据时计算资源消耗巨大，推理效率难以满足实际工程需求；同时其输出仅包含目标的类别和粗略的包围盒，缺乏设备在三维空间中完整的横滚、俯仰、偏航姿态信息，且使用长方体包围盒进行点云分割的精细度较低。另有部分方案融合激光雷达点云、可见光图像和红外热像三种模态数据进行目标检测，但该方法严格要求三种异构数据在三维空间中精确对齐，实际工程中多传感器标定误差会导致检测精度显著下降；且其输出同样仅包含目标类别和三维位置信息，无法提供设备在三维空间中的姿态参数。

3、综上所述，现有变电站三维设备检测方法要么因缺乏高效的点云结构化处理而难以应对大规模场景，要么因依赖多传感器融合而对数据对齐误差敏感，更关键的是，现有方法均仅输出目标的类别和粗略的包围盒位置，无法提供设备在三维空间中精确的六自由度姿态信息，导致后续的精细分割、状态评估和数字孪生应用缺乏精准的几何位姿支撑。因此，如何在不依赖多传感器融合的前提下，实现变电站大规模点云场景中设备的高效检测，并同步获取设备精确的三维空间位置和姿态信息以支撑精准点云分割，是亟待解决的技术问题。

技术实现思路

1、基于上述问题，本技术提供了一种分割方法及系统。

2、本技术实施例公开了如下技术方案：

3、本技术实施例第一方面提供了一种分割方法，包括：

4、获取变电站场景的三维空间数据；

5、对所述三维空间数据进行空间离散化处理，将所述三维空间数据中的各数据点分配至对应的体素单元，生成三维体素网格；

6、基于所述体素网格，通过三维卷积神经网络检测所述三维空间数据中的设备对象，获得至少一个设备对象的类别信息及对应的三维边界框；

7、根据所述三维边界框，从所述三维空间数据中裁剪出对应的实例点云；

8、根据所述设备对象的类别信息，从预设模板库中获取对应的标准模板点云；

9、对所述标准模板点云与所述实例点云进行迭代最近点配准，求解用于将所述标准模板点云转换至所述实例点云所在空间位姿的变换矩阵；

10、根据所述变换矩阵，利用所述标准模板点云的轮廓分割所述实例点云，得到所述设备对象的目标点云。

11、在一种可能的实现方式中，所述对所述三维空间数据进行空间离散化处理，将所述三维空间数据中的各数据点分配至对应的体素单元，生成三维体素网格，包括：

12、根据所述三维空间数据的空间范围与预设体素边长，确定三维体素网格在各坐标轴方向上的网格数量；

13、按照所述网格数量构建三维体素网格，并以所述三维体素网格的原点为基准，计算所述三维空间数据中各数据点对应的体素索引坐标；

14、将具有相同体素索引坐标的数据点合并至同一体素单元，生成三维体素网格。

15、在一种可能的实现方式中，所述基于所述体素网格，通过三维卷积神经网络检测所述三维空间数据中的设备对象，包括：

16、以各非空体素单元所包含数据点的属性信息的均值作为该体素单元的体素特征；

17、将各非空体素单元的所述体素特征在三维体素网格中的对应位置进行排列，形成三维特征张量，输入三维卷积神经网络；所述三维卷积神经网络通过堆叠的三维卷积层对所述三维特征张量进行卷积运算，逐步提取不同抽象层次的语义特征，并通过多尺度特征融合输出候选三维边界框；

18、对所述候选三维边界框执行非极大值抑制处理，去除重叠的候选框，得到所述三维边界框。

19、在一种可能的实现方式中，所述利用所述标准模板点云的轮廓分割所述实例点云，包括：

20、将所述标准模板点云按照所述变换矩阵进行空间变换，使所述标准模板点云的轮廓与所述实例点云在空间上匹配；

21、以变换后的所述标准模板点云的轮廓作为分割边界，从所述实例点云中提取位于所述轮廓边界内部的点，作为所述设备对象的目标点云。

22、在一种可能的实现方式中，所述三维卷积神经网络的确定方式包括：

23、构建训练集，所述训练集包含标注有设备对象类别和三维边界框标签的体素网格样本；

24、将所述体素网格样本输入三维卷积神经网络，经前向传播得到预测结果；

25、计算所述预测结果与标注标签之间的损失函数值，所述损失函数包括分类损失和回归损失，所述分类损失用于判断锚点框内是否包含目标对象，所述回归损失用于调整锚点框的位置和尺寸使其逼近标注的三维边界框；

