(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211307867.2 (22)申请日 2022.10.25 (71)申请人 云南电网有限责任公司电力科 学研 究院 地址 650000 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 胡发平　刘荣海　王一帆　王达达　 蔡晓斌　邱方程　李寒煜　陆海　 郭新良　郑欣　初德胜　张少杰　 (74)专利代理 机构 深圳中细软知识产权代理有 限公司 4 4528 专利代理师 徐春祺 (51)Int.Cl. G06T 15/08(2011.01) G06T 17/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 物体内部结构三 维重建方法、 系统及计算机 可读存储介质 (57)摘要 本发明实施例涉及计算机视觉技术领域， 公 开了一种物体内部结构三维重建方法、 系统及计 算机可读存储介质， 该方法包括： 基于多个立体 结构的二维X光图像， 对用于物体内部结构三维 重建的预设深度学习网络进行训练， 得到目标三 维重建模型； 将待测物体的至少一个待测二维X 光图像输入至所述目标三维重建模 型中， 得到所 述待测物体的目标三维结构。 应用本发明的技术 方案， 能够减少三维重建模型的网络参数量， 并 能提高多张图像进行三维重构的重构精度。 权利要求书3页 说明书12页 附图5页 CN 115546384 A 2022.12.30 CN 115546384 A 1.一种物体内部结构三维重建方法， 其特 征在于， 包括： 基于多个立体结构的二维X光图像， 对用于物体内部结构三维重建的预设深度学习 网 络进行训练， 得到目标三维重建模型； 将待测物体的至少一个待测二维X光图像输入至所述目标三维重建模型中， 得到所述 待测物体的目标三维结构。 2.根据权利要求1所述的方法， 其特征在于， 所述基于多个立体结构的二维X光图像， 对 用于物体内部结构三维重建的预设深度学习网络进行训练， 得到目标三维重建模型的步 骤， 包括： 将每个立体结构的二维X光图像输入至所述预设深度学习 网络， 得到所述每个立体结 构的预测三维结构； 利用CT重建技 术， 得到所述每 个立体结构的二维X光图像对应的真实三维结构； 根据所述每个立体结构的预测三维结构和真实三维结构， 得到所述每个立体结构的损 失值； 基于所有的立体结构的损 失值， 对所述预设深度学习 网络的参数进行优化， 得到优化 后的深度学习网络， 直至所述优化后的深度学习网络满足预设条件时， 将所述优化后的深 度学习网络确定为所述目标三维重建模型。 3.根据权利要求2所述的方法， 其特征在于， 所述预设深度学习 网络包括： 至少一组编 码器与解码 器， 以及一个融合器， 每个解码 器分别连接所述融合器， 每个立体结构包括至少 一个二维X光图像； 所述将每个立体结构的二维X光图像输入至所述预设深度学习网络， 得 到所述每 个立体结构的预测三维结构的步骤， 包括： 将所述每个立体结构的至少一个二维X光图像分别输入不同的编码器进行二维特征提 取， 得到所述每 个立体结构的所述至少一个二维X光图像的二维特 征图像； 将所述每个立体结构的每个二维特征图像分别输入至对应的解码器中进行三维重建， 得到所述每 个立体结构的所述至少一个三维重建特 征； 将所述每个立体结构的每个三维重建特征输入至所述融合器中进行三维图像融合， 得 到所述每 个立体结构的所述预测三维结构。 4.