一种基于PointNet++与区域生长的LiDAR电力线点云分割方法

本发明涉及输电线路智能巡检，具体涉及一种基于pointnet++与区域生长融合的机载lidar电力线点云分割提取方法。

背景技术：

1、输电线路走廊的安全巡检是电网运维的核心任务之一，电力线、杆塔、植被、建筑物等地物的空间关系直接决定了线路通道内树障、交跨等安全隐患的排查效率与预警可靠性。机载激光雷达（lidar）能够快速获取输电走廊高密度三维点云，是电力巡检的核心数据手段。电力线点云具有目标纤细、点密度稀疏、空间不连续、与植被点云混杂等特点，给电力线的准确分割与提取带来了极大挑战。准确分割与提取电力线点云，对线路弧垂分析、树障距离量测和通道隐患预警具有重要的科学意义和工程价值。在传统的电力线点云提取方法中，通常采用高程阈值、坡度分析、霍夫变换直线检测等基于规则的几何方法进行电力线提取，存在参数敏感、地形适应性差、复杂场景失效等问题。近年来，研究者陆续引入了体素化卷积、投影图像分割等间接点云处理方法用于电力线提取，但体素化损失纤细结构细节、投影处理破坏三维拓扑关系，这些方法对稀疏电力线点、植被混杂干扰缺乏鲁棒性，难以实现自动化、高精度的电力线点云分割。随着深度学习技术的发展，pointnet、pointnet++等直接处理无序点云的网络在三维语义分割领域取得了显著成效，并被逐步引入到电力巡检点云解译中。但电力线点云具有类别极度不平衡（电力线点占比不足百分之一）、空间拓扑呈线性悬链分布等特点，单一结构的点云分割网络仍存在以下不足：（1）下采样过程中稀疏电力线点易被大量植被、地面点淹没，召回率低；（2）全局语义分割未利用电力线连续悬链的空间先验，分割结果易出现断点与毛刺；（3）损失函数对电力线稀有类别与植被等优势类别的失衡考虑不够，易出现电力线漏分割。因此，亟需一种针对电力线点云特点的、具有多尺度局部特征表达与空间连续性约束能力的自动分割提取方法。

技术实现思路

1、为解决现有技术无法克服电力线点云稀疏、与植被点云混杂、空间不连续等干扰，难以对机载lidar电力线点云进行自动化、高精度分割提取的技术问题，本发明的目的在于提供一种基于pointnet++与区域生长融合的机载lidar电力线点云分割提取方法，所采用的技术方案具体如下：一种基于pointnet++与区域生长融合的机载lidar电力线点云分割提取方法，所述方法包括：获取无人机机载激光雷达输电走廊点云数据并进行去噪与高程归一化预处理，获得标准化点云；根据电力线空间分布特性对点云进行走廊分块与均衡采样数据增强；对采样后的点云进行逐点人工标注，获得参考点云数据集；基于pointnet++设计多尺度集合抽象编码模块，将输入点云转换成特征张量以提取电力线多尺度局部特征；基于特征传播设计逐点特征解码模块，用于恢复全分辨率逐点特征；设计区域生长精化模块，包括种子点选取子模块与连续性生长子模块，用于利用电力线空间连续性精化分割结果；融合获得pg-net融合模型；根据电力线点稀疏、类别极度不平衡的特点设计空间连续性加权损失函数，获得电力线稀有类别的损失函数权重；根据损失函数权重进行逐点监督计算，获得模型反馈；根据pg-net融合模型进行训练获得训练好的模型；利用训练好的模型对输电走廊点云进行电力线分割提取；对分割提取结果进行悬链线拟合与连通性分析，获得电力线点云结果；对电力线点云结果进行弧垂计算、树障距离量测及隐患预警数据分析。

2、进一步地，所述点云数据获取与预处理方法包括：获取无人机机载激光雷达沿输电走廊扫描采集的点云数据，点云密度不低于50点每平方米，点云包含三维坐标、回波强度与回波次数属性；对点云进行统计滤波去噪，剔除偏离邻域平均距离超过2倍标准差的离群点；采用布料模拟滤波提取地面点并对点云进行高程归一化，将各点高程替换为相对地面的净空高度，获得标准化点云。

3、进一步地，所述数据增强与标注方法包括：对标准化点云沿输电走廊走向进行150m×150m的走廊分块；对每块点云按类别均衡策略进行采样增强，对含电力线点的分块进行过采样、对纯背景分块进行欠采样，使电力线点占比不低于千分之五；对分块点云配合绕竖直轴随机旋转、随机平移与随机缩放进行数据扩充；对采样后的点云进行逐点人工标注，将电力线、杆塔、植被、地面与其他地物分别标注为不同类别，生成参考点云数据；将参考点云数据统一采样为每块8192个点并构建n×6的特征张量，n为点数，6维特征包含归一化三维坐标、回波强度、回波次数与净空高度，获得标准数据集。

