一种变电站的检测方法、装置、设备及存储介质与流程

1.本发明涉及电网的技术领域，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：

2.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。
3.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。


技术实现要素：

4.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。
5.根据本发明的一方面，提供了一种变电站的检测方法，包括：
6.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；
7.确定具有多层语义模型transformer的点云分割网络；
8.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；
9.依据所述样本点云数据的语义训练所述点云分割网络；
10.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。
11.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：
12.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；
13.若完成所述归一化处理，则选择至少一种标签为目标标签；
14.在所述原始点云数据擦除部分属于所述目标标签的点；
15.从参考点云数据中筛选出部分属于所述目标标签的点；
16.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。
17.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：
18.确定第一比例；
19.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。
20.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：
21.确定第二比例；
22.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。
23.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；
24.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：
25.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；
26.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；
27.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；
28.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；
29.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；
30.对所述第四点云特征进行上采样，得到第五点云特征；
31.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；
32.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。
33.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：
34.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；
35.计算所述第一请求向量和所述第一键向量之间的相似度；
36.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；
37.将所述第一注意力权重应用到所述第一值向量上。
38.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：
39.计算所述样本点云数据中点之间的距离矩阵；
40.将所述距离矩阵转换为边特征；
41.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；
42.对所述边特征进行线性变换，得到第二键向量；
43.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；
44.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；
45.将所述第二注意力权重应用到所述第二值向量上。
46.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：
47.通过如下损失函数计算损失值：
[0048][0049]
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；
[0050]
依据所述损失值更新所述点云分割网络；
[0051]
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。
[0052]
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：
[0053]
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；
[0054]
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；
[0055]
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；
[0056]
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；
[0057]
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。
[0058]
可选地，所述点云数据替换模块包括：
[0059]
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；
[0060]
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；
[0061]
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；
[0062]
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；
[0063]
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。
[0064]
可选地，所述点擦除模块还用于：
[0065]
确定第一比例；
[0066]
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。
[0067]
可选地，所述点筛选模块还用于：
[0068]
确定第二比例；
[0069]
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。
[0070]
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；
