[发明专利]一种用户高压配电设备识别与空间重建方法

权利要求书

1.一种用户高压配电设备识别与空间重建方法，其特征在于，

其包括以下步骤：

第一步，通过同步定位与建图技术SLAM收集配电房三维重建点云；

第二步，点云应用偏微分算法，得出变化量较大的点作为特征点云；

第三步，然后随机抽取其中若干坐标点作为卷积神经网络的一个输入源；采用激光深度相机拍摄的设备图像作为卷积神经网络的另一个输入；

第四步，神经网络的训练通过模拟系统完成数据收集，生成神经网络训练用数据集，通过GPU集群生成预训练网络；

最后，通过预训练网络输出设计勘察数据，其包括设备数量、设备类型和设备相对三维重建的位置坐标；

通过模拟系统完成数据收集的方案：采用机器人训练用三维引擎，gazebo，随机生成多个不同大小的配电房和设备；并通过在系统内采用机器人的虚拟激光深度相机作为传感器输入，虚拟激光深度传感器被安装到虚拟机器人的身上，在ROS系统内运行机器人SLAM技术用于机器人自主导航收集空间和设备数据，自动生成卷积神经网络训练用数据集，通过GPU集群生成预训练网络；

SLAM技术目标是在没有任何先验知识的情况下，根据虚拟激光深度传感器数据实时构建周围环境地图，同时根据这个地图推测自身的定位，虚拟机器人携带虚拟激光深度传感器在未知环境中运动；

把一段连续时间的运动变成离散时刻t=1，…k，而在这些时刻，用x表示虚拟机器人的自身位置，则各时刻的位置就记为x1，x2…xk，它构成了虚拟机器人的轨迹；

地图方面，地图由许多个三维点坐标组成，而每个时刻，虚拟激光深度传感器会测量到一部分三维点坐标，得到它们的观测数据；

三维点坐标共有N个，用y1，y2…yn表示；通过运动测量u和虚拟激光深度传感器读数z来求解定位问题x和建图问题y；

在这个网络里完成设备分类和位置坐标提取的步骤，如输出中存在无法识别的模型，需要重新拍摄深度图像，重启流程；如所有模型均识别成功，则输出配电设备数量、类型、中心点坐标参数

所述卷积神经网络是一种前馈型卷积神经网络，其CNNC结构分为五层：

第一层输入图片，进行卷积操作，得到第二层深度为3的矩阵；

对第二层的矩阵进行池化操作，得到第三层深度为3的矩阵；

重复上述操作得到第五层深度为5的矩阵，最后将这5个矩阵，按行展开连接成向量，传入全连接层，全连接层就是一个BP卷积神经网络；每个矩阵都能够看成是排列成矩阵形式的神经元，与BP卷积神经网络中的神经元大同小异；

根据需要设定补零的层数；补零层称为Zero Padding，是一个能够设置的超参数，但要根据卷积核的大小，步幅，输入矩阵的大小进行调整，以使得卷积核恰好滑动到边缘；

输入的图片矩阵以及后面的卷积核，特征图矩阵都是方阵，这里输入矩阵大小为w，卷积核大小为k，步幅为s，补零层数为p，则卷积后产生的特征图大小计算公式为：

；

为了提取更多的特征，采用多个卷积核分别进行卷积，这样便能够得到多个特征图；对于一张三通道彩色图片，输入的是一组矩阵，这时卷积核也不再是一层的，而要变成相应的深度。