吳晨曦， 丁 建， 王 彬， 徐懿華， 曹 暉

(1. 國網(wǎng)浙江省電力有限公司超高壓分公司輸電檢修中心， 浙江 杭州 310000； 2. 西安交通大學(xué)電氣工程學(xué)院， 陜西 西安 710049)

1 引言

輸電線路是電力傳輸?shù)年P(guān)鍵部分，輸電線路的安全運(yùn)行是電力傳輸?shù)闹匾Ｕ稀鹘y(tǒng)的輸電線路主要采取人工實(shí)地巡檢的方式，隨著輸電線路距離不斷增加和技術(shù)的不斷進(jìn)步，耗時(shí)耗力的人工巡檢方式逐漸被智能巡檢取代。為適應(yīng)現(xiàn)代化電網(wǎng)快速發(fā)展和安全運(yùn)行的需要，無人機(jī)電力巡檢技術(shù)應(yīng)運(yùn)而生。

通過在無人機(jī)上搭載的激光雷達(dá)設(shè)備，可以獲取到海量的點(diǎn)云信息，不僅包含目標(biāo)物體的三維信息，還包含幾何結(jié)構(gòu)、弱紋理和語義等信息，據(jù)此可以對(duì)輸電線路進(jìn)行三維建模。架空輸電線路無人機(jī)巡檢過程中，機(jī)載激光雷達(dá)拍攝的輸電廊道包含輸電線、桿塔、地面、植被等主要目標(biāo)物。對(duì)輸電線路走廊進(jìn)行分析前首先需要進(jìn)行地面點(diǎn)與非地面點(diǎn)的分離，而后再對(duì)非地面點(diǎn)進(jìn)行輸電線、桿塔、植被等精細(xì)分類，點(diǎn)云分類算法在其中起到關(guān)鍵作用。不同物體的點(diǎn)云有各自對(duì)應(yīng)特征，利用這些特征，通過一定算法可將不同目標(biāo)物從點(diǎn)云中分別提取出來，從而幫助細(xì)化輸電線路三維模型，有效地提高了輸電線路的運(yùn)維效率。點(diǎn)云數(shù)據(jù)分類是分析輸電線路安全的基礎(chǔ)，點(diǎn)云分類已成為國內(nèi)外的熱點(diǎn)研究問題。

1994年，Chua等人[1]最早提出基于點(diǎn)的特征描述方法，即點(diǎn)簽名法。點(diǎn)簽名法通過物體中每個(gè)點(diǎn)所在曲線的法向量與參考矢量定義的旋轉(zhuǎn)角度，獲得描述表面的三維數(shù)據(jù)點(diǎn)對(duì)應(yīng)的一維簽名，通過簽名匹配來實(shí)現(xiàn)點(diǎn)的分類。點(diǎn)簽名的計(jì)算雖然可以不在連續(xù)點(diǎn)附近執(zhí)行，但對(duì)噪聲數(shù)據(jù)的處理效果較差，且一個(gè)特征點(diǎn)可能有多個(gè)描述向量。不同于點(diǎn)簽名法中的一維表示，1999年，Johnson等人[2]提出旋轉(zhuǎn)圖像法，使用二維圖像與三維點(diǎn)云進(jìn)行聯(lián)系，通過表面點(diǎn)匹配從而實(shí)現(xiàn)物體分類。該方法不僅可以在有遮擋的雜亂場景中識(shí)別多個(gè)對(duì)象，其識(shí)別匹配效率也顯著增加。但以它為代表的基于局部特征的點(diǎn)云分類方法存在計(jì)算量大、計(jì)算效率低的問題。近年來，基于機(jī)器學(xué)習(xí)的點(diǎn)云分類方法大量涌現(xiàn)。Agrawal等人[3]提出的基于馬爾可夫隨機(jī)場的點(diǎn)云分類方法在識(shí)別室外環(huán)境，如識(shí)別汽車、建筑物等物體上十分有效。另有學(xué)者將支持向量機(jī)[4,5]、隨機(jī)森林[6,7]等機(jī)器學(xué)習(xí)方法引入點(diǎn)云識(shí)別分類中，雖然這些方法在識(shí)別簡單規(guī)則物體時(shí)性能較好，但在較為復(fù)雜的物體與環(huán)境識(shí)別上仍顯不足。隨著人工智能的快速發(fā)展，PointNet[8]開創(chuàng)性地將深度學(xué)習(xí)直接用于三維點(diǎn)云任務(wù)，引入單對(duì)稱函數(shù)，即最大池化來解決點(diǎn)的無序性問題，設(shè)計(jì)出一種能夠直接對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行分類的網(wǎng)格結(jié)構(gòu)，簡化預(yù)處理的同時(shí)提升了分類速度。但是該方法不能捕獲空間點(diǎn)的局部特征，對(duì)于細(xì)粒圖案的識(shí)別能力和復(fù)雜場景的泛化性能有所欠缺。針對(duì)點(diǎn)云的無序性與不規(guī)則性，研究人員提出了PatchCNN[9]，該方法通過引入X變換矩陣對(duì)學(xué)習(xí)到的特征賦予權(quán)重，并將特征按某種順序排列，點(diǎn)云分類效果有所提升。在此基礎(chǔ)上改進(jìn)的方法Point-GNN[10]作為圖卷積神經(jīng)網(wǎng)絡(luò)方法的一種，通過探索所構(gòu)建圖中編碼的局部結(jié)構(gòu)來對(duì)三維點(diǎn)云數(shù)據(jù)進(jìn)行分類，但在復(fù)雜場景下，由于X變換矩陣而產(chǎn)生的一系列問題仍較難處理。

