CN113625302B - 基于手持式激光雷达的地下廊道危险区识别方法及系统 - Google Patents
基于手持式激光雷达的地下廊道危险区识别方法及系统 Download PDFInfo
- Publication number
- CN113625302B CN113625302B CN202111033712.XA CN202111033712A CN113625302B CN 113625302 B CN113625302 B CN 113625302B CN 202111033712 A CN202111033712 A CN 202111033712A CN 113625302 B CN113625302 B CN 113625302B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser point
- laser
- laser radar
- distribution
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000009826 distribution Methods 0.000 claims abstract description 100
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013461 design Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000008030 elimination Effects 0.000 claims description 10
- 238000003379 elimination reaction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003745 diagnosis Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 10
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于三维激光点云处理领域,提供了一种基于手持式激光雷达的地下廊道危险区识别方法及系统。该方法包括,对手持式激光雷达获取的激光点云数据进行自适应聚类;基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。本发明可实现对地下廊道的快速检测排查,并快速准确的识别地下廊道危险区。同时可通过提升激光点云拼接的精度,提升激光点云图像的准确性,进而提高危险区的识别准确性,便于提升排查效率。
Description
技术领域
本发明属于三维激光点云处理领域,尤其涉及一种基于手持式激光雷达的地下廊道危险区识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
地下廊道是电网铺设的一种实践形式。其铺设在地下,隐蔽性强,可对空间进行充分积极的利用,还可同时铺设通信、热力、燃力等公共设施,利用效率高,有较好的性价比。
地下廊道需要定期维护,阶段性的进行测绘检测,以跟踪其可能出现的损坏、消耗、移位或者危险情况等危险区域,并进行及时排查。
由于地下廊道所布设的设备部件众多,系统庞大,廊道沿线长,检修维护进行缓慢。人工检看所有部件效率较低,无法实施。
为了有效提高检测效率,如何在有限人力下,同时保全人力检修的安全,不出现检测过程中的二次伤害,无安全隐患,基于信息技术实现快速的检测排查,是本领域的技术人员亟待解决的问题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种基于手持式激光雷达的地下廊道危险区识别方法及系统,其能够准确的对地下廊道危险区进行识别,实现对地下廊道的快速检测排查。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种基于手持式激光雷达的地下廊道危险区识别方法。
基于手持式激光雷达的地下廊道危险区识别方法,包括:
对手持式激光雷达获取的激光点云数据进行自适应聚类;
基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;
采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。
进一步的,采用手持式激光雷达需要按照规定扫描作业标准进行激光点云数据采集;所述规定扫描作业标准至少包括以下任一:
(1)采集路线行程闭环;
(2)采集路线的初始位置以及结束位置通过GPS采集得到位置点信息;
(3)目标视场中存在至少一目标点的位置点信息已知。
进一步的,所述采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态包括:根据所述建筑信息模型,获取地下管廊的铺设部件的设计参数;根据拼接后的激光点云及其对应聚类,依次与所述建筑信息模型中的地下管廊的铺设部件的设计参数进行对比,针对与建筑信息模型中的铺设部件的设计参数匹配的聚类,记录对应的位置信息。
