[0001] 本发明属于输电线路三维建模技术领域，具体地说，涉及一种输电线路激光点云分类方法。

[0002] 输电线路是电力传输的主要部分，在电力的传输运送过程中发挥着关键作用。但由于近年来电网发展迅速，输电线路长度不断增加，采用人工巡检愈发耗时耗力，采用无人机巡检成为一种趋势。输电线路点云分类是实现线路安全分析和三维重建等应用的基础工作，其目的是从原始点云中提取电力线、杆塔、植被以及建筑等关键要素点云，平均分类精度应不低于80％，尤其关注电力线和杆塔等主体要素的识别和提取，分类精度应在85％以上。通过机载激光雷达对输电线路进行扫描，并根据扫描数据进行点云标注分类并对输电线路进行三维建模，能够得到输电线路沿线的物体种类和位置，能够还原输电线路走廊地貌，有利于输电线路的巡检智能化，能够弥补人工巡检的缺陷。

[0003] 现有技术中虽然有技术能够通过激光雷达扫描得到的点云数据，使用深度学习模型对其进行分类，能够得到点云类别，辅助完成输电线路的三维建模过程，并进一步支撑后续的输电线路智能巡检。但是输电通道内地物要素呈现复杂性，现有技术中的点云提取技术未能实现高精度分类和识别，导致在无人机自主巡检中，对输电线路和周围环境的细节捕捉不够精确。进而限制减少了无人机巡检的效率和准确性。

[0004] 有鉴于此特提出本发明。

[0044] 现在对本发明作进一步详细的说明。

[0045] 在本实施例中提供了一种输电线路激光点云分类方法，包括以下步骤：

[0046] 步骤S1：采用激光雷达获取点云数据集，并对输电线路场景数据进行采集，从而得到输电线路的点云数据；

[0047] 步骤S2，构建PointNet++神经网络，并在所述PointNet++神经网络模型中集成梯度注意模块和点注意模块，得到改进的PointNet++神经网络模型；

[0048] 步骤S3，将训练集输入到所述改进PointNet++神经网络模型中，对所述改进PointNet++神经网络模型进行训练，得到训练好的所述改进PointNet++神经网络模型；

[0049] 需要说明的是，所述梯度注意模块的核心思路是通过计算邻域点的天顶角和方位角提高点云间的细粒度几何信息，使模型能够捕获更精确的局部特征。点注意模块的核心思路是基于相邻点云特征之间的相关性构建键值，从而使得模型能够更好地进行分类。

[0050] 步骤S4，使用CloudCompare点云处理软件进行预处理，对激光雷达采集的输电线路点云数据进行标注；对激光雷达采集的输电线路点云数据进行标注的类型包括但不限于塔，电力线，植被。

[0051] 步骤S5，将预处理后的所述输电通道点云数据输入到改进的PointNet++神经网络模型中，识别并分类出所述输电通道点云数据中的各类别。

[0052] 需要说明的是，本发明从火热的PointNet神经网络模型以及现有的由其改进的PointNet++网络模型入手，对其网络架构，实现思路进行逐一剖析，并对两个网络现存的问题出发，提出自己的改进思路，引出本发明的改进模型，即改进PointNet++神经网络模型，提高了对输电通道内对电力线，杆塔，植被和地面点云数据的分割精度。

[0053] 本实施例的，所述改进PointNet++神经网络模型包括一个编码器网络、一个解码器网络和一组跳跃连接；

[0054] 所述编码器网络包括四个集合抽象模块；

[0055] 所述解码器网络包括四个特征传播模块，特征传播模块旨在逐步恢复语义上强的特征表示，以生成高质量的分类点云

[0056] 所述集合抽象模块中的特征通过所述跳跃连接与所述特征传播模块中的特征连接。

[0057] 需要说明的是，为了增强特征表示的能力，跳跃连接将集合抽象模块中选择的特征与特征传播模块中具有相同大小的特征集成在一起。

[0058] 具体而言，所述集合抽象模块以N×3的矩阵作为输入并输出具有N1个子采样点的N1×64矩阵，其中包含64个维度的特征向量，这些向量包含了局部的上下文信息。

[0059] 所述集合抽象模块包括一个采样层、一个分组层和一个特征提取层。首先，采样层通过迭代FPS算法选择N1个点作为局部区域的质心。具体而言，将输入的点数定义为{x1,x2,...,Xn}，通过FPS选择一个点的子集{xi1,xi2,...,Xim}，使得，是相对于其余点而言，距集合{xi1,xi2,...,Xij‑1}最远的点(以公制距离为单位)。随后，分组层中通过球查询算法(ballqueryalgorithm)搜索N1个质心周围的“相邻”点来构造相应的局部区域。对于每个质心，通过球查询算法，可以在给定半径的球体范围内找到所有的相邻点K，如果相邻点的数量K大于32，则从该点集中随机选择32个点以构建局部区域。

