一种基于SE-PointNet++神经网络模型的点云识别方法与流程

本发明涉及点云数据处理，尤其涉及一种基于se-pointnet++神经网络模型的点云识别方法。

背景技术：

1、三维点云已成为除地图和影像之外的第三大类空间数据，并在数字地球、数字城市、智能交通和三维制图等领域发挥着十分关键的作用。在点云数据处理过程中，快速、高效和高精度的点云自动分割与分类技术是实现点云数据被有效利用的关键所在。

2、目前，在点云分类任务中，存在数据冗余，点密度不均匀，缺乏统一的点云数据结构等难题，同时随着采集设备性能的提升，在数据量日益庞大，场景愈发复杂的情况下，基础性的分割算法，例如基于法向，粗糙度，边界凹凸等特点的分层聚类，区域生长等算法的实际分割效果越发不理想，而深度学习分割网络的出现则在一定程度上解决了上述矛盾。这是由于深度学习具有较强的学习能力，能够对复杂场景下的特征进行精细地提取，从而可以较好地解决传统分割方法的不足。

3、在深度学习点云分割任务中，pointnet作为点云神经网络的鼻祖，它提出了一种网络结构，可以直接从点云中学习点云的结构特征，实现准确的类别分割，同时在之后的发展中，pointnet系列还推出了pointnet++等改进网络，实现了更加细粒度的点云语义分割效果。

4、不过，现有的pointnet和pointnet++网络对细节的大致类别虽然都进行了准确区分，但是在实际细节效果上依旧存在较大差异。就细节区域而言，pointnet网络的识别结果比较差，将两条地线都识别成为了导线，同时电力塔塔身部分也存在部分预测错误为高植被的情况出现。而pointnet++网络的识别结果虽然相较于pointnet有所改善，对地线分类准确率与对杆塔的分类准确率也得到了提升，但是依旧出现了将地线分类错误，且将绝缘子等小部件点云分类成植被的情况。

5、因此，需要对现有技术进行改进。

6、以上信息作为背景信息给出只是为了辅助理解本公开，并没有确定或者承认任意上述内容是否可用作相对于本公开的现有技术。

技术实现思路

1、本发明提供一种基于se-pointnet++神经网络模型的点云识别方法，以解决现有技术中存在的问题。

2、为实现上述目的，本发明提供以下的技术方案：

3、一种基于se-pointnet++神经网络模型的点云识别方法，包括：

4、对待识别的输电通道点云数据进行预处理；

5、将预处理后的所述输电通道点云数据输入到se-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小部件；所述se-pointnet++神经网络模型由pointnet++神经网络模型集成se-block模块后得到。

6、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，在所述对待识别的输电通道点云数据进行预处理的步骤之前，所述方法还包括：

7、构建pointnet++神经网络模型，并在所述pointnet++神经网络模型中集成se-block模块，得到改进的se-pointnet++神经网络模型；

8、将训练集输入到所述se-pointnet++神经网络模型中，对所述se-pointnet++神经网络模型进行训练，得到训练好的所述se-pointnet++神经网络模型。

9、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，所述se-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；

10、所述编码器网络包括四个集合抽象模块；

11、所述解码器网络包括四个特征传播模块；

12、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。

13、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，所述集合抽象模块包括一个采样层、一个分组层和一个通道特征注意力层。

14、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，所述分组层为多尺度分组层。

15、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，所述通道特征注意力层为密度自适应通道特征注意力层。

16、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，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。

17、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，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。

18、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，所述se-block模块是基于变换的ftr而建立的计算单元，其将输入的x＝[x1,x2,...,xc'](x∈rh'×w'×c')映射至特征图u∈rh×w×c中；其中，h'、w'和c'分别为x的高度、宽度和通道数，h、w和c分别为u的高度、宽度和通道数；

19、ftr变换的定义如以下公式：

20、其中，uc为输出，*为卷积运算，为第c个过滤器的参数，xs为x中第s个输入，为一个二维的空间内核，代表作用于x的相应通道vc的单个通道

21、ftr变换操作后，进行压缩和激励两个过程；

22、压缩过程：通过缩小u的空间尺寸h×w来生成统计z∈rc，其中z的第c个元素通过以下公式计算：

23、其中，fsq(uc)定义为压缩过程，h和w分别为u的高度和宽度，uc∈rh×w为u中的第c个二维矩阵；

24、激励过程：激励过程fex(z,w)通过在压缩过程之后附加两个全连接层，以非互斥的方式利用通道级的相互依赖性，两个全连接层的输出分别使用修正线性单元relu和sigmoid函数进行激活，定义s为通道级注意描述符，注意描述符s的每个条目对输入特征图的相应特征信道的信息性和显著性进行编码，注意描述符s作为权重函数，用于重新校准输入特征图，以突出显示信息特征的贡献，注意描述符s定义如以下公式：

25、s＝fex(z,w)＝σ(g(z,w))＝σ(w2δ(w1z))；其中，δ为relu激活函数，r为一个具有缩小概率的降维层，σ为sigmoid激活函数，其将每个通道的重要性限制在[0，1]的范围内，并将其乘以u通道作为下一级的输入；

26、所述se-block模块的最终输出是通过s对u进行放缩获得的：

27、其中，为所述se-block模块的最终输出结果，sc是s的第c个条目，fscale(uc，sc)为标量sc和特征图uc∈rh×w之间的通道乘法。

28、进一步地，所述基于se-pointnet++神经网络模型的点云识别方法中，在对所述se-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，并且使用样本加权和ghm损失函数纠正输电通道内点云分布的不均衡性。

29、与现有技术相比，本发明具有以下有益效果：

30、本发明提供的一种基于se-pointnet++神经网络模型的点云识别方法，通过对现有的pointnet++神经网络模型进行改进，即将se-block模块集成在内，使得得到的se-pointnet++神经网络模型能够在输电通道小部件点云的分类细节结果上有较好的表现，从而识别结果能够准确反映出真实类别，提高了分类精度，具有实际的应用价值。

31、本发明具有其它的特性和优点，这些特性和优点从并入本文中的附图和随后的具体实施方式中将是显而易见的，或者将在并入本文中的附图和随后的具体实施方式中进行详细陈述，这些附图和具体实施方式共同用于解释本发明的特定原理。