一种变电站的检测方法、装置、设备及存储介质与流程

本发明涉及电网的，尤其涉及一种变电站的检测方法、装置、设备及存储介质。

背景技术：

1、在电力系统中，变电站是电能传输和转换的重要节点，变电站中设备众多、复杂多样，且带电部位存在电压高、电流大等危险因素，为了保障变电站的安全运行，目前通常往往会使用雷达等传感器对变电站扫描点云数据，将点云数据输入神经网络中识别变电站中各个设备的语义，从而分辨出变电站中各个设备的带电部位。

2、但是，一个地区拥有的变电站数量有限，而点云数据的标注是较为复杂和繁琐的工作，导致变电站的点云数据的样本数量较少，影响训练神经网络的性能，此外，由于变电站的设备规模较大，而分割点云数据时通常考虑的是点与其周围局部区域之间的关系，影响神经网络的理解能力，导致语义识别的精确度较低。

技术实现思路

1、本发明提供了一种变电站的检测方法、装置、设备及存储介质，以解决如何提高使用点云数据识别变电站的语义的精确度的问题。

2、根据本发明的一方面，提供了一种变电站的检测方法，包括：

3、将变电站的原始点云数据中的部分点替换为参考点云数据中的部分点，获得样本点云数据；

4、确定具有多层语义模型transformer的点云分割网络；

5、将所述样本点云数据输入所述点云分割网络中、识别所述样本点云数据在所述变电站中的语义；

6、依据所述样本点云数据的语义训练所述点云分割网络；

7、若完成训练，则将变电站的目标点云数据输入所述点云分割网络中、识别所述目标点云数据在所述变电站中的语义。

8、可选地，所述将变电站的原始点云数据中的部分点替换为参考点云数据中的部分点，获得样本点云数据，包括：

9、对变电站的原始点云数据进行归一化处理，以使所述原始点云数据的坐标统一为一个坐标原点，所述原始点云数据标注有多种标签；

10、若完成所述归一化处理，则选择至少一种标签为目标标签；

11、在所述原始点云数据擦除部分属于所述目标标签的点；

12、从参考点云数据中筛选出部分属于所述目标标签的点；

13、将从所述参考点云数据筛选出的所述点添加至擦除剩余的所述原始点云数据中，获得样本点云数据。

14、可选地，所述在所述原始点云数据擦除部分属于所述目标标签的点，包括：

15、确定第一比例；

16、在所述原始点云数据随机擦除占比为第一比例的、且属于所述目标标签的点。

17、可选地，所述从参考点云数据中筛选出部分属于所述目标标签的点，包括：

18、确定第二比例；

19、从参考点云数据中随机筛选占比为所述第二比例的、且属于所述目标标签的点。

20、可选地，所述点云分割网络包括点云核心点卷积层与八层语义模型transformer；

21、所述将所述样本点云数据输入所述点云分割网络中、识别所述样本点云数据在所述变电站中的语义，包括：

22、将所述样本点云数据输入至所述点云核心点卷积层中进行卷积处理，并依次执行标准化操作与激活操作，得到点云结构信息；

23、将所述点云结构信息输入一层语义模型transformer中进行处理，得到第一点云特征；

24、对所述第一点云特征进行下采样，并依次输入到两层语义模型transformer中进行处理，得到第二点云特征；

25、对所述第二点云特征进行下采样，并依次输入到四层语义模型transformer中进行处理，得到第三点云特征；

26、对所述第三点云特征进行下采样，并输入到一层语义模型transformer中进行处理，得到第四点云特征；

27、对所述第四点云特征进行上采样，得到第五点云特征；

28、将所述第三点云特征与所述第五点云特征融合并进行上采样，得到第六点云特征；

29、将所述第二点云特征与所述第六点云特征融合并进行上采样，得到所述样本点云数据在所述变电站中的语义。

30、可选地，在第一层的所述语义模型transformer中具有窗口注意力层，所述窗口注意力层执行如下操作：

31、通过三个权重对输入所述窗口注意力层的特征线性变换，得到第一请求向量、第一键向量和第一值向量；

32、计算所述第一请求向量和所述第一键向量之间的相似度；

33、将所述相似度归一化到预设的第一范围内，得到第一注意力权重；

34、将所述第一注意力权重应用到所述第一值向量上。

35、可选地，在第二层至第八层的所述语义模型transformer中具有空间注意力层，所述空间注意力层执行如下操作：

36、计算所述样本点云数据中点之间的距离矩阵；

37、将所述距离矩阵转换为边特征；

38、对输入所述空间注意力层的特征进行线性变换得到第二请求向量和和第二值向量；

39、对所述边特征进行线性变换，得到第二键向量；

40、使用所述第二请求向量与所述第二键向量计算注意力分数；

41、将所述注意力分数归一化到预设的第二范围内，得到第二注意力权重；

42、将所述第二注意力权重应用到所述第二值向量上。

43、可选地，所述依据所述样本点云数据的语义训练所述点云分割网络，包括：

44、通过如下损失函数计算损失值：

45、

46、其中，loss表示损失值，n表示样本点云数据的数量，m表示语义的数量，i表示第i个样本点云数据，j表示第j个语义，表示对所述样本点云数据标注的真实的语义，表示所述点云分割网络对所述样本点云数据预测的语义，γ表示平衡因子；

47、依据所述损失值更新所述点云分割网络；

48、判断是否满足预设的迭代条件；若是，则确定所述点云分割网络完成训练，若否，则返回执行所述将所述样本点云数据输入所述点云分割网络中、识别所述样本点云数据在所述变电站中的语义。

