基于點(diǎn)云數(shù)據(jù)的變電站三維建模方法研究

鄭文杰，喬 木，楊 袆，崔其會

（1.國網(wǎng)山東省電力公司電力科學(xué)研究院，山東 濟(jì)南 250003；2.國網(wǎng)山東省電力公司，山東 濟(jì)南 250001）

0 引言

變電站是維持電力系統(tǒng)運(yùn)行的關(guān)鍵，其能否安全穩(wěn)定運(yùn)行至關(guān)重要［1］。但變電站內(nèi)部錯(cuò)綜復(fù)雜分布的電纜、荷載及各類設(shè)備，給變電站后期維護(hù)帶來極大挑戰(zhàn)，亟須尋找一種快捷有效的方法。同時(shí)，隨著電量需求的日益增加，運(yùn)維工作愈發(fā)復(fù)雜、繁重，人員和技術(shù)都需要進(jìn)一步提升［2］。大數(shù)據(jù)背景下，電力系統(tǒng)趨于信息化、智能化和自動化發(fā)展，操作、監(jiān)測與運(yùn)維管理也更加可視化、仿真化、精細(xì)化和健康化?；诖耍钟斜匾邪l(fā)變電站智能檢測及自動運(yùn)維技術(shù)?？梢暬?、仿真化和精細(xì)化操作的三維數(shù)字技術(shù)不僅能夠建立真實(shí)準(zhǔn)確的變電站三維數(shù)字模型，還能夠提供仿真培訓(xùn)與現(xiàn)場輔助分析，降低工作難度，減少維修時(shí)間［3］，是一種契合新型變電站需求的有效技術(shù)，引起人們的關(guān)注。如何構(gòu)建信息真實(shí)、畫面精良、高適應(yīng)性的變電站三維仿真模型成為研究的熱點(diǎn)。

隨著變電站三維建模要求的不斷提高，具有每秒掃描數(shù)千點(diǎn)并測量距離的同時(shí)記錄點(diǎn)表面和位置信息以及計(jì)算機(jī)直觀呈現(xiàn)采集數(shù)據(jù)優(yōu)勢的三維激光掃描技術(shù)替代了以往常用的虛擬現(xiàn)實(shí)建模語言（virtual reality modeling language，VRML）［4］、模型幾何特征［5］、地面激光雷達(dá)測距［6］等建模方法，被廣泛應(yīng)用到各個(gè)行業(yè)［7-8］。在電力領(lǐng)域中，文獻(xiàn)［9］利用三維激光掃描技術(shù)測得變電站點(diǎn)云數(shù)據(jù)，通過3DMax 軟件實(shí)現(xiàn)了三維建模。文獻(xiàn)［10］運(yùn)用三維激光點(diǎn)云數(shù)據(jù)搭建了變電站模型，提取了設(shè)備模型。文獻(xiàn)［9-10］在處理點(diǎn)云數(shù)據(jù)時(shí)需要人工分辨場景，無法快速自動化建模，還需要進(jìn)一步深入研究。

現(xiàn)階段基于三維激光點(diǎn)云數(shù)據(jù)的變電站三維建模的過程是先預(yù)處理原始點(diǎn)云數(shù)據(jù)，再進(jìn)行分割獲得獨(dú)立點(diǎn)云數(shù)據(jù)模型，然后將其與標(biāo)準(zhǔn)模型庫進(jìn)行匹配，最后把標(biāo)準(zhǔn)模型庫中的模型放置于場景之中獲得場景模型。此過程涉及數(shù)據(jù)壓縮、背景除噪、設(shè)備分割識別、模型匹配和特征提取技術(shù)。但變電站設(shè)備數(shù)量眾多、結(jié)構(gòu)復(fù)雜，點(diǎn)云數(shù)據(jù)具有數(shù)量大、分布不均和噪聲多的特征，傳統(tǒng)處理方法存在噪聲殘留、設(shè)備分割難度大和模型匹配率低的難題，導(dǎo)致變電站建模難度大、周期長、成本高。為解決上述難題，實(shí)現(xiàn)變電站快速建模，深入研究點(diǎn)云數(shù)據(jù)建模關(guān)鍵技術(shù)，基于數(shù)據(jù)特點(diǎn)，提出一種三維激光設(shè)備獲取點(diǎn)云數(shù)據(jù)的自動化、短周期、低成本的快速建模方案，提高模型可移植性和適用性，推動電力變電站系統(tǒng)智能化。