[0071]
所述样本语义分割模块包括：
[0072]
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；
[0073]
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；
[0074]
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；
[0075]
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；
[0076]
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；
[0077]
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；
[0078]
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。
[0079]
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：
[0080]
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；
[0081]
计算所述第一请求向量和所述第一键向量之间的相似度；
[0082]
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；
[0083]
将所述第一注意力权重应用到所述第一值向量上。
[0084]
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：
[0085]
计算所述样本点云数据中点之间的距离矩阵；
[0086]
将所述距离矩阵转换为边特征；
[0087]
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；
[0088]
对所述边特征进行线性变换，得到第二键向量；
[0089]
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；
[0090]
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；
[0091]
将所述第二注意力权重应用到所述第二值向量上。
[0092]
可选地，所述点云分割网络训练模块304包括：
[0093]
损失值计算模块，用于通过如下损失函数计算损失值：
[0094][0095]
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；
[0096]
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；
[0097]
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；
[0098]
训练完成确定模块，用于确定所述点云分割网络完成训练。
[0099]
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：
[0100]
至少一个处理器；以及
[0101]
与所述至少一个处理器通信连接的存储器；其中，
[0102]
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。
[0103]
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。
[0104]
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。
[0105]
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。
附图说明
[0106]
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0107]
图1是根据本发明实施例一提供的一种变电站的检测方法的流程图；
[0108]
图2是根据本发明实施例一提供的一种点云分割网络的架构图；
[0109]
图3是根据本发明实施例二提供的一种变电站的检测装置的结构示意图；
[0110]
图4是实现本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
[0111]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0112]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0113]
实施例一
[0114]
图1为本发明实施例一提供的一种变电站的检测方法的流程图，该方法可以由变电站的检测装置来执行，该变电站的检测装置可以采用硬件和/或软件的形式实现，该变电站的检测装置可配置于电子设备中。如图1所示，该方法包括：
[0115]
步骤101、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。
[0116]
在本实施例中，可以使用雷达(如激光雷达等)、照相机等传感器对变电站扫描三维的点云数据，记为原始点云数据，其中，点云数据是在同一空间参考系下表达目标空间分布和目标表面特性的海量点的集合，在获取物体表面每个采样点的空间坐标后，得到的是点的集合，称之为“点云”(point cloud)。
[0117]
在一个三维的空间，点云数据中的每一个点都是三维点，点云数据所包含的信息至少包括每个点所在的位置，即在三维空间中的坐标(x,y,z)，除此之外，点云数据所包含的信息还可以包括有颜色信息、光照强度、类别标签、法向量、灰度值等信息。
[0118]
在本实施例中，可以预先对其他变电站扫描点云数据，记为参考点云数据，其中，参考点云数据的点标注有标签(即，变电站中的语义，尤其为带电部件)，当前变电站与其他变电站在设备的类型、设备的布局等维度下至少部分相同或相似，使得当前变电站的原始点云数据与其他变电站的参考点云数据之间可以部分点替代。
[0119]
那么，将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，被替换部分点之后的原始点云数据记为样本点云数据，以此对原始点云数据进行增强。
[0120]
替换原始点云数据中的部分点可以生成更具挑战性的样本，因为它使用了更难以预测的部分图像来训练模型；生成更加平滑的决策边界，有助于提高点云分割网络的泛化
性能；提高数据增强的多样性，减少过拟合的风险，提高点云分割网络的鲁棒性。
[0121]
在本发明的一个实施例中，步骤101可以包括如下步骤：
[0122]
步骤1011、对变电站的原始点云数据进行归一化处理，以使原始点云数据的坐标统一为一个坐标原点。
[0123]
在本实施例中，为便于运算，可以对变电站的原始点云数据进行归一化处理，在归一化的过程中，将原始点云数据的坐标统一为一个坐标原点。
[0124]
步骤1012、若完成归一化处理，则选择至少一种标签为目标标签。
[0125]
假设原始点云数据a表示为其中，na为原始点云数据中点的总数，(xi,yi,zi)为点的坐标，li为点的标签，li∈l，标签集合l＝0,1,2,
…
。
[0126]
即，原始点云数据标注有多种标签(即，变电站中的语义，尤其为带电部件)。
[0127]
如果对原始点云数据完成归一化处理，则可以从点云数据a的标签集合l随机选择至少一种标签为目标标签k，k∈l。
[0128]
一般情况下，从点云数据a的标签集合l随机选择一种标签为目标标签k，k∈l。
[0129]
步骤1013、在原始点云数据擦除部分属于目标标签的点。
