基于改进KPConv算法的山地电力线点云语义分割OA

原始点云数据的非结构化特性使得从海量数据中人工提取电力走廊关键要素极为耗时且昂贵,特别是在复杂山地环境中,电力线点云语义分割面临地形起伏大、目标几何特征复杂及类别分布极端不平衡(电力线点云仅占0.29%)等挑战。针对这些难题,提出一种基于改进核点卷积(kernel point convolution,KPConv)的点云语义分割方法。首先,设计可变形核点卷积机制,通过自适应偏移量学习使核点动态贴合电力线悬链线结构;其次,构建多尺度特征融合架构,采用编码器-解码器与跳跃连接实现多尺度特征整合;最后,采用加权交叉熵损失函数与聚焦损失函数联合优化,缓解类别不平衡问题。在山地电力线点云数据集上的实验表明:改进KPConv方法整体准确率为92.4%、平均交并比为80.5%,分别较标准KPConv提升了3.7百分点、6.3百分点,平均交并比较PointNet++提升了16.8百分点;在(30°,45°]陡坡区域,改进KPConv方法的平均交并比达75.8%,较标准KPConv提升约10百分点。所提方法可显著提升山地输电通道智能巡检的可靠性与效率。