CN116188381A - 一种隧道断面几何特征识别分类系统和方法 - Google Patents
一种隧道断面几何特征识别分类系统和方法 Download PDFInfo
- Publication number
- CN116188381A CN116188381A CN202211690130.3A CN202211690130A CN116188381A CN 116188381 A CN116188381 A CN 116188381A CN 202211690130 A CN202211690130 A CN 202211690130A CN 116188381 A CN116188381 A CN 116188381A
- Authority
- CN
- China
- Prior art keywords
- tunnel
- point cloud
- interference
- spline
- residual
- 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
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
- 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
- G06T17/30—Polynomial surface description
-
- 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
- G06T7/68—Analysis of geometric attributes of symmetry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/273—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion removing elements interfering with the pattern to be recognised
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30132—Masonry; Concrete
-
- 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
- G06T2207/30172—Centreline of tubular or elongated structure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Graphics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种隧道断面几何特征识别分类系统和方法,基于自由形式B样条近似,所述系统包括隧道轮廓提取模块、几何模型构建模块、特征分类模块。所述隧道轮廓提取模块,对三维激光扫描仪获取的隧道结构的点云数据进行中心轴提取、切片、投影的预处理,得到隧道断面点云;几何模型构建模块,对所述隧道断面点云进行B样条拟合建模,以均方差误差RMSE为评价指标选择最佳B样条基函数阶数和控制点个数;特征分类模块,通过残差分析的方法对模型中的干扰点特征进行识别分类,根据分类特征去除干扰点。本申请采用B样条方法建立高精度参数模型,残差分析对模型中的干扰点特征进行识别分类,实现了隧道曲面参数化的高精度处理和建模,能够识别常见干扰目标,能够精准定位并去除干扰点云所在位置。
Description
技术领域
本申请涉及技术测量技术领域,尤其涉及一种隧道断面几何特征识别分类系统和方法。
背景技术
隧道在建设以及运营过程中出现不同程度的病害如裂缝、漏水、形变要实时监测,如果不能及时发现和预警,小的病害会演变成严重的病害,危机列车行驶安全,甚至造成不可估计的安全事故。隧道形变病害,并不是突发破坏的,更多的是随着时间的推移,在运营过程中慢慢演化,且不像裂缝、漏水可以直观观测到,因此,对隧道变形实时监测、实时检测显得尤为重要。
基于点云数据开展隧道形变分析是最前沿的、最智能的方式。基于点云数据的分析方法在隧道形变分析中操作简单,形变定位准确,诊断精度高,能够有效实现隧道形变的实时状态监测且省时省力。目前基于点云数据分析隧道形变还处在发展阶段,不可避免的存在问题。点云去噪中通常用滤波算法来去除干扰点。不同的点云滤波方法都不可避免的会去除有效点云,在之后的拟合过程中造成几何曲线模型的间断,变形分析的不准。因此,目前需要一种针对隧道环境,对存在的不同干扰点云准确去除的同时,不影响有效点云的方法。
发明内容
有鉴于此,本申请的目的在于提出一种基于自由形式B样条近似的隧道断面几何特征识别分类系统和方法,本申请能够针对性的解决现有的问题。
基于上述目的,本申请提出了一种隧道断面几何特征识别分类系统,包括:
步骤1、对三维激光扫描仪获取的隧道结构的点云数据进行中心轴提取、切片、投影的预处理,得到隧道断面点云。
步骤2、对步骤1得到的隧道断面点云选取典型的隧道片段分别包含游离点云干扰、人身设备点云干扰、隧道附属物点云干扰。