[0130]
在本实施例中，在原始点云数据筛选出属于目标标签的点，并擦除部分属于目标标签的点。
[0131]
在具体实现中，可以确定第一比例α，其中，α∈[0,1]，在原始点云数据a随机擦除占比为第一比例α的、且属于目标标签k的点，即，被擦除的点的数量为αna。
[0132]
那么，擦除剩余的原始点云数据a'可以表示为：
[0133][0134]
其中，n'a为擦除后的原始点云数据a'中点的总数。
[0135]
步骤1014、从参考点云数据中筛选出部分属于目标标签的点。
[0136]
步骤1015、将从参考点云数据筛选出的点添加至擦除剩余的原始点云数据中，获得样本点云数据。
[0137]
在本实施例中，在参考点云数据筛选出属于目标标签的点，并将这些点添加至擦除剩余的原始点云数据中。
[0138]
在具体实现中，可以确定第二比例β，其中，β∈[0,1]，从参考点云数据中随机筛选占比为第二比例β的、且属于目标标签k的点。
[0139]
此时，可以将添加参考点云数据的点的原始点云数据记为样本点云数据。
[0140]
假设参考点云数据b表示为其中，nb为原始点云数据中点的总数，(xi,yi,zi)为点的坐标，li为点的标签，li∈l，标签集合l＝0,1,2,...。
[0141]
那么，样本点云数据c可以表示为：
[0142][0143]
其中，nc为样本点云数据中点的总数。
[0144]
在整体上，将上述过程转化为公式，可以表示为：
[0145]
a'＝erase(a,k)
[0146]
c＝add(a
′
,b,k)
[0147]
erase(a,k)＝(xi,yi,zi,li)∈a|li≠k
[0148]
add(a',b,k)＝(xi,yi,zi,li)∈a'∪(xj,yj,zj,lj)∈b|lj＝k
[0149]
其中，erase表示擦除，add表示添加。
[0150]
进一步地，由于点云数据具有无序性且数据量较大，直接处理的方式在对邻域进行搜索时可以消耗较高的计算成本，因而可以对样本点云数据进行下采样，下采样之后的样本点云数据为点云分割网络的输入，即，下采样之后的样本点云数据为训练点云分割网络的样本，将对全部样本点云数据的操作转换到下采样所得到的点上，减少数据量，降低计算量。
[0151]
其中，下采样的方式包括体素栅格下采样、随机下采样、非均匀网格下采样等等。
[0152]
步骤102、确定具有多层语义模型transformer的点云分割网络。
[0153]
一般情况下，变电站的设备规模较大，点与点之间的距离可能会很远，传统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，可能无法捕捉到同一部件中的远距离点之间的联系，忽略了点与其远端上下文之间的联系，这会限制对点云数据的理解能力。
[0154]
在本实施例中，采用基于层级的语义模型transformer的结构，扩大点云分割网络的接受域，扩大接受域有助于获取点及其远端上下文之间的联系，以更好地进行变电站设备的部件分割，提高点云分割精度。
[0155]
进一步而言，语义模型transformer是一种神经网络，它通过跟踪序列数据中的关系来学习上下文并因此学习含义，语义模型transformer的结构主要包括attention(注意力)机制以及前馈神经网络。
[0156]
示例性地，语义模型transformer的结构包括注意力层、mlp(multilayer perceptron，多层感知机)、残差连接和dropout(随机失活)。
[0157]
步骤103、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。
[0158]
在具体实现中，点云分割网络包括括编码器encoder、解码器decoder，其中，编码器encoder的作用是把一个不定长的输入序列变换成一个定长的背景变量，并在该背景变量中编码输入序列信息，编码器encoder通常为多层语义模型transformer，通过自定义函数将各个时间步的隐藏状态变换为背景变量。
[0159]
解码器decoder的最初时间步输入来自特定的符号。对于一个输出中的序列，当解码器decoder在某一时间步搜索出该符号时，即完成该输出序列。
[0160]
编码器encoder输出的背景变量编码了整个输入序列的信息，给定样本中的输出序列，对每个时间步，解码器decoder输出的条件概率将基于之前的输出序列和背景变量计算。
[0161]
解码器decoder通常为多层的rnn(recurrent neural network，循环神经网络)，对于输出序列的时间步，解码器decoder将上一时间步的输出以及背景变量作为输入，并将它们与上一时间步的隐藏状态变换为当前时间步的隐藏状态。
[0162]
将样本点云数据输入点云分割网络中，在编码器encoder中，基于多层语义模型transformer对样本点云数据进行编码，在解码器decoder中，对编码的特征进行解码，从而输出样本点云数据在变电站中的语义。
[0163]
在本发明的一个实施例中，如图2所示，点云分割网络包括点云核心点卷积层(kernel point convolution，kpconv)与八层语义模型transformer，各层语义模型transformer的结构可以相同，也可以不同，本实施例对此不加以限制。
[0164]
依据点云分割网络的结构，点云分割网络的编码过程可以划分为四个阶段，第一个阶段包括kpconv层与一层语义模型transformer，第二个阶段包括下采样与两层语义模型transformer，第三个阶段包括下采样与四层语义模型transformer，第四个阶段包括下采样与一层语义模型transforme。，
[0165]
在本实施例中，步骤103可以包括如下步骤：
[0166]
步骤1031、将样本点云数据输入至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。
[0167]
如图2所示，在第一个阶段中，样本点云数据输入至kpconv层中，kpconv层可以根据输入样本点云数据的局部密度动态生成自适应卷积核，从而适应不同大小和密度的样本点云数据来聚合局部的点云结构信息。
[0168]
进一步而言，kpconv层以点为球心确定一个球体；在球体内确定若干个核心点，每个核心点带一个权重矩阵；对于落在球体范围内的任意点，用核函数计算出该点的权重矩阵，用该矩阵对这个点的特征feature进行变换；对于落在球体内的每个点，都用上一步的方法，得出一个新的feature，最后将feature累加起来，作为点的feature。
[0169]
对于kpconv层输出的云结构信息，可以使用bn(batch normalization，批标准化)等算子执行标准化操作。
[0170]
对于标准化操作输出的云结构信息，可以使用leaky relu(leaky linear rectification function，泄露线性整流函数)等激活函数执行激活操作，在反向传播过程中，对于leakyrelu激活函数输入小于零的部分，也可以计算得到梯度，避免了梯度方向锯齿问题。
[0171]
步骤1032、将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。
[0172]
如图2所示，在第一个阶段中，将点云结构信息输入一层语义模型transformer中，语义模型transformer依据自身的结构对点云结构信息进行处理，得到第一点云特征。
[0173]
进一步地，在第一层的语义模型transformer中具有窗口注意力层，窗口注意力层为注意力层的一种类型，窗口注意力层执行如下操作：
[0174]
通过三个权重对输入窗口注意力层的特征线性变换linear，得到第一请求向量query、第一键向量key和第一值向量value。
