一种面向电力走廊场景的点云分割方法

摘要

本发明涉及一种面向电力走廊场景的点云分割方法，通过训练调整一个结构具有六个阶段的卷积神经网络，然后将无序的点云作为输入，传递进该已经过训练调整的卷积神经网络进行分割。本发明对电力走廊场景中物体角度、形状变化具有较强的改变适应能力；而且卷积神经网络不加人为预设的特征，通过学习的方法去分割物体，更加反应客观事实。使用卷积神经网络方法的工作是设计网络架构，比设计手工特征省时省力。另外，相比起使用体素的深度学习网络，使用的卷积神经网络直接使用点云输入，计算量和中间变量储存空间大大减少。最后，由于电力场景的数据集不多，用迁移学习的方法来增大数据集，利于提高模型的泛化能力。