1 點(diǎn)云數(shù)據(jù)采集與處理

1.1 點(diǎn)云數(shù)據(jù)采集

運(yùn)用三維激光掃描設(shè)備采集物體信息，如圖1所示。通過激光傳感器、旋轉(zhuǎn)平臺和數(shù)碼相機(jī)分別獲取距離、反射強(qiáng)度與角度和顏色信息。利用光的傳播和反射性質(zhì)，計(jì)算激光照射到物體表面后再返回的耗時(shí)，再根據(jù)光速［11］測出距離，如式（1）所示。

圖1 三維激光掃描數(shù)據(jù)采集Fig.1 3D laser scanning data acquisition diagram

式中：c為光速；Δt為脈沖信號發(fā)出與接收的時(shí)間間隔。

以掃描儀為原點(diǎn)，為保證變電站場景記錄完整，設(shè)置三維激光掃描儀為高密度掃描，利用水平旋轉(zhuǎn)角度和俯仰角度測得角度。

根據(jù)距離和角度，通過式（2）計(jì)算測點(diǎn)的三維坐標(biāo)pi=(xi,yi,zi)，得到點(diǎn)云數(shù)據(jù)。

式中：α為掃描儀水平旋轉(zhuǎn)角度；θ為掃描儀俯仰角度。

1.2 點(diǎn)云數(shù)據(jù)處理

高密度掃描采集了包含地面、高壓線和噪點(diǎn)等無用數(shù)據(jù)的點(diǎn)云數(shù)據(jù)集，龐大的數(shù)據(jù)增加了處理難度和時(shí)間。為提高設(shè)備工作效率，對數(shù)據(jù)進(jìn)行地面和頂部高壓線的冗余、壓縮和去噪預(yù)處理，以剔除無用數(shù)據(jù)。

1.2.1 頂部與地面切除

地面點(diǎn)云數(shù)據(jù)不僅對建模沒有幫助，還會影響數(shù)據(jù)處理速度，應(yīng)進(jìn)行地面分割。通過概率統(tǒng)計(jì)方法對地面進(jìn)行切割，得出變電站場景中各高度區(qū)間內(nèi)點(diǎn)云數(shù)據(jù)概率為

式中：bins為區(qū)間點(diǎn)數(shù)；N為點(diǎn)云數(shù)據(jù)總數(shù)；ΔZ為區(qū)間寬度。

考慮變電站地面起伏，對變電站進(jìn)行大小為5 m×5 m 的網(wǎng)格化處理，以概率最大高度表示地面高度，得到每個(gè)網(wǎng)格的地面高度，以地面高度為基礎(chǔ)進(jìn)行網(wǎng)格處理與合并，獲取地面分離后的變電站數(shù)據(jù)。地面切割后，刪除高于地面上15 m 高度的點(diǎn)云，獲得切除地面和頂部變電站點(diǎn)云數(shù)據(jù)。

1.2.2 點(diǎn)云數(shù)據(jù)壓縮

變電站中不同類型和大小的設(shè)備及建筑物的數(shù)據(jù)密度不一，統(tǒng)一標(biāo)準(zhǔn)壓縮點(diǎn)云數(shù)據(jù)時(shí)，高壓縮比無法獲取密度低部分的完整外觀，低壓縮比不僅不能實(shí)現(xiàn)數(shù)據(jù)的有效壓縮，而且對處理器的要求還高，壓縮比和壓縮效果均無法平衡?；诖耍\(yùn)用自適應(yīng)密度體素濾波算法（adaptive density voxel filtering algorithm，ADVFA）［12］，避免出現(xiàn)由于點(diǎn)云數(shù)據(jù)分布不均勻造成過多細(xì)節(jié)誤刪、高密度壓縮不足的難題。

將點(diǎn)集分為高、低密度兩類，以點(diǎn)鄰域密度為標(biāo)簽，采用不同壓縮比例，完成變電站點(diǎn)云數(shù)據(jù)的高壓縮比、高質(zhì)量壓縮。具體步驟如下。

1）變電站點(diǎn)云數(shù)據(jù)集為X={pi=(xi,yi,zi)|i=1,2,…,M}，計(jì)算點(diǎn)到最近點(diǎn)的平均距離為

