1.一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,包括以下步骤:S1、对变电站场景中的三维点云数据进行区域划分与类别标注,基于设备类型设置语义标签,构建适配变电站场景的语义分割点云数据集;
S2、采用PointMetaBase网络作为用于点云数据特征学习的主干网络构建三维语义分割模型;主干网络采用编码器-解码器结构,包括一个多层感知机MLP层、四个下采样抽象模块和三个上采样传播模块;
三维语义分割模型以步骤S1得到的语义分割点云数据集为输入,先通过一层多层感知机MLP层丰富输入的点云数据信息;第一个下采样抽象模块的输入为MLP层的输出,其余下采样抽象模块的输入为前一层的输出;下采样抽象模块用以提取多层次特征,每个下采样抽象模块包括注意力引导编码模块AGE、点云增强模块PCE和倒置瓶颈MLP模块;
其中,注意力引导编码模块AGE和点云增强模块PCE作为特征提取模块在下采样抽象模块内按串行方式连接:AGE模块以中心点特征和邻域特征作为输入,通过多头注意力机制动态聚合邻域信息,侧重于捕获全局上下文关系和几何结构特征;AGE模块提取特征的具体过程为:首先获取中心点特征和邻域特征;中心点特征直接来自于上一个模块的输出特征,记为;然后围绕中心点通过球查询构建邻域,根据邻域索引从全局特征矩阵中提取得到邻域特征,记为;
其次对输入的中心点特征和邻域特征进行批归一化与线性变换,将相对位置编码为三维坐标并输入多头注意力层,在多头注意力层中通过计算几何感知的注意力权重,以动态聚合邻域特征;几何感知的注意力权重的计算公式为:;
其中,为位置编码项,由相对位置经过非线性映射得到;为特征维度的平方根,用于数值稳定性;
再通过第一个残差连接,保留中心特征的原始几何信息,得到,其中、、分别为查询矩阵、键矩阵和值矩阵;
之后再经扩展-压缩结构的双层前馈神经网络进行非线性增强;具体为:先在前馈神经网络扩展层中通过线性变换将特征维度从扩展到,增加特征表达能力,得到扩展特征,公式表达为:;
再采用GELU激活函数引入非线性,并经过前馈神经网络压缩层,将特征维度从2C再压缩回C,得到双层前馈神经网络的输出,公式表达为:;
最终通过二次残差连接融合多层次特征,并应用层归一化,得到注意力引导编码模块AGE的输出特征;公式表示为:;
其中,为线性变换矩阵,、为偏置项;()表示GELU激活函数,()表示层归一化;
AGE模块的输出特征随后传入PCE模块进行进一步增强,PCE模块通过双路径卷积和通道-空间双路压缩机制,强化局部细节表达和精细几何结构特征,点云增强模块PCE提取特征的具体过程为:首先选取中心点,并通过KNN方法构建中心点的自适应邻域,将输入点云划分为包含相对坐标差与特征差异的局部邻域;其中相对坐标差矩阵由邻域点与中心点的坐标差与中心点坐标拼接得到;特征差异矩阵由邻域点与中心点的特征差与中心点特征拼接得到;
其次通过双路径卷积网络分别提取邻域几何特征与特征差异信息,具体为:在双路径卷积网络的几何特征路径中通过卷积处理相对坐标差矩阵,计算公式为:;
再在特征差异路径中通过卷积处理特征差异矩阵,计算公式为:;
通过特征拼接和最大池化操作获得融合特征:
;
然后采用通道-空间双路压缩机制生成全局正则化特征,分别通过两条独立卷积路径降维;
;
;
其中,为通道路径降维特征,为空间路径降维特征;为ReLU激活函数;
通过通道维度和空间维度平均池化,得到通道特征和空间特征,公式表示为:;
;
其中,()、()分别表示通道维度平均池化、空间维度平均池化;
通过交叉运算和特征融合生成全局正则化特征:
;
最终通过残差差分连接实现局部特征与全局上下文的动态校准,并采用Mish激活函数输出高区分度增强特征,即PCE模块的输出特征,计算公式为:;
其中,B为批次大小,N为中心点数量,k为每个中心点的邻域点数量,C为特征维度,为数值稳定常数,为融合特征;残差差分连接采用减法操作;
S3、采用加权损失函数与参数优化器训练模型,解决变电站场景中设备类别分布不均衡问题;
