CN114581371A - 一种隧道形变检测方法、系统、设备及存储介质 - Google Patents
一种隧道形变检测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN114581371A CN114581371A CN202210082411.4A CN202210082411A CN114581371A CN 114581371 A CN114581371 A CN 114581371A CN 202210082411 A CN202210082411 A CN 202210082411A CN 114581371 A CN114581371 A CN 114581371A
- Authority
- CN
- China
- Prior art keywords
- target
- point cloud
- tunnel
- data
- deformation
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000011218 segmentation Effects 0.000 claims description 24
- 238000013507 mapping Methods 0.000 claims description 8
- 238000000638 solvent extraction Methods 0.000 claims description 8
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 abstract description 15
- 238000007689 inspection Methods 0.000 abstract description 3
- 238000009616 inductively coupled plasma Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种隧道形变检测方法、系统、设备及存储介质,涉及计算机视觉处理技术领域。所述方法,包括:根据点云数据和视频图像,识别隧道目标;对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。本发明对点云数据进行分割处理,并结合历史数据进行数据比对,利用中轴线左右定界算法能够判断隧道是否发生形变,同时对形变区段进行定位,可以很大程度上减少轨道巡检的工作量,提高形变检测的区间精度。
Description
技术领域
本发明涉及计算机视觉处理技术领域,尤其涉及一种隧道形变检测方法、系统、设备及存储介质。
背景技术
隧道是埋置于地层中的工程建筑物,是人类利用地下空间的一种形式。铁路隧道在运营中会出现渗漏水、衬砌裂损、隧道冻害、衬砌腐蚀、挤压形变、震害、火灾和洞内空气污染等病害。这些病害对铁路隧道的安全、舒适、正常运营有重要影响和威胁。因此,检测铁路隧道是否发生形变直接关系到列车行车安全。
为了检测出隧道是否发生形变,一般使用激光扫描设备采集隧道的点云数据。采集隧道点云数据的常用方法包括人工手持扫描仪采集和全站仪定点扫描,其中,靠人工手持扫描仪采集需要耗费大量人力物力、效率低下,全站仪定点扫描需要事先选定测量位置、机动性差。因此需要针对人工手持扫描仪采集和全站仪定点扫描,采集隧道点云数据的弊端,提出新的技术方案。
发明内容
本发明目的在于,提供一种隧道形变检测方法、系统、设备及存储介质,以实现更加便捷高效地检测隧道形变程度的问题。
为实现上述目的,本发明实施例提供一种隧道形变检测方法,包括:
根据点云数据和视频图像,识别隧道目标;
对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;
利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
优选地,所述根据点云数据和视频图像,识别隧道目标,包括:
对所述点云数据进行分块,得到分块后点云数据;
利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;
对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。
优选地,所述对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中,包括:
在所述视频图像上定位并识别出目标图像区域;
将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射于所述点云数据的对应区域中,得到目标点云区域;
将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;
将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
优选地,所述利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度,包括:
对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;
利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
本发明实施例还提供一种隧道形变检测系统,包括:
目标识别模块,用于根据点云数据和视频图像,识别隧道目标;
目标分割模块,用于对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;
数据比对模块,用于利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
优选地,所述目标识别模块,还用于:
对所述点云数据进行分块,得到分块后点云数据;利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。
优选地,所述目标分割模块,还用于:
在所述视频图像上定位并识别出目标图像区域;将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射于所述点云数据的对应区域中,得到目标点云区域;将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