式中：di為平均距離；di,j為歐式距離。

若di服從正態(tài)分布N(μ,σ2)，計(jì)算全局平均距離、標(biāo)準(zhǔn)差σ和密度閾值T為

式中：n為標(biāo)準(zhǔn)差密度。

2）將閾值范圍內(nèi)和范圍外的點(diǎn)分別放入高密度點(diǎn) 集Dh={Xi|di≤T} 和低密度點(diǎn)集Dl={Xi|di≤T}。

3）設(shè)置高、低密度點(diǎn)集網(wǎng)格，將點(diǎn)空間對應(yīng)相應(yīng)網(wǎng)格。

4）以網(wǎng)格中點(diǎn)重心Xc代替其他點(diǎn)，合并剩余點(diǎn)，得到壓縮后變電站點(diǎn)云數(shù)據(jù)。

1.2.3 去噪處理

三維激光設(shè)備掃描的變電站點(diǎn)云數(shù)據(jù)中包含了許多高密度、形狀各異的噪聲［13］，會影響電氣設(shè)備的提取結(jié)果，應(yīng)提前進(jìn)行除噪處理。傳統(tǒng)去噪方法有密度、聚類和統(tǒng)計(jì)3 種方法，這些方法在處理分布不均、密度不同的數(shù)據(jù)時(shí)，需要選擇不同的參數(shù)及統(tǒng)一鄰域范圍和閾值，導(dǎo)致去噪效果不佳，存在高密度背景噪聲殘留問題。

具有非預(yù)設(shè)聚類、高魯棒性和抗噪性的基于密度的空間聚類算法（density-based spatial clustering of applications with noise，DBSCAN）能夠避免傳統(tǒng)方法的不足。其核心思想為：以密度特征為點(diǎn)簇分類標(biāo)準(zhǔn)，判斷點(diǎn)周圍密度區(qū)分區(qū)域密度，對低密度區(qū)域的點(diǎn)記為離群點(diǎn)，抑制離散噪聲影響，獲得不同高度的點(diǎn)云數(shù)據(jù)集的聚類結(jié)果。同時(shí)，針對類似于設(shè)備點(diǎn)集密度不能區(qū)分出的噪聲，根據(jù)其原理進(jìn)一步采用能夠通過引入高度和平面的縱向約束層次聚類方法區(qū)分噪聲和設(shè)備點(diǎn)云，獲得精準(zhǔn)的去噪結(jié)果。整體流程如圖2 所示，詳細(xì)步驟如下：

圖2 基于DBSCAN聚類和縱向約束層次聚類去噪算法流程Fig.2 Flowchart of denoising algorithm based on DBSCAN clustering and vertical constraint hierarchy clustering

1）根據(jù)設(shè)定的高度分層包含平面特征和高度特征維度信息的變電站點(diǎn)云數(shù)據(jù)集。

2）運(yùn)用DBSCAN 算法對各層進(jìn)行初步聚類，獲得各層的聚類結(jié)果。若設(shè)備存在各層，噪聲只存在某層的高度，此時(shí)判定噪聲刪除。

3）根據(jù)相鄰特征平面點(diǎn)云數(shù)據(jù)位置和大小的重疊程度，進(jìn)行調(diào)整和篩選，得到設(shè)備平面范圍的層間整合結(jié)果，以此區(qū)分噪聲和設(shè)備。

4）從原始點(diǎn)云數(shù)據(jù)中分離設(shè)備，刪除剩余噪聲，獲得去噪后的變電站設(shè)備的點(diǎn)云數(shù)據(jù)。

2 電氣設(shè)備提取與匹配

2.1 基于鄰域特征聚合的電氣設(shè)備提取方法

預(yù)處理后的變電站點(diǎn)云數(shù)據(jù)包含多種電氣設(shè)備，為實(shí)現(xiàn)模型的快速匹配，從變電站場景中提取單個(gè)電氣設(shè)備，設(shè)置獨(dú)立的點(diǎn)云數(shù)據(jù)。考慮傳統(tǒng)目標(biāo)提取方法針對大型場景處理時(shí)存在準(zhǔn)確度和效率低的不足，因此，基于深度神經(jīng)網(wǎng)絡(luò)的語義分割算法基礎(chǔ)結(jié)構(gòu)為編碼-解碼結(jié)構(gòu)，提出由特征編碼、特征解碼和特征學(xué)習(xí)3 個(gè)模塊組成的鄰域特征聚合電氣設(shè)備分割提取方法。

