(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 202211275613.7 (22)申请日 2022.10.18 (71)申请人 国网山西省电力公司电力科 学研究 院 地址 030001 山西省太原市青年路6号 申请人 山西鸿顺 通科技有限公司 (72)发明人 胡帆　杨罡　王大伟　张娜　 张兴忠　 (51)Int.Cl. G06V 10/26(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) G06V 20/64(2022.01) (54)发明名称 一种变电站场景点云语义分割方法 (57)摘要 本发明提供了一种变电站场景点云语义分 割方法， 属于语义分割技术领域； 解决了变电站 场景复杂、 点云数众多、 特征提取困难， 无法准确 提取到具有鉴别性的特征容易出现欠分割或者 过分割等问题； 包括如下步骤： 建立变电站点云 语义分割数据集； 点云数据集标注； 构建变电站 点云语义分割模型——Seg ‑PointNet模型， 模型 主要创新包括提出多尺度残差结构(RES ‑MLP)， 提出3D点云特征金字塔(3DP ‑SSP)， 融入注意力 机模块SENet； 模型训练和测试， 模型在斯坦福大 学建立的公共数据集S3DIS上进行训练， 在 自建 变电站点云数据集SCP上进行验证， 实现变电站 点云数据的分割； 本次发明主要应用于变电站的 场景建模， 可适用于移动装置 。 权利要求书2页 说明书5页 附图3页 CN 115439653 A 2022.12.06 CN 115439653 A 1.一种变电站场景点云语义分割方法， 其特 征在于： 包括如下步骤： 步骤1： 建立变电站点云语义分割数据集； 步骤2： 点云数据集标注： 采用点云标注工具， 将场景下的语义类别分为6类： 10kV变电 室外墙、 变压器、 人、 围墙、 地、 消防沙箱； 步骤3： 构建变电站点云语义分割模型： 以PointNet为基础， 进行模型优化， 构 建变电站 点云语义分割的深度模型Seg ‑PointNet； Seg‑PointNet模型的网络结构主要由多尺度残差的感知模块RES ‑MLP、 3D点云特征金 字塔3DP‑SSP和注意力机制SENet构成； 假设点云的采样点个数设置为N， N个点云经过基于残差结构的多尺度感知模块RES ‑ MLP进行升维； 然后通过三维点云 的空间金字塔3DP ‑SSP模块提取不同尺度的特征向量， 之 后将全局特征和局部特征进 行拼接， 拼接的过程中采用SENet注 意力机制对特征进 行加权； 最后， 将经过拼接的特征复制到N个点中的每个点， 再经过基于残差结构的多尺度感知模块 RES‑MLP进行降维， 最终得到每 个点的语义分割结果； 步骤4： 模型训练和测试： 对构建的Seg ‑PointNet模型进行训练和验证， 并将其部署在 设备进行点云语义分割。 2.根据权利要求1所述的一种变电站场景点云语义分割方法， 其特征在于： 基于残差结 构的多尺度感知模块RES ‑MLP包括RES ‑MLP‑1、 RES‑MLP‑2、 RES‑MLP‑3、 RES‑MLP‑4四个残差 多层感知器， 每 个残差多层感知器的深度是原Po intNet结构中MLP深度的两倍。 3.根据权利要求2所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑1、 RES‑MLP‑2用于将原 始点云数据进行升维操作， 得到 升维后的特 征； 其中RES‑MLP‑1将点云的数据维度从N*6进行升维， 每个点生成64维的点云特征矩阵， 生成N*64维的点云特征矩阵， RES ‑MLP‑2将点云的数据维度从64维升到1024维， 生成N*1024 维的点云特 征矩阵。 4.根据权利要求3所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑3、 RES‑MLP‑4用于将经 过拼接的特 征复制到N个点中的每 个点云数据进行降维操作； 其中RES‑MLP‑3对N*1088维度的组合特征进行降维， 维度降为N*128， RES ‑MLP‑4继续对 N*128维的特 征进行降维， 到m个分割的类别中， 输出最终的语义分割结果。 5.根据权利要求2所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑1， 包含两个残差块， 每个残差块包含两个卷积层， 将点云 的数据维度进行升维， 从N*6 升维到N* 64。 6.根据权利要求5所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑2， 包含三个残差块， 每个残差块包括两个卷积层， 将点云的数据进行升维， 从N*64升维 到N*1024。 7.根据权利要求6所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑3， 包含三个残差块， 每个残差块包括两个卷积层， 将全局特征和局 部特征拼接为1088 维特征进行降维， 降维到128维。 8.根据权利要求7所述的一种变电站场景点云语义分割方法， 其特征在于： 所述RES ‑ MLP‑4， 包含两个残差块， 每个残差块包括两个卷积层， 将经过降维的128维特征映射到m个 语义标签。权　利　要　求　书 1/2 页 2 CN 115439653 A 29.根据权利要求1所述的一种变电站场景点云语义分割方法， 其特征在于： 所述3DP ‑ SSP采用多窗口 的池化方式， 得到多维度的局部特 征， 所述3D P‑SSP用如下公式表示： ； 上式中， Wn为金字塔池 化的窗口尺寸， f代表MLP提取的特征， g代表最大池 化操作， con代 表多尺度特 征的合并。权　利　要　求　书 2/2 页 3 CN 115439653 A 3