CN116993728B - 一种基于点云数据的大坝裂缝监测系统及方法 - Google Patents
一种基于点云数据的大坝裂缝监测系统及方法 Download PDFInfo
- Publication number
- CN116993728B CN116993728B CN202311246019.XA CN202311246019A CN116993728B CN 116993728 B CN116993728 B CN 116993728B CN 202311246019 A CN202311246019 A CN 202311246019A CN 116993728 B CN116993728 B CN 116993728B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- graph structure
- dam
- points
- 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 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000000547 structure data Methods 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 37
- 238000005070 sampling Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 7
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002910 structure generation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/176—Urban or other man-made structures
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
Abstract
本发明涉及点云抽稀技术领域,公开了一种基于点云数据的大坝裂缝监测系统及方法,其中一种基于点云数据的大坝裂缝监测方法包括:采集大坝的点云数据;基于点云数据构建图结构数据;对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,获得样本图结构;基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,当前的点云数据的图结构数据输入训练完成的神经网络模型生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据;基于处理后的点云数据识别大坝表面的裂缝,由管理人员对大坝裂缝进行修复;本发明对于大坝的点云数据的处理能够在大比例抽稀的同时保留裂缝特征。
Description
技术领域
本发明涉及点云抽稀技术领域,它涉及一种基于点云数据的大坝裂缝监测系统及方法。
背景技术
面向水库大坝形变监测的一个方法是采集点云数据来生成大坝三维模型来与前期的大坝三维模型进行对比来分析水库大坝变形;点云数据采集完成之后进行点云数据的处理,点云数据的处理主要包括配准、去噪等,点云数据中具有目标建筑物的完整拓扑关系,但在采集过程中存在大量冗余数据。在数据过滤之后,通过点云数据提取水电工程建筑物轮廓信息。在轮廓的提取中,采用抽稀点云的方法,保留和建筑轮廓相关的有效信息点,泊松采样是一种基于点云密度的抽稀方法,通过计算点云数据中的密度信息进行抽稀,大坝坝体上的裂缝相较于大坝整体来说比例很小,点云数据中表征大坝坝体的裂缝的点的比例非常小,表征裂缝的点云密度与表征坝体的坝面的点云密度相差小,在大比例抽稀后很难在建模后保留裂缝的特征,根据大比例抽稀后的点云数据无法分析处理获得大坝裂缝的参数,无法通过建模进行大坝裂缝的可视化;采用很小比例的抽稀对于点云数据的数据量减少的量很少,而大坝坝体的点云数量都在千万级以上,小比例抽稀会为后续的建模和分析带来很大的负担。
发明内容
本发明提供一种基于点云数据的大坝裂缝监测系统及方法,解决相关技术中对大坝坝体的点云数据进行大比例抽稀后难以保留表征裂缝特征的点云数据的技术问题。
本发明提供了一种基于点云数据的大坝裂缝监测方法,包括:
通过激光扫描仪采集大坝的点云数据,当前时间之前采集的点云数据称为历史的点云数据,当前时间采集的点云数据称为当前的点云数据;
基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
基于处理后的点云数据识别大坝表面的裂缝,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度,然后发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
进一步地,基于处理后的点云数据识别大坝表面的裂缝的方法包括以下步骤:
将大坝的表面划分为多个平面区域,对每个平面区域进行多项式曲面拟合,根据点到拟合曲面的距离关系剔除裂缝内部点;点到拟合曲面的距离大于设定的第一距离阈值;
将点云数据转换至平面区域的平面,生成二维点云数据;
计算平面区域的点云中各点的邻域内的相邻两点间的最大夹角;
提取邻域内的相邻两点间的最大夹角大于设定的夹角阈值的点作为裂缝边界点;裂缝边界点的集合作为边界点云;
利用边界点云,通过正交回归法计算得到裂缝主方向;对裂缝进行三角化,计算组成裂缝的各三角形的几何中心,然后取均值后即为该裂缝的几何中心;
在裂缝主方向上获取裂缝长度;通过测量裂缝主方向垂直方向上的裂缝两侧的距离获取裂缝宽度。
进一步地,以每个点为中心生成的区域空间为球形空间,球形空间的半径为第一距离。
进一步地,以每个点为中心生成的区域空间为立方体空间,立方体空间的边长为第二距离。
进一步地,对历史的点云数据进行大比例抽稀获得稀疏点云数据的方法是随机采样或泊松采样或体素网格化。
进一步地,神经网络模型包括隐藏层和线性层,其中隐藏层的计算公式如下:;
其中H表示隐藏层输出的缓存矩阵,X表示输入矩阵,输入矩阵的行向量表示图结构数据的节点的初始向量,表示第三邻接矩阵,/>表示第一邻接矩阵的度矩阵,第一邻接矩阵的第i行第j列的元素表示图结构数据中第i个和第j个节点之间是否存在边,如果存在边则该元素值为1,否则该元素值为0,第一邻接矩阵的度矩阵为对角矩阵,第一邻接矩阵的度矩阵的第i行第i列的元素表示图结构数据中与第i个节点存在边的节点的数量,W表示隐藏层的权重参数,/>表示sigmoid激活函数;
第三邻接矩阵的计算公式如下:;
其中表示第三邻接矩阵,/>表示第一邻接矩阵,/>表示单位矩阵,其中/>为N乘N的矩阵,N表示图结构数据的节点数量,单位矩阵的对角线的元素值为1,其余元素值为0;
线性层的计算公式如下:;
其中S表示第二邻接矩阵,H表示隐藏层输出的缓存矩阵,T表示矩阵转置。
进一步地,通过点云数据中的点的信息进行编码获得该点所联系的节点的原始向量。
进一步地,点云数据以向量组的形式记录,直接将表示点的向量作为点所联系的节点的原始向量。
进一步地,第一图结构以表示节点连接关系的第二邻接矩阵表示,从当前的点云数据删除点的操作包括:遍历点云数据中的点,如果点所联系的节点对应的第二邻接矩阵中行和列的元素的值均为0,则从当前的点云数据删除该点,否则保留该点。
本发明还提供了一种基于点云数据的大坝裂缝监测系统,包括:
数据采集模块,用于通过激光扫描仪采集大坝的点云数据;
图结构数据构建模块,基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
样本图结构生成模块,其用于对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
训练模块,基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
图结构数据更新模块,将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
裂缝识别模块,基于处理后的点云数据识别大坝表面的裂缝,并计算裂缝的宽度和长度;
建模模块,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度;
管理模块,将标记裂缝的位置、长度和宽度的大坝模型发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
本发明的有益效果在于:本发明对于大坝的点云数据的处理能够在大比例抽稀的同时保留裂缝特征,接近于一般的小比例抽稀保留裂缝特征的效果,能够通过点云数据分析处理获得大坝裂缝的数据,通过建模进行大坝裂缝的可视化,管理人员能够及时的根据大坝裂缝的数据进行裂缝修复处理。
附图说明
图1是本发明的一种基于点云数据的大坝裂缝监测系统模块图;
图2是本发明的一种基于点云数据的大坝裂缝监测方法流程图;
图3是本发明的基于处理后的点云数据识别大坝表面的裂缝的方法流程图。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解,讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题,可以在不脱离本说明书内容的保护范围的情况下,对所讨论的元素的功能和排列进行改变。各个示例可以根据需要,省略、替代或者添加各种过程或组件。另外,相对一些示例所描述的特征在其他例子中也可以进行组合。
如图1所示,一种基于点云数据的大坝裂缝监测系统,包括:
数据采集模块100,通过激光扫描仪采集大坝的点云数据,当前时间之前采集的点云数据称为历史的点云数据,当前时间采集的点云数据称为当前的点云数据;
图结构数据构建模块101,基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
样本图结构生成模块102,其用于对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
