【技術實現步驟摘要】
本專利技術涉及三維激光點云數據處理領域，具體涉及電力激光點云語義分割方法。
技術介紹
1、近年來，三維激光掃描技術在輸變電設備數字化建模方面得到快速發展，突顯出極為廣闊的應用前景。在線路隱患排查方面，為樹障、交叉跨越距離、空氣間隙凈空距離等危險點辨識分析提供了高效的檢查手段。在無人機自主巡檢方面，為無人機航跡規劃提供了高精度建模工具。目前激光點云數據分類較為依賴于人工數據處理，存在效率低下、影響精度等問題。
2、由于機載激光點云數據具有場景復雜、目標豐富、點密度不均勻及存在噪聲點等問題，從大量激光雷達點云數據中提取有效信息進行場景分類始終是一個挑戰。傳統的點云分類方法需要利用各種機器學習的分類器對人工標記點云提取的特征描述進行分類，通常會因無法充分聯系上下文信息而忽略點云數據之間的相關性，分類過程中容易產生噪聲，模型泛化能力較差，在真實場景中的應用受到限制，點云分類效率和精度均不高。
3、近幾年，越來越多的研究人員將深度學習應用于點云分類，分類效率和精度較傳統的點云分類算法有了很大提升。基于深度學習實現點云分類的方法可分成四大類，即基于原始點云的分類方法、基于體素的點云分類方法、基于range圖像的點云分類方法、基于融合的點云分類方法。其中基于原始點云的分類方法randla-net是一種高效且輕量級的網絡結構，可以直接處理大規模點云，得到每一個點的分割結果。randla-net采用隨機采樣技術可以大量的節省計算資源和內存資源，局部特征聚合模塊通過逐漸的增加每一個3d點的感受野，可以有效的保留點云的幾何細節
4、在對點云直接處理的分類方式中，基于randla-net的分類方法分類精度相對較高，計算資源和內存資源占用較低，但數據預處理階段的柵格采樣和kd-tree查詢耗時較長，另外數據加載階段randla-net采用的最小可能性采樣方式不支持數據并行采樣，進一步影響了點云語義分割計算效率。
技術實現思路
1、本專利技術的目的在于解決上述現有技術的不足，從而提供一種基于改進randla-net的電力激光點云語義分割方法，以解決現有技術計算效率低的問題。
2、一種基于改進randla-net的電力激光點云語義分割方法，包括以下步驟：
3、獲取輸電線路點云數據作為樣本庫，對樣本庫數據按一定比例劃分為訓練集、驗證集和測試集；
4、對樣本庫中點云數據采用直通濾波器的點云預處理算法，剔除離群點和降低噪聲；
5、對預處理后的點云數據進行點云體素化操作，在體素化過程中，將點云數據映射到離散的體素格子上；
6、基于訓練集、驗證集和測試集訓練點云語義分割網絡模型得到改進randla-net的點云語義分割網絡，通過改進randla-net的點云語義分割網絡對體素格子上的體素位置和強度特征進行編碼后，計算體素類別；
7、根據點云和體素的所屬關系，將體素類別賦值給體素內的點，從而得到每個點的類別。
8、所述輸電線路包含1000kv、±800kv、±500kv、500kv、220kv電壓等級，各電壓等級占比各20％；其中雙回、單回各電壓等級約占50％；線路在山區、平原各電壓等級約占50％，輸電線路總長為1000km；
9、樣本庫的標注類別包括桿塔、地線、導線、絕緣子、地面、植被及建筑物共7類。
10、所述訓練集、驗證集和測試集的比例分別為60％，20％，20％。
11、對樣本庫中點云數據采用直通濾波器的點云預處理算法，剔除離群點和降低噪聲，具體為：
12、采用直通濾波器在x,y,z三個維度上將不在給定值域內的點過濾掉；實現剔除離群點和降低噪聲，以保證輸入樣本的純凈度。
13、采用直通濾波器在x,y,z三個維度上將不在給定值域內的點過濾掉；實現剔除離群點和降低噪聲，具體步驟如下：
14、采用直通濾波器在x,y,z三個維度上將不在給定值域內的點剔除掉，獲得處理過的點云數據集r＝{ri,i＝1,2,3,...,n}，其中ri表示第i個點云數據，n為樣本中的點云總數；
15、對于任意一個點ri，計算該點與距離它最近的k個點之間的平均距離，記為ai：
16、
17、其中j＝1,2,3,...,k，表示與點ri距離最近的第j個點，dij表示點ri與點j的距離；
18、計算ai的平均值μ與標準差σ：
19、
20、
21、針對點云數據構建kd樹，然后遍歷點云中的每個點，使用kd樹查詢其k個最近鄰點，然后使用歐氏距離計算與其鄰近的k個點的距離，將距離處于(μ-f·σ,μ+f·σ)范圍之外的點定為離散點，予以剔除，其中f為比例系數，用于調整降噪效果，f越小剔除的點越多，f越大剔除的點越少。
22、對預處理后的點云數據進行點云體素化操作，在體素化過程中，將點云數據映射到離散的體素格子上，具體為：
