CN117593750A - 基于多源特征提取的输电线路点云语义分割方法及设备 - Google Patents

基于多源特征提取的输电线路点云语义分割方法及设备 Download PDF

Info

Publication number
CN117593750A
CN117593750A CN202311673510.0A CN202311673510A CN117593750A CN 117593750 A CN117593750 A CN 117593750A CN 202311673510 A CN202311673510 A CN 202311673510A CN 117593750 A CN117593750 A CN 117593750A
Authority
CN
China
Prior art keywords
point
feature extraction
data
point cloud
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311673510.0A
Other languages
English (en)
Inventor
徐金雄
练逸璇
张先勇
李丽
胡云柯
刘克江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Polytechnic Normal University
Original Assignee
Guangdong Polytechnic Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Polytechnic Normal University filed Critical Guangdong Polytechnic Normal University
Priority to CN202311673510.0A priority Critical patent/CN117593750A/zh
Publication of CN117593750A publication Critical patent/CN117593750A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及高压输电线路三维重建技术领域，特别是基于多源特征提取的输电线路点云语义分割方法及设备。本发明利用了多源数据特征的思想，包括下采样特征提取、上采样插值和全链接分割三大环节。其中下采样特征提取环节主要对点云进行采样和分组，得到中心点和领域点数据；然后分别提取中心点、领域点以及相对位置信息的高维度特征；最后对提取后的特征信息进行拼接。上采样插值环节主要对数据进行插值和特征级联。全链接分割环节主要根据点云每一点的特征信息进行逐点分类。与传统的点云语义分割算法相比，本发明引入了多种点云特征，能够更加有效学习到点云的局部特征信息，从而提高分割精度。

