CN114758222A - 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 - Google Patents
一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 Download PDFInfo
- Publication number
- CN114758222A CN114758222A CN202210226606.1A CN202210226606A CN114758222A CN 114758222 A CN114758222 A CN 114758222A CN 202210226606 A CN202210226606 A CN 202210226606A CN 114758222 A CN114758222 A CN 114758222A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- damage
- pointnet
- neural network
- concrete pipeline
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011002 quantification Methods 0.000 title claims abstract description 29
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000002372 labelling Methods 0.000 claims description 6
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000003902 lesion Effects 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000000638 solvent extraction 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/08—Volume rendering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,包括获取混凝土管道损伤三维点云数据集,数据处理及划分,构建PointNet++神经网络模型并训练,模型调参,模型测试和体积量化的步骤。本发明方法研发了适用于混凝土管道损伤检测与体积量化的PointNet++神经网络算法,基于深度相机采集的三维数据进行模型训练,提高方法的鲁棒性和泛化能力,采用参数化点云投影并进行配准,利用球旋转算法自动完成损伤三维重建及体积量化,提高了混凝土管道损伤的识别效率和准确度。
Description
技术领域
本发明涉及管道损伤识别与体积量化技术领域,具体涉及一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法。
背景技术
城市排水系统是城市文明建设和人类健康生活的重要保障。因为它可以隔断污水与净水,从而提高卫生条件,延长人类寿命。随着经济增长和城市的不断扩大,我国排水管线总长度不断增长,随之而来,管道系统老化的问题越来越严重。由此,市政部门需要花费大量资金和资源来进行污水管线的维护工作,其中管道检测的目的在于及早的发现管道的缺陷,便于采取修护措施。
目前,管道检测的主要方法有声学测量、基于视觉系统测量、压力测量、探地雷达系统等,其中视觉检查系统已经广泛的应用于地下排水管道检测。闭路电视(CCTV)作为视觉检查系统的一种,通常会在机器人上安装闭路电视摄像机或变焦摄像机。在检查过程中,设备会沿着管道内壁前进,并将视频传送到外部的监视器中当遇到潜在损伤时,检测人员会调整摄像机的焦距,进一步对潜在损伤判断。与传统检测方法相比电视检测不需要人工进入管道进行探查,并且可以提供相较于激光探测和雷达测试更加简洁、明显的图像结果。但是,这种检测方式需要大量专业训练人员经过长时间的分辨和评估损伤,这样会耗费大量时间和资源。
近年来,使用三维信息进行结构健康分析成为新趋势,二维图像可以进行一些结构损伤检测如裂纹检测,三维信息的出现给予其他检测提供了思路,如根据结构损伤部位的三维信息推算出损伤部位的剥落体积,因此,亟需一种可以在不同位置和角度自动完成混凝土管道损伤体积检测的新的混凝土管道损伤体积自动检测方法。
发明内容
为解决现有技术中存在的问题,本发明提供了一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,将三维点云与深度学习相结合,采用PointNet++神经网络算法,基于深度相机采集的三维数据进行模型训练,提高方法的鲁棒性和泛化能力,采用参数化点云投影并进行配准,利用球旋转算法自动完成损伤三维重建及体积量化,解决了上述背景技术中提到的问题。
为实现上述目的,本发明提供如下技术方案:一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,包括如下步骤:
S1、获取混凝土管道损伤三维点云数据集:采集混凝土管道损伤深度图像,并将其生成三维点云,得到三维点云数据集;
S2、数据处理及划分:将步骤S1得到的三维点云数据集进行分类标注,然后采用数据增强方法进行扩增,最后将数据集划分为训练集,验证集和测试集;
S3、构建PointNet++神经网络模型并训练:构建PointNet++神经网络模型并采用高斯初始化的方法对模型进行初始化,设置超参数,将训练集导入PointNet++神经网络模型,进行模型的训练;