[0175]
通过点积dot计算第一请求向量query和第一键向量key之间的相似度。
[0176]
通过softmax等函数将相似度归一化到预设的第一范围(如[0，1])内，得到第一注意力权重。
[0177]
通过矩阵乘法运算等方式将第一注意力权重应用到第一值向量value上，得到窗口注意力层输出的特征。
[0178]
在本实施例中，窗口注意力层可以有效地处理局部结构和区域性特征，而不会受到全局信息的干扰。
[0179]
步骤1033、对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。
[0180]
如图2所示，在第二个阶段中，可以对第一点云特征进行下采样，增大感受野，使得后面的结构能够学到更加全局的信息，并将下采样后的第一点云特征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。
[0181]
针对两层语义模型transformer，首层语义模型transformer的输入为下采样后的第二点云特征，末层语义模型transformer的输入为下采样后的第二点云特征，此外，后一层语义模型transformer的输入为前一层语义模型transformer的输出。
[0182]
步骤1034、对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。
[0183]
如图2所示，在第三个阶段中，可以对第二点云特征进行下采样，增大感受野，使得后面的结构能够学到更加全局的信息，并将下采样后的第二点云特征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。
[0184]
针对四层语义模型transformer，首层语义模型transformer的输入为下采样后的第二点云特征，末层语义模型transformer的输入为下采样后的第二点云特征，此外，后一层语义模型transformer的输入为前一层语义模型transformer的输出。。
[0185]
步骤1035、对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。
[0186]
如图2所示，在第四个阶段中，可以对第三点云特征进行下采样，增大感受野，使得后面的结构能够学到更加全局的信息，并将下采样后的第三点云特征输入到一层语义模型transformer中，语义模型transformer依据自身的结构对下采样后的第三点云特征信息进行处理，得到第四点云特征。
[0187]
进一步地，在第二层至第八层的语义模型transformer中，每层语义模型transformer均具有空间注意力层，空间注意力层是注意力层的其中一种类型，空间注意力层执行如下操作：
[0188]
计算样本点云数据中点(含坐标(x,y,z))之间的距离矩阵distance_matrix(即，将点之间的距离以矩阵的形式表示)。
[0189]
将距离矩阵转换为边特征edge_weights＝exp(-distance_matrix/0.1)。
[0190]
对输入空间注意力层的特征进行线性变换linear得到第二请求向量query和和第二值向量value。
[0191]
对边特征进行线性变换linear，得到第二键向量key。
[0192]
通过乘积等方式使用第二请求向量query与第二键向量key计算注意力分数。
[0193]
通过softmax等函数将注意力分数归一化到预设的第二范围(如[0，1])内，得到第二注意力权重。
[0194]
通过乘法运算等方式将第二注意力权重应用到第二值向量value上，得到空间注意力层输出的特征。
[0195]
间注意力层从全局角度考虑点云中每个点的信息，从而能够在整个特征图上捕获全局依赖关系。
[0196]
步骤1036、对第四点云特征进行上采样，得到第五点云特征。
[0197]
步骤1037、将第三点云特征与第五点云特征融合并进行上采样，得到第六点云特
征。
[0198]
步骤1038、将第二点云特征与第六点云特征融合并进行上采样，得到样本点云数据在变电站中的语义。
[0199]
在解码的过程中，学习每个点的多层次特征，在每个层次中，利用不同的分支(如pointnet)在特征空间中进行扩充(如双线性插值、反卷积、反池化等)实现上采样，将扩充后的特征进行分解并重建为上采样点云集。
[0200]
此外，考虑到直接对最后一层特征进行上采样的话，会损失很多细节，边缘模糊，在解码的过程中引入编码的过程中的特征，将最后一层的特征(有丰富的全局信息)和更浅层(有更多的局部细节)的预测结合起来，可以恢复细节信息，提高语义分割的精确度。
[0201]
进一步而言，如图2所示，对第四点云特征进行上采样，得到第五点云特征。
[0202]
通过add、concat等函数将编码过程中的第三点云特征与第五点云特征融合crop，并对第三点云特征与第五点云特征融合crop之后的特征进行上采样，得到第六点云特征。
[0203]
通过add、concat等函数将编码过程中的第二点云特征与第六点云特征融合crop，并对第二点云特征与第六点云特征融合crop之后的特征进行上采样，得到样本点云数据在变电站中的语义。
[0204]
步骤104、依据样本点云数据的语义训练点云分割网络。
[0205]
样本点云数据在变电站中的语义为云分割网络预测的结果，分析样本点云数据在变电站中的语义的质量，依次对点云分割网络进行训练。
[0206]
在本发明的一个实施例中，步骤104可以包括如下步骤：
[0207]
步骤1041、通过如下损失函数计算损失值：
[0208][0209]
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，表示对样本点云数据标注的真实的语义，表示点云分割网络对样本点云数据预测的语义，γ表示平衡因子。
[0210]
一般情况下，训练点云分割网络的样本多处于不平衡的状态，即，某些类别的点云数量要远远少于其他类别的点云数量，这会导致点云分割网络偏向于样本数量较多的类别。
[0211]
在本实施例中，损失函数包括两部分的损失，前一部分为交叉熵损失，按照真实分布来衡量表达一个样本所需要的编码长度的期望，后一部分为dice损失(系数差异损失)，是用于评估两个样本的相似性的统计量，是衡量两个样本的重叠部分。
[0212]
在两部分的损失之间，可以通过调节平衡因子来平衡交叉熵损失和dice损失的相对贡献，使得在训练过程中能够更加平衡地处理少数样本和多数样本，可以确保所有类别的样本都得到充分的训练，从而提高了点云分割网络的可靠性和泛化能力。
[0213]
步骤1042、依据损失值更新点云分割网络。
[0214]
在对点云分割网络进行反向传播的过程中，可将损失值代入sgd(stochastic gradient descent，随机梯度下降)、adam(adaptive momentum，自适应动量)等优化算法中，计算点云分割网络中参数的更新幅度，按照该更新幅度更新点云分割网络中的参数。
[0215]
步骤1043、判断是否满足预设的迭代条件；若是，则执行步骤1044，若否，则返回执行步骤1043。
[0216]
步骤1044、确定点云分割网络完成训练。
[0217]
在本实施例中，可以预先设置迭代条件，作为停止训练的条件，例如，迭代的次数达到阈值，损失值连续多次的变化幅度小于阈值，等等，在每轮迭代训练中，判断是否满足迭代条件。
[0218]
如果满足迭代条件，则可以认为点云分割网络训练完成，此时，输出点云分割网络的参数，并持久化至数据库中。
[0219]
如果未满足迭代条件，则可以进入下一轮迭代训练，重新执行步骤1043，如此循环迭代训练，直至点云分割网络训练完成。
[0220]
步骤105、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。