优选地,所述数据比对模块,还用于:
对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
本发明实施例还提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任一实施例所述的隧道形变检测方法。
本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一实施例所述的隧道形变检测方法。
与现有技术相比,本发明具有以下有益效果:
本发明公开的隧道形变检测方法,包括:根据点云数据和视频图像,识别隧道目标;对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。本发明对点云数据进行分割处理,并结合历史数据进行数据比对,利用中轴线左右定界算法能够判断隧道是否发生形变,同时对形变区段进行定位,可以很大程度上减少轨道巡检的工作量,提高形变检测的区间精度。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的隧道形变检测方法的流程示意图;
图2是本发明某一实施例提供的隧道形变检测系统的结构示意图;
图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,图1是本发明某一实施例提供的隧道形变检测方法的流程示意图。在本实施例中,隧道形变检测方法包括以下步骤:
S11,根据点云数据和视频图像,识别隧道目标。
具体地,点云数据和视频图像地获取可以使用车载扫描设备同步采集。
S12,对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集。
S13,利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
在某一实施例中,步骤S11,根据点云数据和视频图像,识别隧道目标,包括:对所述点云数据进行分块,得到分块后点云数据;利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。经过上述处理,可以快速准确地判定:点云数据中扫描的铁路场景是否包含有后期目标分割的重点区域(含隧道的区域)。如果该区域含有需要分割的重点区域,则对该区域进一步分割和形变检测。
其中,考虑到点云数据体量较大,对整个场景进行识别的话需要较大的计算量,且场景中存在较多地干扰物,故对点云数据进行分块。对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标,具体包括:基于不同物体的视点特征直方图特征建立行业内周知的KD树,并利用行业内周知的最近点搜索算法对分块的点云特征进行分类预测,最后,统计场景点云中的所有块的分类结果,综合判定场景是否包含重点区域。
在某一实施例中,步骤S12,对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中,包括:在所述视频图像上定位并识别出目标图像区域;将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
具体地,分割网络包括初步分割和精确分割,其中:
(1)初步分割阶段:该部分是为了初步分割出隧道目标区域。这一目标区域应与前一阶段扫描的隧道目标区域大体相同。初步分割的目的是为了减少无关部分的干扰,包括:
a.使用图像领域内所周知的实时目标检测框架Mask-RCNN,在采集的铁路场景图像上定位并识别出隧道目标区域;
b.将同一时刻采集的点云与图像数据匹配起来,将图像中识别的目标区域映射到点云中的对应区域;
这一对应区域是对铁路场景数据进行初步分割的结果,此区域排除了铁路场景中的无关点;
(2)精确分割阶段:该部分是为了针对上一步初步分割出的区域,使用专用的点云分割网络PointNet++定位并分割出更精细的目标区域,包括:
a.先利用降采样方法对点云进行精简或插值,使点云分布均匀;
b.再对点云数据进行体素化(Voxel)处理;
c.再搭建点云分割网络PointNet++,快速地分割出不同尺度,形状的隧道目标的区域;
经过以上三步处理后,便可以将隧道目标从重要区域中单独分割出来,以便于下一步的形变检测。
在某一实施例中,步骤S13,利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度,包括:对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
(1)目标形变程度检测方法包括:
a.针对分割后单个隧道目标的点云体素数据,先利用行业内周知的ICP配准算法与上期历史数据进行配准;
b.由于铁路场景目标较大,再将配准后的隧道点云进行分块处理。
对于隧道点云,在每块区域中利用中轴线左右定界算法计算隧道前后两期数据的偏差,定位出隧道形变区域的范围,求出隧道前后两期数据中形变区域的包络体积,并求出隧道形变区域与前期对应区域偏离的最大距离和平均距离;
c.最后统计分析隧道目标的整体形变。经过多期数据的分析对比,可以得知隧道目标形变的变化趋势,并量化出形变程度。
(2)中轴线左右定界算法包括:
a.获取隧道点云在XOY和XOZ面上的中轴线:
对点云数据沿x方向,以Δx=1cm截取切面,对x方向的切面计算出y,z的最大值yi(max),zi(max)和最小值yi(min),zi(min)。计算任一点xi(i=1,2…n)分别对应于y,z方向上的平均值。
再将xi分别与yi,zi进行二次曲线拟合,得到的隧道三维中轴线可以表示为:
b.获取断面中心点的x坐标center_x:
对前后两期隧道在XOY,XOZ面上的中轴线作差,取差值的极值点(即求一阶导为0,且在x范围内的点)。此点的x坐标center_x即断面的中心点。
c.确认形变区域的左右边界:
以求出的center_x为中心,分别向x轴左右两侧求前后两期隧道的中轴线差值,若差值不满足阈值限制条件时,则认为此断面属于形变区域。不断更新左边界点bound_l和右边界点bound_r。更新完成后的[bound_l,bound_r]即为检测出的形变区域。将此区域颜色进行标记,以突出显示。所述阈值threshold的设定取决于center_x是x范围内的最大值点x_max还是x范围内的最小值点x_min。当center_x是x范围内的最大值点x_max时,所述阈值threshold由前后两期隧道中轴线差值的最大值num_max和平均值num_mean决定。当center_x是x范围内的最小值点x_min时,所述阈值threshold由前后两期隧道中轴线差值的最小值num_min和平均值num_mean决定。具体表示为:
其中,α是0到1范围内的小数。当center_x是x范围内的最大值点x_max时,所述阈值限制条件是:前后两期隧道的中轴线差值小于等于阈值。当center_x是x范围内的最小值点x_min时,所述阈值限制条件是:前后两期隧道的中轴线差值大于等于阈值。α越小,则检测的形变区域越小,检测出的形变区域为变形严重,需要重点修补的区域。α越大,则检测的形变区域越大,可能含有部分变形不太严重的区域,对于这部分区域可以提前做出预警,防止形变进一步严重。
本发明实施例,通过获取车载点云数据与视频图像数据后,识别铁路场景下有无隧道目标,在确认有隧道目标后分割出场景中单个的隧道目标,与历史数据库中的数据进行配准,对不同时间段检测到的相同隧道目标的对到数据,使用中轴线左右定界算法进行形变检测,量化隧道形变程度,得到形变区域的x轴范围、隧道包络体积对比、隧道偏离最大和平均距离,并将结果汇总给工作人员。本实施例包括对隧道目标的识别,利用图像和点云融合的思想进行隧道目标的分割,利用所述中轴线左右定界算法来检测出隧道形变的具体区域。相较于其他形变检测方式,中轴线左右定界算法除了能判断隧道是否发生形变,也可以准确定位出形变区段,可以很大程度上减少轨道巡检的工作量,提高形变检测的区间精度。此外,阈值随着前后两期隧道中轴线差值的变化而动态改变。这种方式设定的阈值相较于固定大小的阈值而言适用范围更广,可以应用于不同尺寸的隧道,小到地铁和公路隧道,大到铁路隧道。
请参阅图2,图2是本发明某一实施例提供的隧道形变检测系统的结构示意图。在本实施例中,隧道形变检测系统,其特征在于,包括:
目标识别模块21,用于根据点云数据和视频图像,识别隧道目标。
具体地,点云数据和视频图像地获取可以使用车载扫描设备同步采集。
目标分割模块22,用于对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集。
数据比对模块23,用于利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
在某一实施例中,目标识别模块21,还用于:对所述点云数据进行分块,得到分块后点云数据;利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。经过上述处理,可以快速准确地判定:点云数据中扫描的铁路场景是否包含有后期目标分割的重点区域(含隧道的区域)。如果该区域含有需要分割的重点区域,则对该区域进一步分割和形变检测。
其中,考虑到点云数据体量较大,对整个场景进行识别的话需要较大的计算量,且场景中存在较多地干扰物,故对点云数据进行分块。对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标,具体包括:基于不同物体的视点特征直方图特征建立行业内周知的KD树,并利用行业内周知的最近点搜索算法对分块的点云特征进行分类预测,最后,统计场景点云中的所有块的分类结果,综合判定场景是否包含重点区域。
在某一实施例中,目标分割模块22,还用于:在所述视频图像上定位并识别出目标图像区域;将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射于所述点云数据的对应区域中,得到目标点云区域;将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
具体地,分割网络包括初步分割和精确分割,其中:
(1)初步分割阶段:该部分是为了初步分割出隧道目标区域。这一目标区域应与前一阶段扫描的隧道目标区域大体相同。初步分割的目的是为了减少无关部分的干扰,包括:
a.使用图像领域内所周知的实时目标检测框架Mask-RCNN,在采集的铁路场景图像上定位并识别出隧道目标区域;
b.将同一时刻采集的点云与图像数据匹配起来,将图像中识别的目标区域映射到点云中的对应区域;
这一对应区域是对铁路场景数据进行初步分割的结果,此区域排除了铁路场景中的无关点;
(2)精确分割阶段:该部分是为了针对上一步初步分割出的区域,使用专用的点云分割网络PointNet++定位并分割出更精细的目标区域,包括:
a.先利用降采样方法对点云进行精简或插值,使点云分布均匀;
b.再对点云数据进行体素化(Voxel)处理;
c.再搭建点云分割网络PointNet++,快速地分割出不同尺度,形状的隧道目标的区域;
经过以上三步处理后,便可以将隧道目标从重要区域中单独分割出来,以便于下一步的形变检测。
在某一实施例中,数据比对模块23,还用于:对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
(1)目标形变程度检测方法包括:
a.针对分割后单个隧道目标的点云体素数据,先利用行业内周知的ICP配准算法与上期历史数据进行配准;
b.由于铁路场景目标较大,再将配准后的隧道点云进行分块处理。
对于隧道点云,在每块区域中利用中轴线左右定界算法计算隧道前后两期数据的偏差,定位出隧道形变区域的范围,求出隧道前后两期数据中形变区域的包络体积,并求出隧道形变区域与前期对应区域偏离的最大距离和平均距离;
c.最后统计分析隧道目标的整体形变。经过多期数据的分析对比,可以得知隧道目标形变的变化趋势,并量化出形变程度。
(2)中轴线左右定界算法包括:
a.获取隧道点云在XOY和XOZ面上的中轴线:
对点云数据沿x方向,以Δx=1cm截取切面,对x方向的切面计算出y,z的最大值yi(max),zi(max)和最小值yi(min),zi(min)。计算任一点xi(i=1,2…n)分别对应于y,z方向上的平均值。
再将xi分别与yi,zi进行二次曲线拟合,得到的隧道三维中轴线可以表示为:
b.获取断面中心点的x坐标center_x:
对前后两期隧道在XOY,XOZ面上的中轴线作差,取差值的极值点(即求一阶导为0,且在x范围内的点)。此点的x坐标center_x即断面的中心点。
c.确认形变区域的左右边界:
以求出的center_x为中心,分别向x轴左右两侧求前后两期隧道的中轴线差值,若差值不满足阈值限制条件时,则认为此断面属于形变区域。不断更新左边界点bound_l和右边界点bound_r。更新完成后的[bound_l,bound_r]即为检测出的形变区域。将此区域颜色进行标记,以突出显示。所述阈值threshold的设定取决于center_x是x范围内的最大值点x_max还是x范围内的最小值点x_min。当center_x是x范围内的最大值点x_max时,所述阈值threshold由前后两期隧道中轴线差值的最大值num_max和平均值num_mean决定。当center_x是x范围内的最小值点x_min时,所述阈值threshold由前后两期隧道中轴线差值的最小值num_min和平均值num_mean决定。具体表示为:
其中,α是0到1范围内的小数。当center_x是x范围内的最大值点x_max时,所述阈值限制条件是:前后两期隧道的中轴线差值小于等于阈值。当center_x是x范围内的最小值点x_min时,所述阈值限制条件是:前后两期隧道的中轴线差值大于等于阈值。α越小,则检测的形变区域越小,检测出的形变区域为变形严重,需要重点修补的区域。α越大,则检测的形变区域越大,可能含有部分变形不太严重的区域,对于这部分区域可以提前做出预警,防止形变进一步严重。
请参阅图3,本发明实施例提供一种计算机终端设备,包括一个或多个处理器和存储器。存储器与所述处理器耦接,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上述任意一个实施例中的隧道形变检测方法。
处理器用于控制该计算机终端设备的整体操作,以完成上述的隧道形变检测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作,这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,计算机终端设备可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的隧道形变检测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供了一种包括计算机程序的计算机可读存储介质,该计算机程序被处理器执行时实现上述任意一个实施例中的隧道形变检测方法的步骤。例如,该计算机可读存储介质可以为上述包括计算机程序的存储器,上述计算机程序可由计算机终端设备的处理器执行以完成上述的隧道形变检测方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种隧道形变检测方法,其特征在于,包括:
根据点云数据和视频图像,识别隧道目标;
对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;
利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
2.根据权利要求1所述的隧道形变检测方法,其特征在于,所述根据点云数据和视频图像,识别隧道目标,包括:
对所述点云数据进行分块,得到分块后点云数据;
利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;
对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。
3.根据权利要求1所述的隧道形变检测方法,其特征在于,所述对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中,包括:
在所述视频图像上定位并识别出目标图像区域;
将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射于所述点云数据的对应区域中,得到目标点云区域;
将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;
将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
4.根据权利要求1所述的隧道形变检测方法,其特征在于,所述利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度,包括:
对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;
利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
5.一种隧道形变检测系统,其特征在于,包括:
目标识别模块,用于根据点云数据和视频图像,识别隧道目标;
目标分割模块,用于对所述隧道目标进行分割,得到单独目标集,并保存在历史数据库中;其中所述单独目标集包括若干个单独目标,所述历史数据库保存有若干组不同时间检测的单独目标集;
数据比对模块,用于利用中轴线左右定界算法对所述历史数据库中的若干个所述单独目标集进行数据比对,得到隧道目标形变程度。
6.根据权利要求5所述的隧道形变检测系统,其特征在于,所述目标识别模块,还用于:
对所述点云数据进行分块,得到分块后点云数据;利用视点特征直方图对所述分块后点云数据进行三维点云特征提取,得到分块后点云特征;对所述分块后点云特征进行分类预测,结合所述视频图像得到隧道目标。
7.根据权利要求5所述的隧道形变检测系统,其特征在于,所述目标分割模块,还用于:
在所述视频图像上定位并识别出目标图像区域;将所述视频图像与所述点云数据进行时刻匹配,并所述目标图像区域映射于所述点云数据的对应区域中,得到目标点云区域;将目标点云区域进行精简、插值或体素化处理,得到点云体素数据;将所述点云体素数据分割出不同尺度,得到单独目标集,并保存在历史数据库中。
8.根据权利要求5所述的隧道形变检测系统,其特征在于,所述数据比对模块,还用于:
对不同时间检测的单独目标集进行配准,并进行分块处理,得到配准数据集;利用中轴线左右定界算法计算所述配准数据集的数据偏差,得到隧道目标形变程度。
