[发明专利]一种电力线模型的建立方法和建立装置

权利要求书

1.一种电力线模型的建立方法，其特征在于，所述建立方法包括：

获取目标区域的激光点云数据；

使用预先训练好的PointNet++神经网络模型对目标区域的激光点云数据执行人工智能相关的运算，以得到分割好的目标区域的激光点云数据；

从所述分割好的目标区域的激光点云数据中，提取出所述目标区域的电力线激光点云数据；

对所述电力线激光点云数据进行拟合处理，以得到所述目标区域的电力线模型。

2.根据权利要求1所述的建立方法，其特征在于，所述PointNet++神经网络模型通过以下方式训练而被得到：

获取多个被设置标签的样本激光点云数据集合；所述标签的类别包括电线、杆塔和高植被中的一个或多个的组合；

利用获取的多个被设置标签的样本激光点云数据集合，通过交叉熵损失函数训练原始PointNet++神经网络模型，以得到训练好的PointNet++神经网络模型；

所述多个被设置标签的样本激光点云数据集合通过以下方式被获取：

获取多个原始样本激光点云数据集合；

对所述多个原始样本激光点云数据集合进行预处理，得到多个样本激光点云数据集合；

将所述多个样本激光点云数据集合设置标签，以得到多个被设置标签的样本激光点云数据集合。

3.根据权利要求2所述的建立方法，其特征在于，所述利用获取的多个被设置标签的样本激光点云数据集合，通过交叉熵损失函数训练原始PointNet++神经网络模型，以得到训练好的PointNet++神经网络模型，包括：

针对每个样本激光点云数据集合，获取该样本激光点云数据集合中每个样本激光点云数据的浅层特征；其中，所述浅层特征为高程特征；

针对每个样本激光点云数据集合，获取该样本激光点云数据集合中每个样本激光点云数据的深层特征；

针对每个样本激光点云数据集合中的每个样本激光点云数据，将该样本激光点云数据对应的浅层特征和深层特征进行特征维度对齐，得到每个样本激光点云数据的融合特征；

基于每个样本激光点云数据的融合特征，确定每个样本激光点云数据集合中的每个样本激光点云数据的语义分割信息和交叉熵损失函数的损失值；其中，语义分割信息用于表示每个样本激光点云数据的标签；

当所述交叉熵损失函数的损失值逐渐收敛，确定得到训练好的PointNet++神经网络模型。

4.根据权利要求3所述的建立方法，其特征在于，通过以下步骤获取每个样本激光点云数据集合中每个样本激光点云数据的深层特征：

将所述每个样本激光点云数据集合输入原始PointNet++神经网络模型的采样层，得到每个样本激光点云数据集合的多个中心点；

针对每个样本激光点云数据集合的每个中心点，将该中心点输入原始PointNet++神经网络模型的分组层，利用多尺度分组方法，得到以该中心点为圆心，在不同半径下的多个局部邻域；其中，每个半径对应一个局部邻域；

针对每个样本激光点云数据集合的每个中心点，将该中心点的多个局部邻域分别输入到原始PointNet++神经网络模型的特征提取层，通过特征提取层得到在每个局部邻域内的中心点的原始特征，并将得到的该中心点的每个局部邻域内的中心点的原始特征进行拼接，得到该中心点的深层特征；

针对每个样本激光点云数据集合的每个中心点，对该中心点的深层特征进行反向插值和跃阶连接处理，得到输入原始PointNet++神经网络模型的每个样本激光点云数据集合中每一个样本激光点云数据的深层特征。

5.根据权利要求1所述的建立方法，其特征在于，所述对所述电力线激光点云数据进行拟合处理，以得到所述目标区域的电力线模型，包括：

获取所述目标区域的预先建立好的待拟合电力线模型；

将所述电力线激光点云数据输入到所述待拟合电力线模型中，确定所述目标区域的初始电力线模型；

将所述初始电力线模型进行简化处理，确定所述目标区域的电力线模型。