[0221]
如果点云分割网络完成训练，则可以将点云分割网络部署在服务器、机器人等设备上运行，这些设备可以使用雷达(如激光雷达等)、照相机等传感器对变电站扫描三维的点云数据，记为目标点云数据，将目标点云数据输入点云分割网络中，在编码器encoder中，基于多层语义模型transformer对目标点云数据进行编码，在解码器decoder中，对编码的特征进行解码，从而输出目标点云数据在变电站中的语义。
[0222]
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。
[0223]
实施例二
[0224]
图3为本发明实施例二提供的一种变电站的检测装置的结构示意图。如图3所示，该装置包括：
[0225]
点云数据替换模块301，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；
[0226]
点云分割网络确定模块302，用于确定具有多层语义模型transformer的点云分割网络；
[0227]
样本语义分割模块303，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；
[0228]
点云分割网络训练模块304，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；
[0229]
目标语义分割模块305，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。
[0230]
在本发明的一个实施例中，所述点云数据替换模块301包括：
[0231]
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；
[0232]
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；
[0233]
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；
[0234]
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；
[0235]
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。
[0236]
在本发明的一个实施例中，所述点擦除模块还用于：
[0237]
确定第一比例；
[0238]
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。
[0239]
在本发明的一个实施例中，所述点筛选模块还用于：
[0240]
确定第二比例；
[0241]
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。
[0242]
在本发明的一个实施例中，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；
[0243]
所述样本语义分割模块303包括：
[0244]
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；
[0245]
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；
[0246]
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；
[0247]
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；
[0248]
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；
[0249]
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；
[0250]
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。
[0251]
在本发明的一个实施例中，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：
[0252]
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；
[0253]
计算所述第一请求向量和所述第一键向量之间的相似度；
[0254]
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；
[0255]
将所述第一注意力权重应用到所述第一值向量上。
[0256]
在本发明的一个实施例中，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：
[0257]
计算所述样本点云数据中点之间的距离矩阵；
[0258]
将所述距离矩阵转换为边特征；
[0259]
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；
[0260]
对所述边特征进行线性变换，得到第二键向量；
[0261]
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；
[0262]
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；
[0263]
将所述第二注意力权重应用到所述第二值向量上。
[0264]
在本发明的一个实施例中，所述点云分割网络训练模块304包括：
[0265]
损失值计算模块，用于通过如下损失函数计算损失值：
[0266][0267]
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；
[0268]
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；
[0269]
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；
[0270]
训练完成确定模块，用于确定所述点云分割网络完成训练。
[0271]
本发明实施例所提供的变电站的检测装置可执行本发明任意实施例所提供的变电站的检测方法，具备执行变电站的检测方法相应的功能模块和有益效果。
[0272]
实施例三
[0273]
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0274]
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被
至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0275]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0276]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如变电站的检测方法。
[0277]
在一些实施例中，变电站的检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的变电站的检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行变电站的检测方法。
[0278]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0279]
