变电站仿真培训系统技术解决方案(纯方案,46页)

1.项目背景
1.1概况及目标
目前作为虚拟现实及增强现实应用基础的电力三维模型大多停留在外观仿真，缺乏对电力设备真实尺寸与电气信息的应用，制约了 VR/AR 培训或是生产上的应用。

三维变电站仿真项目开发周期长、专业性强，缺乏一种快速构建三维变电站的方法。

变电站数据来自于多个不同的数据管理系统，在时间维度和空间维度上相互孤立，同时显示形式不形象、不直观，二维平面和杂多的数字累积是枯燥乏味的，三维仿真变电站应发挥其空间感强的优势。

现阶段电力行业的 VR/AR应用更多的是针对虚拟信息的显示，缺乏与真实世界的联系，需在之前的 VR/AR 科技项目基础上，继续探索电力行业的 VR/AR 应用与现实世界的进一步融合方式。

本项目拟开发一套变电站仿真培训系统，通过配置220kV、500kV变电站与实训变电站完全一致，实现变电站虚拟作业场景及三维设备模型的自动生成，实现培训任务可配置，增加了培训的灵活性；通过检修评价模型的建立，实现对受训人员在仿真培训系统上的应用效果更为全面客观的考核，提高了培训的有效性；通过网络缓存机制的建立，降低了仿真培训系统运行延迟，提高了培训效率。

对于变电专业人员，按照设备检修相关岗位，进行任务分解；对检修人员,系统提供变电站重要设备的三维拆卸组装演示以增加其对设备结构的了解,改进和完善检修工艺。

检修人员在进行现场检修前可以通过系统获取工作现场的危险点信息,以提前做好安全措施。

基于沉浸式虚拟技术为变电站仿真系统构造虚拟环境,大大提高变电站场景的真实感和沉浸感,为变电站全业务仿真系统带来技术上的飞跃。

1.2研究成果及服务内容
（1）开发一套变电站岗位仿真培训软件系统，覆盖220kV、500kV等不同电压等级的变电站典型作业项目，模拟变电站岗位项目作业流程，实现基础教学、仿真操作、资料查询等基本功能；
（2）构建基于200kV、500kV各种电压等级电网主流厂家电力设备零部件的三维模型系统一套；
（3）通过岗位评价模型的建立，实现对受训人员在仿真培训系统上的应用效果更为全面客观的考核，提高了培训的有效性；通过网络缓存机制的建立，降低了仿真培训系统运行延迟，提高了培训效率。

2.项目主要研究内容
2.1变电站培训内容
变电站培训内容严格参照南方电网公司检修规程、规范执行，以现场培训内容、设备三维模型设计图以及检修作业指导书为依据。

培训内容，应包括以下内容：
1.变电站电力设备的动作过程、整体结构展示
2.变电站电力设备解体、调试方法、回路电阻实验方法
2.2技术关键点与技术方法
2.2.1确定变电站仿真培训系统的软件、硬件平台架构及实现方式
收集国内外变电站检修领域相关研究成果及实践经验，充分调研贵州电网公司变电站培训相关资料，进行系统整理，明确项目功能需求，集中准备素材，确定变电站仿真培训系统的软件、硬件平台架构及实现方式。

2.2.2研究变电站仿真培训方法，完成仿真培训系统架构设计
深入研究虚拟现实技术在仿真培训领域的应用，形成变电站检修仿真培训技术；建立作业变电站三维场景库、设备模型库、工器具模型库；
1)建立变电站三维场景库
建立变电站三维场景库，收集变电站场景及周边环境资料，按照真实环境进行建模。

2)建立设备模型库
收集、整理、统计资料，对变电站电力设备进行分类管理，如：母线、变压器、互感器、避雷器、保护装置等。

在此基础上，根据相应的实物图和尺寸数据对各类设备进行三维建模。

3)建立工器具模型库
收集、整理变电站检修作业的各种工器具资料，根据实际作业要求，将工器具分为绝缘工具、金属工具、安全工具、辅助工具等几类进行管理。

根据各个工器具的实际尺寸进行三维建模。

4)建立运行方式库，使变电站有不同运行方式；
研究变电站结构特点及检修技术要求，编制仿真培训开发脚本文件，开发变电站检修仿真培训软件
2.2.2.1变电站三维模型构建方法研究及三维模型配置模块
利用检校过的单反相机来采集原始影像数据，利用3Dmax建模工具将收资采集的图像模型快速建模，还原设备真实场景及模型。