S4、基于训练后的模型对变电站场景点云数据进行语义分割,输出高精度的设备分类结果。
2.根据权利要求1所述的一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,步骤S1具体包括:S11、基于点云数据的空间分布特征与几何属性,对变电站场景进行区域划分,将整体点云分割为不同空间尺度的区块,并划分训练集与测试集;训练集和测试集分别由数量不同的多个独立区块组成,每个区块覆盖不同空间范围且包含所有已定义类别的点云数据;
S12、针对变电站场景中点云数据,根据对象的表现形式、功能属性及空间分布信息划分类别,将点云数据分为非变电设备和变电设备;其中非变电设备进一步细分为母线、电线、高架、杂物、建筑、地面和墙面;
S13、针对变电设备点云数据,依据设备物理规模及其包含的点云数量,再将变电设备进一步细分为小型设备、中型设备及大型设备;
S14、采用专业三维标注软件为步骤S12和步骤S13划分类别后的点云数据标注唯一的语义标签,并整合到统一的语义标签体系下,从而构建起带标签的适配变电站场景的语义分割点云数据集;
S15、再利用主流三维语义分割算法对所构建的语义分割点云数据集进行性能评估;通过记录并分析各个主流三维语义分割算法在区别不同点云类别上的精度、召回率与IoU指标,验证得到的数据集在三维语义分割任务中的适用性;如果得到的数据集被验证具有适用性,则用于后续的模型训练和三维语义分割任务,若被验证不具备普遍适用性,则需要重新进行区域划分、类别划分和标签标注。
3.根据权利要求1所述的一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,步骤S2构建的三维语义分割模型中:倒置瓶颈MLP模块接收PCE模块输出的增强特征,通过扩展-压缩-扩展的通道变换进一步丰富特征表达;
三个上采样传播模块通过特征插值、特征融合及残差细化机制将下采样抽象模块提取的多层次特征逐步恢复至原始点云分辨率,并通过跳跃连接方式与对应层次的下采样抽象模块连接,实现高低分辨率特征的融合;
最后一个上采样传播模块的输出再与MLP层的输出融合,作为模型最终的输出特征;最终的输出特征通过分类头输出每个点的类别概率分布,完成语义分割任务。
4.根据权利要求3所述的一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,主干网络的输入分为两个部分:一部分为点云数据的空间信息,用P表示,包含点云数据的空间坐标x,y,z;另一部分为点云的特征信息,用F表示,包含点云的颜色信息r,g,b以及反射强度i;空间信息P用于位置嵌入,特征信息F传入到主干网络中提取全局和局部特征,经过主干网络特征学习后得到高维特征表示,用于后续的语义分割任务。
5.根据权利要求1所述的一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,步骤S2中所述对输入的中心点特征和邻域特征进行批归一化与线性变换,将相对位置编码为三维坐标并输入多头注意力层,得到多头注意力层的输出的具体计算过程为:;
;
;
;
;
;
其中,为相对位置编码;表示批归一化操作,用于标准化特征分布;和分别表示经过批归一化后的中心点特征和邻域特征;、、分别为查询矩阵、键矩阵和值矩阵;、、是对应的权重矩阵,用于线性变换;
在多头注意力层中通过计算几何感知的注意力权重,以动态聚合邻域特征;几何感知的注意力权重的计算公式为:;
其中,为位置编码项,由相对位置经过非线性映射得到;为特征维度的平方根,用于数值稳定性;则多头注意力层的输出为:;
其中,、分别为第1个注意力头和第h个注意力头的输出,记一共有h个注意力头,其中第i个注意力头的输出=;为线性变换矩阵。
6.根据权利要求1所述的一种基于点云增强与注意力引导的变电站场景三维语义分割方法,其特征在于,步骤S3中:参数优化器为AdamW优化器;
加权损失函数采用交叉熵损失函数,公式为:
;
其中,n表示类别数量;是真实标签的one-hot编码,是模型对每个点的类别预测概率分布。