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0280]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、
磁储存设备、或上述内容的任何合适组合。
[0281]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0282]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0283]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0284]
实施例四
[0285]
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的变电站的检测方法。
[0286]
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如java、smalltalk、c++，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0287]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0288]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

技术特征：
1.一种变电站的检测方法，其特征在于，包括：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；依据所述样本点云数据的语义训练所述点云分割网络；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。2.根据权利要求1所述的方法，其特征在于，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：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；若完成所述归一化处理，则选择至少一种标签为目标标签；在所述原始点云数据擦除部分属于所述目标标签的点；从参考点云数据中筛选出部分属于所述目标标签的点；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。3.根据权利要求2所述的方法，其特征在于，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：确定第一比例；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；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：确定第二比例；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。4.根据权利要求1所述的方法，其特征在于，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；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：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；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；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；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；对所述第四点云特征进行上采样，得到第五点云特征；
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；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。5.根据权利要求4所述的方法，其特征在于，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：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；计算所述第一请求向量和所述第一键向量之间的相似度；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；将所述第一注意力权重应用到所述第一值向量上。6.根据权利要求4所述的方法，其特征在于，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：计算所述样本点云数据中点之间的距离矩阵；将所述距离矩阵转换为边特征；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；对所述边特征进行线性变换，得到第二键向量；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；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；将所述第二注意力权重应用到所述第二值向量上。7.根据权利要求1-6中任一项所述的方法，其特征在于，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：通过如下损失函数计算损失值：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；依据所述损失值更新所述点云分割网络；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。8.一种变电站的检测装置，其特征在于，包括：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；
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；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；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；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。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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权利要求1-7中任一项所述的变电站的检测方法。10.一种计算机可读存储介质，其特征在于，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权利要求1-7中任一项所述的变电站的检测方法。

技术总结
本发明公开了一种变电站的检测方法、装置、设备及存储介质，该方法包括：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。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，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。定性。定性。


技术研发人员：周则儒 卢润波 李应光 邓艳梅 曾轲 萧耀华 陈淑莲 梁碧涛 胡景文 芦大伟 黄国尊 周鹏威 蔡勇 胡伊凡 张刚
受保护的技术使用者：广东电网有限责任公司东莞供电局
技术研发日：2023.04.20
技术公布日：2023/7/25