S4、模型调参:按顺序调整超参数,将验证集数据导入到模型,对比不同超参数下模型的损失值及准确率的变化曲线,寻找最优超参数,得到最优PointNet++神经网络模型;
S5、模型测试:将测试集数据导入到最优PointNet++神经网络模型进行测试,输出各项数值评价指标,判断是否达到预期值;
S6、体积量化:分割损伤并根据管道表面参数对损伤点云投影,并与原损伤点云配准生成完整损伤点云,使用球旋转算法进行三维完整损伤点云边缘检测,完成混凝土管道三维曲面重建,对重建的损伤体积进行有效性检测,完成体积量化。
优选的,所述步骤S1中获取混凝土管道损伤三维点云数据集的具体步骤为:
S11、通过深度相机采集混凝土管道损伤深度图像,得到原始深度数据集;
S12、将数据集中的深度图像转化为分辨率是640×576像素的图像;
S13、使用matlab对深度相机内参进行标定,利用相机内参将深度数据转化为世界坐标下的三维点云,得到三维点云数据集。
优选的,所述步骤S2中的分类标注是采用CloudCompare标注程序来进行分类标注,并将其分类标注为正常或破损;
所述数据增强方法包括平移变换、尺度缩放、旋转变换、对称变换、拉伸变换或抖动变换;
所述的数据集划分具体是采用python分类程序将数据集按6:3:1的比例分为训练集,验证集和测试集。
优选的,所述步骤S3中的高斯初始化是从具有固定均值和标准差的高斯分布中获得权重值;所述的超参数为学习率,总迭代次数,三维点云数目和衰减率。
优选的,所述步骤S5中的各项数值评价指标包括精度,准确率和召回率。
优选的,所述的步骤S6的具体步骤为:
S61、利用训练完成的PointNet++神经网络分割混凝土管道损伤;
S62、损伤点云投影:进行损伤三维点云投影的曲面参数通过PointNet++分割的正常混凝土管道三维点云得出;
S63、投影点云与损伤点云配准后,使用球旋转算法进行三维完整损伤点云边缘检测,完成混凝土管道三维曲面重建,对重建的损伤体积进行有效性检测,完成体积量化。
优选的,所述步骤S63中投影点云与损伤点云配准所采用的配准方法为GICP算法。
优选的,所述步骤S63中有效性检测的指标为相对误差、平均相对误差值。
优选的,所述步骤S63中的球旋转算法通过控制球旋转半径检测点云的边缘点,完成曲面重建。
优选的,所述的相对误差值REV为真实体积与测试体积之差的绝对值与真实体积的比值,
所述的平均相对误差值MRE为相对误差值的平均值,
本发明的有益效果是:
1)本发明采用三维点云方式,可以直观表示损伤形状,给研究者提供一些更加直观的尺寸信息例如体积、面积信息,为接下来管道修复提供更具体信息;
2)本发明采用PointNet++神经网络模型,通过对大量混凝土管道损伤的学习,模型能够学习到更加鲁棒性的特征表达,从而增加了泛化能力,提高识别的准确度;
3)本发明采用PointNet++神经网络结合球旋转算法将混凝土管道损伤检测、分割、定量分析过程自动化,利用球旋转算法自动完成损伤三维重建及体积量化,提高混凝土管道损伤的识别效率。
附图说明
图1为本发明方法步骤流程图;
图2为本发明方法处理结果图,图2(a)是PointNet++分割后的损伤点云图,图2(b)是损伤投影与损伤配准后点云图,图2(c)是损伤体积量化结果图。
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做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。
请参阅图1-图2,本发明提供一种技术方案:一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,方法流程如图1所示,包含以下步骤:
步骤一:获取混凝土管道损伤三维点云数据集
采集混凝土管道损伤深度图像,并将其生成三维点云数据集,具体过程为:
1.1原始深度数据集由微软Azure Kinect DK深度相机拍摄得到;
1.2原始采集的深度图像将自动分为分辨率为640×576像素的数据集
1.3使用matlab对深度相机内参进行标定;
1.4利用相机内参将深度数据转化为世界坐标下的三维点云;
具体地,拍摄深度图像应具备:
(1)图片应具有多样性,混凝土管道数据集应包括光照强、阴影等图片;
(2)图片拍摄距离具有广泛性,拍摄距离远近不同,提升泛化能力;
(3)图片视角应多样化,包括正视图片,侧视图片,斜视图片等;
(4)病害目标应具有代表性,具有明显的病害特征。
步骤二:数据处理及划分
根据步骤一得到的数据集,分类标注混凝土管道损伤数据集,将其使用数据增强方法进行扩增,并按比例分为训练集、验证集和测试集,构建混凝土管道损伤数据集,具体过程为:
2.1使用CloudCompare标注程序分类标注混凝土管道损伤,分为正常和破损;
2.2将标注后的数据集使用数据增强技术进行扩增;
2.3使用编写python分类程序将数据集按6:3:1的比例分为训练集,验证集和测试集。
具体地,数据增强的主要方法有平移变换,尺度缩放,旋转变换,对称变换,拉伸变换,抖动变换。
具体地,训练集,验证集和测试集的图像互不交叉重合,有利于检验模型的鲁棒性和泛化能力。
步骤三:构建PointNet++神经网络模型并训练
采用高斯初始化的方法对模型进行初始化,设置超参数,将训练集导入PointNet++神经网络模型,进行模型的训练。
具体地,高斯初始化高斯初始化从具有固定均值和标准差的高斯分布中获得权重值,能够加快训练效率,提高检测精度;
具体地,PointNet++神经网络将三维点云划分为有重叠的局部区域,之后利用PointNet提取局部区域的局部特征,通过多尺度分组将感受野扩大,在局部特征基础上提取更高层次的点云特征,直到提取到整个点集的全局特征;
具体地,基于GPU的高带宽和多线程并行计算特性,深度学习算法须在高性能计算机上进行。