首先通過特征編碼模塊提取出點(diǎn)云數(shù)據(jù)的空間信息，轉(zhuǎn)化為易于學(xué)習(xí)數(shù)據(jù)特征。在此模塊中構(gòu)建了基于鄰域特征聚合的編碼結(jié)構(gòu)，通過級聯(lián)編碼實(shí)現(xiàn)點(diǎn)的特征表征范圍的擴(kuò)大，增強(qiáng)局部特征學(xué)習(xí)能力。然后通過解碼有效篩選提取的特征，為了特征學(xué)習(xí)模塊更深層次和更優(yōu)質(zhì)量的學(xué)習(xí)，對其擴(kuò)增壓縮后的重要特征。為提高特征提取速度，針對輸入的點(diǎn)云數(shù)據(jù)，在編碼和解碼過程中分別進(jìn)行隨機(jī)下采樣和上采樣，以減少處理點(diǎn)數(shù)量及還原點(diǎn)數(shù)量。最后經(jīng)過3 層全連接層的編碼-解碼特征學(xué)習(xí)獲得點(diǎn)云數(shù)據(jù)重要特征，通過學(xué)習(xí)特征模塊得到各點(diǎn)分割標(biāo)簽，完成分割提取。提取過程結(jié)構(gòu)如圖3 所示。圖中，N表示點(diǎn)的數(shù)量；Sin表示特征維數(shù)；nclass表示特征標(biāo)簽數(shù)量；FC 表示全連接層；RS 表示隨機(jī)下采樣；US 表示隨機(jī)上采樣；MLP 表示多層感知機(jī)；DP表示隨機(jī)失活層。

圖3 鄰域特征聚合電氣設(shè)備提取示意圖Fig.3 Schematic diagram of neighborhood feature aggregation for electrical equipment extraction

2.2 基于圖像識別的快速匹配方法

模型匹配是構(gòu)建變電站模型的關(guān)鍵技術(shù)，如何將具有真實(shí)位置信息的獨(dú)立電氣設(shè)備點(diǎn)云數(shù)據(jù)一一匹配到模型庫中，并準(zhǔn)確放回變電站場景，十分重要［14-15］。提出基于圖像識別的快速匹配方法，該方法不僅能夠避免深度神經(jīng)網(wǎng)絡(luò)識別正確率低和無法直接對應(yīng)模型庫標(biāo)準(zhǔn)模型的不足，還能提高設(shè)備精細(xì)匹配效率。基于圖像識別的快速匹配方法的核心思想是運(yùn)用圖像識別方法初步識別和分類分割結(jié)果，基于模型庫設(shè)備種類對分類設(shè)備點(diǎn)云進(jìn)行型號匹配，減少匹配迭代次數(shù)［16-17］。

為提高模型匹配效率，在進(jìn)行設(shè)備匹配前，對雜亂的設(shè)備進(jìn)行識別分類。利用遷移學(xué)習(xí)［18-19］，以VGG16 網(wǎng)絡(luò)模型為基礎(chǔ)網(wǎng)絡(luò)模型，搭配特征學(xué)習(xí)，完成電氣設(shè)備的識別分類任務(wù)。其中VGG16 網(wǎng)絡(luò)模型是由13 層卷積層、5 層最大池化層和3 層全連接層構(gòu)成的一種卷積神經(jīng)網(wǎng)絡(luò)，通過在卷積過程中加入激活函數(shù)轉(zhuǎn)換線性到非線性、全連接層引入Softmax 函數(shù)映射完成分類。降低特征提取網(wǎng)絡(luò)模型訓(xùn)練時(shí)間成本的同時(shí)，以更大數(shù)據(jù)集訓(xùn)練的方式取得的特征提取效果更好。

完成電氣設(shè)備初步分類后，利用迭代最近法（iterative closest point，ICP）算法將各類設(shè)備與標(biāo)準(zhǔn)模型庫進(jìn)行匹配，獲得設(shè)備具體型號。通過求解標(biāo)準(zhǔn)模型庫到設(shè)備點(diǎn)云的轉(zhuǎn)換矩陣，將模型庫中的對應(yīng)模型在該設(shè)備點(diǎn)云對應(yīng)位置放置，從而實(shí)現(xiàn)完整變電站三維場景模型的搭建，過程如圖4 所示。各類設(shè)備的標(biāo)準(zhǔn)CAD 模型庫是由AutoCAD 軟件人工搭建，可適用于不同變電站的場景搭建。但由于ICP算法是通過對應(yīng)點(diǎn)搜索和變換矩陣求解的方式匹配待匹配與目標(biāo)點(diǎn)云數(shù)據(jù)集，需要提前將標(biāo)準(zhǔn)模型庫的CAD 模型轉(zhuǎn)三角面網(wǎng)格化，密度采樣后得到點(diǎn)云模型。

