La segmentación semántica precisa en escenas de corredores de transmisión es crucial para el mantenimiento y la inspección de infraestructuras eléctricas, facilitando la detección oportuna de posibles peligros. En este estudio, proponemos SA-KPConv, un modelo avanzado de segmentación diseñado específicamente para escenarios de corredores de transmisión. Los enfoques tradicionales, incluidos Random Forest y modelos de aprendizaje profundo basados en puntos como PointNet++, muestran limitaciones en la segmentación de componentes críticos de infraestructura, particularmente líneas eléctricas y torres, principalmente debido a su capacidad inadecuada para capturar relaciones espaciales complejas y detalles geométricos locales. Nuestro modelo aborda eficazmente estos desafíos mediante la integración de un módulo de atención espacial con convolución de puntos de kernel, mejorando tanto el contexto global como la extracción de características locales. Los experimentos demuestran que SA-KPConv supera a los métodos de vanguardia, logrando una Intersección sobre Unión media (mIoU) del 89.62%, destacándose especialmente en terrenos desafiantes como áreas montañosas. Los estudios de ablación validan aún más la importancia de los componentes de nuestro modelo en mejorar el rendimiento general y abordar eficazmente el desequilibrio de clases. Este estudio presenta una solución robusta para la segmentación semántica, con un considerable potencial para monitorear y mantener la infraestructura eléctrica.