(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210083741.5 (22)申请日 2022.01.19 (71)申请人 华雁智能科技 （集团） 股份有限公司 地址 610000 四川省成 都市高新区天华 二 路219号天府软件园C区10号楼16层 (72)发明人 王志峰　徐阳俊　陈明芽　毛登峰　 (74)专利代理 机构 北京超凡宏宇专利代理事务 所(特殊普通 合伙) 11463 专利代理师 于彬 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/26(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06T 7/00(2017.01)G06T 7/11(2017.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种电力线 模型的建立方法和建立装置 (57)摘要 本申请提供了一种电力线模型的建立方法 和建立装置， 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。 通 过所述建立方法和建立装置， 能够通过多尺度提 取局部特征， 从而使得PointNet++神经网络模型 在获取深层特征的同时也能关注更多的细节， 使 得提取出的电力线激光点云数据具有较高的细 粒度与泛化 性。 权利要求书3页 说明书12页 附图4页 CN 114494725 A 2022.05.13 CN 114494725 A 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Po intNet++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Po intNet++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权　利　要　求　书 1/3 页 2 CN 114494725 A 2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Point Net++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Point Net++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。 6.根据权利要求2所述的建立方法， 其特征在于， 所述预处理包括以下项中的至少一 项： 原始样本激光点云数据冗余检验、 原始样本激光点云数据去噪、 原始样本激光点云数 据坐标转换、 原 始样本激光点云数据分块和原 始样本激光点云数据归一 化。 7.一种电力线模型的建立装置， 其特 征在于， 所述建立装置包括： 获取模块， 用于获取目标区域的激光 点云数据； 分割模块， 用于使用预先训练好的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； 提取模块， 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； 拟合模块， 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。 8.根据权利要求7所述的建立装置， 其特征在于， 所述建立装置还包括PointNet++神经 网络模型训练模块， 所述Po intNet++神经网络模型训练模块用于： 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Po intNet++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。 9.一种电子设备， 其特征在于， 包括： 处理器、 存储器和总线， 所述存储器存储有所述处权　利　要　求　书 2/3 页 3 CN 114494725 A 3