步骤四:模型调参
按顺序调整超参数,引入验证集数据测试模型,对比不同超参数下模型的损失值及准确率的变化曲线(损失值下降曲线和准确率上升曲线),寻找最优超参数,得到最优PointNet++神经网络模型;
具体地,主要的超参数为学习率,总迭代次数,三维点云数目,衰减指数等。
具体地,超参数调整顺序为首先确定三维点云数目,其次调整学习率,再次确定总迭代次数,最后进行衰减指数调整。
具体地,学习率控制权值参数更新的速度。在模型训练的过程中,设置过大的学习率容会导致模型错过最优解,使模型出现过拟合现象;设置过小的学习率会使学习速度变慢。学习率需要根据经验和不断实验来设置。
具体地,总迭代次数是指整个训练集输入到神经网络进行训练的次数,当测试错误率和训练错误率相差较小时,可认为当前迭代次数合适;当测试错误率先变小后变大时则说明迭代次数过大了,需要减小迭代次数,否则容易出现过拟合。
具体地,三维点云数目指的是输入训练模型中点云数目,通过统计数据集中三维点云的数目确定。
具体地,衰减指数是为了解决学习率过大或过小的问题而设立,在迭代过程中通过不断调整学习率大小。
具体地,为了防止学习率过大,在收敛到全局最优点的时候会来回摆荡,所以要让学习率随着训练轮数不断按指数级下降,收敛梯度下降的学习步长。
具体地,本实例调整超参数的主要依据为,设置不同超参数时,模型在验证集上的检测表现,即识别的效率,准确率上升曲线的最大值和损失值下降曲线的平稳度和收敛性。
步骤五:模型测试
根据测试集数据,对最优模型测试,输出各项数值评价指标,判断是否达到预期值;
具体地,各项数值评价指标包括精度、准确率、召回率。
具体地,通过所得的精度、准确率是否大于80%,召回率是否大于85%来判断模型是否达到预期值。
步骤六:体积量化
分割损伤并根据管道表面参数对损伤点云投影,并与原损伤点云配准生成完整损伤点云,使用球旋转算法将完整点云生成包络图,对重建损伤体积作出有效性检测,本发明方法处理结果如图2所示,图2(a)是PointNet++分割后的损伤点云图,图2(b)是损伤投影与损伤配准后点云图,图2(c)是损伤体积量化结果图,具体过程为:
3.1利用训练完成的PointNet++神经网络分割混凝土管道损伤;
3.2进行损伤三维点云投影的曲面参数为PointNet++分割的正常混凝土管道三维点云得出;
3.3投影点云与损伤点云配准后,使用球旋转算法进行三维点云边缘检测完成混凝土管道曲面重建工作;
3.4对重建后的损伤体积进行有效性检测。
进一步地,所述的3.3投影点云与损伤点云配准所使用的配准方法为GICP算法,GICP算法在ICP算法的基础之上加上概率框架模型,在求解对应点之间的刚体变换矩阵的同时消除无效配准点的作用;
进一步地,所述的3.3球旋转算法通过控制球旋转半径检测点云的边缘点,完成曲面重建。
进一步地,所述的3.4有效性检测指标为相对误差值、平均相对误差值,其中,相对误差值REV为真实体积与测试体积之差的绝对值与真实体积的比值,
平均相对误差值MRE为相对误差值的平均值,
其中,N代表测试体积数量,i代表测试体积对应的编号。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,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 (10)
1.一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于,包括如下步骤:
S1、获取混凝土管道损伤三维点云数据集:采集混凝土管道损伤深度图像,并将其生成三维点云,得到三维点云数据集;
S2、数据处理及划分:将步骤S1得到的三维点云数据集进行分类标注,然后采用数据增强方法进行扩增,最后将数据集划分为训练集,验证集和测试集;
S3、构建PointNet++神经网络模型并训练:构建PointNet++神经网络模型并采用高斯初始化的方法对模型进行初始化,设置超参数,将训练集导入PointNet++神经网络模型,进行模型的训练;
S4、模型调参:按顺序调整超参数,将验证集数据导入到模型,对比不同超参数下模型的损失值及准确率的变化曲线,寻找最优超参数,得到最优PointNet++神经网络模型;
S5、模型测试:将测试集数据导入到最优PointNet++神经网络模型进行测试,输出各项数值评价指标,判断是否达到预期值;
S6、体积量化:分割损伤并根据管道表面参数对损伤点云投影,并与原损伤点云配准生成完整损伤点云,使用球旋转算法进行三维完整损伤点云边缘检测,完成混凝土管道三维曲面重建,对重建的损伤体积进行有效性检测,完成体积量化。
2.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S1中获取混凝土管道损伤三维点云数据集的具体步骤为:
S11、通过深度相机采集混凝土管道损伤深度图像,得到原始深度数据集;
S12、将数据集中的深度图像转化为分辨率是640×576像素的图像;
S13、使用matlab对深度相机内参进行标定,利用相机内参将深度数据转化为世界坐标下的三维点云,得到三维点云数据集。
3.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S2中的分类标注是采用CloudCompare标注程序来进行分类标注,并将其分类标注为正常或破损;
所述数据增强方法包括平移变换、尺度缩放、旋转变换、对称变换、拉伸变换或抖动变换;
所述的数据集划分具体是采用python分类程序将数据集按6:3:1的比例分为训练集,验证集和测试集。
4.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S3中的高斯初始化是从具有固定均值和标准差的高斯分布中获得权重值;所述的超参数为学习率,总迭代次数,三维点云数目和衰减率。