进一步的,所述危险区诊断的过程包括:
识别出的铺设部件及其分布状态与预设的地下廊道的部件分布模型中铺设部件及其合理分布范围进行比较,判断是否相符,如果相符,认为正常,如果不相符,根据该部件分布模型的安全位置范围,判断其是否危险,如果危险,进行报警。
进一步的,在所述识别危险区之后包括:根据所述危险区从数据库中查找出相应的危险消除方案。
进一步的,所述手持式激光雷达在地下廊道所采集到的激光点云数据在时序上连续,且相邻帧的数据重叠率大于60%。
进一步的,所述激光点云拼接过程包括:
基于惯导位姿数据,结合激光雷达与惯导装置的误差关系,得到惯导装置的误差值;
基于激光点云的特征点集,结合相邻两帧激光点云中的源点云矩阵、相邻两帧激光点云中的目标点云矩阵和平移矩阵,得到激光点云的偏差值;
基于所述惯导装置的误差值与所述激光点云的偏差值的平方和的范数,得到整体偏移模型;
基于同一区段内相邻帧构成的点集对所述整体偏移模型进行ICP点云配准算法迭代计算,直到达到初始迭代条件,完成数据配准,对完成点云配准的激光点云进行拼接。
本发明的第二个方面提供一种基于手持式激光雷达的地下廊道危险区识别系统。
基于手持式激光雷达的地下廊道危险区识别方法系统,包括:
聚类模块,其被配置为:对手持式激光雷达获取的激光点云数据进行自适应聚类;
拼接模块,其被配置为:基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;
分析模块,其被配置为:采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
报警模块,其被配置为:根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。
进一步的,还包括查找模块,其被配置为:根据该危险区从数据库中查找出相应的危险消除方案
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述第一个方面所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一个方面所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
与现有技术相比,本发明的有益效果是:
采用通过本发明的技术方案,可通过手持式的激光雷达,实现对地下廊道的快速检测排查,并快速准确的识别地下廊道危险区。同时可通过提升激光点云拼接的精度,提升激光点云图像的准确性,进而提高危险区的识别准确性,便于提升排查效率。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明的基于手持式激光雷达的地下廊道危险区识别方法的流程图;
图2A是本发明实施例中一种拼接方法的流程图;
图2B是本发明实施例中一种拼接方法中配准过程的流程图;
图2C是本发明实施例中另一种拼接方法的流程图;
图3是本发明实施例中聚类过程的流程图;
图4是本发明实施例中地下廊道危险区识别系统图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是,附图中的流程图和框图示出了根据本公开的各种实施例的方法和系统的可能实现的体系架构、功能和操作。应当注意,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意,在有些作为备选的实现中,方框中所标注的功能也可以按照不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,或者它们有时也可以按照相反的顺序执行,这取决于所涉及的功能。同样应当注意的是,流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合,可以使用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示,本实施例提供了一种基于手持式激光雷达的地下廊道危险区识别方法,包括:
对手持式激光雷达获取的激光点云数据进行自适应聚类;
基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;
采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。
具体的,本实施例可以采用如下技术方案:
步骤1,基于手持式激光雷达在地下廊道进行激光点云数据采集。
该手持式激光雷达用于通过人工手持的方式,针对地下廊道、地下室之类狭小空间进行连续动态的激光点云数据的采集。
在优化的实施例中,利用该手持式激光雷达通常需要按照规定扫描作业标准进行激光点云数据采集。所述规定扫描作业标准至少包括以下任一:
1、采集路线行程闭环。即,采集路线可从起点出发,到达中点,最终回到该起点。
2、采集路线的初始位置以及结束位置可通过地理信息模块采集得到位置点信息。即,初始位置以及结束位置已知其GPS信息。地理信息模块可以采用GPS。