[0060] 实施采样层和分组层之后，LiDAR点云数据已下采样至N1个点集中，每个点集包含32个点及其3个属性。输出的一组大小为N1×32×3的点集。通过梯度注意模块计算邻域点的天顶角和方位角提高点云间的细粒度几何信息。对于每一个点，通过多层感知器(MLP)提取其特征，随后通过所述点注意模块将查询映射到键值对，通过查询在键下的权重，将权重分配给相应的查询。最后通过最大池化，模型能够在每个局部区域内提取最显著的特征，从而提高对局部区域的理解。

[0061] 在本实施例中，如上提及的，所述特征传播模块旨在逐渐恢复语义上较强的特征表示，以生成高精度的分类点云。所述编码器网络输出的数据大小为N4×512，其中512是特征的维度，包含更多的有用通道特征信息。为了将学习的特征从采样点传播到原始点，首先通过特征传播模块内的反距离加权插值法进行插值。N4×512的点特征从N4个点传播至N3个点中，其中N3和N4是第四组集合抽象模块中的输入和输出点集(其中N4≤N3)。

[0062] 为了增强特征表示的能力，本发明将N3点上的插值特征通过跳跃连接与集合抽象模块中的对应N3点的特征进行特征连接，然后使用跳跃链接将插值后的特征和上述采样层前的点特征进行级联。最后，连接后的特征将通过“unitpointnet”传递，这类似于CNN中的1×1逐点卷积。并应用一些共享的完全连接层和ReLU层来更新每个点的特征向量。重复上述过程，直到将特征信息完全传播至原始点集为止。

[0063] 本实施例的，所述梯度注意模块通过计算邻域点的天顶角和方位角，提高点云间的细粒度几何信息，通过最远点采样得到pc个中心点，利用球查询以每个中心点搜索K个近邻点形成G个组，在每个中心点 的邻域内建立一个有向图后，计算与其临近点之一qs，k的相对位置向量es，k以及距离信息ds，k，es，k表示为 其中s∈G，k∈K；

[0064]

[0065] 式(1)中， 表示笛卡尔坐标系中的相对位置向量；

[0066] 然后计算每个邻域点的方位角正弦值和余弦值的和，并与天顶角正弦相乘，来表示邻近点梯度信息gs，k，其表达式为：

[0067]

[0068] 式(2)中， 表示邻域点天顶角的正弦， 表示为邻域点方位角的正弦， 表示为邻域点方位角的余弦；

[0069] 使用MLP融合梯度信息和邻域点的距离信息来获得注意力权重矩阵M的表达式为：

[0070] ms，k＝Sigmoid(MLP([gs，k；ds，k]))  (3)

[0071] 式(3)中，Sigmoid是激活函数，[；]表示拼接操作；

[0072] 根据式(3)中得到的ms，k获取权重矩阵M的表达式为：

[0073] M＝{ms，k|s∈G，k∈K}  (4)

[0074] 在获得权重矩阵M后，将其与输入点云特征相乘，因此，梯度注意模块可以根据邻域点的重要性提取点云的深层特征；

[0075] 完整的局部特征聚合过程的表达式为：

[0076]

[0077] 式(5)中，λ是平衡权重，设置为1，φ(·)表示局部特征提取器。

[0078] 本实施例的，所述点注意模块基于相邻点云特征之间的相关性构建键值，将特征抽象的输出pG×K×T作为输入数据P，其中G表示分组的个数，K表示每组中固定的点数，T表示特征的维度，将输入数据P分别输入到两个卷积层中，得到两个输出AG×K×T和BG×K×T后，将每组的点特征展开为向量，并将它们重塑为两个矩阵AG×J和BG×J，其中J是K×T，然后对矩阵A进行转置与B进行矩阵乘法后，对结果应用softmax函数得到了点注意力矩阵，获取点注意力矩阵的表达式为：

[0079]

[0080] 式(6)中，sij∈ATB，Uj，j表示第i个特征对第j个特征产生影响，两个点之间的值越大，说明它们具有很强的相关性。

[0081] 再将P通过一个卷积层馈送，实现输出数据CG×K×T进行查询，将其转换为矩阵CG×J，并乘以点注意力矩阵的转置，结果就是CG×K×T。然后将结果重塑为G×K×T，并乘以一个尺度α与数据P行逐元素求和，最终结果是注意机制的输出，其表达式为：

[0082]

[0083] 式(7)中，α是能学习的尺度参数，初始化为0，它能逐渐为局部邻域以外的非局部特征分配更多的权重，这些点具有不同的权重，这有利于对边界区域的一些混合点进行分类，最终的结果Outpoint是带有点注意力矩阵的特征增强输出。

[0084] 本实施例的，在对所述改进PointNet++神经网络模型进行训练的过程中，使用随机丢弃输入点的策略，使得所述训练集存在不同密度的区域分布，并且使用交叉熵损失函数纠正输电通道内点云分布的不均衡性。

[0085] 本发明不局限于上述实施方式，任何人应得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。本发明未详细描述的技术、形状、构造部分均为公知技术。