[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

权利要求书

1.一种基于深度学习的大规模点云分割方法，其特征在于，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；

其中,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；

其中，构建卷积层，包括：

构建第一数目个的第一卷积核，每个第一卷积核用于对拼接层每个通道的输出信息中进行卷积运算，得到初步特征图集合，第一数目等于拼接层的输出信息中通道数；

构建第二数目个的第二卷积核，每个第二卷积核用于分别对特征图的像素进行卷积运算，得到融合特征集，特征图为初步特征图集合中的一个特征图；

构建拼接层，拼接层用于按照融合特征集中每个特征被计算的位置计算，得到拼接特征；

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的第四卷积核，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。

2.根据权利要求1所述的基于深度学习的大规模点云分割方法，其特征在于,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；其中，损失函数为：

其中，C为通道总数，c为通道数，N为总点数；g_i，c为在通道c下i的真实值；p_i，c为通道c下i的预测值；W_C为通道c下类别的权重参数；

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。