以上方法都使用離散的局部點(diǎn)來捕獲局部信息,并基于局部幾何信息進(jìn)行點(diǎn)云上的卷積運(yùn)算,并未考慮點(diǎn)與點(diǎn)之間的相互關(guān)聯(lián)。為解決上述不足，本文提出一種基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型：首先，使用最遠(yuǎn)點(diǎn)采樣從原始點(diǎn)云中迭代子采樣點(diǎn)集，有效地降低模型復(fù)雜度和時(shí)間消耗；之后，采用邊緣卷積方法滑動(dòng)地提取局部圖特征，對(duì)輸入點(diǎn)云上的每一個(gè)點(diǎn)計(jì)算相鄰點(diǎn)之間的邊緣特征，從而得到該點(diǎn)與其鄰域之間的依賴關(guān)系；最后，通過在卷積層和池化層中嵌入邊緣卷積層，提取和聚合相鄰連接節(jié)點(diǎn)和中心節(jié)點(diǎn)之間的局部特征。該模型在分類精度和模型復(fù)雜度上的表現(xiàn)均優(yōu)于其他模型，并在公用數(shù)據(jù)集ModelNet40和采集到的輸電線路點(diǎn)云數(shù)據(jù)集上取得較好的分類效果。

2 點(diǎn)云分類模型

2.1 問題描述

本文聚焦點(diǎn)云分類問題。傳統(tǒng)方法通常采用手工制作的特征來捕捉點(diǎn)云的幾何特性，但分類精度有限。近年來，深度神經(jīng)網(wǎng)絡(luò)在圖像處理上的成功推動(dòng)了一種基于數(shù)據(jù)驅(qū)動(dòng)來學(xué)習(xí)點(diǎn)云特征的方法。深度點(diǎn)云處理和分析方法正在迅速發(fā)展，并在各種任務(wù)中優(yōu)于傳統(tǒng)手工特征提取方法。

然而，標(biāo)準(zhǔn)的深度神經(jīng)網(wǎng)絡(luò)模型將具有規(guī)則結(jié)構(gòu)的數(shù)據(jù)作為輸入，而點(diǎn)云數(shù)據(jù)是不規(guī)則的，即點(diǎn)云數(shù)據(jù)中點(diǎn)的位置在空間中連續(xù)分布，其任何順序的排列都不會(huì)改變空間分布。使用深度學(xué)習(xí)模型處理點(diǎn)云數(shù)據(jù)的一種常見方法是首先將原始點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為體積表示，即3D網(wǎng)格。然而，這種方法通常會(huì)引入量化偽影并占據(jù)過多的內(nèi)存，從而難以捕捉高分辨率或細(xì)粒度的特征。

