近日，实验室李睿恒副教授与人工智能PI团队的研究论文“Neighborhood constraint extraction for rapid modeling of point cloud scenes in large-scale power grid substations”发表在高水平期刊《Journal of King Saud University - Computer and Information Sciences》上。
在大型电力变电站中，快速建模点云场景对于优化管理和维护至关重要。然而，从点云数据中提取建模目标在处理大型场景时面临着挑战。为了有效获取高质量的场景数据和建模目标，本文提出了一种创新方法，利用自适应密度基础的体素网格滤波算法和概率统计直方图方法进行预处理。此外，还提出了一种自动提取目标点云数据的新方法，利用相邻特征平面约束（AFPC）聚类技术。
该方法首先通过经验和统计高度属性捕获目标物体点云的高度特征，然后根据点云的密度分布使用基于密度的空间聚类算法进行点聚类。这些结果的交集优化了目标对象提取边界框的位置，实现了无缝自动对象提取。实验结果验证了我们预处理方法的有效性，在220kV和500kV区域的F1分数分别达到了97.7%和97.3%。此外，我们的新颖提取方法展示了从变电站点云数据中自主直接提取电气设备的能力。
这项研究成果为点云场景建模提供了一种快速有效的解决方案，对于电力行业的现场调查、设备管理和维护工作具有重要意义。该方法不仅提高了建模效率和准确性，还为电力变电站的数字化转型和智能化管理提供了关键技术支持。未来，这项技术有望在电力行业中得到广泛应用，并为相关领域的研究和实践带来新的启示和机遇。
变电站点云场景
《Journal of King Saud University - Computer and Information Sciences》（影响因子6.9），中科院二区，JCR一区，是ELSEVIER旗下出版的高水平期刊，涵盖了计算机基础及其实际应用的各个方面。
