Automaattisten sähköverkko pistepilvi segmentointimallien vertailu

Abstract

Sähköverkko vioista on aiheutunut häiriötä sähköverkon synnystä saakka. Todettiin, että näiden vikojen ennaltaehkäisyä varten tarvittaisiin tarkasti segmentoitu pistepilvi sähköverkosta. Ideana on erotella pistepilven jokainen piste sähköjohtimeksi, pylvääksi tai kasvustoksi. Tämän pohjalta voidaan mitata etäisyyksiä kasvustopisteistä, johdinpisteisiin ja täten määritellä, missä pitää käydä raivaamassa.

Tässä työssä keskityttiin nimenomaan tämän sähköverkkoa kuvaavan pistepilven segmentointiin. Erilaisten pistepilvien segmentoinnissa esiintyy haasteita, eikä sähköverkko pistepilvi eroa tässä. Luonnostaan pistepilvet ovat jäsentelemätöntä ja järjestämätöntä dataa, joten niihin ei voi suoraan hyödyntää muualla tehokkaaksi huomattuja CNN-arkkitehtuureja. Nimenomaan Sähköverkko pistepilvissä esiintyy myös suurta luokkaepätasapainoa, sillä itse sähköverkkoa on vä-hän kasvillisuuteen verrattuna.

Työssä toteutettiin kokeellinen osuus, missä kaksi eri syväoppimis arkkitehtuuria opetettiin segmentoimaan sähköverkko pistepilviä, jonka jälkeen niiden lopputuloksia vertailtiin. Arkkitehtuureiksi valittiin PTv3 ja RandLA-Net. Juuri nämä arkkitehtuurit valittiin, koska ne vaikuttivat lupaavilta kirjallisuuden perusteella, ja ne olivat helppo ottaa käyttöön. Opetusten toteuttamiseen hyödynnettiin ArcGis Pro paikkatietojärjestelmää.

Vertailtua lopullisia malleja tultiin tulokseen, että PTv3 suoriutui segmentoinnista paremmin. RandLA-Net sai myös hyviä tuloksia, mutta selkeästi huonompia kuin PTv3. Voidaan todeta, että PTv3 arkkitehtuurissa on paljon potentiaalia, jos mallia jatkokehitettäisiin suuremmalla määrällä resursseja.