當(dāng)前先進(jìn)的深度神經(jīng)網(wǎng)絡(luò)專門為處理點(diǎn)云的不規(guī)則性而設(shè)計(jì)，它們直接處理原始點(diǎn)云數(shù)據(jù)，而不是通過中間的規(guī)則表示。這種方法由PointNet[8]開創(chuàng)，它通過對(duì)每個(gè)點(diǎn)進(jìn)行依賴性操作并隨后應(yīng)用對(duì)稱函數(shù)來積累特征，實(shí)現(xiàn)了點(diǎn)的包絡(luò)不變性。PointNet的各種擴(kuò)展考慮了點(diǎn)的鄰域，而不是獨(dú)立地作用于每個(gè)點(diǎn)；這些允許網(wǎng)絡(luò)利用局部特征，改善基本模型的性能。這些技術(shù)主要是在局部范圍內(nèi)獨(dú)立地處理點(diǎn)，以保持包絡(luò)不變性。然而，這種獨(dú)立性忽略了點(diǎn)之間的幾何關(guān)系，提出了一個(gè)基本的限制，導(dǎo)致局部特征的缺失。

本文設(shè)計(jì)了一種以無序點(diǎn)集為輸入的點(diǎn)云分類網(wǎng)絡(luò),將點(diǎn)云表示為一組數(shù)量為n的點(diǎn)集P={p1,p2,…,pn}，其中每個(gè)點(diǎn)pi包含其三維坐標(biāo)，也可以包含其他一些特征，如顏色、表面法向量等。參照現(xiàn)有方法，本文將點(diǎn)pi的三維坐標(biāo)信息作為網(wǎng)絡(luò)的輸入。點(diǎn)云分類任務(wù)旨在構(gòu)建一個(gè)分類函數(shù)fc，將輸入點(diǎn)云轉(zhuǎn)換為每個(gè)類別r上的概率分布Pr,Pr=fc(P)。

2.2 基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型

當(dāng)前主流方法在局部尺度上獨(dú)立地提取點(diǎn)特征，沒有將局部點(diǎn)互相關(guān)聯(lián)起來，即沒考慮點(diǎn)云的局部拓?fù)湫畔?。基于此，本文提出了一種基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型，將局部點(diǎn)信息關(guān)聯(lián)起來，考慮點(diǎn)云局部的拓?fù)湫畔?，旨在取得更好的分類效果，其結(jié)構(gòu)如圖1所示。首先，用最遠(yuǎn)點(diǎn)采樣方法從原始點(diǎn)云中迭代子采樣點(diǎn)集，有效地降低模型復(fù)雜度和時(shí)間消耗；其次，利用多尺度K近鄰對(duì)最遠(yuǎn)點(diǎn)采樣得到的子采樣點(diǎn)集建立局部有向圖；之后，采用邊緣卷積方法滑動(dòng)地提取局部圖特征，對(duì)輸入點(diǎn)云上的每一個(gè)點(diǎn)計(jì)算相鄰點(diǎn)之間的邊緣特征，從而得到某點(diǎn)與其鄰域之間的依賴關(guān)系；最后，通過在卷積層和池化層中嵌入邊緣卷積層，提取和聚合相鄰連接節(jié)點(diǎn)和中心節(jié)點(diǎn)之間的局部特征，并利用全局最大池化層進(jìn)行點(diǎn)云分類。

圖1 基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型Fig.1 Point cloud classification model based on sliding Graph-CNN

最遠(yuǎn)點(diǎn)采樣：最遠(yuǎn)點(diǎn)采樣算法[11,12]是一種用于點(diǎn)云特征學(xué)習(xí)的數(shù)據(jù)點(diǎn)采樣方法，它隨機(jī)選擇數(shù)據(jù)點(diǎn)集中的一個(gè)數(shù)據(jù)點(diǎn)作為第一個(gè)源，并從所選源中迭代選擇最遠(yuǎn)的數(shù)據(jù)點(diǎn)。與其他采樣方法相比，最遠(yuǎn)點(diǎn)采樣方法可以等距地覆蓋到整個(gè)樣本空間，進(jìn)而有效降低模型內(nèi)存復(fù)雜性和時(shí)間消耗，同時(shí)保持模型精度[13]。