49、根据本发明的另一方面，提供了一种变电站的检测装置，包括：

50、点云数据替换模块，用于将变电站的原始点云数据中的部分点替换为参考点云数据中的部分点，获得样本点云数据；

51、点云分割网络确定模块，用于确定具有多层语义模型transformer的点云分割网络；

52、样本语义分割模块，用于将所述样本点云数据输入所述点云分割网络中、识别所述样本点云数据在所述变电站中的语义；

53、点云分割网络训练模块，用于依据所述样本点云数据的语义训练所述点云分割网络；

54、目标语义分割模块，用于若完成训练，则将变电站的目标点云数据输入所述点云分割网络中、识别所述目标点云数据在所述变电站中的语义。

55、可选地，所述点云数据替换模块包括：

56、归一化处理模块，用于对变电站的原始点云数据进行归一化处理，以使所述原始点云数据的坐标统一为一个坐标原点，所述原始点云数据标注有多种标签；

57、标签选择模块，用于若完成所述归一化处理，则选择至少一种标签为目标标签；

58、点擦除模块，用于在所述原始点云数据擦除部分属于所述目标标签的点；

59、点筛选模块，用于从参考点云数据中筛选出部分属于所述目标标签的点；

60、点添加模块，用于将从所述参考点云数据筛选出的所述点添加至擦除剩余的所述原始点云数据中，获得样本点云数据。

61、可选地，所述点擦除模块还用于：

62、确定第一比例；

63、在所述原始点云数据随机擦除占比为第一比例的、且属于所述目标标签的点。

64、可选地，所述点筛选模块还用于：

65、确定第二比例；

66、从参考点云数据中随机筛选占比为所述第二比例的、且属于所述目标标签的点。

67、可选地，所述点云分割网络包括点云核心点卷积层与八层语义模型transformer；

68、所述样本语义分割模块包括：

69、第一编码模块，用于将所述样本点云数据输入至所述点云核心点卷积层中进行卷积处理，并依次执行标准化操作与激活操作，得到点云结构信息；将所述点云结构信息输入一层语义模型transformer中进行处理，得到第一点云特征；

70、第二编码模块，用于对所述第一点云特征进行下采样，并依次输入到两层语义模型transformer中进行处理，得到第二点云特征；

71、第三编码模块，用于对所述第二点云特征进行下采样，并依次输入到四层语义模型transformer中进行处理，得到第三点云特征；

72、第四编码模块，用于对所述第三点云特征进行下采样，并输入到一层语义模型transformer中进行处理，得到第四点云特征；

73、第一解码模块，用于对所述第四点云特征进行上采样，得到第五点云特征；

74、第二解码模块，用于将所述第三点云特征与所述第五点云特征融合并进行上采样，得到第六点云特征；

75、第三解码模块，用于将所述第二点云特征与所述第六点云特征融合并进行上采样，得到所述样本点云数据在所述变电站中的语义。

76、可选地，在第一层的所述语义模型transformer中具有窗口注意力层，所述窗口注意力层执行如下操作：

77、通过三个权重对输入所述窗口注意力层的特征线性变换，得到第一请求向量、第一键向量和第一值向量；

78、计算所述第一请求向量和所述第一键向量之间的相似度；

79、将所述相似度归一化到预设的第一范围内，得到第一注意力权重；

80、将所述第一注意力权重应用到所述第一值向量上。

81、可选地，在第二层至第八层的所述语义模型transformer中具有空间注意力层，所述空间注意力层执行如下操作：

82、计算所述样本点云数据中点之间的距离矩阵；

83、将所述距离矩阵转换为边特征；

84、对输入所述空间注意力层的特征进行线性变换得到第二请求向量和和第二值向量；

85、对所述边特征进行线性变换，得到第二键向量；

86、使用所述第二请求向量与所述第二键向量计算注意力分数；

87、将所述注意力分数归一化到预设的第二范围内，得到第二注意力权重；

88、将所述第二注意力权重应用到所述第二值向量上。

89、可选地，所述点云分割网络训练模块304包括：

90、损失值计算模块，用于通过如下损失函数计算损失值：

91、

92、其中，loss表示损失值，n表示样本点云数据的数量，m表示语义的数量，i表示第i个样本点云数据，j表示第j个语义，表示对所述样本点云数据标注的真实的语义，表示所述点云分割网络对所述样本点云数据预测的语义，γ表示平衡因子；

93、点云分割网络更新模块，用于依据所述损失值更新所述点云分割网络；

94、迭代条件判断模块，用于判断是否满足预设的迭代条件；若是，则执行训练完成确定模块，若否，则返回执行所述样本语义分割模块303；

95、训练完成确定模块，用于确定所述点云分割网络完成训练。

96、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

97、至少一个处理器；以及

98、与所述至少一个处理器通信连接的存储器；其中，

99、所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的变电站的检测方法。

100、根据本发明的另一方面，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存储有计算机程序，所述计算机程序用于使处理器执行时实现本发明任一实施例所述的变电站的检测方法。

101、在本实施例中，将变电站的原始点云数据中的部分点替换为参考点云数据中的部分点，获得样本点云数据；确定具有多层语义模型transformer的点云分割网络；将样本点云数据输入点云分割网络中、识别样本点云数据在变电站中的语义；依据样本点云数据的语义训练点云分割网络；若完成训练，则将变电站的目标点云数据输入点云分割网络中、识别目标点云数据在变电站中的语义。本实施例通过替换部分点，对原始点云数据进行增强，提高样本数量，从而提高训练点云分割网络的性能，并且，点云分割网络基于层级的语义模型transformer，能够扩大点云分割网络对点的接受域，有效地获取点的远端上下文关系，提高了点云分割网络的精确度和稳定性。

102、应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。