根据权利要求3所述的方法， 其特征在于， 任一编码器包括： 依次设置的首层编码层 网络和多个非首层编码层 网络； 所述将所述每个立体结构的至少一个二维X光图像分别输 入不同的编码器进行二维特征提取， 得到所述每个立体结构的所述至少一个二维X光图像 的二维特 征图像的步骤， 包括： 将任一立体结构的任一二维X光图像输入至对应的编码器的首层编码层网络中进行处 理， 得到所述任一立体结构的所述任一二维X光图像的第一编码层特征图像； 其中， 所述首 层编码层 网络包括： 依 次设置的至少一组包含第一卷积网络、 第一批归一化层和第一激活 层的卷积模块； 将所述第一编码层特征图像输入至所述首层编码层网络连接的非首层编码层网络， 并 依次通过每个非首层编码层网络进行 处理， 得到所述任一二 维X光图像的二 维特征图像， 直 至得到所述每个立体结构的所述至少一个二 维X光图像的二 维特征图像； 其中， 每个非首层 编码层网络包括： 依 次设置的至少一个包含深度可分离卷积网络、 第二批归一化层和第二 激活层的第一深度可分离卷积模块以及第一SENet网络， 且所述每个非首层编码层网络的权　利　要　求　书 1/3 页 2 CN 115546384 A 2首尾连接一个第一残差网络 。 5.根据权利要求3所述的方法， 其特征在于， 任一解码器包括： 多个解码器网络； 所述将 所述每个立体结构的每个二 维特征图像分别输入至对应的解码器中进 行三维重 建， 得到所 述每个立体结构的所述至少一个三维重建特 征的步骤， 包括： 将任一立体结构的任一二维特征图像输入至对应的解码器中， 依次通过每个解码器网 络中进行三维重建， 得到所述任一立体结构的所述任一二维特征图像对应的三维重建特 征， 直至得到所述每个立体结构的每个二 维特征图像对应的三维重 建特征； 其中， 每个解码 器网络包括： 依次设置的反卷积层、 第二残差网络、 包含至少一个第二深度可分离卷积网络 的第二深度可分离卷积模块以及第二SENet网络 。 6.根据权利要求3所述的方法， 其特征在于， 所述融合器包括： 稠密神经网络和降维网 络； 所述将所述每个立体结构的每个三维重建特征输入至所述融合器中进行三维图像融 合， 得到所述每 个立体结构的所述预测三维结构的步骤， 包括： 将任一立体结构的每个三维重建特征输入至所述融合器中， 并依次通过所述稠密神经 网络和降维网络进行三维 图像融合， 得到所述任一立体结构的预测三维结构， 直至得到每 个立体结构的预测三维结构； 其中， 所述稠密神经网络包括： 依次设置的多个包含依次连接 的第三深度可分离卷积网络、 第三批归一化层和第三激活层的第三深度可分离卷积模块； 所述降维网络包括： 所述第三深度可分离卷积模块。 7.一种物体内部结构三维重建系统， 其特 征在于， 包括： 处 理模块和运行模块； 所述处理模块， 用于基于多个立体结构的二维X光图像， 对用于物体 内部结构三维重建 的预设深度学习网络进行训练， 得到目标三维重建模型； 所述运行模块， 用于将待测物体的至少一个待测二维X光图像输入至所述目标三维重 建模型中， 得到所述待测物体的目标三维结构。 8.根据权利要求7所述的系统， 其特征在于， 所述处理模块包括： 第一处理模块、 第二处 理模块、 第三处 理模块和第四处 理模块； 所述第一处理模块， 用于将每个立体结构的二维X光图像输入至所述预设深度学习 网 络， 得到所述每 个立体结构的预测三维结构； 所述第二处理模块， 用于利用CT重建技术， 得到所述每个立体结构的二维X光图像对应 的真实三维结构； 所述第三处理模块， 用于根据所述每个立体结构的预测三维结构和真实三维结构， 得 到所述每 个立体结构的损失值； 所述第四处理模块， 用于基于所有的立体结构的损 失值， 对所述预设深度学习 网络的 参数进行优化， 得到优化后的深度学习网络， 直至所述优化后的深度学习网络满足预设条 件时， 将所述优化后的深度学习网络确定为所述目标三维重建模型。 9.根据权利要求8所述的系统， 其特征在于， 所述预设深度学习 网络包括： 至少一组编 码器与解码 器， 以及一个融合器， 每个解码 器分别连接所述融合器， 每个立体结构包括至少 一个二维X光图像； 所述第一处 理模块具体用于： 将所述每个立体结构的至少一个二维X光图像分别输入不同的编码器进行二维特征提 取， 得到所述每 个立体结构的所述至少一个二维X光图像的二维特 征图像； 将所述每个立体结构的每个二维特征图像分别输入至对应的解码器中进行三维重建，权　利　要　求　书 2/3 页 3 CN 115546384 A 3