假設(shè)輸入為n個(gè)點(diǎn)集M={a1,a2,…,an}，輸出為L個(gè)點(diǎn)集D。則最遠(yuǎn)點(diǎn)采樣算法的原理如下：

(1)隨機(jī)選擇一個(gè)起始點(diǎn)并添加到起始點(diǎn)集D中：D={ai}。

(2)計(jì)算其余n-1個(gè)點(diǎn)和ai點(diǎn)之間的距離，把最遠(yuǎn)點(diǎn)aj添加到起始點(diǎn)集D中：D={ai,aj}。

(3)計(jì)算其余n-2個(gè)點(diǎn)和起始點(diǎn)集D中的每一個(gè)點(diǎn)的距離，并把最小值作為該點(diǎn)到點(diǎn)集D的距離。這樣，可以得到n-2個(gè)點(diǎn)到起始點(diǎn)集D之間的距離。

(4)將步驟(3)中得到的最遠(yuǎn)點(diǎn)ak添加到起始點(diǎn)集D中:D={ai,aj,ak}，此時(shí)若L=3，則選擇結(jié)束。

(5)若L>3，重復(fù)上述步驟，直至得到L個(gè)點(diǎn)集。

局部信息在特征學(xué)習(xí)中非常重要，但傳統(tǒng)的局部特征學(xué)習(xí)方法往往忽略相鄰點(diǎn)之間的幾何關(guān)系和拓?fù)湫畔?。K近鄰算法可以很好地對(duì)點(diǎn)云局部近鄰信息進(jìn)行挖掘和聚合。K近鄰可以對(duì)最遠(yuǎn)點(diǎn)采樣方法中的每個(gè)采樣點(diǎn)進(jìn)行定位并保持top-k最近鄰的結(jié)構(gòu)，為特征提取操作做準(zhǔn)備。

K近鄰是一種基于距離插值和跳躍連接的分層特征傳播算法。如式(1)所示，取相鄰兩個(gè)數(shù)據(jù)點(diǎn)距離的倒數(shù)作為特征權(quán)重。數(shù)據(jù)點(diǎn)距離中心節(jié)點(diǎn)越近，插值權(quán)值越高，插值特征越重要。將K階鄰域內(nèi)各數(shù)據(jù)點(diǎn)特征加權(quán)，作為新插值數(shù)據(jù)點(diǎn)的特征。

(1)

(2)

式中，fj(x)為數(shù)據(jù)點(diǎn)j的特征；wi(x)為鄰域點(diǎn)i的特征權(quán)值；d(x,xi)為點(diǎn)xi與中心點(diǎn)x的距離；C為所有點(diǎn)的通道總數(shù)量。

局部有向圖：通用的卷積神經(jīng)網(wǎng)絡(luò)要求輸入必須是規(guī)則數(shù)據(jù)，而點(diǎn)云的紅綠藍(lán)色彩及景深數(shù)據(jù)是不規(guī)則的，即點(diǎn)云數(shù)據(jù)中點(diǎn)的位置在空間中連續(xù)分布，其任何順序的排列都不會(huì)改變空間分布。因此不能以點(diǎn)云數(shù)據(jù)作為網(wǎng)絡(luò)直接輸入，構(gòu)建端到端的點(diǎn)云分類模型。考慮到圖卷積神經(jīng)網(wǎng)絡(luò)不需考慮節(jié)點(diǎn)的輸入次序,而是在每個(gè)節(jié)點(diǎn)上獨(dú)立傳播,通過提取節(jié)點(diǎn)間的邊特征來學(xué)習(xí)兩個(gè)節(jié)點(diǎn)間的依賴關(guān)系[14]，因此非常適用于點(diǎn)云的處理。若將圖卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于點(diǎn)云處理，需先將其轉(zhuǎn)換為有向圖。

