CN114820369B 一种基于改进的RandLA-Net的变电站设备点云分割方法 （国网江苏省电力有限公司）

一种基于改进的RandLA-Net的变电站设备本发明公开了一种基于改进的RandLA-Net纹理特征；根据图像数据和点云数据的映射关2分别接收变电站的扫描件和图像，并从扫描件和图像中分别获取点云数据和图像数将增强后的点云数据和图像数据导入点云分割双流网络，获得点云训练数据集中的点云数据和图像数据代入相机成根据图像数据和点云数据的映射关系，将点云特征和图像颜色纹理特征进行融合拼将点云分割结果代入损失函数计算交叉熵损失，并对交叉熵损失采用反向传播推导，所述点云分支网络为改进编码器下采样方法的RandLA所述图像分支网络由下采样的骨干网络和进行上采样转置卷编码器设计如下：将残差网络块4结构中的第一个残差结构里的3×3卷积层以及跳跃根据非零元素上限距离的计算公式对膨胀卷积层残差网络中的所有卷积核的膨胀率尺寸单位；其中，为了避免膨胀卷积问题，对于N个卷积核大小为K*K的N个膨胀率[r1,2.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征33.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征对训练集中的每个样本数据中的点云数据依次采用随机子采样，弹性和对比度的增强以及颜色抖动的算法进行数据增强，从使每个样本获得增强后的点云数将训练集中具有增强点云数据的所有样本数据，进行两两混合，并4.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征从初始点云数据集中随机挑选单个点云Ai至采样数据集中，并以单个点云Ai为查询点根据剩余点云数据至采样数据集中点云数据Ai的距离，再次挑选距离大于其它的点云根据点云数据集A中剩余的点云确定查询点，继续计算点云数据集A中循环确定查询点，并根据确定的查询点选择采样数据直至采样数据集B中的数据数量其中，其中确定查询点包括：计算点云数据集A中的任意一剩余5.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征6.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征7.根据权利要求1所述的基于改进的RandLA-Net的变电站设备点云分割方法，其特征ij4[0003]传统的变电站点云分割，需要手工设计特征描述子，将提取到的几何特征送入习到更好的局部信息，但如何处理好复杂大规模点云数据是仍需解决的问题。第三类以高效的RandLA-Net作为基准模型，并根据变电站数据集特点以及任务需求进行了相应改5[0007]根据获取的点云数据和图像数据制作训练数据集，并对点云数据进行MIX3D数据[0024]在进一步的实施例中，所述RandLA-Net网络改进的下采样方法为最远点采样方[0025]从初始点云数据集中随机挑选单个点云Ai至采样数据集中，并[0028]循环确定查询点，并根据确定的查询点选择采样数据直至采样数据集B中的数据6[0034]编码器设计如下：将残差网络块4结构中的第一个残差结构里的3×3卷积层以及[0035]根据非零元素上限距离的计算公式对膨胀卷积层残差网络中的所有卷积核的膨积核的尺寸单位；其中，为了避免膨胀卷积问题，对于N个卷积核大小为K*K的N个膨胀率[0046]在进一步的实施例中，所述分割头网络由三个全连接层和一个dropout函数层构7采样(Uniform)[-τ/64,τ/64]沿着垂直轴和另一个轴随机旋转场景；因在混合过程中没有8[0073]编码器设计如下：将残差网络块4结构中的第一个残差结构里的3×3卷积层以及[0074]根据非零元素上限距离的计算公式对膨胀卷积层残差网络中的所有卷积核的膨[0082]本实施例中，图像分支网络借鉴Deeplabv3网络的设计，如图3中块1/2/3是原始ResNet网络中的层结构，将残差网络块4结构中的第一个残差结构里的3×3卷积层以及跳[0087]本实施例中点云分支解码器输出特征图通道数为8，图像分支输出特征图通道数9采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定[0097]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/