[發(fā)明專利]一種電力線模型的建立方法和建立裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202210083741.5
• 申請(qǐng)日: 2022-01-19
• 公開（公告）號(hào): CN114494725A
• 公開（公告）日: 2022-05-13
• 發(fā)明（設(shè)計(jì)）人: 王志峰;徐陽俊;陳明芽;毛登峰
• 申請(qǐng)（專利權(quán)）人: 華雁智能科技（集團(tuán)）股份有限公司
• 主分類號(hào): G06V10/44
• 分類號(hào): G06V10/44;G06V10/26;G06V10/764;G06V10/82;G06T7/00;G06T7/11;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 于彬

1.一種電力線模型的建立方法，其特征在于，所述建立方法包括：

獲取目標(biāo)區(qū)域的激光點(diǎn)云數(shù)據(jù)；

使用預(yù)先訓(xùn)練好的PointNet++神經(jīng)網(wǎng)絡(luò)模型對(duì)目標(biāo)區(qū)域的激光點(diǎn)云數(shù)據(jù)執(zhí)行人工智能相關(guān)的運(yùn)算，以得到分割好的目標(biāo)區(qū)域的激光點(diǎn)云數(shù)據(jù)；

從所述分割好的目標(biāo)區(qū)域的激光點(diǎn)云數(shù)據(jù)中，提取出所述目標(biāo)區(qū)域的電力線激光點(diǎn)云數(shù)據(jù)；

對(duì)所述電力線激光點(diǎn)云數(shù)據(jù)進(jìn)行擬合處理，以得到所述目標(biāo)區(qū)域的電力線模型。

2.根據(jù)權(quán)利要求1所述的建立方法，其特征在于，所述PointNet++神經(jīng)網(wǎng)絡(luò)模型通過以下方式訓(xùn)練而被得到：

獲取多個(gè)被設(shè)置標(biāo)簽的樣本激光點(diǎn)云數(shù)據(jù)集合；所述標(biāo)簽的類別包括電線、桿塔和高植被中的一個(gè)或多個(gè)的組合；

利用獲取的多個(gè)被設(shè)置標(biāo)簽的樣本激光點(diǎn)云數(shù)據(jù)集合，通過交叉熵?fù)p失函數(shù)訓(xùn)練原始PointNet++神經(jīng)網(wǎng)絡(luò)模型，以得到訓(xùn)練好的PointNet++神經(jīng)網(wǎng)絡(luò)模型；

所述多個(gè)被設(shè)置標(biāo)簽的樣本激光點(diǎn)云數(shù)據(jù)集合通過以下方式被獲取：

獲取多個(gè)原始樣本激光點(diǎn)云數(shù)據(jù)集合；

對(duì)所述多個(gè)原始樣本激光點(diǎn)云數(shù)據(jù)集合進(jìn)行預(yù)處理，得到多個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合；

將所述多個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合設(shè)置標(biāo)簽，以得到多個(gè)被設(shè)置標(biāo)簽的樣本激光點(diǎn)云數(shù)據(jù)集合。

3.根據(jù)權(quán)利要求2所述的建立方法，其特征在于，所述利用獲取的多個(gè)被設(shè)置標(biāo)簽的樣本激光點(diǎn)云數(shù)據(jù)集合，通過交叉熵?fù)p失函數(shù)訓(xùn)練原始PointNet++神經(jīng)網(wǎng)絡(luò)模型，以得到訓(xùn)練好的PointNet++神經(jīng)網(wǎng)絡(luò)模型，包括：

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合，獲取該樣本激光點(diǎn)云數(shù)據(jù)集合中每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的淺層特征；其中，所述淺層特征為高程特征；

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合，獲取該樣本激光點(diǎn)云數(shù)據(jù)集合中每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的深層特征；

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合中的每個(gè)樣本激光點(diǎn)云數(shù)據(jù)，將該樣本激光點(diǎn)云數(shù)據(jù)對(duì)應(yīng)的淺層特征和深層特征進(jìn)行特征維度對(duì)齊，得到每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的融合特征；

基于每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的融合特征，確定每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合中的每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的語義分割信息和交叉熵?fù)p失函數(shù)的損失值；其中，語義分割信息用于表示每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的標(biāo)簽；

當(dāng)所述交叉熵?fù)p失函數(shù)的損失值逐漸收斂，確定得到訓(xùn)練好的PointNet++神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求3所述的建立方法，其特征在于，通過以下步驟獲取每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合中每個(gè)樣本激光點(diǎn)云數(shù)據(jù)的深層特征：

將所述每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合輸入原始PointNet++神經(jīng)網(wǎng)絡(luò)模型的采樣層，得到每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合的多個(gè)中心點(diǎn)；

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合的每個(gè)中心點(diǎn)，將該中心點(diǎn)輸入原始PointNet++神經(jīng)網(wǎng)絡(luò)模型的分組層，利用多尺度分組方法，得到以該中心點(diǎn)為圓心，在不同半徑下的多個(gè)局部鄰域；其中，每個(gè)半徑對(duì)應(yīng)一個(gè)局部鄰域；

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合的每個(gè)中心點(diǎn)，將該中心點(diǎn)的多個(gè)局部鄰域分別輸入到原始PointNet++神經(jīng)網(wǎng)絡(luò)模型的特征提取層，通過特征提取層得到在每個(gè)局部鄰域內(nèi)的中心點(diǎn)的原始特征，并將得到的該中心點(diǎn)的每個(gè)局部鄰域內(nèi)的中心點(diǎn)的原始特征進(jìn)行拼接，得到該中心點(diǎn)的深層特征；

針對(duì)每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合的每個(gè)中心點(diǎn)，對(duì)該中心點(diǎn)的深層特征進(jìn)行反向插值和躍階連接處理，得到輸入原始PointNet++神經(jīng)網(wǎng)絡(luò)模型的每個(gè)樣本激光點(diǎn)云數(shù)據(jù)集合中每一個(gè)樣本激光點(diǎn)云數(shù)據(jù)的深層特征。

5.根據(jù)權(quán)利要求1所述的建立方法，其特征在于，所述對(duì)所述電力線激光點(diǎn)云數(shù)據(jù)進(jìn)行擬合處理，以得到所述目標(biāo)區(qū)域的電力線模型，包括：

獲取所述目標(biāo)區(qū)域的預(yù)先建立好的待擬合電力線模型；

將所述電力線激光點(diǎn)云數(shù)據(jù)輸入到所述待擬合電力線模型中，確定所述目標(biāo)區(qū)域的初始電力線模型；

將所述初始電力線模型進(jìn)行簡化處理，確定所述目標(biāo)區(qū)域的電力線模型。