通過K近鄰算法[15]構(gòu)造一個(gè)局部有向圖G，圖G由頂點(diǎn)V和邊F組成：G=(V,F)，V?D，F(xiàn)?V×V。如圖2所示。在局部有向圖G中,每個(gè)點(diǎn)Ti都是一個(gè)中心節(jié)點(diǎn),并計(jì)算中心節(jié)點(diǎn)與其K個(gè)相鄰點(diǎn)之間的邊f(xié)i，具體如式(3)所示。

圖2 點(diǎn)云局部有向圖Fig.2 Point cloud partially directed graph

(3)

式中，Tij和fij分別為中心點(diǎn)Ti的一個(gè)相鄰節(jié)點(diǎn)以及從Tij到中心點(diǎn)Ti的有向邊。

邊緣卷積：構(gòu)造局部有向圖后，基于邊緣卷積層滑動(dòng)地提取局部圖特征，捕獲點(diǎn)云數(shù)據(jù)的拓?fù)湫畔ⅰＬ卣魈崛『瘮?shù)fe對(duì)于所有點(diǎn)都相同，因此以其中一個(gè)中心點(diǎn)pi及其K個(gè)相鄰節(jié)點(diǎn)為例來表示邊緣卷積運(yùn)算。邊緣卷積操作如下：以中心點(diǎn)pi的局部圖作為輸入，輸出是點(diǎn)云局部特征li，其表達(dá)式為：

(4)

式中，h(pi,eij)為中心點(diǎn)pi和一個(gè)邊緣向量eij的隱含特征向量。將對(duì)稱聚合函數(shù)，例如求和或最大池化，應(yīng)用于每個(gè)頂點(diǎn)與其他節(jié)點(diǎn)的所有相互關(guān)聯(lián)的邊緣特征。由于邊緣卷積不受相鄰節(jié)點(diǎn)次序的影響，并且需要提取所有邊特征向量中最主要的特征，因而本文使用最大池化操作。隱含特征向量h(pi,eij)通過多層感知器[16]提取,即：

(5)

式中，pic和pij c為通道c中的中心點(diǎn)pi及其相鄰節(jié)點(diǎn)pij的值；c和c′分別為輸入點(diǎn)pi和輸出隱含特征向量h(pi,eij)的通道數(shù)；hc′(pi,eij)為隱含特征向量的通道c′中的值，且wc′c，wc′(c+c′)和bc′為多層感知機(jī)的可訓(xùn)練參數(shù)。與通用卷積相比，邊緣卷積整合點(diǎn)云中每個(gè)點(diǎn)與相鄰點(diǎn)之間的邊緣特征，并在每次迭代過程中動(dòng)態(tài)更新鄰域圖，充分利用了點(diǎn)云數(shù)據(jù)的幾何結(jié)構(gòu)和拓?fù)湫畔ⅲ蚨诸悳?zhǔn)確率更高。

(6)

式中，wi,j為頂點(diǎn)i與頂點(diǎn)j之間邊的權(quán)重；σ為一常量參數(shù)；Ak(i)為頂點(diǎn)i的k個(gè)最近鄰節(jié)點(diǎn)的集合，i,j=1,2,…,n。

給定圖的對(duì)稱加權(quán)鄰接矩陣W∈n×n和加權(quán)對(duì)角矩陣D，設(shè)表示歸一化拉普拉斯矩陣。那么一種帶系數(shù)α0,…,αk的線性頂點(diǎn)域圖濾波器，通過將一個(gè)圖形信號(hào)z變換成另一個(gè)圖形信號(hào)y：

(7)

式中，θk為變換參數(shù)。設(shè)T0(L)=I，T1(L)=L，則有以下遞推關(guān)系：

Tk(L)=2LTk-1(L)-Tk-2(L)

(8)

根據(jù)拉普拉斯的本征分解L=UΛUT，圖形濾波器有一種光譜解釋：

(9)

3 實(shí)驗(yàn)與結(jié)果分析

3.1 輸電線路點(diǎn)云數(shù)據(jù)集

采用北醒光子的TF系列激光雷達(dá)，可以對(duì)輸電線路場景進(jìn)行掃描，從而得到輸電線路的點(diǎn)云數(shù)據(jù)。本文利用Cloud Compare軟件對(duì)輸電線路的輸電線、桿塔、地面、植被4類對(duì)象進(jìn)行了分割和標(biāo)注，得到了擁有個(gè)443個(gè)實(shí)例的標(biāo)注數(shù)據(jù)集，每類對(duì)象的實(shí)例數(shù)量見表1。此外，桿塔、輸電線、植被和地面的點(diǎn)云可視化如圖3所示。