训练模块103,基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
图结构数据更新模块104,将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
裂缝识别模块105,基于处理后的点云数据识别大坝表面的裂缝,并计算裂缝的宽度和长度;
建模模块106,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度;
管理模块107,将标记裂缝的位置、长度和宽度的大坝模型发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
在本发明的实施例中所称的点云数据均是对大坝坝体作为采集对象采集获得的。
在本发明的一个实施例中,采集的点云数据经过配准、去噪等预处理。
在本发明的一个实施例中,点云数据以向量组的形式记录,直接将表示点的向量作为点所联系的节点的原始向量;
例如,第i个节点的原始向量表示为:
,其中/>分别表示为第i个节点的所联系的点云数据的点在笛卡尔坐标系中的X轴、Y轴、Z轴的坐标值,/>分别表示为第i个节点的所联系的点云数据的点在的红通道、绿通道、蓝通道的亮度值。
在本发明的一个实施例中,通过点云数据中的点的信息进行编码获得该点所联系的节点的原始向量;
例如,基于点的信息生成点的向量,然后将点的向量输入编码器,编码器输出节点的原始向量,编码器训练时连接分类器,分类器输出表示输入的点的向量的点的类别。该类别可以是点的坐标对应的大坝坝体的结构,例如一组类别为:坝基的点、坝顶的点、基础的点、坝肩的点、不属于坝体的点。
在本发明的一个实施例中,以每个点为中心生成的区域空间为球形空间,球形空间的半径为第一距离。
在本发明的一个实施例中,第一距离是人为设定的值。
在本发明的一个实施例中,以每个点为中心生成的区域空间为立方体空间,立方体空间的边长为第二距离。
在本发明的一个实施例中,第二距离是人为设定的值。
在本发明的一个实施例中,第一距离和第二距离是与区域空间中心的点云数据的点的坐标距离。第一距离和第二距离均设置为点云数据中的点的最小坐标距离的10倍以上。
在本发明的一个实施例中,第一距离和第二距离是与区域空间中心的点云数据的点的向量的距离,通过欧氏距离、余弦距离等向量距离的计算方式进行计算。
在本发明的一个实施例中,对历史的点云数据进行大比例抽稀获得稀疏点云数据的方法是随机采样或泊松采样或体素网格化。
在本发明的一个实施例中,标记点云数据中表征裂缝的点的方法是人工划定裂缝所在的空间区域,然后标记裂缝所在的空间区域的点云数据中的点。
在本发明的一个实施例中,图结构以表示节点连接关系的第一邻接矩阵表示,第一邻接矩阵的第i行第j列的元素表示图结构中第i个和第j个节点之间是否存在边,如果存在边则该元素值为1,否则该元素值为0;
在图结构中删除与标记点所联系的节点的边来获得样本图结构的方法是:将第一邻接矩阵中对应于标记点的行和列的元素的值均更新为0。
例如第i个点为标记点,则将第一邻接矩阵的第i行和第i列的元素的值均更新为0。
在本发明的一个实施例中,神经网络模型包括隐藏层和线性层,其中隐藏层的计算公式如下:;
其中H表示隐藏层输出的缓存矩阵,X表示输入矩阵,输入矩阵的行向量表示图结构数据的节点的初始向量,表示第三邻接矩阵,/>表示第一邻接矩阵的度矩阵,第一邻接矩阵的第i行第j列的元素表示图结构数据中第i个和第j个节点之间是否存在边,如果存在边则该元素值为1,否则该元素值为0,第一邻接矩阵的度矩阵为对角矩阵,第一邻接矩阵的度矩阵的第i行第i列的元素表示图结构数据中与第i个节点存在边的节点的数量,W表示隐藏层的权重参数,/>表示sigmoid激活函数;
第三邻接矩阵的计算公式如下:;
其中表示第三邻接矩阵,/>表示第一邻接矩阵,/>表示单位矩阵,其中/>为N乘N的矩阵,N表示图结构数据的节点数量,单位矩阵的对角线的元素值为1,其余元素值为0;
线性层的计算公式如下:;其中S表示第二邻接矩阵,H表示隐藏层输出的缓存矩阵,T表示矩阵转置。需要说明的是线性层的输出需要进行逻辑回归或二值化处理将输出值映射为0或1。
具体的,可以在线性层之后连接逻辑回归层。
在本发明的一个实施例中,样本图结构以表示节点连接关系的第四邻接矩阵表示,第四邻接矩阵与第二邻接矩阵的对应元素的差值的绝对值的和或均值作为样本图结构与第一图结构的差。
在本发明的一个实施例中,第一图结构以表示节点连接关系的第二邻接矩阵表示,从当前的点云数据删除点的操作包括:遍历点云数据中的点,如果点所联系的节点对应的第二邻接矩阵中行和列的元素的值均为0,则从当前的点云数据删除该点,否则保留该点。
在本发明的一个实施例中,通过现有的建模方法基于处理后的点云数据进行建模,然后与前期的大坝三维模型进行对比来分析水库大坝变形和大坝裂缝。
如图2所示,在本发明的至少一个实施例中提供一种基于点云数据的大坝裂缝监测方法,包括以下步骤:
步骤201,通过激光扫描仪采集大坝的点云数据,当前时间之前采集的点云数据称为历史的点云数据,当前时间采集的点云数据称为当前的点云数据;