Description

基于多源特征提取的输电线路点云语义分割方法及设备
技术领域
本发明涉及高压输电线路三维重建技术领域，特别是基于多源特征提取的输电线路点云语义分割方法及设备。
背景技术
为保证高压输电线路的稳定运行，电网公司每年都需要花费大量的人力物力对输电线路进行巡检。目前对于湖泊、山林等人工难以应对的复杂地势环境，主要通过人工操控无人机进行巡检。但这种巡检方式存在智能程度、巡检效率、覆盖率均较低的问题。
对此电网企业正积极探索基于输电线路三维模型的无人机精细化自主巡检技术研究工作。其中输电线路的点云语义分割，是建立输电线路三维模型的重要环节。但如果只利用点云数据的几何特征(如XYZ坐标、法向量等)进行语义分割，会导致分割结果准确率较低等问题。
因此需要一种针对输电线路的，点云分割更加准确可靠的基于多源特征提取的输电线路点云语义分割方法及设备。
发明内容
本发明的目的在于克服现有技术中所存在的现有点云语义分割结果准确率较低的问题，提供一种基于多源特征提取的输电线路点云语义分割方法及设备。
为了实现上述发明目的，本发明提供了以下技术方案：
一种基于多源特征提取的输电线路点云语义分割方法，包括如下步骤：
S1：下采样特征提取：设置下采样参数，根据所述下采样参数对待分割点云数据进行下采样、分组、特征提取以及特征拼接处理，输出特征拼接数据；所述特征提取处理包括提取高维度中心点特征提取、高维度领域点特征提取以及高维度相对位置特征提取；
S2：上采样插值处理：对所述特征拼接数据进行空间插值处理以及特征级联处理，生成特征级联数据；
所述空间插值处理用于使所述特征拼接数据的数据量与所述待分割点云数据的数据量保持一致；所述特征级联处理用于融合所述特征拼接数据的数据量与所述待分割点云数据的特征信息；
S3：全链接分割处理：将所述特征级联数据输入到预构筑的多层感知器模型中，输出点云数据分割结果；
其中，所述多层感知器模型包括输电线路以及环境因素两种分类结果，输出的所述点云数据分割结果为输电线路分类结果对应的点云数据。
作为本发明的优选方案，所述S1包括以下步骤：
S11：设置下采样参数；
S12：对输入的对待分割点云数据进行最远点采样，得到若干中心点的坐标信息，以及每个中心点对应的特征信息；
S13：根据所述中心点分为若干个领域点组；
所述领域点组为：各个中心点对应的领域点，以及各个领域点对应的坐标数据和特征信息；所述领域点为各个中心点距离最近的若干个点，以及各个领域点对应的坐标数据和特征信息；
S14：对输入的中心点的特征信息进行特征提取，生成高维度中心点特征提取数据；
S15：对输入的领域点的特征信息进行特征提取，生成高维度领域点特征提取数据；
S16：根据各个所述中心点以及对应所述领域点组的坐标数据，得到领域点组与中心点相对位置特征；再对所述相对位置特征进行特征提取，生成高维度相对位置特征提取数据；
S17：将各个所述中心点与其对应的所述高维度中心点特征提取数据、所述高维度领域点特征提取数据以及所述高维度相对位置特征提取数据进行特征拼接，生成特征拼接数据。
作为本发明的优选方案，所述下采样参数包括：中心点数量、领域点数量、中心点特征提取维度、领域点特征提取维度以及领域点与中心点相对位置特征提取维度。
作为本发明的优选方案，所述待分割点云数据的输入格式为：N行×(3+C)列，其中，每一行数据表示单个点的XYZ三维坐标信息和C维特征信息，N行表示有N个点。
作为本发明的优选方案，所述S14中通过中心点特征提取网络对中心点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为C，输出维度为中心点特征提取维度C1。
作为本发明的优选方案，所述S15中通过领域点特征提取网络对领域点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为C，输出维度为领域点特征提取维度C2。
作为本发明的优选方案，所述S16中通过相对位置特征提取网络对相对位置进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为3，输出维度为领域点与中心点相对位置特征提取维度C3。
作为本发明的优选方案，所述S2中所述空间插值处理的表达式为：
式中，f(x)表示插值点x插值后的特征，fi表示离插值点最近4个点的特征，wi(x)为权重值，d(x,xi)表示插值点x与其最近的4个点xi之间的空间距离。
作为本发明的优选方案，所述S3中所述多层感知器模型的包括依次链接的输入层、归一化层、激活函数层、线性层、归一化层以及输出层；
其中，所述输出层包括若干个节点，每个节点对应一种分类结果。
一种基于多源特征提取的输电线路点云语义分割设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述任一项所述的方法。
与现有技术相比，本发明的有益效果：
本发明利用了多源数据特征的思想，包括下采样特征提取、上采样插值和全链接分割三大环节。其中下采样特征提取环节主要对点云进行采样和分组，得到中心点和领域点数据；然后分别提取中心点、领域点以及相对位置信息的高维度特征；最后对提取后的特征信息进行拼接。上采样插值环节主要对数据进行插值和特征级联。全链接分割环节主要根据点云每一点的特征信息进行逐点分类。与传统的点云语义分割算法相比，本发明引入了多种点云特征，能够更加有效学习到点云的局部特征信息，从而提高分割精度。
附图说明
图1为本发明实施例1所述的一种基于多源特征提取的输电线路点云语义分割方法的流程示意图；
图2为本发明实施例2所述的一种基于多源特征提取的输电线路点云语义分割方法中下采样特征提取的流程示意图；
图3为本发明实施例2所述的一种基于多源特征提取的输电线路点云语义分割方法中待分割点云数据示意图；
图4为本发明实施例2所述的一种基于多源特征提取的输电线路点云语义分割方法中点云数据分割结果示意图；
图5为本发明实施例3所述的一种基于多源特征提取的输电线路点云语义分割方法中输电线路的待分割点云数据的分割示意图；
图6为本发明实施例3所述的一种基于多源特征提取的输电线路点云语义分割方法中输电线路的待分割点云数据示意图；
图7为本发明实施例3所述的一种基于多源特征提取的输电线路点云语义分割方法中杆塔分割结果示意图；
图8为本发明实施例4所述的一种利用了实施例1所述的一种基于多源特征提取的输电线路点云语义分割方法的一种基于多源特征提取的输电线路点云语义分割设备的结构示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
如图1所示，一种基于多源特征提取的输电线路点云语义分割方法，包括如下步骤：
S1：下采样特征提取：设置下采样参数，根据所述下采样参数对待分割点云数据进行下采样、分组、特征提取以及特征拼接处理，输出特征拼接数据。所述特征提取处理包括提取高维度中心点特征提取、高维度领域点特征提取以及高维度相对位置特征提取。