变电站三维模型构建方法的研究主要包括二个方面：三维精确数据采集、三维模型精确重构。

其输出成果为变电站三维模型配置模块。

1）三维精确数据采集
我们采用照片建模技术来实现三维精确数据采集。

照片建模技术，是指通过相机等设备对物体进行采集照片，经计算机进行图形图像处理以及三维计算，从而全自动生成被拍摄物体的三维模型的技术，属于三维重建技术范畴，涉及到计算机几何、计算机图形学、计算机视觉、图像处理、数学计算等学科。

基于图像的建模和绘制(Image-Based Modeling andRendering,IBMR)是当前计算机图形学界一个极其活跃的研究领域。

同传统的基于几何的建模和绘制相比，IBMR技术具有许多独特的优点。

基于图像的建模和绘制技术给我们提供了获得照片真实感的一种最自然的方式，采用IBMR技术，建模变得更快、更方便，可以获得很高的绘制速度和高度的真实感。

IBMR的最新研究进展已经取得了许多丰硕的成果，并有可能从根本上改变我们对计算机图形学的认识和理念。

由于图像本身包含着丰富的场景信息，自然容易从图像获得照片般逼真的场景模型。

基于图像的建模的主要目的是由二维图像恢复景物的三维几何结构。

由二维图像恢复景物的三维形体原先属于计算机图形学和计算机视觉方面的内容。

由于它的广阔应用前景，如今计算机图形学和计算机视觉方面的研究人员都对这一领域充满兴趣。

与传统的利用建模软件或者三维扫描仪得到立体模型的方法相比，基于图像建模的方法成本低廉，真实感强，自动化程度高，因而具有广泛的应用前景。

此种方式操作简单，自动化程度高，成本低，纹理颜色真实感强，不受时空限制等。

主要应用于3D展示、3D打印、影视媒体、广告制作、虚拟现实等众多应用领域，未来发展前景较好。

本项目中我们使用照片建模技术来实现对变电站及其相关设备和对象的三维精确数字化建模。

2）照片建模技术原理
从多幅二维图像中计算三维特征并作场景的三维重构是计算机视觉和图形学领域的一个重要研究内容，目前已经有非常多的相关研究。

对于基于图像的三维重构任务而言，准确地相
机标定是至关重要的。

对于三维场景或模型重构精度要求较高而拍摄环境可以按需定制的应用，离线标定技术一般可以更好地满足用户需求；相反，如果需要从一些无法定制环境或缺失标定信息的图像或视频序列中作场景分析和重构，就只能采用在线标定技术。

鉴于相机标定技术在三维重构中的重要性，我们将相关技术分为基于离线相机标定的三维重构技术和基于在线相机标定的三维重构技术两个大类，并对两类技术分别阐述其研究历史、现状和趋势。

①基于离线相机标定的三维重构技术。

基于离线相机标定技术需要准确的相机内参数和外参数作为重构算法的输入和先决条件，目前最为流行的离线相机标定算法是Tsai在1987年提出的[Tsai1987]，Tsai方法使用一个带有非共面专用标定标识的三维标定物来提供图像点和其对应的三维空间点的对应并计算标定参数。

Zhang在1999年提出了另一个实用方法[Bouguet2007]，该方法需要对一个平面标定图案的至少两幅不同视图来进行标定。

加州理工学院的相机标定工具对以上两个方法均作了有效实现，并且已经被集成到Intel的视觉算法库OpenCV中 [OpenCV2004]。

通过标定算法，可以计算相机的投影矩阵，并提供场景的三维测度信息。

在不给定真实场景的绝对平移、旋转和放缩参数的情况下，可以达到相似变换级别的测度重构。

②基于图像的重构
在基于图像的重构技术中，既可以考虑稀疏特征匹配，也可以考虑稠密特征匹配，一般需要视应用背景和场景特性作具体选择。

特征检测是准确重构框架中的一个关键步骤。

传统意义上的特征定义为在至少一个特定方向上存在较大亮度或色度变化的图像区域或位置。

Harris 等使用一阶导数来估计局部互相关数值，该方法能给出健壮的检测结果但在某些情况下缺乏定位上的准确性。

Beaudet等使用梯度和曲率的乘积来刻画角点特征并检测角点，Smith等提出的SUSAN检测子结合使用特征区域的尺寸、中心和矩信息来检测角点。

Lowe提出的尺度不变的特征检测算子SIFT是目前比较流行的算法，SIFT的优势在于能够对有效提取特征在一定程度上的旋转和放缩等不变特征，从而大大减弱了特征检测算法对环境和图像质量的依赖性，Koser等从SIFT的思想进一步引申出透视不变特征的概念。