3、目标视场中存在至少一目标点的位置点信息已知。
上述规定扫描作业标准可有助于提升后续点云拼接并建图的准确性。
另外,在步骤1中,还可利用该手持式激光雷达采集惯导位姿数据,即IMU数据。该手持式激光雷达中具有IMU惯导装置。惯导位姿数据与激光点云数据时钟同步。
利用手持式激光雷达对目标视场进行激光点云采集,所采集到的激光点云数据在时序上连续,且相邻帧的数据重叠率大于60%,以提升激光点云拼接的同名点数量,提升相邻帧之间相互参照程度,提升拼接准确度。
在优化的实施例中,该步骤1、2之间进一步包括:利用已训练好的图神经网络对激光点云数据进行预处理。
在激光点云数据的采集过程中,数据精度不会完全保持一致,通常会出现一些噪声点。噪声点的存在会对后续的点云配准产生很大的干扰,影响点云拼接的精确度,所以在对点云数据拼接前先应用最小二乘滤波对点云数据进行去噪处理。
利用已经训练好的图神经网络,可提取激光点云数据的特征,得到点云特征点集。
步骤2,对该激光点云数据进行自适应聚类。
通过聚类,可以将激光点云数据中的激光点对应至预先确定的特定数量的目标类中。
步骤3,基于该激光点云数据以及该手持式激光雷达的惯导位姿数据进行激光点云拼接。
该步骤3是针对该激光点云数据中的相邻帧依次进行点云ICP算法实现数据配准进而实现拼接。
该步骤2、3的顺序可以调换,先执行拼接后执行聚类也属于本发明的公开范围。
如图2A所示,该步骤3进一步包括:
步骤301,根据该惯导位姿数据构建激光雷达与惯导装置的误差公式。
构建IMU惯导装置的误差方程:
EB=δpk k+1
EB表示IMU惯导装置的误差。δpk k+1表示IMU惯导装置在激光雷达坐标系下第k帧到k+1帧的位移误差。
IMU主要偏移量在于加速度二次积分得到位移,为了降低计算量,此处将IMU惯导装置的误差简化为EB,忽略了速度、角度方面的误差。
步骤302,根据该激光点云数据构建激光点云的偏差公式EL;
根据采集到的激光点云的特征点集构建激光点云的偏差方程EL为:
其中R表示旋转矩阵、Ai表示相邻两帧激光点云中的源点云的第i点、Bi表示相邻两帧激光点云中的目标点云第i点、t表示平移矩阵。
所述相邻两帧激光点云的转换初始矩阵为:
其中Tk -1表示第k帧激光点云对应的IMU位姿的逆,Tk+1表示第k+1帧点云对应的IMU惯导装置的位姿。
步骤303,根据该误差公式以及该偏差公式构建整体偏移公式。
整体偏移公式E:
步骤304,基于该激光点云数据中的相邻帧构成的点集对该整体偏移公式进行ICP算法迭代计算,达到初始迭代条件,实现数据配准及拼接。
如图2B所示,该ICP算法迭代计算包括:
步骤3041,获取相邻两帧激光点云数据,记为源点云Ai=(xi yi zi)和目标点云Bj=(xj yj zj),其中i∈(1,2,3,...,n),j∈(1,2,3,...,m),式中(x y z)分表为激光点云在激光雷达坐标系L下的坐标值,n表示源点云数量,m表示目标点云数量。
步骤3042,根据两点之间欧式距离最小原则,确定相邻两帧激光点云数据对应的角点点集和平面点点集。
步骤3043,以所述转换初始矩阵作为初值,对整体偏移公式E进行ICP算法迭代计算,获得最优变换矩阵,所述最优变换矩阵使整体偏移方程值最小。
步骤3044,对目标点云采用所述最优变换矩阵进行变换,得到新目标点云。
步骤3045,计算新目标点云与源点云的平均距离d:
式中Bi′表示新目标点云。
步骤3046,当所述平均距离d符合初始迭代条件,即小于设定距离阈值λ或迭代次数达到设定迭代次数N时,停止迭代计算,获得的最优变换矩阵作为最终最优变换矩阵,实现了数据配准,可据以进行激光点云拼接。如果未符合初始迭代条件,执行步骤3042。
步骤4,根据BIM模型,对该拼接后的激光点云进行分析,识别出铺设部件及其分布状态。
BIM模型是在建设地下管廊之前,设计的管廊建筑信息模型,记载了该地下廊道中铺设部件的设计参数。BIM模型还可包括常规机械件的设计参数与相互位置关系。
拼接后的激光点云既带有对应的聚类信息,每个激光点所处目标类是明确的,又带有完整的环境中目标物信息,可据以与BIM模型进行匹配,从激光点云中识别目标物的具体类别。
如图3所示,该步骤4进一步包括:
步骤401,根据该BIM模型,获取地下管廊的铺设部件的设计参数。
步骤402,根据该拼接后的激光点云及其对应聚类,依次与该BIM模块中的地下管廊的铺设部件的设计参数进行对比,针对与BIM模型中的铺设部件的设计参数匹配的聚类,记录对应的位置信息,对于不匹配的部分,记录为未知部件。
通过步骤4,可从采集到激光点云中,将聚类结果与铺设部件对应起来,即识别出目标物的种类及其位置。
步骤5,根据预设的地下廊道的部件分布模型,对当前的分布状态进行判断,识别出危险区,进行报警。
通过步骤4可以看到当前已被扫描的环境范围中的铺设部件的实际分布状况,该铺设部件的分布状况可能与先前设计一致,也可能发生因气流、水流、撞击、老化、温度变化、人为操作而产生的改变。可能发生的移位有可能使得整体铺设布局处于危险状态,需要立即排查,也有可能虽然移位但并无风险。
