“深度学习”这个词，想必大家都不陌生。在遥感地物解译领域中，我们常见的应用是基于栅格影像创建地物样本，通过深度学习模型来实现地物整体化分类，今天让我们一起来看看基于点云数据的深度学习分类吧。

基于点云分类的深度学习算法是使用基于Google TensorFlow的预训练神经网络模型执行基于深度学习的自动点云分类。模型选择是一个预定义的或定制的模型，该算法中提供了3个深度学习模型，分别是：①terrestrial——地面获取点云数据分类；②aerial——航空方式获取点云数据；③Custom——自定义方式。

地面模型主要使用的特征是坐标X、Y和Z′，航空模型还增加了强度特征。

原始点云数据

案例应用

1. 在进程树窗口中创建规则集，在算法一栏中搜索算法：基于点云分类的深度学习算法(deep learning based point cloud classification (prototype))。

图1 基于点云分类的深度学习算法参数面板

2. 利用基于点云分类的深度学习算法，一键式自动化将点云分类出四类，分别是：电力线、高植被、地面、人为构造物和其它地物分类结果。效果如下所示：

图2 eCognition软件界面——基于点云分类的深度学习分类

图3 点云分类效果放大展示

我们可以将上述分类结果导出。通过导出结果可以得到矢量化电力线成果，查看出电力线本身是否有缺损断连情况，在此基础上，基于分类得到的植被点云数据可以自动化的分析周围正在生长的植被对输电线路走廊安全运行是否存在潜在的安全隐患。当前应用无人机进行电力线巡检作业具备高效率、高频次及降低人工巡检的危险系数等多个优点，该过程的扫描结果支持一键式导入eCognition软件，通过“基于点云数据的深度学习分类”算法实现数据的自动化分类与相关应用分析。