S2：上采样插值处理：对所述特征拼接数据进行空间插值处理以及特征级联处理，生成特征级联数据。
所述空间插值处理用于使所述特征拼接数据的数据量与所述待分割点云数据的数据量保持一致；所述特征级联处理用于融合所述特征拼接数据的数据量与所述待分割点云数据的特征信息。
S3：全链接分割处理：将所述特征级联数据输入到预构筑的多层感知器模型中，输出点云数据分割结果。
其中，所述多层感知器模型包括输电线路以及环境因素两种分类结果，输出的所述点云数据分割结果为输电线路分类结果对应的点云数据。
实施例2
本实施例为实施例1所述一种基于多源特征提取的输电线路点云语义分割方法的一种具体实施方式，包括以下步骤：
S1：下采样特征提取：设置下采样参数，根据所述下采样参数对待分割点云数据进行下采样、分组、特征提取以及特征拼接处理，输出特征拼接数据。
如图2所示，包括以下步骤：
S11：设置下采样参数；所述下采样参数包括：中心点的数量M、领域点的数量K、中心点特征提取维度C1、领域点特征提取维度C2、领域点与中心点相对位置特征提取维度C3。
S12：对输入的对待分割点云数据进行最远点采样，得到M个中心点的坐标信息(数据大小为M×3)，以及每个中心点对应的特征信息(数据大小为M×C)。
其中，所述待分割点云数据的输入格式为：N行×(3+C)列，其中，每一行数据表示单个点的XYZ三维坐标信息和C维特征信息，N行表示有N个点。
S13：根据所述中心点分为若干个领域点组；所述领域点组为：各个中心点对应的领域点，以及各个领域点对应的坐标数据和特征信息；所述领域点为各个中心点距离最近的K个点。具体的获取方式为：
以中心点的坐标信息为依据，从输入的点云数据中检索离第i个(i＝1,2,…,M)中心点距离最近的K个点，最后得到分组后的领域点坐标数据，数据大小为M×K×3，以及领域点的特征数据，数据大小为M×K×C。
S14：对输入的中心点的特征信息进行特征提取，生成高维度中心点特征提取数据(数据大小为M×C1)。
本实施例通过中心点特征提取网络对中心点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块；所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层。
其中，网络中所有卷积层的卷积核大小均为1×1；前两个卷积模块的卷积层的输入维度与输出维度均为C；最后一个卷积模块的卷积层的输入维度为C，输出维度为中心点特征提取维度C1。
S15：对输入的领域点的特征信息进行特征提取，生成高维度领域点特征提取数据(数据大小为M×C2)。
本实施例通过领域点特征提取网络对领域点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层。
其中，网络中所有卷积层的卷积核大小均为1×1；前两个卷积模块的卷积层的输入维度与输出维度均为C；最后一个卷积模块的卷积层的输入维度为C，输出维度为领域点特征提取维度C2。
S16：根据各个所述中心点以及对应所述领域点组的坐标数据，得到领域点组与中心点相对位置特征；再对所述相对位置特征进行特征提取，生成高维度相对位置特征提取数据(数据大小为M×C3)。
本实施例通过相对位置特征提取网络对相对位置进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层。
其中，网络中所有卷积层的卷积核大小均为1×1；前两个卷积模块的卷积层的输入维度与输出维度均为3；最后一个卷积模块的卷积层的输入维度为3，输出维度为领域点与中心点相对位置特征提取维度C3。
S17：将各个所述中心点与其对应的所述高维度中心点特征提取数据、所述高维度领域点特征提取数据以及所述高维度相对位置特征提取数据进行特征拼接，生成特征拼接数据。
S2：上采样插值处理：对所述特征拼接数据进行空间插值处理以及特征级联处理，生成特征级联数据。
S2.1空间插值：对下采样特征提取后的点云数据进行空间插补，使所述特征拼接数据的数据量与所述待分割点云数据的数据量保持一致，具体的插值计算公式如下：
式中，f(x)表示插值点x插值后的特征，fi表示离插值点最近4个点的特征，wi(x)为权重值，d(x,xi)表示插值点x与其最近的4个点xi之间的空间距离。
S2.2特征级联：所述特征级联处理用于融合所述特征拼接数据的数据量与所述待分割点云数据的特征信息。
假定下采样特征提取前点云数据有C维特征，空间插值后的点云数据有C1+C2+C3维特征，则对两者进行拼接，得到C+C1+C2+C3维特征。
S2.3特征压缩：通过多层感知器模型操作对特征进行压缩。
S3：全链接分割处理：将所述特征级联数据输入到预构筑的多层感知器模型中，输出点云数据分割结果。
其中，所述多层感知器模型包括输电线路以及环境因素两种分类结果，输出的所述点云数据分割结果为输电线路分类结果对应的点云数据。所述输电线路分类结果包括杆塔、绝缘子、导线和地线；所述环境因素分类结果包括地面、植被。具体分类结果示意图如图3和图4所示，其中，图3为待分割点云数据，图4为点云数据分割结果(包括输电线路分类结果中的杆塔、绝缘子、导线和地线以及环境因素分类结果中的地面、植被)。
所述多层感知器模型的包括依次链接的输入层、归一化层、激活函数层、线性层、归一化层以及输出层；
其中，所述输出层包括若干个节点，每个节点对应一种分类结果。
实施例3
本实施例为应用实施例2所述一种基于多源特征提取的输电线路点云语义分割方法对某地采集的输电线路的待分割点云数据进行语义分割的试验例，具体如下：
S1：下采样特征提取：
如图5所示，对原始输入的点云数据(数据大小为4096个点，数据的3维示意图如图6所示)进行了4次下采样特征提取。第一次特征提取时中心点数量为1024，领域点个数为24，C1、C2和C3分别为32、32、32，提取后获得1024个点96维特征；第二次特征提取时中心点数量为256，领域点个数为24，C1、C2和C3分别为32、96、96，提取后获得256个点224维特征；第三次特征提取时中心点数量为64，领域点个数为24，C1、C2和C3分别为32、224、224，提取后获得64个点480维特征；第三次特征提取时中心点数量为16，领域点个数为24，C1、C2和C3分别为32、480、480，提取后获得16个点992维特征。
S2：上采样插值处理：
如图5所示，对下采样特征提取后数据进行了4次上采样插值。第一次上采样插值时输入的数据量为16个点，每个点有992维特征，插值后数据量扩展到64个点，特征压缩后特征维度压缩到256维；第二次上采样插值时输入的数据量为64个点，每个点有256维特征，插值后数据量扩展到256个点，特征压缩后特征维度压缩到256维；第三次上采样插值时输入的数据量为256个点，每个点有256维特征，插值后数据量扩展到1024个点，特征压缩后特征维度压缩到128维；第四次上采样插值时输入的数据量为1024个点，每个点有128维特征，插值后数据量扩展到4096个点，特征压缩后特征维度压缩到128维。