26、根据所述损失函数值通过反向传播更新所述三维卷积神经网络的网络参数，迭代至收敛。

27、在一种可能的实现方式中，所述获得所述至少一个设备对象的类别信息及对应的三维边界框之后，还包括：

28、对所述三维边界框所对应的候选设备对象进行可视化高亮展示；

29、响应于人工确认指令，保留或删除所述候选设备对象对应的三维边界框；响应于人工补充指令，为漏检设备对象添加三维边界框。

30、在一种可能的实现方式中，所述对所述标准模板点云与所述实例点云进行迭代最近点配准，求解用于将所述标准模板点云转换至所述实例点云所在空间位姿的变换矩阵，包括：

31、以所述标准模板点云作为源点云，以所述实例点云作为目标点云，初始化变换参数；

32、在每次迭代中，根据当前变换参数将所述源点云变换至所述目标点云所在空间，在所述目标点云中搜索与变换后的所述源点云中各点距离最近的对应点，建立最近点对应关系；

33、基于所述最近点对应关系，通过奇异值分解求解使所述源点云与所述目标点云之间距离度量最小化的更新变换参数，并以所述更新变换参数迭代更新所述变换参数；

34、当满足预设收敛条件时停止迭代，输出当前的变换参数作为所述变换矩阵。

35、在一种可能的实现方式中，所述方法还包括：

36、在每次迭代中，对于变换后的所述源点云中的各点，计算点与所述目标点云中距离最近的对应点之间的欧氏距离平方和，以所述欧氏距离平方和最小化作为迭代目标。

37、在一种可能的实现方式中，所述方法还包括：

38、在每次迭代中，对于变换后的所述源点云中的各点，确定点在所述目标点云中的最近对应点；获取所述对应点所在切平面的法线，计算点沿所述法线方向到所述切平面的距离，以所述距离的平方和最小化作为迭代目标。

39、本技术实施例第二方面提供了一种分割系统，包括：

40、第一获取单元，用于获取变电站场景的三维空间数据；

41、生成单元，用于对所述三维空间数据进行空间离散化处理，将所述三维空间数据中的各数据点分配至对应的体素单元，生成三维体素网格；

42、检测单元，用于基于所述体素网格，通过三维卷积神经网络检测所述三维空间数据中的设备对象，获得至少一个设备对象的类别信息及对应的三维边界框；

43、裁剪单元，用于根据所述三维边界框，从所述三维空间数据中裁剪出对应的实例点云；

44、第二获取单元，用于根据所述设备对象的类别信息，从预设模板库中获取对应的标准模板点云；

45、求解单元，用于对所述标准模板点云与所述实例点云进行迭代最近点配准，求解用于将所述标准模板点云转换至所述实例点云所在空间位姿的变换矩阵；

46、分割单元，用于根据所述变换矩阵，利用所述标准模板点云的轮廓分割所述实例点云，得到所述设备对象的目标点云。

47、本技术实施例第三方面提供了一种电子设备，包括：存储器，处理器，及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如前述第一方面所述的分割方法。

48、本技术实施例第四方面提供了一种计算机程序产品，当所述计算机程序产品在计算机上运行时，所述计算机执行如前述第一方面所述的分割方法。

49、本技术实施例第五方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如前述第一方面所述的分割方法。

50、相较于现有技术，本技术具有以下有益效果：

51、通过将变电站场景的三维空间数据转化为规整的体素网格，显著降低了海量点云的数据规模和处理复杂度，使得三维卷积神经网络能够在可接受的计算资源下高效完成设备检测；在此基础上，针对现有方法仅输出粗略包围盒而缺乏精细位姿的缺陷，本技术进一步利用检测得到的包围盒裁剪出实例点云，并引入设备类型的标准模板点云与实例点云进行迭代最近点配准，通过求解变换矩阵精确获得设备在三维空间中的六自由度位姿，最终以变换后的模板轮廓作为精准分割边界，实现对实例点云的精细分割。上述技术手段相互配合，在不依赖多传感器融合的前提下，兼顾了大规模场景下的检测效率与位姿估计精度，从根本上解决了现有技术中因缺乏高效结构化处理和位姿估计能力而导致的计算效率低下、分割精度不足以及无法支撑数字孪生应用的问题。