圖4 基于圖像識別的快速匹配方法Fig.4 Fast matching method using image recognition

3 算例分析

以某變電站中的電氣設(shè)備情況為例，驗(yàn)證所構(gòu)建的基于點(diǎn)云數(shù)據(jù)的變電站三維建模方法的有效性。以文獻(xiàn)［20］中的數(shù)據(jù)為基數(shù)，采用近紅外激光束波長設(shè)置為1 550 nm 的FARO Focus X130 地面激光掃描儀對變電站區(qū)域內(nèi)的設(shè)備、建筑物、高壓線和噪聲進(jìn)行位置和顏色的掃描，得到整個(gè)變電站146 GB 的點(diǎn)云數(shù)據(jù)。

為完全刪除地面數(shù)據(jù)，考慮變電站地面起伏，將變電站網(wǎng)格化處理，劃分為5 m×5 m 大小的網(wǎng)格，統(tǒng)計(jì)各網(wǎng)格地面高度，處理后合并網(wǎng)格，獲得地面分離的變電站數(shù)據(jù)。刪除高于地面15 m 以上的點(diǎn)云數(shù)據(jù)。基于網(wǎng)格劃分的地面高度統(tǒng)計(jì)信息，運(yùn)用本文提出的概率統(tǒng)計(jì)方法對地面數(shù)據(jù)進(jìn)行刪除處理，結(jié)果如表1 所示。由表1 可知：通過對頂部和地面數(shù)據(jù)的刪除，點(diǎn)云數(shù)據(jù)大小發(fā)生了明顯改變，極大減少了點(diǎn)云數(shù)據(jù)量。此次數(shù)據(jù)處理將大大提高后續(xù)數(shù)據(jù)的計(jì)算效率。

表1 刪除地面數(shù)據(jù)與否對比Table 1 Comparison of whether to delete ground data

為明顯區(qū)分高、低密度區(qū)域，設(shè)置較大鄰域點(diǎn)數(shù)k＞100 和標(biāo)準(zhǔn)差倍數(shù)n=0.01 的ADVFA 算法，以高、低密度點(diǎn)分別為0.15 m 和0.06 m 的棱長進(jìn)行壓縮，得出表2。為驗(yàn)證壓縮結(jié)果的可靠性，與傳統(tǒng)曲線采樣壓縮方法進(jìn)行比較。

表2 壓縮前后數(shù)據(jù)對比Table 2 Data comparison before and after compression

為更直觀地展示所提算法的壓縮效果，截取220 kV 中2 個(gè)開關(guān)的點(diǎn)云數(shù)據(jù)，通過本文ADVFA 與傳統(tǒng)壓縮算法進(jìn)行比較，壓縮效果如圖5 所示。由圖5 可知：兩種算法對設(shè)備連桿的壓縮效果區(qū)別較大，本文所提算法能夠保留更多的設(shè)備連桿，柱子處高密度點(diǎn)云數(shù)據(jù)被壓縮掉，而低密度區(qū)被更大程度地保留下來。

由電氣設(shè)備高度（如表3 所示）確定設(shè)備特征平面。在實(shí)際場景中，13～15 m 的點(diǎn)云數(shù)據(jù)為高壓線與龍門架連桿數(shù)據(jù)，為減少分割點(diǎn)云數(shù)據(jù)和提取電氣設(shè)備的難度，進(jìn)行提前處理。因此，選取［0.6 m，11 m］為特征高度H=｛0，1，2，3，4，5，6，7，8，9，11｝。確定特征高度后，設(shè)定DBSCAN 聚類算法輸入領(lǐng)域半徑參數(shù)為0.5 和最小密度閾值為50，按照圖2 的流程運(yùn)用DBSCAN 和縱向約束層次模型進(jìn)行去噪處理，結(jié)果如圖6 所示。

表3 電氣設(shè)備高度統(tǒng)計(jì)Table 3 Height statistics of electrical equipment

圖6 去噪對比分析圖Fig.6 Denoising comparative analysis diagram

圖6（a）和圖6（b）的嘈雜背景明顯多于圖6（c）。由此可知，逐次超松弛迭代法雖然能夠去除大部分低密度噪聲，但去除高密度噪聲區(qū)的效果較差，且容易誤刪設(shè)備連接桿。而本文所提出的去噪算法，整體去噪效果較好，不僅能夠去除低密度噪聲區(qū)，且能在不破壞設(shè)備結(jié)構(gòu)的條件下，去除高密度的樹、樁、高壓線等噪聲。