S3：全链接分割处理：
如图5所示，对上采样插值后输出带有128特征维度的4096个点，进行点云分割后，其中杆塔的分割结果如图7所示。
实施例4
如图8所示，一种基于多源特征提取的输电线路点云语义分割设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器，以及与所述至少一个处理器通讯连接的至少一个输入输出接口；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述实施例所述的一种基于多源特征提取的输电线路点云语义分割方法。所述输入输出接口可以包括显示器、键盘、鼠标、以及USB接口，用于输入输出数据。
本领域技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(Read OnlyMemory，ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，包括如下步骤：
S1：下采样特征提取：设置下采样参数，根据所述下采样参数对待分割点云数据进行下采样、分组、特征提取以及特征拼接处理，输出特征拼接数据；所述特征提取处理包括提取高维度中心点特征提取、高维度领域点特征提取以及高维度相对位置特征提取；
S2：上采样插值处理：对所述特征拼接数据进行空间插值处理以及特征级联处理，生成特征级联数据；
所述空间插值处理用于使所述特征拼接数据的数据量与所述待分割点云数据的数据量保持一致；所述特征级联处理用于融合所述特征拼接数据的数据量与所述待分割点云数据的特征信息；
S3：全链接分割处理：将所述特征级联数据输入到预构筑的多层感知器模型中，输出点云数据分割结果；
其中，所述多层感知器模型包括输电线路以及环境因素两种分类结果，输出的所述点云数据分割结果为输电线路分类结果对应的点云数据。
2.根据权利要求1所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S1包括以下步骤：
S11：设置下采样参数；
S12：对输入的对待分割点云数据进行最远点采样，得到若干中心点的坐标信息，以及每个中心点对应的特征信息；
S13：根据所述中心点分为若干个领域点组；
所述领域点组为：各个中心点对应的领域点，以及各个领域点对应的坐标数据和特征信息；所述领域点为各个中心点距离最近的若干个点，以及各个领域点对应的坐标数据和特征信息；
S14：对输入的中心点的特征信息进行特征提取，生成高维度中心点特征提取数据；
S15：对输入的领域点的特征信息进行特征提取，生成高维度领域点特征提取数据；
S16：根据各个所述中心点以及对应所述领域点组的坐标数据，得到领域点组与中心点相对位置特征；再对所述相对位置特征进行特征提取，生成高维度相对位置特征提取数据；
S17：将各个所述中心点与其对应的所述高维度中心点特征提取数据、所述高维度领域点特征提取数据以及所述高维度相对位置特征提取数据进行特征拼接，生成特征拼接数据。
3.根据权利要求2所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述下采样参数包括：中心点数量、领域点数量、中心点特征提取维度、领域点特征提取维度以及领域点与中心点相对位置特征提取维度。
4.根据权利要求2所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述待分割点云数据的输入格式为：N行×(3+C)列，其中，每一行数据表示单个点的XYZ三维坐标信息和C维特征信息，N行表示有N个点。
5.根据权利要求2所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S14中通过中心点特征提取网络对中心点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为C，输出维度为中心点特征提取维度C1。
6.根据权利要求2所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S15中通过领域点特征提取网络对领域点进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为C，输出维度为领域点特征提取维度C2。
7.根据权利要求2所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S16中通过相对位置特征提取网络对相对位置进行特征提取；所述中心点特征提取网络包括依次链接的四个卷积模块以及一个最大池化层；
所述卷积模块包括依次连接的卷积层、归一化层以及激活函数层；其中，最后一个卷积模块的卷积层的输入维度为3，输出维度为领域点与中心点相对位置特征提取维度C3。
8.根据权利要求1所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S2中所述空间插值处理的表达式为：
式中，f(x)表示插值点x插值后的特征，fi表示离插值点最近4个点的特征，wi(x)为权重值，d(x,xi)表示插值点x与其最近的4个点xi之间的空间距离。
9.根据权利要求1所述的一种基于多源特征提取的输电线路点云语义分割方法，其特征在于，所述S3中所述多层感知器模型的包括依次链接的输入层、归一化层、激活函数层、线性层、归一化层以及输出层；
其中，所述输出层包括若干个节点，每个节点对应一种分类结果。
10.一种基于多源特征提取的输电线路点云语义分割设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
CN202311673510.0A 2023-12-07 2023-12-07 基于多源特征提取的输电线路点云语义分割方法及设备 Pending CN117593750A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311673510.0A CN117593750A (zh) 2023-12-07 2023-12-07 基于多源特征提取的输电线路点云语义分割方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311673510.0A CN117593750A (zh) 2023-12-07 2023-12-07 基于多源特征提取的输电线路点云语义分割方法及设备