5.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S5中的各项数值评价指标包括精度,准确率和召回率。
6.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述的步骤S6的具体步骤为:
S61、利用训练完成的PointNet++神经网络分割混凝土管道损伤;
S62、损伤点云投影:进行损伤三维点云投影的曲面参数通过PointNet++分割的正常混凝土管道三维点云得出;
S63、投影点云与损伤点云配准后,使用球旋转算法进行三维完整损伤点云边缘检测,完成混凝土管道三维曲面重建,对重建的损伤体积进行有效性检测,完成体积量化。
7.根据权利要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S63中投影点云与损伤点云配准所采用的配准方法为GICP算法。
8.根据权利要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S63中有效性检测的指标为相对误差、平均相对误差值。
9.根据权利要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法,其特征在于:所述步骤S63中的球旋转算法通过控制球旋转半径检测点云的边缘点,完成曲面重建。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226606.1A CN114758222B (zh) | 2022-03-09 | 2022-03-09 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
KR1020220066695A KR20230132686A (ko) | 2022-03-09 | 2022-05-31 | PointNet++ 신경망 기반 콘크리트배관 손상 인식 및 체적 디스플레이 방법 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226606.1A CN114758222B (zh) | 2022-03-09 | 2022-03-09 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114758222A true CN114758222A (zh) | 2022-07-15 |
CN114758222B CN114758222B (zh) | 2024-05-14 |
Family
ID=82324948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226606.1A Active CN114758222B (zh) | 2022-03-09 | 2022-03-09 | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20230132686A (zh) |
CN (1) | CN114758222B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114860A (zh) * | 2022-07-21 | 2022-09-27 | 郑州大学 | 一种面向混凝土管道损伤识别的数据建模扩增方法 |
CN117053875A (zh) * | 2023-10-10 | 2023-11-14 | 华南农业大学 | 一种家禽表型智能测定装置及方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117216919B (zh) * | 2023-09-21 | 2024-06-18 | 郑州大学 | 一种基于知识-数据双驱动的排水管道力学性能评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476843A (zh) * | 2020-05-08 | 2020-07-31 | 中国科学院合肥物质科学研究院 | 基于注意力机制和改进pv-rcnn网络的枸杞枝条识别定位方法 |
CN113096088A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种基于深度学习的混凝土结构检测方法 |
CN113125444A (zh) * | 2021-04-20 | 2021-07-16 | 上海应用技术大学 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
US20210319561A1 (en) * | 2020-11-02 | 2021-10-14 | BeSTDR Infrastructure Hospital(Pingyu) | Image segmentation method and system for pavement disease based on deep learning |
CN113971669A (zh) * | 2021-12-01 | 2022-01-25 | 国网江苏省电力有限公司连云港供电分公司 | 应用于管道损伤识别的三维检测系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102006206B1 (ko) | 2017-08-14 | 2019-08-01 | 오토시맨틱스 주식회사 | 딥러닝을 통한 음향기반 상수도 누수 진단 방법 |
-
2022
