具体技术细节
[0005] 本发明要解决的技术问题在于克服现有技术的不足，提供一种输电线路激光点云分类方法，解决了上述背景技术中提出的问题。
[0006] 为解决上述技术问题，本发明采用技术方案的基本构思是：
[0007] 一种输电线路激光点云分类方法，包括以下步骤：
[0008] 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；
[0009] 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；
[0010] 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；
[0011] 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；
[0012] 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。
[0013] 可选的，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；
[0014] 所述编码器网络包括四个集合抽象模块，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，所述分组层为多尺度分组层，所述特征提取层由多层感知机和最大池化层构成；
[0015] 所述解码器网络包括四个特征传播模块，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；
[0016] 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。
[0017] 可选的，所述集合抽象模块以N×6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。
[0018] 可选的，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；
[0019]
[0020] 式(1)中， 表示笛卡尔坐标系中的相对位置向量；
[0021] 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：
[0022]
[0023] 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；
[0024] 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：
[0025] ms，k＝Sigmoid(MLP([gs，k；ds，k])) (3)
[0026] 式(3)中，Sigmoid是激活函数，[；]表示拼接操作；
[0027] 根据式(3)中得到的ms，k获取权重矩阵M的表达式为：
[0028] M＝{ms，k|s∈G，k∈K} (4)
[0029] 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；
[0030] 完整的局部特征聚合过程的表达式为：
[0031]
[0032] 式(5)中，λ是平衡权重，设置为1，φ(·)表示局部特征提取器。
[0033] 可选的，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：
[0034]
[0035] 式(6)中，sij∈ATB，Uj，i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。
[0036] 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：
[0037]
[0038] 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。
[0039] 可选的，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。
[0040] 可选的，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。
[0041] 采用上述技术方案后，本发明与现有技术相比具有以下有益效果，当然，实施本发明的任一产品并不一定需要同时达到以下所述的所有优点：
[0042] 本发明通过整合梯度注意模块和点注意模块到PointNet++网络的特征提取层，能够捕捉更精细的几何信息，从而增强模型的局部特征聚合能力，这种增强不仅提高了点云数据的特征提取效率，还显著提升了模型在分类任务上的准确度。
[0043] 下面对本发明的具体实施方式作进一步详细的描述。
法律保护范围
涉及权利要求数量6：其中独权1项，从权-1项
1.一种输电线路激光点云分类方法，其特征在于，包括以下步骤：
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；
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；
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；
步骤S4，使用Cloud Compare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；
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。
2.根据权利要求1所述的一种输电线路激光点云分类方法，其特征在于，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；
所述编码器网络包括四个集合抽象模块，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，所述分组层为多尺度分组层，所述特征提取层由多层感知机和最大池化层构成；
所述解码器网络包括四个特征传播模块，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；
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。
3.根据权利要求2所述的一种输电线路激光点云分类方法，其特征在于，所述集合抽象模块以N×6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。
4.根据权利要求1所述的一种输电线路激光点云分类方法，其特征在于，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；
式(1)中， 表示笛卡尔坐标系中的相对位置向量；
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：
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；
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：
ms，k＝Sigmoid(MLP([gs，k；ds，k])) (3)
式(3)中，Sigmoid是激活函数，[；]表示拼接操作；
根据式(3)中得到的ms，k获取权重矩阵M的表达式为：
M＝{ms，k|s∈G，k∈K} (4)
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；
完整的局部特征聚合过程的表达式为：
式(5)中，λ是平衡权重，设置为1，φ(·)表示局部特征提取器。
5.根据权利要求1所述的一种输电线路激光点云分类方法，其特征在于，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：
式(6)中， Uj，i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。
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a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：
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。
6.根据权利要求1所述的一种输电线路激光点云分类方法，其特征在于，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。
根据权利要求1所述的一种输电线路激光点云分类方法，其特征在于，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。