特征检测之后一般需要进行多视图之间的特征匹配。

特征匹配算法的性能会受到镜头畸变、光线环境、场景遮挡及其他未知图像噪声的影响。

解决匹配问题目前主要有两种思路。

第一种思路在某个关键帧中检测出一个特征记并使用跟踪算法在后续帧中跟踪这个特征集，代表算法是基于光流的跟踪算法如Lucas-Kanade算法。

第二种思路则在多个视图中独立进行特征检测并通过数据关联的手段来
建立匹配特征对，这可以通过简单的区域相关算法实现，也可以通过各种手段定义描述相似度的目标函数并作优化来实现。

对于需要稠密场景重构的场合还需要进行稠密多视匹配的工作，稠密多视匹配算法的性能直接影响到最终重构质量，在图像取样点足够密集的情况下，可以用光流技术模拟相邻图像之间的像素或特征位移。

三维结构的三角化同样也可以通过具备了点到点对应信息的光流来模拟，在稠密空间采样的假设下光流可以用系数特征位移来有效近似。

可以通过图像校正的技术将两个视图中的对应极线调为水平状态且处在同一水平扫描线上，这样就可以使用传统的基于水平视差的双视算法恢复深度信息。

在这一框架下，可以用马尔可夫随机场建模并用基于图论的优化算法实现求解。

●基于体素的重构
近年来随着计算速度和存储性能的大幅提高，基于体的场景结构表示方法已经成为实用。

已有多种方法从图像序列中恢复场景体数据。

一种常见方法是从多视图中恢复前景物体的视觉凸包作为物体的重构近似。

一般说来，visual hull的大小随着参与计算的图像数量增多而单调下降。

常见的方法是从每一图像中分离出前景区域和背景区域，把前景区域反向投射到三维空间并求交来得到visual hull。

Snow提出了Voxel occupancy算法，通过基于体素标签的图割算法实现三维分割。

对于有较明显色彩区分特征的图像，也可考虑使用颜色相容性即只保留色彩相容的空间体素来建立约束求解三维信息。

为了简化基于可见性的空间切割，Seitz等提出了对于相机位置的有序可见性约束。

作为对以上框架的进一步改进，Prock提出了多分辨率体素着色方案，Culbertson等提出了能够精确计算可见性的一般化的色彩相容模型。

和基于图像的重构技术相比，基于体素的重构技术不需要显示的特征匹配且能更有效地处理遮挡问题，但其潜在的缺点在于庞大的内存消耗会在一定程度上限制重建精度。

在某些条件下，有序可见性约束显得过强。

●基于对象的重构
与基于体素的重构算法中用体素离散化场景的思想不同，基于对象的重构技术着眼于直接恢复场景中物体的表面模型。

Faugeras等提出level-set重构是第一个面向对象的多视三维复原技术，该技术把用于深度恢复的变分原理推广为一个可以用level-set求解的曲线演化问题。

该工作的原始框架须作漫反射表面的假设，Lin等所做后续工作减弱了这一要求，使得镜面反射和透明环境下的求解成为可能。

③基于在线相机标定的三维重构技术
在很多场合下，如缺失标定设备或相机内参数持续改变的情况下，没有足够数据来支持离线相机标定，对这类场景的多视三维重构就要用到在线相机标定的技术。