23、根據大小為0.1米的體素，體素大小記為v，創建一個覆蓋整個點云數據范圍的三維網格，三維網格由均勻大小的體素組成，每個體素可以視為三維空間中的一個小立方體；
24、遍歷點云中的每個點，根據點的坐標確定其所屬的體素，最終得到深度、高度和寬度分別為d,h,w的體素網格；
25、對于每個非空體素，用其位置和強度特征進行體素特征表示，將體素中所有點的位置平均值記為該體素的位置特征，將體素中所有點強度的平均值記為該體素的強度特征；如果體素中沒有點，將該體素的各項特征值設置為0；最后將體素特征表示為d*h*w*4的特征圖，其中4代表每個體素的特征通道數。
26、改進randla-net的點云語義分割網絡由編碼器和解碼器構成，編碼器主要由三維卷積和最大池化構成，解碼器主要由反卷積和激活函數構成。
27、通過點云語義分割網絡對體素格子上的體素位置和強度特征進行編碼后，計算體素類別，具體為：
28、通過點云語義分割網絡的編碼器對體素的位置和強度特征進行編碼，然后經過點云語義分割網絡的解碼器計算體素類別。
29、編碼器對體素的位置和強度特征進行編碼，具體為：
30、編碼器有五層，第一層由兩個三維卷積對輸入的體素特征進行計算得到d*h*w*32的特征圖；然后采用最大池化對特征圖進行降采樣得到(d/2)*(h/2)*(w/2)*32的特征圖；
31、第二層和、第三層和第四層與第一層結構相同，通過第二層得到(d/4)*(h/4)*(w/4)*64的特征圖，通過第三層得到(d/8)*(h/8)*(w/8)*128的特征圖，通過第四層得到(d/16)*(h/16)*(w/16)*256的特征圖；
32、第五層由兩個三維卷積對第四層的輸出進行特征提取得到(d/16)*(h/16)*(w/16)*512的特征圖。
33、解碼器計算體素類別，具體為：
34、解本文檔來自技高網...
【技術保護點】
1.一種基于改進RandLA-Net的電力激光點云語義分割方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于改進RandLA-Net的電力激光點云語義分割方法，其特征在于：所述輸電線路包含1000kV、±800kV、±500kV、500kV、220kV電壓等級，各電壓等級占比各20％；其中雙回、單回各電壓等級約占50％；線路在山區、平原各電壓等級約占50％，輸電線路總長為1000km；
3.根據權利要求1所述的一種基于改進RandLA-Net的電力激光點云語義分割方法，其特征在于：所述訓練集、驗證集和測試集的比例分別為60％，20％，20％。
4.根據權利要求1所述的一種基于改進RandLA-Net的電力激光點云語義分割方法，其特征在于：對樣本庫中點云數據采用直通濾波器的點云預處理算法，剔除離群點和降低噪聲，具體為：
5.根據權利要求5所述的一種基于改進RandLA-Net的電力激光點云語義分割方法，其特征在于：采用直通濾波器在x,y,z三個維度上將不在給定值域內的點過濾掉；實現剔除離群點和降低噪聲，具體步驟如下：<...
【技術特征摘要】
1.一種基于改進randla-net的電力激光點云語義分割方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的一種基于改進randla-net的電力激光點云語義分割方法，其特征在于：所述輸電線路包含1000kv、±800kv、±500kv、500kv、220kv電壓等級，各電壓等級占比各20％；其中雙回、單回各電壓等級約占50％；線路在山區、平原各電壓等級約占50％，輸電線路總長為1000km；
3.根據權利要求1所述的一種基于改進randla-net的電力激光點云語義分割方法，其特征在于：所述訓練集、驗證集和測試集的比例分別為60％，20％，20％。
4.根據權利要求1所述的一種基于改進randla-net的電力激光點云語義分割方法，其特征在于：對樣本庫中點云數據采用直通濾波器的點云預處理算法，剔除離群點和降低噪聲，具體為：
5.根據權利要求5所述的一種基于改進randla-net的電力激光點云語義分割方法，其特征在于：采用直通濾波器在x,y,z三個維度上將不在給定值域內的點過濾掉；實現剔除離群點和降...
【專利技術屬性】
技術研發人員：馮志強，胡丹暉，杜偉，馬春田，姚堯，胡偉，李俊磊，張力，孟小前，周學明，
申請(專利權)人：國網湖北省電力有限公司電力科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。