Publications (1)

Publication Number Publication Date
CN117593750A true CN117593750A (zh) 2024-02-23

Family

ID=89913191

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311673510.0A Pending CN117593750A (zh) 2023-12-07 2023-12-07 基于多源特征提取的输电线路点云语义分割方法及设备

Country Status (1)

Country Link
CN (1) CN117593750A (zh)

Similar Documents

Publication Publication Date Title
Zhi et al. LightNet: A Lightweight 3D Convolutional Neural Network for Real-Time 3D Object Recognition.
CN111242208A (zh) 一种点云分类方法、分割方法及相关设备
CN110321910A (zh) 面向点云的特征提取方法、装置及设备
US20230206603A1 (en) High-precision point cloud completion method based on deep learning and device thereof
CN112507861A (zh) 一种多层卷积特征融合的行人检测方法
CN115830471B (zh) 一种多尺度特征融合和对齐的域自适应云检测方法
CN113159232A (zh) 一种三维目标分类、分割方法
CN116152611B (zh) 一种多级多尺度点云补全方法、系统、设备及存储介质
CN114066718A (zh) 一种图像风格迁移方法、装置、存储介质及终端
CN114332104A (zh) 电网输电场景rgb点云语义分割多阶段模型联合优化方法
CN115545166A (zh) 一种改进的ConvNeXt卷积神经网络及其遥感图像的分类方法
CN115527036A (zh) 电网场景点云语义分割方法、装置、计算机设备和介质
CN115049941A (zh) 一种改进的ShuffleNet卷积神经网络及其遥感图像的分类方法
CN115830179A (zh) 一种类别无关的遥感地物矢量拓扑结构提取方法
CN115497002A (zh) 一种多尺度特征融合的激光雷达遥感分类方法
CN115393690A (zh) 一种轻量化神经网络的空对地观测多目标识别方法
CN116385902A (zh) 一种遥感大数据处理方法、系统及云平台
Xiao et al. Fast recognition method for citrus under complex environments based on improved YOLOv3
CN114359902A (zh) 基于多尺度特征融合的三维点云语义分割方法
CN117593750A (zh) 基于多源特征提取的输电线路点云语义分割方法及设备
CN116721345A (zh) 一种马尾松苗木的形态指标无损测量方法
CN111505706A (zh) 基于深度T-Net网络的微地震P波初至拾取方法及装置
CN115965788A (zh) 基于多视角图结构特征注意力卷积的点云语义分割方法
CN113592013B (zh) 一种基于图注意力网络的三维点云分类方法
CN115331048A (zh) 图像分类方法、装置、设备以及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination