[发明专利]基于深度学习的大规模点云分割方法、装置、设备及介质

说明书

本发明提供了一种基于深度学习的大规模点云分割方法、装置、设备及介质，涉及点云数据处理技术领域，包括获取点云数据；构建基于pointnet的点云分割模型，并训练点云分割模型得到训练后的点云分割模型，点云分割模型的第二感知层的后嵌入CA注意力机制层和空洞空间卷积池化金字塔层丰富信息；利用训练后的点云分割模型分割更新后的点云数据，得到点云分割结果；本发明通过在pointnet这个基准网络中嵌入一个CA注意力机制层和空洞空间卷积池化金字塔，CA注意力机制层丰富点云数据上下左右之间的含义，空洞空间卷积池化金字塔层作为桥梁，多级采样率的空洞卷积并行采样扩大感受野，丰富语义信息。

技术领域

本发明涉及点云数据处理技术领域，具体而言，涉及基于深度学习的大规模点云分割方法、装置、设备及可读存储介质。

背景技术

相比较于2D数据（图像数据），三维点云数据大多是非规则化、非结构化并且无序的，保留了原始的几何信息在三维空间中，虽然可以获取对象的形状大小，但对其空间位置、几何属性、实质属性等特征的分割提出了新的要求。同时加上采集桥梁类的人工构造物在数据采集时，由外来车辆的干扰影响，故，对于桥梁类的人工构造物点云数据分割继续一种适宜的点云数据分割方式。

发明内容

本发明的目的在于提供一种基于深度学习的大规模点云分割方法、装置、设备及可读存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种基于深度学习的大规模点云分割方法，包括：获取点云数据，所述点云数据由传感器设备采集铁路桥梁构筑物得到；对所述点云数据进行噪声预处理，得到更新后的点云数据；构建基于pointnet的点云分割模型，并训练点云分割模型得到训练后的点云分割模型，所述点云分割模型的第二感知层的后嵌入CA注意力机制层和空洞空间卷积池化金字塔层丰富信息；利用训练后的所述点云分割模型分割更新后的点云数据，得到点云分割结果。

进一步地,所述构建基于pointnet的点云分割模型，包括：构造三维特征最大池化层，所述三维特征最大池化层的输入信息为第二感知层的输出信息，所述三维特征最大池化层用于分别对深度方向、宽度方向、高度方向上进行最大池化；构建拼接层，所述拼接层的输入信息为所述三维特征最大池化层输出信息，所述拼接层的输出信息为深度方向、宽度方向和高度方向依次连接后的信息；依次构建卷积层、归一化层和激活层，所述拼接层的输出信息依次经过所述卷积层、所述归一化层和所述激活层后输出。

进一步地,所述构建基于pointnet的点云分割模型，包括：构建两个M*M的第三卷积核，两个第三卷积核串联处理拼接特征，所述拼接特征由全局特征和局部特征拼接而成，全局特征由CA注意力机制层生成，所述局部特征由pointnet的特征转化层生成，其中M为正整数；构建三个M*M的第三卷积核，三个第四卷积核串联处理第一信息，所述第一信息为两个第三卷积核串联处理的信息。

进一步地,所述训练点云分割模型得到训练后的点云分割模型，包括：获取已标注的桥梁构筑物数据；构建基于加权计算的改进型损失函数；在每次根据已标注的桥梁构筑物数据训练点云分割模型一次后，基于桥梁构筑物数据的标注计算点云分割模型的分割精度，并利用改进型损失函数计算云分割模型的损失值，并使用Adam优化器对云分割模型的参数进行更新；若在预设数量的训练次数内损失值变化率小于第一预设值，且分割精度变化率小于第二预设值，停止训练并保存模型。

第二方面，本申请还提供了一种基于深度学习的大规模点云分割装置，包括：获取单元，用于获取点云数据，所述点云数据由传感器设备采集铁路桥梁构筑物得到；预处理单元，用于对所述点云数据进行噪声预处理，得到更新后的点云数据；模型构建单元，用于构建基于pointnet的点云分割模型，并训练点云分割模型得到训练后的点云分割模型，所述点云分割模型的第二感知层的后嵌入CA注意力机制层和空洞空间卷积池化金字塔层丰富信息；点云分割单元，用于利用训练后的所述点云分割模型分割更新后的点云数据，得到点云分割结果。