基于不确定性主动学习的水电站点云数据分类方法及系统与流程

摘要: 本发明属于能源管理,涉及水电站点云数据分类方法及系统。背景技术:1、水电站作为将水能转化为电能的关键工程设施,其安全稳定运行对能源供应具有重要意义。水电站内的发...
基于不确定性主动学习的水电站点云数据分类方法及系统与流程

本发明属于能源管理,涉及水电站点云数据分类方法及系统。

背景技术:

1、水电站作为将水能转化为电能的关键工程设施,其安全稳定运行对能源供应具有重要意义。水电站内的发电机、变压器和水轮机等核心机电设备在长期运行过程中不可避免地会出现磨损、老化等问题,若不能及时发现并修复潜在故障,可能导致严重的经济损失甚至安全事故。传统的监测方式主要依赖人工定期巡检,不仅耗费大量人力物力,还存在效率低下、覆盖面有限以及巡检人员人身安全风险等问题。随着数字化技术的快速发展,点云技术凭借其高精度三维重建能力,逐渐成为水电站智能化转型的重要支撑手段。点云数据能够突破传统二维图纸和离散测量的局限,构建真实、完整、可量测的三维数字底座,为水电站的规划设计、施工建设、运行维护乃至退役处理等全生命周期管理提供精确的数据基础,推动水电行业向数字化、智能化方向迈进。

2、然而,点云技术在水电站实际应用过程中仍面临诸多技术挑战,主要体现在以下几个方面:第一、数据规模与计算资源矛盾突出:水电站空间尺度宏大,点云数据量可达数百gb甚至tb级别,对存储系统容量、计算处理速度及三维渲染性能提出了极高要求;第二、采集的点云数据噪声多质量不高:采集过程中受复杂环境条件影响,点云数据普遍存在噪声干扰、遮挡缺失及分布不均匀等问题,导致信息完整性不足,增加了机电设备精确识别与分类的难度;第三、复杂场景下标注数据的自动化处理程度不足:尽管基于深度学习的点云分析方法在构件自动识别方面取得进展,但由于水电站场景复杂、数据质量参差不齐且标注样本需求量大,现有全监督学习方法仍依赖大量人工标注与干预,自动化处理程度不足,难以满足工程实际的高效应用需求。

技术实现思路

1、为解决背景技术中所述的点云技术在水电站实际应用过程中数据规模与计算资源矛盾突出、点云数据噪声多质量不高、复杂场景下标注数据的自动化处理程度不足的问题,本发明提供基于不确定性主动学习的水电站点云数据分类方法及系统,旨在大幅降低深度学习网络对人工标注数据的依赖,实现水电站点云的精确语义分类,为高精度水电站三维重建及数字孪生体创建奠定数据基础。

2、本发明的方法包括:

3、s1、利用三维激光扫描系统采集水电站激光点云数据,对采集的点云数据进行三维格网采样,随后采用类别平衡稀疏标记法对格网采样后的点云数据进行稀疏标注;

4、s2、以kpconv-net为基准网络,建立由主网络与辅助网络构成的双层点云语义分割网络,以经格网采样后的水电站点云数据及稀疏标注数据为输入的训练数据,在训练过程中,基于稀疏标注数据计算全监督交叉熵损失,基于未标记数据计算伪标签一致性约束损失和深度一致性损失,并引入伪标签-深度一致性约束的自蒸馏机制,通过主网络与辅助网络的相互监督对训练数据进行类别预测,以全监督交叉熵损失、伪标签一致性约束损失和深度一致性损失的联合优化对双层点云语义分割网络进行训练;

5、s3、采用基于不确定性的主动学习策略,根据双层点云语义分割网络对训练数据的类别预测结果计算各未标注点的最小边界不确定性分数,将候选点按不确定性分数进行逆向排序,从中选取top-k个高不确定性样本进行人工标注,将人工标注数据与已有全部标注数据合并,重新训练并迭代优化双层点云语义分割网络;

6、s4、将经步骤s3迭代优化后的双层点云语义分割网络应用于水电站点云数据,完成各点的语义类别预测,实现水电站点云的识别与分类。

7、进一步地,所述s1的具体操作包括:

8、s11、采用三维激光扫描系统对水电站区域进行多站点扫描,获取水电站激光点云数据;直接利用三维激光扫描系统配套软件将多站点水电站点云数据配准到同一坐标系下,输出得到配准后的水电站点云数据;

9、s12、设置网格采样参数,以三维格网对配准后的水电站点云进行划分;遍历所有三维格网格元,将每个格元内所有点坐标的重心作为该格元的代表点,同时统计该格元内所有点的强度信息并取均值作为格元属性,从而获得空间分布均匀的格网降采样点云数据,得到经格网采样后的水电站点云数据;

10、s13、设定标注比例r,并根据场景确定待标注类别总数c,并计算各类别需要随机标注的点数n:

11、,

12、其中,n为水电站点云数据的总点数,nci为第i个待标注类别的总点数,标注比例r依据实际情况进行确定;