步骤3、对步骤2的典型隧道片段进行B样条建模,以RMSE为评价指标选取最佳B样条参数。
步骤4、对步骤3选取的最佳B样条参数建模,得到拟合点。
步骤5、对步骤4获取的拟合点与原始点进行残差分析,总结归纳模型中不同类别干扰点特征进行识别分类,根据分类的特征可以有效寻找到干扰点位置,精准的去除干扰点。
步骤6、对步骤5获取的特征可以有效寻找到干扰点位置,精准的去除干扰点。
而且上述步骤1具体步骤包括:
(1)提取中心轴公式:R2=∑((xi-xc)2+(yi-yc)2)/N
(2)轮廓提取位置基于轮廓的数量n-D+1和投影宽度w来定义。隧道点云被旋转和平移,使得隧道的中心轴平行于笛卡尔坐标系中的坐标轴X。假设隧道点云坐标X在区间[0,T]内;那么,轮廓点云将具有符合以下不等式的X坐标:
而且上述步骤3具体步骤包括:
C(u)是B样条曲线数学表达,表示控制点Pi和基函数Ni,p(u)的线性组合,在这个函数中控制点个数是n+1。U是节点向量,表示m+1个非递减节点u的集合,节点个数是m+1,必须满足m=n+p+1。Ni,p(u)表示第i个p次B样条基函数的数学表达;当p=0时,此时基函数就是阶梯函数,表示在节点区间[uiui+1)上取1,其他情况取0。
U={0,…,0,up+1,…,um-p-1,1,…,1},u∈(0,1)
而且上述步骤4具体步骤包括:
(1)样条基函数阶数p取2-5,以1为步长;
(2)控制点个数n+1选取0-100,以5为步长;
(3)分别迭代得到一组均方差误差RMSE。
而且上述步骤5具体步骤包括:
(1)算出原始点云数据与最佳拟合数据之间的绝对差值、残差的梯度、残差的标准差综合分析;
(2)画出绝对差值折线图,高点就是干扰点云所在位置;残差的梯度反映了每个点相对于其邻近点的残差的变化,残差的标准差反映了所有点的平均偏差。
总的来说,本申请的优势及给用户带来的体验在于:
1.本申请所提供的基于自由形式B样条近似的隧道断面几何特征识别分类系统,研究了点云干扰的误差特性,比较分析了游离点云干扰、人身点云干扰、电缆点云干扰、管扣点云干扰、密度干扰、间隙干扰等不同干扰情况下隧道断面的误差分布。
2.本申请所提供的基于自由形式B样条近似的隧道断面几何特征识别分类系统采用均方根误差来研究B样条参数N+1和p的影响,实现了隧道曲面参数化的高精度处理和建模。
3.本申请所提供的基于自由形式B样条近似的隧道断面几何特征识别分类系统采用残差分类方法识别常见干扰目标,能够精准定位并去除干扰点云所在位置。
附图说明
在附图中,除非另外规定,否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解,这些附图仅描绘了根据本申请公开的一些实施方式,而不应将其视为是对本申请范围的限制。
图1为本申请所述的自由形式B样条近似的隧道断面几何特征识别分类系统结构原理图。
图2为本申请所述的自由形式B样条近似的隧道断面几何特征识别分类方法技术原理图。
图3为隧道片段投影运用Drixler投影法获取二维断面点云数据示意图。
图4为以RMSE为评价指标画出折线图。
图5为绝对差值折线图。
图6为本申请所述的自由形式B样条近似的隧道断面几何特征识别分类方法B样条最佳参数选取图。
图7为本申请所述的自由形式B样条近似的隧道断面几何特征识别分类方法残差分析识别特征的流程图。
图8示出了本申请一实施例所提供的一种电子设备的结构示意图。
图9示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如图1、图2所示,本申请揭示一种基于自由形式B样条近似的隧道断面几何特征识别分类方法,包括隧道轮廓提取模块、几何模型构建模块、特征分类模块。所述隧道轮廓提取模块对三维激光扫描仪获取的隧道结构的点云数据进行中心轴提取、切片、投影等预处理,得到隧道断面点云;几何模型构建模块对隧道断面点云进行B样条拟合建模,以均方差误差RMSE为评价指标选择最佳B样条基函数阶数P和控制点个数N+1;特征分类模块,通过残差分析的方法对模型中的干扰点特征进行识别分类,根据分类特征可以有效的去除干扰点。
所述隧道轮廓提取模块包隧道中心轴提取子模块、隧道切片子模块、隧道片段投影子模块。
所述隧道中心轴提取子模块运用圆拟合提取中心轴,隧道切片子模块按管片厚度切分隧道,隧道片段投影运用Drixler投影法获取二维断面点云数据。如图3所示,包括:
提取中心轴公式:R2=∑((xi-xc)2+(zi-zc)2)/N其中(xi,zi)表示原始点云x坐标和z坐标,(xc,zc)表示圆拟合中心轴x坐标和z坐标,R表示圆拟合半径。N表示原始点云数量。
轮廓提取位置基于轮廓的数量n_D+1和投影宽度w来定义。隧道点云被旋转和平移,使得隧道的中心轴平行于笛卡尔坐标系中的坐标轴X。假设隧道点云坐标X在区间[0,T]内;那么,轮廓点云将具有符合等式1的X坐标:
使用一个平行于y轴(侧视图)的正交投影将三维点(ax,ay,az)投影到二维平面上得到二维点(bx,by),其中向量(sx,sy)是一个任意的缩放因子,(cx,cy)是一个任意的偏移量。这些常量可自由选择,用于将视口调整到一个合适的位置。为清晰运算过程,引入临时向量(dx,dy)。投影公式具体为:
所述几何模型构建模块对隧道断面点云进行B样条拟合建模,选取典型的隧道片段分别包含游离点云干扰、人身设备点云干扰、隧道附属物例如电缆、管扣点云干扰。B样条拟合建模公式如下:C(u)是B样条曲线数学表达,表示控制点Pi和基函数Ni,p(u)的线性组合,在这个函数中控制点个数是n+1。U是节点向量,表示m+1个非递减节点u的集合,节点个数是m+1,必须满足m=n+p+1。Ni,p(u)表示第i个p次B样条基函数的数学表达;当p=0时,此时基函数就是阶梯函数,表示在节点区间[uiui+1)上取1,其他情况取0。
U={0,…,0,up+1,…,um-p-1,1,…,1},u∈(0,1)
B样条参数包括样条基函数阶数P和控制点个数N+1,其中P取2-5,以1为步长;N+1选取0-100,以5为步长分别迭代得到一组均方差误差RMSE。以RMSE为评价指标画出折线图,如图4所示。观测折线图,选择最佳B样条参数,如图6所示。
所述特征分类通过残差分析方法对模型中不同类别干扰点特征进行识别分类,根据分类的特征可以有效寻找到干扰点位置,精准的去除干扰点。
对于绝对差值折线图中离散的高点属于上述游离点云干扰,对于高点处在中间部位属于电缆点云干扰,根据高点所在位置以及分布情况对模型中不同类别干扰点特征进行识别分类,并能定位到具体的点云信息。
所述残差分析方法指原始点云数据与最佳拟合数据之间的绝对差值r、残差的梯度gij、残差的标准差s(n,k)综合分析。如图5所示,画出绝对差值折线图,高点就是干扰点云所在位置,残差的梯度gij反映了每个点相对于其邻近点的残差的变化,残差的标准差s(n,k)反映了所有点云的平均偏差。
r=D-C(u)
D是原始点云矩阵,i是残差矩阵行向量,j是残差矩阵列向量,M是原始点云数量。
具体的,如图7所示,本申请所述基于自由形式B样条近似的隧道断面几何特征识别分类方法包括以下内容:
1.隧道轮廓提取
对目标隧道环境通过三维激光扫描数据获取点云信息,通过圆拟合提取隧道中心轴,以管片的宽度和接缝位置切片,选取典型的隧道片段分别包含游离点云干扰、人身设备点云干扰、隧道附属物例如电缆、管扣点云干扰。通过Drixler投影法投影到二维隧道断面。这样隧道轮廓提取就完成了。
2.几何模型构建
B样条拟合算法如图6所示,B样条参数包括样条基函数阶数P和控制点个数N+1,其中P取2-5,以1为步长;N+1选取0-100,以5为步长分别迭代得到一组均方差误差RMSE。以RMSE为评价指标画出折线图,观测折线图,选择最佳B样条参数。
3.特征分类
通过残差分析方法对模型中不同类别干扰点特征进行识别分类,根据分类的特征可以有效寻找到干扰点位置,精准的去除干扰点。残差分析方法指原始点云数据与最佳拟合数据之间的绝对差值,残差的梯度,残差的标准差综合分析。画出绝对差值折线图,高点就是干扰点云所在位置,残差的梯度反映了每个点相对于其邻近点的残差的变化,残差的标准差反映了所有点云的平均偏差。
本申请实施方式还提供一种与前述实施方式所提供的隧道断面几何特征识别分类方法对应的电子设备,以执行上隧道断面几何特征识别分类方法。本申请实施例不做限定。
请参考图8,其示出了本申请的一些实施方式所提供的一种电子设备的示意图。如图8所示,所述电子设备20包括:处理器200,存储器201,总线202和通信接口203,所述处理器200、通信接口203和存储器201通过总线202连接;所述存储器201中存储有可在所述处理器200上运行的计算机程序,所述处理器200运行所述计算机程序时执行本申请前述任一实施方式所提供的隧道断面几何特征识别分类方法。
其中,存储器201可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口203(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网、广域网、本地网、城域网等。
总线202可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中,存储器201用于存储程序,所述处理器200在接收到执行指令后,执行所述程序,前述本申请实施例任一实施方式揭示的所述隧道断面几何特征识别分类方法可以应用于处理器200中,或者由处理器200实现。
处理器200可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器200中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器200可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器201,处理器200读取存储器201中的信息,结合其硬件完成上述方法的步骤。
本申请实施例提供的电子设备与本申请实施例提供的隧道断面几何特征识别分类方法出于相同的发明构思,具有与其采用、运行或实现的方法相同的有益效果。
本申请实施方式还提供一种与前述实施方式所提供的隧道断面几何特征识别分类方法对应的计算机可读存储介质,请参考图9,其示出的计算机可读存储介质为光盘30,其上存储有计算机程序(即程序产品),所述计算机程序在被处理器运行时,会执行前述任意实施方式所提供的隧道断面几何特征识别分类方法。
需要说明的是,所述计算机可读存储介质的例子还可以包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质,在此不再一一赘述。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的隧道断面几何特征识别分类方法出于相同的发明构思,具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是:
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备有固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本申请也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本申请的内容,并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本申请并帮助理解各个发明方面中的一个或多个,在上面对本申请的示例性实施例的描述中,本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本申请的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的虚拟机的创建系统中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者系统程序(例如,计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干系统的单元权利要求中,这些系统中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到其各种变化或替换,这些都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种隧道断面几何特征识别分类系统,其特征在于,包括:
隧道轮廓提取模块,对三维激光扫描仪获取的隧道结构的点云数据进行中心轴提取、切片、投影的预处理,得到隧道断面点云;
几何模型构建模块,对所述隧道断面点云进行B样条拟合建模,以均方差误差RMSE为评价指标选择最佳B样条基函数阶数和控制点个数;
特征分类模块,通过残差分析的方法对模型中的干扰点特征进行识别分类,根据分类特征去除干扰点。
2.根据权利要求1所述的隧道断面几何特征识别分类系统,其特征在于:
所述隧道轮廓提取模块包括隧道中心轴提取子模块、隧道切片子模块、隧道片段投影子模块;所述隧道中心轴提取子模块运用圆拟合提取中心轴,隧道切片子模块按管片厚度切分隧道,隧道片段投影子模块运用Drixler投影法获取二维隧道断面点云数据。
4.根据权利要求1所述的隧道断面几何特征识别分类系统,其特征在于:
所述几何模型构建模块对所述二维隧道断面点云数据进行B样条拟合建模,选取典型的隧道片段分别包含游离点云干扰、人身设备点云干扰、隧道附属物点云干扰。
6.根据权利要求4所述的基隧道断面几何特征识别分类方法,其特征在于:
所述样条基函数阶数取2-5,以1为步长;控制点个数选取0-100,以5为步长分别迭代得到一组均方差误差RMSE;以RMSE为评价指标画出折线图,根据所述折线图选择最佳B样条参数。
7.根据权利要求6所述的隧道断面几何特征识别分类系统,其特征在于:
所述特征分类通过残差分析方法对模型中不同类别干扰点特征进行识别分类。
8.根据权利要求7所述的隧道断面几何特征识别分类系统,其特征在于:
所述残差分析方法指原始点云数据与最佳拟合数据之间的绝对差值、残差的梯度、残差的标准差综合分析;画出绝对差值折线图,高点是干扰点云所在位置;残差的梯度反映每个点相对于其邻近点的残差的变化,残差的标准差反映所有点的平均偏差。
10.一种隧道断面几何特征识别分类方法,其特征在于,包括:
对目标隧道环境通过三维激光扫描数据获取点云信息,通过圆拟合提取隧道中心轴,以管片的宽度和接缝位置切片,选取典型的隧道片段分别包含游离点云干扰、人身设备点云干扰、隧道附属物点云干扰,通过Drixler投影法投影到二维隧道断面;
对所述隧道断面点云进行B样条拟合建模,B样条参数包括样条基函数阶数和控制点个数,其中样条基函数阶数p取2-5,以1为步长;控制点个数n+1选取0-100,以5为步长分别迭代得到一组均方差误差RMSE,以RMSE为评价指标画出折线图,根据折线图选择最佳B样条参数;
通过残差分析方法对模型中不同类别干扰点特征进行识别分类,根据分类的特征寻找到干扰点位置,去除干扰点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211690130.3A CN116188381A (zh) | 2022-12-27 | 2022-12-27 | 一种隧道断面几何特征识别分类系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211690130.3A CN116188381A (zh) | 2022-12-27 | 2022-12-27 | 一种隧道断面几何特征识别分类系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116188381A true CN116188381A (zh) | 2023-05-30 |
Family
ID=86448069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211690130.3A Pending CN116188381A (zh) | 2022-12-27 | 2022-12-27 | 一种隧道断面几何特征识别分类系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116188381A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592341A (zh) * | 2024-01-18 | 2024-02-23 | 苏州大学 | 一种t型桥梁健康状态的有限元预测方法和系统 |
-
2022
- 2022-12-27 CN CN202211690130.3A patent/CN116188381A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117592341A (zh) * | 2024-01-18 | 2024-02-23 | 苏州大学 | 一种t型桥梁健康状态的有限元预测方法和系统 |
CN117592341B (zh) * | 2024-01-18 | 2024-03-29 | 苏州大学 | 一种t型桥梁健康状态的有限元预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230326006A1 (en) | Defect detection method and device for an lcd screen | |
EP3505962B1 (en) | Method and apparatus for processing point cloud data | |
EP3340106A1 (en) | Method for assigning particular classes of interest within measurement data | |
US7177480B2 (en) | Graphic processing method and device | |
CN112347550A (zh) | 耦合式室内三维语义建图及建模方法 | |
CN115937203B (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN113076387B (zh) | 一种基于多基元图谱匹配的道路路网匹配方法及装置 | |
CN116188381A (zh) | 一种隧道断面几何特征识别分类系统和方法 | |
EP3633551A1 (en) | Obstacle distribution simulation method, device and terminal based on a probability graph | |
CN111445472A (zh) | 激光点云地面分割方法、装置、计算设备及存储介质 | |
CN115685160A (zh) | 基于标靶的激光雷达与相机标定方法、系统、电子设备 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
CN113870326B (zh) | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 | |
Markovic et al. | Automatic recognition of cylinders and planes from unstructured point clouds | |
CN113822006A (zh) | 分析集成电路版图的方法、设备和计算机可读存储介质 | |
WO2022222160A1 (en) | Method and apparatus for identifying planes of objects in 3d scenes | |
CN113366535B (zh) | 识别三维场景中物体平面的方法和装置 | |
CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
CN110609561A (zh) | 一种行人跟踪方法、装置、计算机可读存储介质及机器人 | |
CN115147433A (zh) | 点云配准方法 | |
CN117710243B (zh) | 点云去噪方法、装置、电子设备及可读存储介质 | |
Lim et al. | An optimization approach to shape matching and recognition | |
CN115861426B (zh) | 物料取样方法、装置、计算机设备和存储介质 | |
JP2662856B2 (ja) | 形状特徴計測装置および方法 | |
CN115830248B (zh) | 一种基于无人机环绕规划的超高精细三维模型建立方法 |
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 |