以去噪后的點(diǎn)云數(shù)據(jù)為輸入集進(jìn)行電氣設(shè)備提取。設(shè)置包含11 種電氣設(shè)備及母線、龍門架、建筑物和墻背景的15 個(gè)標(biāo)簽，以一種顏色表示一種標(biāo)簽類型進(jìn)行提取，提取前后的結(jié)果對比如圖7 所示。

圖7 設(shè)備提取結(jié)果對比圖Fig.7 Comparison of device extraction results

根據(jù)上述分割結(jié)果，正確分割設(shè)備數(shù)量和總設(shè)備數(shù)量的比值為判斷標(biāo)準(zhǔn)進(jìn)行設(shè)備分割判斷，結(jié)果如表4 所示。由表4 可知：與傳統(tǒng)模型提取結(jié)果進(jìn)行對比分析，本文所提模型設(shè)備提取準(zhǔn)確率較高，整體提取結(jié)果準(zhǔn)確率大于97%，且大尺寸設(shè)備提取結(jié)果準(zhǔn)確率高達(dá)100%，除了部分外觀相似設(shè)備效果不佳，基本實(shí)現(xiàn)變電站的設(shè)備提取。

表4 設(shè)備提取準(zhǔn)確度Table 4 Accuracy of equipment extraction 單位：%

對11 種設(shè)備類型的多種不同型號轉(zhuǎn)為點(diǎn)云數(shù)據(jù)標(biāo)準(zhǔn)模型，與分類后的點(diǎn)云模型進(jìn)行匹配，如表5所示。避雷器（lightning arrester，LA）、電流互感器（current transformer，CT）、電容式電壓互感器（capacitive voltage transformer，CVT）、電流斷路器（current breaker，CB）和氣體絕緣金屬封閉開關(guān)設(shè)備（gas-insulated metal-enclose switchgear，GIS）。由表5 可知：對應(yīng)類別的點(diǎn)云設(shè)備和模型點(diǎn)云相互比較，所提去噪方法取得良好的匹配結(jié)果，且大大縮短了迭代時(shí)間，更快速地得到匹配結(jié)果。

表5 不同設(shè)備匹配時(shí)間表Table 5 Matching schedule of different devices 單位：s

4 結(jié)論

針對變電站電氣設(shè)備點(diǎn)云數(shù)據(jù)建模的關(guān)鍵技術(shù)及特點(diǎn)，提出一種基于點(diǎn)云數(shù)據(jù)的變電站三維快速建模方法，解決變電站建模存在的噪聲殘留多、模型匹配效率低、人工干預(yù)多的難題。主要研究成果為：

1）運(yùn)用ADVFA 算法，以計(jì)算的點(diǎn)鄰域密度為標(biāo)準(zhǔn)，采用不同參數(shù)對不同密度區(qū)域點(diǎn)云進(jìn)行壓縮處理，既能自適應(yīng)壓縮點(diǎn)云數(shù)據(jù)，又能保留多柱體的內(nèi)部連接桿，解決了變電站點(diǎn)云數(shù)據(jù)量大、分布不均的問題。

2）基于DBSCAN 的去噪算法，引入高度特征，區(qū)分電氣設(shè)備和背景噪聲，刪除97%的高密度噪聲，解決了高密度背景噪聲和噪聲殘留問題。

3）基于鄰域特征聚合的提取方法，利用編碼、解碼模塊提取空間特征，加強(qiáng)學(xué)習(xí)鄰域空間特征，實(shí)現(xiàn)了電氣設(shè)備快速分割提取，準(zhǔn)確率高達(dá)97%，解決了分割難度大的問題。

4）基于圖像識別的快速匹配方法分類識別分割提取后的單個(gè)電氣設(shè)備點(diǎn)云數(shù)據(jù)的準(zhǔn)確率高達(dá)99%，電氣設(shè)備點(diǎn)云模型與模型庫標(biāo)準(zhǔn)模型進(jìn)行匹配減少了計(jì)算量，提高建模速度。

5）通過場景仿真驗(yàn)證，得出構(gòu)建的基于點(diǎn)云數(shù)據(jù)的三維模型不僅能夠準(zhǔn)確處理數(shù)據(jù)，還能快速提取并匹配設(shè)備。