该步骤5进一步包括:
该预设的地下廊道的部件分布模型中具有预设部件及其合理分布范围,根据步骤4中识别出的铺设部件及其分布状态,与该部件分布模型进行比较,判断是否相符,如果相符,认为正常,如果不相符,根据该部件分布模型的安全位置范围,判断其是否危险,如果危险,进行报警。
步骤5用于利用激光雷达的一次作业的扫描数据,识别出其中需要排查改进的危险区。为了识别出危险区,则需要预先设置安全区的定义。故而,本发明还可在数据库中预先设置好地下廊道的部件分布模型,对符合安全状态的各种部件分布模式进行定义。特别是可以定义标准的地下廊道的部件分布模型,以及各部件的安全位置范围,或部件之间的安全位置关系,使得即使发生弹性移位也视为处于安全区。如此,当步骤4中识别出的铺设部件及其分布状态,与该标准的地下廊道的部件分布模型进行比较时,判断是否相符,如果相符,认为正常,如果不相符,与部件分布模型的各部件的安全位置范围再次进行比较,如果相符,视为正常,如果不相符,视为危险,进行报警。本发明使得识别的准确性提升,可以包容现场环境的微小无害变化,不将所有与标准的地下廊道的部件分布模型的不一致的情形视为危险区,提升报警的有效性、准确性。
在一优化的实施例中,如图4所示,本发明还包括:
步骤6,根据该危险区从数据库中查找出相应的危险消除方案。
每个危险区已预设一套危险消除方案,则在危险区已经确定的前提下,可快速查找到相应的危险消除方案,以解除当前危险。
实施例二
如图1所示,本实施例提供了一种基于手持式激光雷达的地下廊道危险区识别方法,包括:
对手持式激光雷达获取的激光点云数据进行自适应聚类;
基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;
采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。
具体的,本实施例可以采用如下技术方案:
步骤1,基于手持式激光雷达在地下廊道进行激光点云数据采集。
该手持式激光雷达用于通过人工手持的方式,针对地下廊道、地下室之类狭小空间进行连续动态的激光点云数据的采集。
在优化的实施例中,利用该手持式激光雷达通常需要按照规定扫描作业标准进行激光点云数据采集。所述规定扫描作业标准至少包括以下任一:
1、采集路线行程闭环。即,采集路线可从起点出发,到达中点,最终回到该起点。
2、采集路线的初始位置以及结束位置可通过地理信息模块采集得到位置点信息。即,初始位置以及结束位置已知其GPS信息。
3、目标视场中存在至少一目标点的位置点信息已知。
上述规定扫描作业标准可有助于提升后续点云拼接并建图的准确性。
另外,在步骤1中,还可利用该手持式激光雷达采集惯导位姿数据,即IMU数据。该手持式激光雷达中具有IMU惯导装置。惯导位姿数据与激光点云数据时钟同步。
利用手持式激光雷达对目标视场进行激光点云采集,所采集到的激光点云数据在时序上连续,且相邻帧的数据重叠率大于60%,以提升激光点云拼接的同名点数量,提升相邻帧之间相互参照程度,提升拼接准确度。
在优化的实施例中,该步骤1、2之间进一步包括:利用已训练好的图神经网络对激光点云数据进行预处理。
在激光点云数据的采集过程中,数据精度不会完全保持一致,通常会出现一些噪声点。噪声点的存在会对后续的点云配准产生很大的干扰,影响点云拼接的精确度,所以在对点云数据拼接前先应用最小二乘滤波对点云数据进行去噪处理。
利用已经训练好的图神经网络,可提取激光点云数据的特征,得到点云特征点集。
步骤2,对该激光点云数据进行自适应聚类。
通过聚类,可以将激光点云数据中的激光点对应至预先确定的特定数量的目标类中。
作为一种或多种实施方式,所述激光点云拼接过程包括:
提取激光点云数据中的源点云和目标点云;
对目标点云进行表格式划分,得到表格分布图;
针对所述源点云,以初始相对惯导位姿数据为起点,获取所述源点云相对于所述目标点云的多组相对惯导位姿数据;
基于所述多组目标相对惯导位姿数据以及所述表格分布图,确定优化相对惯导位姿数据;
利用所述优化相对惯导位姿数据以及迭代算法,对所述源点云以及所述目标点云进行点云配准,对完成点云配准的激光点云进行拼接;
其中,所述初始相对惯导位姿数据为源点云的惯导位姿数据相对目标点云的惯导位姿数据的相对值。
作为一种或多种实施方式,所述确定优化相对惯导位姿数据的过程包括:
将所述源点云中的每个点分别按照每一目标点云相对惯导位姿数据向所述表格分布图中投影;
计算针对每一所述目标点云相对惯导位姿数据所对应的所有点在所述表格分布图中的总高斯得分;
目标点云的每个格中的点的分布服从高斯分布,比较不同目标点云相对惯导位姿数据对应的不同的总高斯得分,判断出哪一个目标点云相对惯导位姿数据最优;
将最高的所述总高斯得分对应的目标点云相对惯导位姿数据,确定为所述优化相对惯导位姿数据。
步骤3,基于该激光点云数据以及该手持式激光雷达的惯导位姿数据进行激光点云拼接。
该步骤2、3的顺序可以调换,先执行拼接后执行聚类也属于本实施例的公开范围。
如图2C所示,该步骤3还可以采用以下步骤实现:
步骤31,从该激光点云数据中提取源点云和目标点云。