表1 輸電線路點(diǎn)云實(shí)例數(shù)量Tab.1 Number of point cloud instances of transmission lines

圖3 桿塔、輸電線、植被和地面的點(diǎn)云可視化Fig.3 Point cloud visualization of towers, transmission lines, vegetation and ground

通過隨機(jī)選擇的方式對(duì)輸電線路點(diǎn)云數(shù)據(jù)集進(jìn)行劃分，使用其中的70%進(jìn)行訓(xùn)練，其余作為測試集，并在預(yù)訓(xùn)練的滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)模型上進(jìn)行微調(diào)。

3.2 網(wǎng)絡(luò)參數(shù)設(shè)置和預(yù)處理

為在輸電線路點(diǎn)云數(shù)據(jù)集上取得更好的效果，模型先在大型公開數(shù)據(jù)集ModelNet40[17]上進(jìn)行預(yù)訓(xùn)練，然后在采集的輸電線路數(shù)據(jù)集上使用微調(diào)的方法進(jìn)行模型訓(xùn)練。ModelNet40包含40個(gè)對(duì)象類別的12 311個(gè)CAD模型。該數(shù)據(jù)集被分為9 843個(gè)模型的訓(xùn)練集和2 468個(gè)模型的測試集。本文以相同的數(shù)據(jù)集劃分比例進(jìn)行實(shí)驗(yàn),并在測試集上顯示分類結(jié)果。

網(wǎng)絡(luò)參數(shù)方面，本文與DGCNN設(shè)置相同。對(duì)于每個(gè)模型，從網(wǎng)格面均勻采樣1 024個(gè)點(diǎn)，并歸一化到單位球。丟棄原始網(wǎng)格，只使用采樣點(diǎn)的(x,y,z)坐標(biāo)。同時(shí)，通過對(duì)目標(biāo)的縮放和隨機(jī)旋轉(zhuǎn)，以及對(duì)目標(biāo)和點(diǎn)位置的擾動(dòng)來擴(kuò)展訓(xùn)練數(shù)據(jù)集。在本文實(shí)驗(yàn)中，使用Adam優(yōu)化器進(jìn)行優(yōu)化，初始學(xué)習(xí)率設(shè)置為0.001，每20輪訓(xùn)練學(xué)習(xí)率減半。每個(gè)邊緣卷積層都使用線性整流函數(shù)(ReLU)和批量歸一化。批量大小設(shè)置為12，總共進(jìn)行250輪訓(xùn)練。所有的實(shí)驗(yàn)都是基于深度學(xué)習(xí)框架Pytorch在英偉達(dá)顯卡GTX1060上實(shí)現(xiàn)的。

3.3 點(diǎn)云分類實(shí)驗(yàn)結(jié)果分析

首先在ModelNet40數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，然后在輸電線路點(diǎn)云數(shù)據(jù)集上進(jìn)行微調(diào)。為了驗(yàn)證本文算法的優(yōu)越性,與最新點(diǎn)云分類算法進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果見表2。

表2 本文算法與其他算法的分類準(zhǔn)確率Tab.2 Classification accuracy comparison

為了更清晰地展示模型的訓(xùn)練過程，本文展示模型在不同訓(xùn)練階段的損失，平均類準(zhǔn)確率和總體準(zhǔn)確率如圖4所示。30輪訓(xùn)練后，平均類準(zhǔn)確率達(dá)到70%以上；100輪訓(xùn)練之后，平均類準(zhǔn)確率達(dá)到80%以上；160輪訓(xùn)練之后，平均類準(zhǔn)確率穩(wěn)定90%之上，并在最終達(dá)到98.6%。