9.一种计算机终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1至4任一项所述的隧道形变检测方法。
10.一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,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的隧道形变检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082411.4A CN114581371A (zh) | 2022-01-24 | 2022-01-24 | 一种隧道形变检测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082411.4A CN114581371A (zh) | 2022-01-24 | 2022-01-24 | 一种隧道形变检测方法、系统、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114581371A true CN114581371A (zh) | 2022-06-03 |
Family
ID=81771115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210082411.4A Pending CN114581371A (zh) | 2022-01-24 | 2022-01-24 | 一种隧道形变检测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114581371A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048344A (zh) * | 2022-08-16 | 2022-09-13 | 安格利(成都)仪器设备有限公司 | 一种管道或容器内外壁三维轮廓和图像数据的存储方法 |
CN116793245A (zh) * | 2023-08-24 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
-
2022
- 2022-01-24 CN CN202210082411.4A patent/CN114581371A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115048344A (zh) * | 2022-08-16 | 2022-09-13 | 安格利(成都)仪器设备有限公司 | 一种管道或容器内外壁三维轮廓和图像数据的存储方法 |
CN115048344B (zh) * | 2022-08-16 | 2022-11-04 | 安格利(成都)仪器设备有限公司 | 一种管道或容器内外壁三维轮廓和图像数据的存储方法 |
CN116793245A (zh) * | 2023-08-24 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
CN116793245B (zh) * | 2023-08-24 | 2023-12-01 | 济南瑞源智能城市开发有限公司 | 一种基于轨道机器人的隧道检测方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020114466A1 (zh) | 一种隧道点云数据分析方法及系统 | |
CN114581371A (zh) | 一种隧道形变检测方法、系统、设备及存储介质 | |
WO2022099511A1 (zh) | 基于点云数据的地面分割方法、装置和计算机设备 | |
CN110148144A (zh) | 点云数据的分割方法和装置、存储介质、电子装置 | |
CN110163871B (zh) | 一种多线激光雷达的地面分割方法及装置 | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
CN112731440B (zh) | 高速铁路边坡形变检测方法及装置 | |
CN113487479B (zh) | 车端实时检测识别高精度地图边界方法和系统 | |
JP6970736B2 (ja) | 劣化地物特定装置、劣化地物特定方法、劣化地物特定プログラム及び劣化地物特定プログラムを記録したコンピュータ読み取り可能な記録媒体 | |
CN115018879A (zh) | 目标检测方法、计算机可读存储介质及驾驶设备 | |
CN115657049A (zh) | 一种隧道车载激光雷达定位纠偏方法及系统 | |
CN115760898A (zh) | 一种混合高斯域下道路抛洒物的世界坐标定位方法 | |
CN117523522B (zh) | 隧道场景的识别方法、装置、设备和存储介质 | |
CN112562419B (zh) | 一种基于离线多目标跟踪的天气规避区划设方法 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN115291240A (zh) | 矿区场景内卸载点后方挡墙感知识别的检测方法及系统 | |
CN111126225B (zh) | 多线激光雷达地面分割方法及车辆、计算机可读介质 | |
CN115511902A (zh) | 一种角点特征提取方法及系统 | |
CN114332006A (zh) | 一种城垛缺失自动定量评估方法 | |
CN114993292B (zh) | 一种薄墙壁分割方法及基于其的薄墙壁误匹配优化方法 | |
CN115792958A (zh) | 一种基于3d激光雷达的无人矿车障碍物检测方法 | |
CN113313629A (zh) | 交叉路口自动识别方法、系统及其模型保存方法、系统 | |
Mattson et al. | Reducing ego vehicle energy-use by LiDAR-based lane-level positioning | |
CN114155508B (zh) | 一种道路变化检测方法、装置、设备以及存储介质 |
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 |