在线标定和离线标定框架的主要区别在于标定相机或估计相机参数的方法上。

在大多数文献中离线标定技术被称为自标定。

自标定方法可以大致分为两类：基于场景约束的自标定和基于几何约束的自标定。

●基于场景约束的自标定
合适的场景约束往往能够在很大程度上简化自标定的难度。

比如说，广泛存在于建筑或人造场景中的平行线能够帮助提供三个主正交方向的消视点和消视线信息，并能够据此给出相机内参数的代数解或数值解。

消视点的求解可以通过投票并搜索最大值的方法进行。

Barnard采用高斯球构造求解空间。

Quan、Lutton和Rother等给出了进一步的优化策略。

文献中给出了搜索解空间的直接算法，Heuvel给出的改进算法加入了强制性的正交条件。

Caprile给出了基于三个主正交方向消视点的几何参数估计法，Hartley使用标定曲线计算焦距。

Liebowitz等进一步从消视点位置构造绝对二次曲线的约束并用考克斯分解求解标定矩阵。

●基于几何约束的自标定
基于几何约束的自标定不需要外在场景约束，仅仅依靠多视图自身彼此间的内在几何限制来完成标定任务。

利用绝对二次曲面作自标定的理论和算法最先由Triggs提出。

基于Kruppa 方程求解相机参数则始于 Faugeras, Maybank等的工作。

Hartley给予基本矩阵推导出了Kruppa方程的另一个推导。

文献则给出了Kruppa方程的不确定性的理论探讨。

层进式自标定技术被用于从射影重构升级到度量重构。

自标定技术的一个主要困难在于它不是无限制地用于任意图像或视频序列，事实上，存在着特定运动序列或空间特征分布导致自标定求解框架的退化和奇异解。

文献给出了关于退化情形的详细讨论和分类。

对一些特殊可解情况存在性和求解方法的讨论可以参考文献[Wilesde1996]等。

3）照片建模操作步骤
(1)为物体拍照
1）把你要拍照的物体放在场地中间，围绕物体移动一圈拍摄不同位置照片。

2）换一个角度再给物体拍摄一圈照片，以保证拍到模型的顶部，预期一组照片数目大致30-40张。

3）为获得最好的效果，围绕对象添加报纸或者粘贴标签，以帮助3D建模软件识别物体底部位置。

4）尽量保持所有图片的光照、物体位置、聚焦等相同。

5）避免照片出现过曝光或者曝光不足。

6）避免平的、反射、透明表面物体，对这种对象难以建立很好3D模型。

(2)三维建模
精确采集到照片数据以后我们可以通过控制软件或数据处理软件提供的标靶匹配功能，将各照片云数据拼为一个完整的对像的点云模型。

可通过分段处理、补漏抽取、优化压缩、立格网，以便于整个扫描对象的建模。

（3）检查并清理3D模型
下一步是在软件中清除、修复你模型的各种错误。

拍照会捕捉到一些你模型不需要的元素，可以用“lasso”和“heal”工具来清理它们。

“lasso”工具能帮你选择并删除不需要的区域，“heal”工具能帮你补上模型存在的孔洞。

(4)应用处理
可以将模型以不同的格式或渲染图输出，以便应用于变电站虚拟现实与仿真。

4）三维模型精确重构
照片技术获取的原始数据是一种点云数据。

它是一个空间数据的集合，数据点之间是密集冗余的、离散的、散乱分布的；同时，点云又是一个海量数据的集合，通常可达几十万甚至几百万个数据点，存储量巨大；在这些巨大的三维点云信息中，存在大量无用的数据，即所谓的噪声点。

噪声的存在严重影响所构曲面的光顺性，甚至由于它的影响而无法达到模型重建的目的。

如果不进行直接有效处理，就会降低几何模型重构的效率。

不仅要占用大量的计算处理时间，同时存储、处理和显示都将消耗大量的时间和计算机资源，生成曲面模型需要消耗更多的时间。

另外，过于密集的点云也会影响重构曲面的光顺性，这就需要删除部分数据点，即对点
云数据进行优化压缩处理，点云数据的优化压缩是三维模型精确重构中重要的研究内容之一。

01、点云数据的种类
由于TLS的结构与采集点云数据的原理不同，所以产生噪声点的处理方法也有所差别，目前获取的点云数据的排列形式主要有以下几种：
①线式点云数据，是按特定某一方向的散乱点云数据，如图3．1(a)。

可以采用最小距离法、均匀采样法、弦值法、角度偏差法、弦高差和角度弦高法等去除点云中的噪声点；
②阵列式点云数据，属于按某种顺序排列的有序点云数据，如图3．1(b)。

可以采用倍率缩减、等间距缩减、弦高差、等量缩减等方法去除点云中的噪声。

③格网式点云数据，数据呈三角网互连，也属于有序的点云数据，如图3．1(c)。

最小包围区域法、等分布密度法等方法适用于此点云数据的去噪；
④散乱式点云数据，数据分布无章可循，完全散乱，如图3．1(d)。

可以采用聚类、迭代、粒子仿真、均匀网格法、包围盒法、随机采样和曲率采样等去除点云数据的噪声。

图3.1（a）
图3.1（b）
图3.1（c）
图3.1（d）
02、点云数据去噪方法研究
点云数据的优化压缩分为去噪和压缩两个步骤，而对有序和无序的点云数据．去噪和压缩的方法有所不同。

对TLS点云数据中的噪声点分布研究可以知道．将噪声点大致可分为四种：
点云生成示意图
①明显远离点云的，飘浮于点云上方的稀疏、离散的点；
②远离点云中心区，小而密集的点云：
③扫描刚测区控制不叮能完整控制，通常会比原定扫描区域大，从而形成了多余扫描的点
云；
④和正确点云混在一起的噪声点。

针对①、②、③种的噪声点可以通过可视化交互的方法进行删除，最难去除的噪声点就是
④的情况。

点云数据交互去噪
随着三维激光扫描技术的发展，处理点云数据的软件越来越多，比如Imageware、Geomatic、Ploywork以及各个扫描仪厂家自带的软件。

对于上述①、②、③种的噪声点，可以通过这些可视化软件打开点云数据，旋转变换点云，直接删除明显的噪声点。

图3．2是用Imageware 删除明显噪声点的过程，其中(a)是原始点云，(b)是去噪后的点云数据。

有序点云数据的滤波
由于扫描仪获得的初始点云种类或性质的不同，点云去噪算法也不尽相同。

对于有序或部分有序的点云中噪声点的处理，通常可以采用最小二乘滤波、维纳滤波、卡尔曼滤波、小波分析、中值滤波、平均滤波和高斯滤波等算法。

但三维激光扫描采集的点云，实际上多数情况下是呈现散乱、无序状的，所以以上的算法直接对散乱点云处理的意义不大。

往往对点云数据中的点与点间建立某种逻辑关系，或者按某种规则排好序，再通过上述算法来处理。

这样的方法处理散乱点云中的噪声点，难度大，效率低，排序和建立逻辑关系复杂。

实际上，对于无序或散乱点云中的噪声点处理也有很多种算法，其中较为经典的算法有拉普拉斯算法、平均曲率流、均值漂移和双边滤波器等。

03、点云数据简化压缩方法研究
三维激光扫描测量得到的点云数据十分密集，剔除、滤波噪声点后，仍包含大量的冗余数据，并且不是所有的点对于后续建模都是有用的。

另外，这些冗余的数据会给存储、操作、运算速度、建模效率和精度带来很大影响。

因此，点云数据的简化压缩是点云数据处理的一个基础步骤，在一定的精度条件下，必须对点云数据进行相应的精简，去掉点云数据中的冗余部分，得到一个精简的模型，以便于点云的后续的处理和建模，对点云数据的优化压缩的研究具有重要的意义。

与剔除、滤波噪声点的方法相似，点云数据的精简压缩算法与点云数据的排列格式有密切关系。

点云数据压缩目的是精简不必要的数据点，原则是保持扫描对象几何形状特征的前提下，对点云数据进行最大程度简化。

将已完成三维云模型进行三维软件输出。

5）三维建模软件（MAX）处理
采用三维建模软件（max）进行模型最后处理及调整。

一个VR场景在计算机上演示流畅不流畅，与场景中的模型个数、模型面数、模型贴图这三个方面的数据量系系相关，用户只有在前期处理好这三个方面的数据量，才不会导致后期DEMO在演示时出现卡、顿现象。

●3ds MAX中的建模准则
VR场景模型的优化对VR-DEMO的演示速度影响很大，前期如果不对场景的模型进行很好的优化，到了制作后期再对模型进行优化时就需要重新回到MAX里重新修改模型，并进行重新烘焙后再导入到当前的VRP场景里，这样就出现了重复工作情况，大大降低了工作效率。

因此，VR场景模型的优化需要在创建场景时就必须注意，并遵循游戏场景的建模方式创建简模。

虚拟现实（VR）的建模和做效果图、动画的建模方法有很大的区别，主要体现在模型的精简程度上。

VR的建模方式和游戏的建模是相通的，做VR
做简模，不然可能导致场景的运行速度会很慢、很卡、或无法运行。

在3ds max中的建模准则基本上可以归纳为以下几点：
➢做简模
➢模型的三角网格面尽量为等边三角形，不要出现长条型
➢在表现细长条的物体时，尽量不用模型而用贴图的方式表现
➢重新制作简模比改精模的效率更高
➢模型的数量不要太多
➢合理分布模型的密度
➢相同材质的模型，远距离的不要合并
➢保持模型面与面之间的距离
➢删除看不见的面
➢用面片表现复杂造型
其具体要求如下：
（1）做简模
尽量模仿游戏场景的建模方法，把效果图的模型拿过来直接用是不推荐的。

虚拟现实中的运行画面每一帧都是靠显卡和CPU实时计算出来的，如果面数太多，会导致运行速度急剧降低，甚至无法运行；模型面数的过多，还会导致文件容量增大，在网络上发布也会导致下载时间增加。

（2）模型的三角网格面尽量是等边三角形，不要出现长条型
在调用模型或创建模型时，尽量保证模型的三角面为等边三角形，不要出现长条型。

这是因为长条形的面不利于实时渲染，还会出现锯齿、纹理模糊等现象。

如下图所示：
（3）在表现细长条的物体时，尽量不用模型而用贴图的方式表现
在为VRP场景建立模型时最好不要将细长条的物体做成模型，如窗框、栏杆、栅栏等。

这是因为这些细长条形的物体只会增加当前场景文件的模型数量；并且在实时渲染时还会出现锯齿与。