步骤202,基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
步骤203,对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
步骤204,基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
步骤205,将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
步骤206,基于处理后的点云数据识别大坝表面的裂缝,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度,然后发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
如图3所示,基于处理后的点云数据识别大坝表面的裂缝的方法包括以下步骤:
S301,将大坝的表面划分为多个平面区域,对每个平面区域进行多项式曲面拟合,根据点到拟合曲面的距离关系剔除裂缝内部点;
点到拟合曲面的距离大于设定的第一距离阈值;
S302,将点云数据转换至平面区域的平面,生成二维点云数据;
S303,计算平面区域的点云中各点的邻域内的相邻两点间的最大夹角;
例如,A点的邻域是以A点为中心的半径为R的球形区域,R为平面区域的点间距的均值的B倍,B的缺省值为5;
以A点为原点,建立极坐标系,计算A点的邻域内的点在极坐标系下的坐标,将A点的邻域内的点按极角大小进行排序;依次计算相邻点间的夹角,假设A点的邻域内有k个点,则,其中1≤v≤k-1,/>为第v个夹角,/>和/>分别为A点的邻域内的第v+1个点和第v个点的极角,/>,/>为第k个夹角,/>和分别为A点的邻域内的第一个点和第k个点的极角;
从计算的相邻点间的夹角值中取最大值作为A点的邻域内的相邻两点间的最大夹角。
S304,提取邻域内的相邻两点间的最大夹角大于设定的夹角阈值的点作为裂缝边界点;裂缝边界点的集合作为边界点云;
夹角阈值的值域为;
S305,利用边界点云,通过正交回归法计算得到裂缝主方向;对裂缝进行三角化,计算组成裂缝的各三角形的几何中心,然后取均值后即为该裂缝的几何中心;
S306,在裂缝主方向上获取裂缝长度;通过测量裂缝主方向垂直方向上的裂缝两侧的距离获取裂缝宽度。
在本发明的一个实施例中,抽稀之前的点云数据的点的数量为43256215,通过泊松采样的方法进行大比例抽稀后的点云数据的点的数量为12165468,通过泊松采样的方法进行小比例抽稀后的点云数据的点的数量为33125361,通过本发明的方法进行抽稀后的点云数据的点的数量为13962357。
分别通过前述的识别大坝表面的裂缝的方法对三种方法抽稀获得的点云数据进行识别,第一距离阈值设置为10cm,B设置为5,夹角阈值设置为,识别的结果如表1所示,表1如下:
由于识别之前进行平面区域的划分,因此对于通过泊松采样的方法进行大比例抽稀后的点云数据中没有识别出裂缝,通过泊松采样的方法进行小比例抽稀后的点云数据和通过本发明的方法进行抽稀后的点云数据进行裂缝识别的结果相近,说明通过本发明的方法进行抽稀能够很好的保留裂缝特征,并且抽稀后的点的数量仅为抽稀前的点的数量的三成左右。
上面对本实施例的实施例进行了描述,但是本实施例并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本实施例的启示下,还可做出很多形式,均属于本实施例的保护之内。
Claims (10)
1.一种基于点云数据的大坝裂缝监测方法,其特征在于,包括:
通过激光扫描仪采集大坝的点云数据,当前时间之前采集的点云数据称为历史的点云数据,当前时间采集的点云数据称为当前的点云数据;
基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
基于处理后的点云数据识别大坝表面的裂缝,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度,然后发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
2.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,基于处理后的点云数据识别大坝表面的裂缝的方法包括以下步骤:
将大坝的表面划分为多个平面区域,对每个平面区域进行多项式曲面拟合,根据点到拟合曲面的距离关系剔除裂缝内部点;点到拟合曲面的距离大于设定的第一距离阈值;
将点云数据转换至平面区域的平面,生成二维点云数据;
计算平面区域的点云中各点的邻域内的相邻两点间的最大夹角;
提取邻域内的相邻两点间的最大夹角大于设定的夹角阈值的点作为裂缝边界点;裂缝边界点的集合作为边界点云;
利用边界点云,通过正交回归法计算得到裂缝主方向;对裂缝进行三角化,计算组成裂缝的各三角形的几何中心,然后取均值后即为该裂缝的几何中心;
在裂缝主方向上获取裂缝长度;通过测量裂缝主方向垂直方向上的裂缝两侧的距离获取裂缝宽度。