在优化实施例中,该源点云和目标点云为相邻点云。后续可通过旋转平移矩阵或欧式变换,将源点云配准变换到目标点云相同的坐标系下。
步骤32,对目标点云进行表格式划分,得到表格分布图。
步骤33,针对所述源点云,以初始相对惯导位姿数据为起点,获取所述源点云相对于所述目标点云的多组相对惯导位姿数据。
该初始相对惯导位姿数据为源点云的惯导位姿数据相对目标点云惯导位姿数据的相对值。
具体来说,针对所述源点云,以初始相对惯导位姿数据所对应位置为起点,以预定的搜索步长可以搜索得到源点云相对于目标点云的多组目标相对惯导位姿数据。该搜索可从该起点按照预设的方向进行,所述预设的方向可以是空间坐标系中任意的方向。
步骤34,基于所述多组目标相对惯导位姿数据以及所述表格分布图,确定优化相对惯导位姿数据。
该步骤34进一步包括:
步骤341,将所述源点云中的每个点分别按照所述每一目标相对惯导位姿数据向所述表格分布图中投影。
步骤342,计算针对每一所述目标相对惯导位姿数据所对应的所有点在所述表格分布图中的总高斯得分。
目标点云的每个格中的点的分布服从高斯分布,得分越高,表示源点云向目标点云投影之后配准得越精确。针对每一目标相对位姿分别将源点云向目标点云的表格分布图投影,通过比较不同目标相对惯导位姿数据对应的不同的总高斯得分,就可以判断出哪一个目标相对惯导位姿数据是最优。
步骤343,将最高的所述总高斯得分对应的目标相对惯导位姿数据,确定为所述优化相对惯导位姿数据。
步骤35,利用所述优化相对惯导位姿数据以及迭代算法,对所述源点云以及所述目标点云进行点云配准。
利用该优化相对惯导位姿数据作为该初始相对惯导位姿数据,迭代计算直至结果收敛。其中,收敛条件可根据需求设置,通常在一定的次数范围内。
步骤4,根据BIM模型,对该拼接后的激光点云进行分析,识别出铺设部件及其分布状态。
BIM模型是在建设地下管廊之前,设计的管廊建筑信息模型,记载了该地下廊道中铺设部件的设计参数。BIM模型还可包括常规机械件的设计参数与相互位置关系。
拼接后的激光点云既带有对应的聚类信息,每个激光点所处目标类是明确的,又带有完整的环境中目标物信息,可据以与BIM模型进行匹配,从激光点云中识别目标物的具体类别。
如图3所示,该步骤4进一步包括:
步骤401,根据该BIM模型,获取地下管廊的铺设部件的设计参数。
步骤402,根据该拼接后的激光点云及其对应聚类,依次与该BIM模块中的地下管廊的铺设部件的设计参数进行对比,针对与BIM模型中的铺设部件的设计参数匹配的聚类,记录对应的位置信息,对于不匹配的部分,记录为未知部件。
通过步骤4,可从采集到激光点云中,将聚类结果与铺设部件对应起来,即识别出目标物的种类及其位置。
步骤5,根据预设的地下廊道的部件分布模型,对当前的分布状态进行判断,识别出危险区,进行报警。
通过步骤4可以看到当前已被扫描的环境范围中的铺设部件的实际分布状况,该铺设部件的分布状况可能与先前设计一致,也可能发生因气流、水流、撞击、老化、温度变化、人为操作而产生的改变。可能发生的移位有可能使得整体铺设布局处于危险状态,需要立即排查,也有可能虽然移位但并无风险。
该步骤5进一步包括:
该预设的地下廊道的部件分布模型中具有预设部件及其合理分布范围,根据步骤4中识别出的铺设部件及其分布状态,与该部件分布模型进行比较,判断是否相符,如果相符,认为正常,如果不相符,根据该部件分布模型的安全位置范围,判断其是否危险,如果危险,进行报警。
步骤5用于利用激光雷达的一次作业的扫描数据,识别出其中需要排查改进的危险区。为了识别出危险区,则需要预先设置安全区的定义。故而,本发明还可在数据库中预先设置好地下廊道的部件分布模型,对符合安全状态的各种部件分布模式进行定义。特别是可以定义标准的地下廊道的部件分布模型,以及各部件的安全位置范围,或部件之间的安全位置关系,使得即使发生弹性移位也视为处于安全区。如此,当步骤4中识别出的铺设部件及其分布状态,与该标准的地下廊道的部件分布模型进行比较时,判断是否相符,如果相符,认为正常,如果不相符,与部件分布模型的各部件的安全位置范围再次进行比较,如果相符,视为正常,如果不相符,视为危险,进行报警。本发明使得识别的准确性提升,可以包容现场环境的微小无害变化,不将所有与标准的地下廊道的部件分布模型的不一致的情形视为危险区,提升报警的有效性、准确性。
在一优化的实施例中,如图4所示,本实施例还包括:
步骤6,根据该危险区从数据库中查找出相应的危险消除方案。
每个危险区已预设一套危险消除方案,则在危险区已经确定的前提下,可快速查找到相应的危险消除方案,以解除当前危险。
实施例三
本实施例提供了一种基于手持式激光雷达的地下廊道危险区识别系统。
基于手持式激光雷达的地下廊道危险区识别方法系统,包括:
聚类模块,其被配置为:对手持式激光雷达获取的激光点云数据进行自适应聚类;
拼接模块,其被配置为:基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;
分析模块,其被配置为:采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
报警模块,其被配置为:根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警。
所述系统还包括:
查找模块,用于根据该危险区从数据库中查找出相应的危险消除方案。
此处需要说明的是,上述聚类模块、拼接模块、分析模块、报警模块和查找模块与实施例一或者实施例二中所实现的示例和应用场景相同,但不限于上述实施例一或者实施例二所公开的内容。需要说明的是,上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
实施例四
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例一或者实施例二所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
实施例五
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述实施例一或者实施例二所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于手持式激光雷达的地下廊道危险区识别方法,其特征在于,包括:
对手持式激光雷达获取的激光点云数据进行自适应聚类;
基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;所述激光点云拼接过程包括:
基于惯导位姿数据,结合激光雷达与惯导装置的误差关系,得到惯导装置的误差值;
基于激光点云的特征点集,结合相邻两帧激光点云中的源点云矩阵、相邻两帧激光点云中的目标点云矩阵和平移矩阵,得到激光点云的偏差值;
基于所述惯导装置的误差值与所述激光点云的偏差值的平方和的范数,得到整体偏移模型;
基于同一区段内相邻帧构成的点集对所述整体偏移模型进行ICP点云配准算法迭代计算,直到达到初始迭代条件,完成数据配准,对完成点云配准的激光点云进行拼接;
采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警;所述危险区诊断的过程包括:
识别出的铺设部件及其分布状态与预设的地下廊道的部件分布模型中铺设部件及其合理分布范围进行比较,判断是否相符,如果相符,认为正常,如果不相符,根据该部件分布模型的安全位置范围,判断其是否危险,如果危险,进行报警。
2.根据权利要求1所述的基于手持式激光雷达的地下廊道危险区识别方法,其特征在于,采用手持式激光雷达需要按照规定扫描作业标准进行激光点云数据采集;所述规定扫描作业标准至少包括以下任一:
(1)采集路线行程闭环;
(2)采集路线的初始位置以及结束位置通过GPS采集得到位置点信息;
(3)目标视场中存在至少一目标点的位置点信息已知。
3.根据权利要求1所述的基于手持式激光雷达的地下廊道危险区识别方法,其特征在于,所述采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态包括:根据所述建筑信息模型,获取地下管廊的铺设部件的设计参数;根据拼接后的激光点云及其对应聚类,依次与所述建筑信息模型中的地下管廊的铺设部件的设计参数进行对比,针对与建筑信息模型中的铺设部件的设计参数匹配的聚类,记录对应的位置信息。
4.根据权利要求1所述的基于手持式激光雷达的地下廊道危险区识别方法,其特征在于,在所述识别危险区之后包括:根据所述危险区从数据库中查找出相应的危险消除方案。
5.根据权利要求1所述的基于手持式激光雷达的地下廊道危险区识别方法,其特征在于,所述手持式激光雷达在地下廊道所采集到的激光点云数据在时序上连续,且相邻帧的数据重叠率大于60%。
6.基于手持式激光雷达的地下廊道危险区识别方法系统,其特征在于,包括:
聚类模块,其被配置为:对手持式激光雷达获取的激光点云数据进行自适应聚类;
拼接模块,其被配置为:基于手持式激光雷达获取的激光点云数据结合手持式激光雷达获取的惯导位姿数据进行激光点云拼接;所述激光点云拼接过程包括:
基于惯导位姿数据,结合激光雷达与惯导装置的误差关系,得到惯导装置的误差值;
基于激光点云的特征点集,结合相邻两帧激光点云中的源点云矩阵、相邻两帧激光点云中的目标点云矩阵和平移矩阵,得到激光点云的偏差值;
基于所述惯导装置的误差值与所述激光点云的偏差值的平方和的范数,得到整体偏移模型;
基于同一区段内相邻帧构成的点集对所述整体偏移模型进行ICP点云配准算法迭代计算,直到达到初始迭代条件,完成数据配准,对完成点云配准的激光点云进行拼接;
分析模块,其被配置为:采用建筑信息模型识别拼接后激光点云中的铺设部件及其分布状态;
报警模块,其被配置为:根据预设的地下廊道的部件分布模型,对当前铺设部件及其分布状态进行诊断,识别是否存在危险区,若是,则报警;所述危险区诊断的过程包括:
识别出的铺设部件及其分布状态与预设的地下廊道的部件分布模型中铺设部件及其合理分布范围进行比较,判断是否相符,如果相符,认为正常,如果不相符,根据该部件分布模型的安全位置范围,判断其是否危险,如果危险,进行报警。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
8.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于手持式激光雷达的地下廊道危险区识别方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033712.XA CN113625302B (zh) | 2021-09-03 | 2021-09-03 | 基于手持式激光雷达的地下廊道危险区识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033712.XA CN113625302B (zh) | 2021-09-03 | 2021-09-03 | 基于手持式激光雷达的地下廊道危险区识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113625302A CN113625302A (zh) | 2021-11-09 |
CN113625302B true CN113625302B (zh) | 2024-05-21 |
Family
ID=78389088
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111033712.XA Active CN113625302B (zh) | 2021-09-03 | 2021-09-03 | 基于手持式激光雷达的地下廊道危险区识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625302B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207302289U (zh) * | 2017-10-31 | 2018-05-01 | 重庆市市政设计研究院 | 一种地下廊道动态监测管理系统 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
CN109101709A (zh) * | 2018-07-25 | 2018-12-28 | 中国十七冶集团有限公司 | 3d激光扫描技术与bim技术相结合的现场施工管理系统 |
CN109558622A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于点云扫描的施工管理方法及装置 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
KR102238911B1 (ko) * | 2020-04-23 | 2021-04-16 | 비아이밀리그램㈜ | 건축물의 공정진행상태 산출 장치, 건축물의 공정진행상태 산출 방법 및 건축물의 공정진행상태 산출시스템 |
CN112781594A (zh) * | 2021-01-11 | 2021-05-11 | 桂林电子科技大学 | 基于imu耦合的激光雷达迭代最近点改进算法 |
CN112907511A (zh) * | 2021-01-15 | 2021-06-04 | 广州市新誉工程咨询有限公司 | 一种bim技术下的综合管廊信息管理方法及系统 |
CN113313005A (zh) * | 2021-05-25 | 2021-08-27 | 国网山东省电力公司济宁供电公司 | 基于目标识别与重建的输电导线在线监测方法及系统 |
-
2021
- 2021-09-03 CN CN202111033712.XA patent/CN113625302B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN207302289U (zh) * | 2017-10-31 | 2018-05-01 | 重庆市市政设计研究院 | 一种地下廊道动态监测管理系统 |
CN108898662A (zh) * | 2018-05-30 | 2018-11-27 | 中国人民解放军陆军勤务学院 | 基于点云数据的管线设施bim模型自动化重建方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN109101709A (zh) * | 2018-07-25 | 2018-12-28 | 中国十七冶集团有限公司 | 3d激光扫描技术与bim技术相结合的现场施工管理系统 |
CN109558622A (zh) * | 2018-09-19 | 2019-04-02 | 中建科技有限公司深圳分公司 | 一种基于点云扫描的施工管理方法及装置 |
CN111102935A (zh) * | 2019-12-31 | 2020-05-05 | 武汉汉宁轨道交通技术有限公司 | 隧道结构检测方法、装置和电子设备 |
KR102238911B1 (ko) * | 2020-04-23 | 2021-04-16 | 비아이밀리그램㈜ | 건축물의 공정진행상태 산출 장치, 건축물의 공정진행상태 산출 방법 및 건축물의 공정진행상태 산출시스템 |
CN112488037A (zh) * | 2020-12-15 | 2021-03-12 | 上海有个机器人有限公司 | 一种在图像识别中危险区域标识的方法 |
CN112781594A (zh) * | 2021-01-11 | 2021-05-11 | 桂林电子科技大学 | 基于imu耦合的激光雷达迭代最近点改进算法 |
CN112907511A (zh) * | 2021-01-15 | 2021-06-04 | 广州市新誉工程咨询有限公司 | 一种bim技术下的综合管廊信息管理方法及系统 |
CN113313005A (zh) * | 2021-05-25 | 2021-08-27 | 国网山东省电力公司济宁供电公司 | 基于目标识别与重建的输电导线在线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113625302A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guindel et al. | Automatic extrinsic calibration for lidar-stereo vehicle sensor setups | |
CN107526360B (zh) | 一种未知环境下排爆机器人多阶自主导航探测系统及方法 | |
CN106842231B (zh) | 一种道路边界检测及跟踪方法 | |
Lee et al. | Patchwork++: Fast and robust ground segmentation solving partial under-segmentation using 3d point cloud | |
CN104330090B (zh) | 机器人分布式表征智能语义地图创建方法 | |
Badino et al. | Visual topometric localization | |
CN103824080B (zh) | 动态稀疏环境下机器人slam物体状态检测方法 | |
CN105335986A (zh) | 基于特征匹配和MeanShift算法的目标跟踪方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
Xue et al. | Automatic calibration of dual-LiDARs using two poles stickered with retro-reflective tape | |
CN111721279A (zh) | 一种适用于输电巡检工作的末端路径导航方法 | |
CN112232139A (zh) | 一种基于Yolo v4与Tof算法相结合的避障方法 | |
Batista et al. | Lane detection and estimation using perspective image | |
Prentow et al. | Making sense of trajectory data in indoor spaces | |
CN109839112A (zh) | 地下作业设备定位方法、装置、系统及存储介质 | |
Liu et al. | Dloam: Real-time and robust lidar slam system based on cnn in dynamic urban environments | |
Lu et al. | A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment | |
Nielsen et al. | Survey on 2d lidar feature extraction for underground mine usage | |
JP6397386B2 (ja) | 領域分割処理装置、方法、及びプログラム | |
Lavigne et al. | Towards underground mine drift mapping with RFID | |
CN113625302B (zh) | 基于手持式激光雷达的地下廊道危险区识别方法及系统 | |
Lin et al. | $ k $-segments-based geometric modeling of VLS scan lines | |
CN105096733A (zh) | 一种基于栅格地图的环境特征表示与识别的方法 | |
Ishikawa et al. | Curb detection and accessibility evaluation from low-density mobile mapping point cloud data | |
CN112767476A (zh) | 一种快速定位系统、方法及应用 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |