[發明專利]一種基于核心點卷積的電力桿塔點云分類分割模型構建方法

在審

• 申請號: 202210202000.4
• 申請日: 2022-03-03
• 公開（公告）號: CN114638985A
• 公開（公告）日: 2022-06-17
• 發明（設計）人: 張忠誠;冀樹偉;李文娟;王東東;閆亭亭;呂鳳晨
• 申請（專利權）人: 北京中關村智連安全科學研究院有限公司
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06V10/82;G06V10/762;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京嘉途睿知識產權代理事務所(普通合伙) 11793
• 代理人: 李鵬

本發明涉及一種基于核心點卷積的電力桿塔點云分類分割模型構建方法，包括以下步驟：基于電力桿塔點云數據，對電力桿塔進行分類標注和單體化分割標注；基于核心點卷積算法構建點云分類分割模型；采用Focal loss損失函數優化電力桿塔點云數據的點云分類分割模型；點云分類分割模型輸出點云數據分類結果和分割結果。基于深度學習技術，對桿塔點云數據進行自動分類與單體化分割，采用一模型，兩分支的聯合訓練方法，分類與分割損失共同優化提取點云特征網絡，一次提取，完成點云的分類與分割兩任務，簡化任務流程，提升計算效率。

技術領域

本發明涉及電力設備檢測技術領域，特別涉及一種基于核心點卷積的電力桿塔點云分類分割模型構建方法。

背景技術

隨著我國電力行業的飛速發展，電網規模也隨之不斷壯大，低效的傳統巡線方式已經不能滿足需要。無人機巡檢作為一門安全、高效的巡檢技術，近年來，在電力巡檢領域得到了廣泛的應用。為實現輸電線路無人機的智能巡檢，提高工作效率，基于激光點云數據為無人機巡線規劃航跡，點云數據即基于激光雷達采集的Las格式的點云，在進行航跡規劃時，需要對點云數據進行處理，提高規劃效率。現有的點云分類方法中，常見的方法為一對一的訓練方式，即一模型一分支的訓練模式，對分類和分割分別進行訓練，所需時間長，對系統計算也有一定影響。

發明內容

本發明的目的在于克服現有技術的缺陷，提供一種基于核心點卷積的電力桿塔點云分類分割模型構建方法，本方法采用一模型，兩分支的聯合訓練方法，分類與分割損失共同優化提取特征網絡，使特征提取網絡收斂過程更加穩定，一次特征提取，同時完成分類與分割兩個任務，簡化任務流程，所需時間短，系統計算快。

本發明的技術方案是：一種基于核心點卷積的電力桿塔點云分類分割模型構建方法，包括以下步驟：

步驟S100:基于電力桿塔點云數據，對電力桿塔進行分類標注和單體化分割標注；

步驟S200:基于核心點卷積算法構建點云分類分割模型；

步驟S300:采用Focal loss損失函數優化電力桿塔點云數據的點云分類分割模型；

步驟S600:點云分類分割模型輸出點云數據分類結果和分割結果。

進一步地，電力桿塔點云分類的類別包括：桿塔、地線、導線、絕緣子、引流線；根據所述類別對電力桿塔點云進行類別標注，即完成電力桿塔的分類標注。

進一步地，單體化分割標注：一個單體作為一個實例，進行手動分割標注，將標注后的分類及實例分割數據，作為訓練樣本，進行模型的訓練，即將連續的同一類別的點云分割為一個單體實例，此過程就是從整體桿塔點云數據中找出單個部件的點云。

進一步地，電力桿塔點云數據的點云分類分割模型包括點云分類分支和點云分割分支

進一步地，點云分類分支采用單層感知機，使用softmax函數對電力桿塔點云數據中的每個點進行各個類別的置信度計算，取置信度最大的類別作為該點的最終類別；點云分割分支采用單層感知機，將電力桿塔點云特征映射為32維的特征向量，使用MeanShift聚類算法對特征向量進行聚類，得到點云中每點所屬的簇，作為部件實例。

進一步地，Focal loss損失函數用于處理點云分類分割任務中，解決類別不平衡以及識別難度差異問題。

進一步地，通過Focal loss損失函數不斷優化點云分類分割模型，直至Focalloss損失函數計算的結果趨于穩定。

進一步地，Focal loss損失函數以Cross Entropy交叉熵損失為基礎，添加了α、γ參數，分別用于調整類別權重與識別難易度影響。