13、s14、根据步骤s13计算的各类别需要随机标注的点数,从格网采样后的水电站点云数据中分别随机抽取对应数量的该类别点云样本,进行人工标注,如果人工标注后存在少于x个标注点的类别,则将该类别的标注补充到 x个点,其中 x 的数值依据实际情况进行确定,得到稀疏标注数据。

14、更进一步地,所述s2的具体操作包括:

15、s21、以经格网采样后的水电站点云数据及稀疏标注数据为输入的训练数据;

16、s22、以kpconv-net为基准网络,建立由主网络与辅助网络构成的双层点云语义分割网络;所述主网络与kpconv-net保持一致,所述辅助网络采用与主网络相似的结构且编解码层数与主网络不同;主网络与辅助网络均依次包含采样层、编码层、解码层和softmax层,且均接受相同的训练数据;训练数据经各自的采样层及编码层提取多层级特征后,通过跳跃连接传递至对应的解码层获取深层语义特征,最终由softmax层输出各点的类别概率分布,主网络与辅助网络独立完成类别预测;

17、s23、依据主网络和辅助网络的类别预测结果以及输入的稀疏标注数据与未标记数据,分别计算全监督交叉熵损失lce、伪标签一致性约束损失lpl和深度一致性损失ldc,并将lce、lpl、ldc合并为总损失函数l对主网络和辅助网络进行联合优化,得到优化后的双层点云语义分割网络;

18、s24、利用优化后的双层点云语义分割网络对全体训练数据进行推理,得到所有训练数据的类别预测结果。

19、更进一步地,所述s23中,总损失函数l的计算公式为:

20、 ,

21、其中,权重函数λ(t)为随训练进程动态调节的升温函数,其表达式为:

22、,

23、式中,t为当前训练迭代次数,t为最大训练迭代次数,升温函数的指数系数设置为-5以控制λ(t)的变化速度。

24、更进一步地,所述全监督交叉熵损失lce的计算方式为:基于点云稀疏标注中各类别的样本数量计算逆频率权重,对于第c个类别,其逆频率权重的计算公式为:

25、  ,

26、其中,为第c个类别在稀疏标注中的样本数量,n为稀疏标注样本总数,c为类别总数;

27、将逆频率权重引入交叉熵损失函数,全监督交叉熵损失lce的计算公式为:

28、,

29、其中,s为稀疏标注点集合,为稀疏标注点总数; 为点i在第c个类别上的真实标签,; 为主网络或辅助网络对点i在第c个类别上的预测概率;为第c个类别的逆频率权重。

30、更进一步地,所述伪标签一致性约束损失lpl的计算方式为:将训练数据中的未标记点同时输入主网络和辅助网络,分别经各自的编码器和解码器后,将输出的深层特征向量送入softmax层,获得主网络和辅助网络的预测概率分布;随后通过如下锐化函数将概率分布转换为伪标签,锐化函数的具体公式可以写成:

31、,

32、式中,t为锐化温度参数,且0<t<1;为点i在类别c上的预测概率;c为类别总数;

33、由此产生的主网络和辅助网络的两个伪标签分别作为对方的监督信号,采用均方误差函数计算伪标签一致性约束损失lpl。

34、更进一步地,所述深度一致性损失ldc的计算方式为:提取主网络与辅助网络编码器各对应中间层的深层特征图,利用各层级特征图计算特征级相互一致性约束,使主网络与辅助网络以端到端的方式交换不同抽象层次的特征信息,充分挖掘未标注数据中的潜在语义信息以辅助模型训练,深度一致性损失ldc的计算公式如下:

35、,

36、式中,l为编码器参与一致性约束的网络层总数;mse(·)表示均方误差函数;和分别为主网络和辅助网络编码器第l个中间层输出的特征图。

37、进一步地,所述s3的具体操作包括:

38、s31、根据主网络和辅助网络对训练数据分别产生的两个类别预测结果,采用基于不确定性的主动学习策略,分别计算各未标注点的最小边界不确定性分数ex;

39、对于每个未标注点xi,设主网络输出的类别概率分布为,辅助网络输出的类别概率分布为 ;将两个网络的预测概率取平均,得到融合后的概率分布:

40、,c=1,2,...,c;

41、对融合后的概率分布按类别概率值降序排列,取最大概率值和次大概率值;

42、计算最小边界不确定性分数:

43、,

44、其中, ,值越大,表示模型对该未标注点的不确定性越高,即最可能预测的类别与次可能类别之间的边界越小,模型越难以区分,应优先进行人工标注;

45、将所有候选未标注点按不确定性分数ex进行逆向排序,选取得分最高的top-k个样本进行人工标注;

46、s32、将步骤s31所得的人工标注数据与已有全部标注数据合并,对双层点云语义分割网络进行进一步训练,经迭代优化后获得最终的双层点云语义分割网络。

47、本发明还提供基于不确定性主动学习的水电站点云数据分类系统,用于执行上述所述的方法,包括:

48、点云数据采集标注模块,利用三维激光扫描系统采集水电站激光点云数据,对采集的点云数据进行三维格网采样,随后采用类别平衡稀疏标记法对格网采样后的点云数据进行稀疏标注;

49、双层点云语义分割网络构建与训练模块,以kpconv-net为基准网络,建立由主网络与辅助网络构成的双层点云语义分割网络,以经格网采样后的水电站点云数据及稀疏标注数据为输入的训练数据,在训练过程中,基于稀疏标注数据计算全监督交叉熵损失,基于未标记数据计算伪标签一致性约束损失和深度一致性损失,并引入伪标签-深度一致性约束的自蒸馏机制,通过主网络与辅助网络的相互监督对训练数据进行类别预测,以全监督交叉熵损失、伪标签一致性约束损失和深度一致性损失的联合优化对双层点云语义分割网络进行训练;

50、双层点云语义分割网络迭代优化模块,采用基于不确定性的主动学习策略,根据双层点云语义分割网络对训练数据的类别预测结果计算各未标注点的最小边界不确定性分数,将候选点按不确定性分数进行逆向排序,从中选取top-k个高不确定性样本进行人工标注,将人工标注数据与已有全部标注数据合并,重新训练并迭代优化双层点云语义分割网络;

51、水电站点云的识别与分类模块,将经双层点云语义分割网络迭代优化模块迭代优化后的双层点云语义分割网络应用于水电站点云数据,完成各点的语义类别预测,实现水电站点云的识别与分类。

52、本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述所述的基于不确定性主动学习的水电站点云数据分类方法。

53、本发明与现有技术相比,具有以下有益效果:

54、(1)大幅降低人工标注成本:本发明采用类别平衡稀疏标记法,仅需设定极低初始标注比例(如0.1%)即可启动训练,避免传统全监督方法对大规模精细标注数据的高度依赖;在此基础上,结合基于不确定性主动学习策略,逐轮精准选取信息量最大的top-k高不确定性样本进行人工补充标注,以最小的标注代价实现最大化的模型性能提升,从而显著减少人工标注工作量和时间成本;

55、(2)提升少样本条件下的分类精度:本发明设计由主网络与辅助网络构成的双层点云语义分割网络,通过伪标签-深度一致性约束的自蒸馏机制,使两个网络在训练过程中相互监督;具体而言,伪标签一致性约束损失在输出层利用双网络预测的伪标签互为目标进行监督,深度一致性损失在网络中间层特征上约束双网络的多层特征一致性,两种机制协同作用充分挖掘未标注数据中的潜在语义信息;配合全监督交叉熵损失,三种损失联合优化使模型在稀疏标注条件下仍能获得充足的监督信号,有效提高水电站点云语义分类的准确率;

56、(3)增强模型对复杂场景的鲁棒性:水电站场景中的点云数据普遍存在噪声干扰、遮挡缺失及分布不均匀等问题。本发明的双层网络结构通过双视角预测差异来度量不确定性,主动筛除置信度过低的不可靠预测;同时,深度一致性损失通过在主网络与辅助网络编码器的中间层特征上进行一致性约束,使两个网络以端到端的方式交换不同抽象层次的特征信息,从而在特征层面抑制噪声干扰,提升模型在复杂水电站场景下的分类鲁棒性和稳定性;

57、(4)保障类别均衡识别能力:本发明的类别平衡稀疏标记法按照类别总数平均分配标注预算,确保各类别(包括稀有类别)均能获得初始标注机会,避免标注样本过度集中于多数类;同时,全监督交叉熵损失采用逆频率权重对各类别进行加权,使样本数量较少的类别在损失计算中获得更高权重;上述机制协同作用,有效避免模型偏向样本丰富的类别,提升对各类别水电站机电设备的均衡识别能力;

58、(5)支撑水电站数字化运维:本发明以kpconv-net深度学习网络为基准网络,结合主动学习与自蒸馏机制,能够精准且鲁棒地从数百gb甚至tb级的大规模水电站点云中识别发电机、变压器、水轮机等机电设备,实现水电站点云的精确语义分类;分类结果为水电站的高精度三维重建以及数字孪生体创建奠定数据基础,从而替代传统人工巡检方式,为水电站关键区域(如坝体)的长期、自动化、近实时三维监测提供技术支撑。

59、综上所述,本发明以kpconv-net为基准网络构建双层点云语义分割网络,采用三维格网采样与类别平衡稀疏标记法对水电站点云进行预处理与稀疏标注,通过全监督交叉熵损失、伪标签一致性约束损失与深度一致性损失的联合优化,并引入基于最小边界不确定性的主动学习策略迭代选取高价值样本进行人工标注优化,实现了水电站点云的精确语义分类,有效降低了深度学习网络对大规模标注数据的依赖,提升了少样本及复杂噪声场景下的分类精度与鲁棒性,并保障了类别均衡识别能力,为水电站高精度三维重建与数字孪生体创建提供了数据基础。