圖4 模型訓(xùn)練效果Fig.4 Model training effect

之后，在使用測試集來測試模型性能時(shí)，同樣，本文展示在不同階段的損失，平均類準(zhǔn)確率和總體準(zhǔn)確率如圖5所示。10輪訓(xùn)練之后，平均類準(zhǔn)確率達(dá)到70%以上；50輪訓(xùn)練之后，平均類準(zhǔn)確率達(dá)到80%以上；130輪訓(xùn)練之后，平均類準(zhǔn)確率穩(wěn)定在85%之上，并在最終達(dá)到89.5%。

圖5 模型測試效果Fig.5 Model testing effect

最后，比較了本文算法與其他優(yōu)秀算法的模型復(fù)雜度見表3。本文算法在模型大小、傳遞時(shí)間和準(zhǔn)確率上取得最好的折中。與PointNet相比，本文算法的平均準(zhǔn)確率提高三個(gè)百分點(diǎn)，且模型大小(模型參數(shù)量)減少一半；與PointNet++比較，本文算法的分類準(zhǔn)確率提高1.5%，同時(shí)傳遞時(shí)間減少68.1 s。

表3 不同算法模型復(fù)雜度比較Tab.3 Comparison of complexity of different algorithm models

本文將在ModelNet40數(shù)據(jù)集上預(yù)訓(xùn)練的模型用于輸電線路點(diǎn)云數(shù)據(jù)的分類，其點(diǎn)云分布如圖6所示。

圖6 輸電線路點(diǎn)云分布Fig.6 Point cloud distribution of transmission lines

4 結(jié)論

為了提高點(diǎn)云分類的效率和準(zhǔn)確性，本文提出一種基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型。由于點(diǎn)云數(shù)據(jù)格式的不規(guī)則性，通用的卷積神經(jīng)網(wǎng)絡(luò)不能直接應(yīng)用于點(diǎn)云處理，因而本文引入圖卷積將點(diǎn)云初始數(shù)據(jù)直接輸入模型中。當(dāng)前主流方法在局部尺度上獨(dú)立地提取點(diǎn)特征，沒有將局部點(diǎn)互相關(guān)聯(lián)起來，即沒考慮點(diǎn)云的局部拓?fù)湫畔?。基于此，本文提出了一種基于滑動(dòng)圖卷積神經(jīng)網(wǎng)絡(luò)的點(diǎn)云分類模型，將局部點(diǎn)信息關(guān)聯(lián)起來，考慮點(diǎn)云局部的拓?fù)湫畔?，旨在取得更好的分類效果?/p>

本文模型首先用最遠(yuǎn)點(diǎn)采樣方法從原始點(diǎn)云中迭代子采樣點(diǎn)集，有效地降低模型復(fù)雜度和時(shí)間消耗；之后運(yùn)用邊緣卷積方法滑動(dòng)地提取局部圖特征，對(duì)輸入點(diǎn)云上的每一個(gè)點(diǎn)計(jì)算相鄰點(diǎn)之間的邊緣特征，從而得到某點(diǎn)與其鄰域之間的依賴關(guān)系；最后，通過在卷積層和池化層中嵌入邊緣卷積層，用于提取和聚合相鄰連接節(jié)點(diǎn)和中心節(jié)點(diǎn)之間的局部特征，并利用全局最大池化層提取全局語義特征進(jìn)行點(diǎn)云分類。

本文模型先使用點(diǎn)云公用數(shù)據(jù)集ModelNet40進(jìn)行預(yù)訓(xùn)練，然后使用輸電線路點(diǎn)云數(shù)據(jù)集對(duì)預(yù)訓(xùn)練后的網(wǎng)絡(luò)進(jìn)行微調(diào)。實(shí)驗(yàn)結(jié)果表明，該模型在分類精度和模型復(fù)雜度上的表現(xiàn)均優(yōu)于其他模型，在準(zhǔn)確性和穩(wěn)定性上呈現(xiàn)出較好的效果。但本文網(wǎng)絡(luò)的結(jié)構(gòu)仍然存在較為復(fù)雜的特點(diǎn)，下一步的工作內(nèi)容將集中在保證模型準(zhǔn)確性和穩(wěn)定性的同時(shí)，降低網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜程度，使得整個(gè)網(wǎng)絡(luò)更為簡單高效。