3.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,以每个点为中心生成的区域空间为球形空间,球形空间的半径为第一距离。
4.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,以每个点为中心生成的区域空间为立方体空间,立方体空间的边长为第二距离。
5.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,对历史的点云数据进行大比例抽稀获得稀疏点云数据的方法是随机采样或泊松采样或体素网格化。
6.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,神经网络模型包括隐藏层和线性层,其中隐藏层的计算公式如下:;
其中H表示隐藏层输出的缓存矩阵,X表示输入矩阵,输入矩阵的行向量表示图结构数据的节点的初始向量,表示第三邻接矩阵,/>表示第一邻接矩阵的度矩阵,第一邻接矩阵的第i行第j列的元素表示图结构数据中第i个和第j个节点之间是否存在边,如果存在边则该元素值为1,否则该元素值为0,第一邻接矩阵的度矩阵为对角矩阵,第一邻接矩阵的度矩阵的第i行第i列的元素表示图结构数据中与第i个节点存在边的节点的数量,W表示隐藏层的权重参数,/>表示sigmoid激活函数;
第三邻接矩阵的计算公式如下:;
其中表示第三邻接矩阵,/>表示第一邻接矩阵,/>表示单位矩阵,其中/>为N乘N的矩阵,N表示图结构数据的节点数量,单位矩阵的对角线的元素值为1,其余元素值为0;
线性层的计算公式如下:;
其中S表示第二邻接矩阵,H表示隐藏层输出的缓存矩阵,T表示矩阵转置。
7.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,通过点云数据中的点的信息进行编码获得该点所联系的节点的原始向量。
8.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,点云数据以向量组的形式记录,直接将表示点的向量作为点所联系的节点的原始向量。
9.根据权利要求1所述的一种基于点云数据的大坝裂缝监测方法,其特征在于,第一图结构以表示节点连接关系的第二邻接矩阵表示,从当前的点云数据删除点的操作包括:遍历点云数据中的点,如果点所联系的节点对应的第二邻接矩阵中行和列的元素的值均为0,则从当前的点云数据删除该点,否则保留该点。
10.一种基于点云数据的大坝裂缝监测系统,其特征在于,包括:
数据采集模块,用于通过激光扫描仪采集大坝的点云数据;
图结构数据构建模块,基于采集的点云数据构建图结构数据;一个时间采集的点云数据构建一个图结构数据;
图结构数据包括节点的原始向量,每个节点与一个点云建立联系,节点通过该节点所联系能够索引到一个点云,节点的原始向量根据节点的联系的点云来生成;
以每个点为中心生成区域空间,一个区域空间内的所有点均与空间中心的点建立连接;为建立连接的点所联系的节点之间建立边,生成包含节点和边的图结构;
样本图结构生成模块,其用于对历史的点云数据进行大比例抽稀获得稀疏点云数据,标记点云数据中表征裂缝的点,然后补充表征裂缝的点到稀疏点云数据中获得标注点云数据;标记点云数据中不属于标注点云数据的点作为标记点,在图结构中删除与标记点所联系的节点的边来获得样本图结构;
训练模块,基于历史的点云数据的图结构数据和样本图结构来训练神经网络模型,神经网络模型基于输入的图结构数据来生成第一图结构,以样本图结构与第一图结构的差作为神经网络模型训练时的损失;
图结构数据更新模块,将当前的点云数据的图结构数据输入训练完成的神经网络模型,生成第一图结构,从当前的点云数据中删除点来获得处理后的点云数据,删除的点所联系的第一图结构中的节点没有任何与该节点连接的边;
裂缝识别模块,基于处理后的点云数据识别大坝表面的裂缝,并计算裂缝的宽度和长度;
建模模块,基于处理后的点云数据进行建模获得大坝模型,并在大坝模型上标记裂缝的位置、长度和宽度;
管理模块,将标记裂缝的位置、长度和宽度的大坝模型发送给管理人员,管理人员根据大坝模型上标记的裂缝的位置、长度和宽度来对大坝的裂缝进行修复。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246019.XA CN116993728B (zh) | 2023-09-26 | 2023-09-26 | 一种基于点云数据的大坝裂缝监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311246019.XA CN116993728B (zh) | 2023-09-26 | 2023-09-26 | 一种基于点云数据的大坝裂缝监测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116993728A CN116993728A (zh) | 2023-11-03 |
CN116993728B true CN116993728B (zh) | 2023-12-01 |