- 2022-03-09 CN CN202210226606.1A patent/CN114758222B/zh active Active
- 2022-05-31 KR KR1020220066695A patent/KR20230132686A/ko unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476843A (zh) * | 2020-05-08 | 2020-07-31 | 中国科学院合肥物质科学研究院 | 基于注意力机制和改进pv-rcnn网络的枸杞枝条识别定位方法 |
US20210319561A1 (en) * | 2020-11-02 | 2021-10-14 | BeSTDR Infrastructure Hospital(Pingyu) | Image segmentation method and system for pavement disease based on deep learning |
CN113096088A (zh) * | 2021-04-07 | 2021-07-09 | 浙江大学 | 一种基于深度学习的混凝土结构检测方法 |
CN113125444A (zh) * | 2021-04-20 | 2021-07-16 | 上海应用技术大学 | 一种基于无人机搭载三维扫描仪的铁路桥梁病害监测方法 |
CN113971669A (zh) * | 2021-12-01 | 2022-01-25 | 国网江苏省电力有限公司连云港供电分公司 | 应用于管道损伤识别的三维检测系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115114860A (zh) * | 2022-07-21 | 2022-09-27 | 郑州大学 | 一种面向混凝土管道损伤识别的数据建模扩增方法 |
CN115114860B (zh) * | 2022-07-21 | 2024-03-01 | 郑州大学 | 一种面向混凝土管道损伤识别的数据建模扩增方法 |
CN117053875A (zh) * | 2023-10-10 | 2023-11-14 | 华南农业大学 | 一种家禽表型智能测定装置及方法 |
CN117053875B (zh) * | 2023-10-10 | 2023-12-19 | 华南农业大学 | 一种家禽表型智能测定装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
KR20230132686A (ko) | 2023-09-18 |
CN114758222B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN114758222A (zh) | 一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN107451999A (zh) | 基于图像识别的异物检测方法和装置 | |
JP2023139099A (ja) | 学習用データ収集装置、学習用データ収集方法、及びプログラム | |
Tan et al. | Vehicle detection in high resolution satellite remote sensing images based on deep learning | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN113313107B (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN109584206B (zh) | 零件表面瑕疵检测中神经网络的训练样本的合成方法 | |
CN116863274A (zh) | 一种基于半监督学习的钢板表面缺陷检测方法及系统 | |
CN114926511A (zh) | 一种基于自监督学习的高分辨率遥感影像变化检测方法 | |
CN114596500A (zh) | 一种基于通道-空间注意力和DeeplabV3plus的遥感影像语义分割方法 | |
CN115937518A (zh) | 一种基于多源图像融合的路面病害识别方法及系统 | |
CN117036715A (zh) | 一种基于卷积神经网络的形变区边界自动提取方法 | |
CN109934151B (zh) | 一种基于movidius计算芯片和Yolo face的人脸检测方法 | |
CN113469097B (zh) | 一种基于ssd网络的水面漂浮物多相机实时检测方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN117876381A (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
CN111179278B (zh) | 一种图像检测的方法、装置、设备和存储介质 | |
CN115311200A (zh) | 一种基于SSA-PointNet++神经网络混凝土管道损伤识别与体积量化方法 | |
CN115457044B (zh) | 基于类激活映射的路面裂缝分割方法 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
CN115114860A (zh) | 一种面向混凝土管道损伤识别的数据建模扩增方法 | |
CN113592829B (zh) | 基于分割重组的深度学习泥沙颗粒识别方法及装置 |
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 |