4、进一步地，所述pg-net融合模型获得方法，包括：多尺度集合抽象编码模块由4级集合抽象层组成，每级集合抽象层依次采用最远点采样选取中心点、球查询分组构建局部邻域、共享多层感知机提取局部特征，逐级将点数抽象为2048、512、128、32并提升特征维度；逐点特征解码模块由4级特征传播层组成，每级特征传播层采用反距离加权插值将抽象特征传播回稠密点集，并与编码对应级特征经跳跃连接拼接后由共享多层感知机融合，输出全分辨率逐点特征；设计区域生长精化模块，种子点选取子模块将电力线预测概率高于第一阈值的点作为种子点，连续性生长子模块以种子点为起点，按空间距离与切向一致性准则沿电力线走向迭代生长，将预测概率高于第二阈值的邻域点并入电力线类别；将多尺度集合抽象编码模块、逐点特征解码模块与区域生长精化模块融合，获得pg-net融合模型。

5、进一步地，所述空间连续性加权损失函数获得方法，包括：针对电力线点稀疏、类别极度不平衡、分割结果易断点的问题，在类别加权交叉熵损失基础上引入空间连续性约束项，得到空间连续性加权损失函数，计算公式如下所示：l_ce = -σ w_c·y_c·log(p_c)，w_c = log(n_total/n_c)，l_cont = σ_i σ_j∈ω(i) ||l_i - l_j||_1·exp(-||x_i - x_j||_2/σ_d)，l = λ1·l_ce + λ2·l_cont，式中，w_c为类别c的平衡权重；n_c为数据集中类别c的点数；n_total为总点数；p_c为预测类别概率；y_c为真值类别标签；ω(i)为点i的k近邻集合，k取值为16；l_i、l_j分别为点i、j的预测标签分布；x_i、x_j分别为点i、j的空间坐标；σ_d为距离衰减系数，取值为0.5m；l_cont为空间连续性损失；λ1、λ2为平衡系数；利用损失函数对pg-net融合模型进行逐点监督计算，获得模型反馈。

6、进一步地，所述模型训练获得方法，包括：将电力线点作为前景目标，将植被、地面等其他地物点作为背景；训练时先以类别加权交叉熵损失对编码与解码模块进行预训练，再加入空间连续性损失进行联合微调；初始学习率设置为1×10^-3，并按阶梯衰减策略进行动态调整；批量大小设置为16，迭代训练不少于100个epoch；当验证集电力线类别交并比连续10个epoch不再上升时停止训练，保存最佳模型权重。

7、进一步地，所述悬链线拟合与连通性分析方法，包括：将模型分割提取的电力线点云按档距分段，对每档电力线点云采用最小二乘法拟合悬链线方程，悬链线方程为：y =a·cosh((x - x_0)/a) + b，式中，a为悬链线形状参数，x_0、b分别为水平与垂直平移参数；计算拟合残差并剔除残差大于3倍标准差的粗差点后迭代重拟合；根据悬链线模型计算电力线弧垂与最低点净空高度；量测电力线模型与植被点云、建筑物点云之间的最小空间距离，对小于安全距离阈值的区段生成隐患预警，获得最终的电力线点云结果与统计参数。

8、本发明具有如下优异效果：本发明通过获取无人机机载激光雷达输电走廊点云并进行去噪与高程归一化，获得标准化点云，点云具有丰富的地物形态与空间分布变化，能够为深度学习模型提供充足的样本；由于电力线点占比极低，故采用走廊分块与类别均衡采样对点云进行数据增强，在提高模型对稀有类别敏感性的同时丰富数据多样性；将点云进行逐点人工标注，获得参考点云数据；对点云数据进行统一采样与特征构建以减少运算量并提升训练效率，获得标准数据集；由于电力线具有纤细、稀疏、多尺度局部分布的特点，故采用pointnet++多尺度集合抽象编码模块直接处理无序点云，通过最远点采样与球查询分组逐级提取多尺度局部特征，避免体素化损失纤细结构细节的问题；采用特征传播解码模块经反距离加权插值与跳跃连接恢复全分辨率逐点特征；由于电力线在空间上呈连续悬链分布，故设计区域生长精化模块，以高置信种子点为起点按空间距离与切向一致性准则生长，利用空间连续性先验修复断点与毛刺；由于电力线点稀疏、类别极度不平衡，故设计空间连续性加权损失函数，以类别平衡权重强化稀有类别监督并以近邻标签一致性约束空间连续性，在不损失整体精度的前提下提升电力线召回率；利用训练好的模型对输电走廊点云进行分割；由于模型分割结果可能存在粗差与断点，故采用悬链线拟合与残差迭代剔除进行后处理，获得完整的电力线点云结果；最后对电力线点云进行弧垂计算、树障距离量测与隐患预警的数据分析。本发明充分考虑了电力线点云在密度、分布、拓扑上的复杂性，设计了独特的多尺度集合抽象编码、特征传播解码与区域生长精化模块，增强了点云分割模型的局部特征表达能力与空间连续性约束能力，提升了电力线分割的完整度、连续性和召回率，为输电线路智能巡检提供了可靠的技术手段。