Family
ID=88525151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311246019.XA Active CN116993728B (zh) | 2023-09-26 | 2023-09-26 | 一种基于点云数据的大坝裂缝监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993728B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
CN112785548A (zh) * | 2020-12-29 | 2021-05-11 | 中央财经大学 | 一种基于车载激光点云的路面裂缝检测方法 |
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
-
2023
- 2023-09-26 CN CN202311246019.XA patent/CN116993728B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
WO2022088676A1 (zh) * | 2020-10-29 | 2022-05-05 | 平安科技(深圳)有限公司 | 三维点云语义分割方法、装置、设备及介质 |
CN112785548A (zh) * | 2020-12-29 | 2021-05-11 | 中央财经大学 | 一种基于车载激光点云的路面裂缝检测方法 |
Non-Patent Citations (1)
Title |
---|
三维激光扫描技术在大坝监测中的应用;史小湘;刘明松;;吉林水利(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116993728A (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2024077812A1 (zh) | 基于点云语义分割与结构拟合的单体建筑三维重建方法 | |
Nurunnabi et al. | Robust cylinder fitting in three-dimensional point cloud data | |
CN106373118B (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
CN102521884B (zh) | 一种基于LiDAR数据与正射影像的3维屋顶重建方法 | |
CN111476781A (zh) | 一种基于视频语义分割技术的混凝土裂缝识别方法和装置 | |
CN112241997A (zh) | 基于多尺度点云上采样的三维模型建立、修复方法及系统 | |
CN107146280A (zh) | 一种基于切分的点云建筑物重建方法 | |
CN110838105B (zh) | 一种业务流程模型图像识别与再构方法 | |
CN112818925B (zh) | 一种城市建筑和树冠识别方法 | |
CN103870845A (zh) | 点云聚类去噪过程中新的k值优化方法 | |
CN104036544A (zh) | 一种基于机载LiDAR数据的建筑物屋顶重建方法 | |
CN107967685A (zh) | 一种基于无人机遥感的桥梁墩塔裂缝无损定量检测方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及系统 | |
CN113868733A (zh) | 一种基于三维点云的既有结构bim模型自动化生成方法 | |
CN113689445B (zh) | 结合语义分割与边缘检测的高分辨率遥感建筑物提取方法 | |
CN108875819A (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
CN113724279A (zh) | 路网自动划分交通小区的系统、方法、设备及存储介质 | |
CN115018982A (zh) | 一种基于地基激光雷达点云的树木数字孪生方法 | |
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 | |
CN116993728B (zh) | 一种基于点云数据的大坝裂缝监测系统及方法 | |
CN112561989A (zh) | 一种建造场景下吊装对象的识别方法 | |
CN117115390A (zh) | 一种变电站中变电设备的三维模型布局方法 | |
CN117253205A (zh) | 一种基于移动测量系统的道路面点云快速提取方法 | |
CN114120129B (zh) | 基于无人机图像和深度学习的滑坡滑移面的三维识别方法 | |
CN114332006A (zh) | 一种城垛缺失自动定量评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |