CN117274386A - 一种波纹管定位检测方法、装置及电子设备 - Google Patents

一种波纹管定位检测方法、装置及电子设备 Download PDF

Info

Publication number
CN117274386A
CN117274386A CN202311310906.9A CN202311310906A CN117274386A CN 117274386 A CN117274386 A CN 117274386A CN 202311310906 A CN202311310906 A CN 202311310906A CN 117274386 A CN117274386 A CN 117274386A
Authority
CN
China
Prior art keywords
point cloud
data
cloud data
corrugated pipe
bellows
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
Application number
CN202311310906.9A
Other languages
English (en)
Inventor
朱炯亦
王奕
蒋海里
汪德江
杜晓庆
刘攀攀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Road and Bridge Group Co Ltd
University of Shanghai for Science and Technology
Original Assignee
Shanghai Road and Bridge Group Co Ltd
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Road and Bridge Group Co Ltd, University of Shanghai for Science and Technology filed Critical Shanghai Road and Bridge Group Co Ltd
Priority to CN202311310906.9A priority Critical patent/CN117274386A/zh
Publication of CN117274386A publication Critical patent/CN117274386A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T7/60—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
    • 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
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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
    • G06T2207/10024—Color image
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开一种波纹管定位检测方法、装置及电子设备，涉及数据处理技术领域。本发明采用建立好的训练数据集对神经网络模型进行训练得到预测模型，将预处理后的包括有颜色信息和坐标信息的点云数据输入至预测模型中得到分割点云数据，然后，对分割点云数据进行可视化处理得到可视化结果，基于可视化结果中的波纹管颜色对分割点云数据进行校正，以提高波纹管的分割精度，最后，对校正后的分割点云数据进行算法拟合得到波纹管的高度数据，以实现提高波纹管定位精确度的目的。

Description

一种波纹管定位检测方法、装置及电子设备
技术领域
本发明涉及数据处理技术领域，特别是涉及一种波纹管定位检测方法、装置及电子设备。
背景技术
预应力波纹管的安装定位是桥梁施工中的关键一环，预制梁的有效应力大小与预应力管道的定位精度有直接关系。目前，中国预应力波纹管的安装定位依旧存在以下问题。
第一，一般通过二维平面图纸获取波纹管的定位数据，但预应力波纹管是一种空间曲线，在三维中存在较为复杂的水平和竖向弯曲变化，传统二维设计图纸还无法精确表达管道的定位坐标。
第二，传统定位方法基本依靠人工进行管道定位，但实际施工中由于预应力波纹管定位点数多、定位难度大，存在重复操作、定位误差大、工作效率低等问题，难以保证预应力波纹管的定位精准度。
第三，传统检测方法是通过工人使用卷尺及水平尺对预应力波纹管部分点位进行抽样测量，由于梁体内有大量的纵、横向钢筋，工人检测空间窄，测量难度大，获取到的测量结果也与设计数值有较大的偏差。
第四，现有应用于预应力波纹管检查的技术大多是在设计阶段，通过BIM技术实现图纸的碰撞检测和预应力波纹管的高度输出，如中国专利CN112347549A中公开的Tekla软件+Navisworks技术、中国专利CN 104715117 A中公开的Revit+CAD技术。或是在真实场景下，综合使用多种测量仪器，如中国专利CN109612429A中公开的技术、全站仪+人工或软件计算坐标、中国CN110514115A中公开的激光传感器+测距仪的装置等。中国专利CN113221221A中结合BIM+三维激光扫描仪+重构模型+对比偏差的方法，虽然注重利用BIM技术和点云重构对比得到高度偏差，但并未对扫描得到的真实点云进行直接分割提取操作；
基于上述描述，现有技术大部分还是以人工检测(测量仪器)为主，缺乏智能性。BIM+三维激光扫描技术虽然运用到三维建模和重构技术，但其在重构之前需要删除大量的非波纹管数据，并未利用深度学习技术进行更泛化、更智能的应用。
即使采用了深度学习技术对波纹管进行定位，在没有考虑波纹管的颜色特性和复杂的施工环境的情况下，依旧存在波纹管语义分割不准确等问题，进而无法实现波纹管的精确定位。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种波纹管定位检测方法、装置及电子设备。
为实现上述目的，本发明提供了如下方案：
一种波纹管定位检测方法，包括：
建立训练数据集；
采用所述训练数据集对神经网络模型进行训练得到预测模型；
获取每一测站点的点云数据，并对所述点云数据进行预处理；所述点云数据包括颜色信息和坐标信息；
将预处理后的点云数据输入至所述预测模型中得到分割点云数据；
对所述分割点云数据进行可视化处理得到可视化结果；
基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正；
对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据。
可选地，建立训练数据集，具体包括：
建立钢筋波纹管整体模型；
将所述钢筋波纹管整体模型转化为点云数据得到点云文件；
对所述点云文件中的点云数据进行数据增强处理得到虚拟数据集；
对所述虚拟数据集中的点云数据添加不同的RGB颜色得到点云虚拟数据集；
获取波纹管的真实点云数据，并对所述真实点云数据进行预处理得到真实点云集；
在所述真实点云集和所述点云虚拟数据集中分别添加波纹管标签；
对添加有波纹管标签的所述真实点云集和所述点云虚拟数据集进行混合拼接操作，得到所述训练数据集。
可选地，所述神经网络模型基于RandLA-Net网络构建得到。
可选地，基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正，具体包括：
按点云序号分别统计所述分割点云数据中每一点云的RGB值，并基于所述RGB值生成散点图；
获取波纹管的颜色平均阈值，基于所述颜色平均阈值得到阈值范围；
当所述RGB值处于所述阈值范围之外时，确定与这一RGB值对应的点云为异常分割点；
基于异常分割点的点云序号定位得到所述异常分割点的三维坐标位置；
基于所述三维坐标位置，以波纹管长轴坐标为横轴生成点云密度直方图；
基于所述点云密度直方图，将点云密度低于预设值的区域作为遮挡区；
采用三维矩形框框选所述遮挡区，并读取所述三维矩形框的三维坐标，并确定三维矩形框的中心点；
以中心点为圆心，预设距离为半径构建球区域；
重新扫描所述球区域内的点云数据，并返回执行“按点云序号分别统计所述分割点云数据中每一点云的RGB值，并基于所述RGB值生成散点图”，直至所有点云的RGB值均处于所述阈值范围内时，完成所述分割点云数据的校正。
可选地，所述预设距离为所述中心点与特定测站点间距离的一半；所述特定测站点为所有测站点中距所述中心点最近的测站点。
可选地，对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据，具体包括：
获取校正后的所述分割点云数据的颜色信息和坐标信息，并通过边缘提取算法得到波纹管长轴方向的边界线，结合中心线拟合法获取波纹管的中心线；
根据所述边界线和所述中心线确定所述波纹管的高度值，得到所述高度数据。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的波纹管定位检测方法，在包括有颜色信息和坐标信息的点云数据的基础上，结合深度学习方法，能够提高波纹管的分割精度，进而提高波纹管定位的精确度。
此外，为实施上述提供的波纹管定位检测方法，本发明还提供了以下装置或设备：
一种波纹管定位检测装置，包括：无人车、固定模块、三维激光扫描仪、数据处理系统和通讯模块；
所述三维激光扫描仪通过所述固定模块固定在所述无人车上；所述三维激光扫描仪和所述通讯模块均与所述数据处理系统电连接；
所述三维激光扫描仪用于获取波纹管的真实点云数据；所述数据处理系统中植入有软件程序；所述软件程序用于基于所述真实点云数据实施上述提供的波纹管定位检测方法。
可选地，所述数据处理系统包括：
数据集构建模块，用于建立训练数据集；
模型训练模块，用于采用所述训练数据集对神经网络模型进行训练得到预测模型；
预处理模块，用于获取每一测站点的点云数据，并对所述点云数据进行预处理；所述点云数据包括颜色信息和坐标信息；
数据分割模块，用于将预处理后的点云数据输入至所述预测模型中得到分割点云数据；
可视化处理模块，用于对所述分割点云数据进行可视化处理得到可视化结果；
数据校正模块，用于基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正；
高度数据确定模块，用于对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据。
可选地，还包括：GPS定位系统、终端服务器、无人车遥控设备、三维激光扫描仪控制设备；
所述GPS定位系统、所述终端服务器均通过所述通讯模块与所述数据处理系统连接；
所述无人车遥控设备与所述无人车无线连接；所述三维激光扫描仪控制设备与所述三维激光扫描仪有线或无线连接。
一种电子设备，包括：
存储器，用于存储软件程序；
处理器，与所述存储器连接，用于调取并执行所述软件程序，以实施上述提供的波纹管定位检测方法。
因本发明提供的的上述装置或设备实现的技术效果与本发明提供的波纹管定位检测方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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例，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为本发明提供的波纹管定位检测方法的流程图。
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。
本发明的目的是提供一种波纹管定位检测方法、装置及电子设备，能够提高波纹管的分割精度，进而提高波纹管定位的精确度。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的波纹管定位检测方法包括：
步骤100：建立训练数据集。该步骤的实施过程可以为：
通过Revit软件及其插件Dynamo批量化建立与波纹管真实施工环境相仿的钢筋波纹管整体模型。
将钢筋波纹管整体模型转化为点云数据得到点云文件。
为了模仿真实环境，对点云文件中的点云数据进行数据增强处理得到虚拟数据集。例如，对点云文件中的点云数据中的点云添加噪声，并通过随机翻转、降采样、缩放等方式进行数据增强。
对虚拟数据集中的点云数据添加不同的RGB颜色得到点云虚拟数据集。
获取波纹管的真实点云数据，并对真实点云数据进行预处理得到真实点云集。其中，预处理方式可以为配准、去噪、抽稀等。
在真实点云集和点云虚拟数据集中分别添加波纹管标签。
对添加有波纹管标签的真实点云集和点云虚拟数据集进行混合拼接操作，得到训练数据集。
步骤101：采用训练数据集对神经网络模型进行训练得到预测模型。在本发明中，综合考虑到波纹管的颜色多为银色铁管，与钢筋颜色的区别较大，所以对点云的颜色也加以训练，例如，向RandLA-Net网络中输入六维特征通道的数据加以训练，维度分别为X,Y,Z,R,G,B，最后得到预测模型。
步骤102：获取每一测站点的点云数据，并对点云数据进行预处理。点云数据包括颜色信息和坐标信息。例如，对每个测站点获取到带有颜色信息和坐标信息的点云数据进行点云配准、去噪、抽稀等预处理工作。其中，点云配准可以通过扫描仪配套软件实现。测站点则是通过实地勘察后设计得到。
步骤103：将预处理后的点云数据输入至预测模型中得到分割点云数据。
步骤104：对分割点云数据进行可视化处理得到可视化结果。可视化中要求点云显示真实色彩。
步骤105：基于可视化结果中的波纹管颜色对分割点云数据进行校正。该步骤中考虑到波纹管在扫描时有大量箍筋、纵向钢筋、定位钢筋及加强筋的干扰，再加上整体施工环境的狭窄和复杂，波纹管存在语义分割有误和不足的可能性。基于此，该步骤的实施过程可以是：
分析可视化出来的波纹管颜色，按点云序号分别统计分割后点云的RGB值，并用散点图表示出来，由于分割目标只有波纹管，所以对应的RGB值较为统一，预先通过计算设定波纹管的颜色平均阈值，将在一定阈值范围外的散点归为异常分割点，通过读取点云的序号可以定位到异常分割点的三维坐标位置。以波纹管长轴坐标为横轴，作该方向相同间距的点云密度直方图，将点云密度较稀疏的区域归为遮挡区，通过长轴坐标可以快速定位到模型不连续或扫描有缺陷的位置。
用最小的三维方框框选出模型不连续和非波纹管颜色的区域，读取矩形框的六个点三维坐标，并计算出三维矩形框的中心点。通过点云的相对坐标和GPS大地坐标系的计算，找到最近的测站点，算出测站点与方框中心点的距离，重新扫描的球区域以中心点为圆心，两点距离的一半为半径。根据重新发出的测站范围和扫描指令，进行三维激光扫描仪无人车的位置调整。对于重新扫描产生的点云重复上述操作，当分割出来的波纹管无误时，将该点云数据与之前的点云数据进行拼接融合，重复上述操作，得到最终完整无误的点云数据(即校正后的分割点云数据)。
步骤106：对校正后的分割点云数据进行算法拟合得到波纹管的高度数据。例如，根据获取到的带有颜色信息及其坐标值的结果，通过边缘提取算法得到波纹管长轴方向的边界线，结合中心线拟合法获取波纹管中心线，从而得到长轴方向任一点处波纹管的高度值。
在上述实施过程中，之所以考虑波纹管的颜色特性和复杂施工环境，是因为预应力波纹管和钢筋、定位胎架等构件的颜色相差较大，可以利用增加颜色特征提高语义分割的精度。并且，使用检测仪器的过程中，复杂的施工环境会给人工检测空间、读数精度都造成一定的影响，而对于预制厂中预应力波纹管检测场景，要想利用深度学习技术一定要充分考虑真实场景中可能出现的问题，比如布置较密的钢筋影响三维激光扫描仪获取波纹管数据的遮挡干扰，会影响后续检测的精度。
为实施上述提供的波纹管定位检测方法，本发明还提供了一种波纹管定位检测装置。该装置包括：无人车、固定模块、三维激光扫描仪、数据处理系统和通讯模块。
三维激光扫描仪通过固定模块固定在无人车上。三维激光扫描仪和通讯模块均与数据处理系统电连接。
三维激光扫描仪用于获取波纹管的真实点云数据。数据处理系统中植入有软件程序。软件程序用于基于真实点云数据实施上述提供的波纹管定位检测方法。
在本发明中通讯模块可以是无线通讯网络。
进一步，上述采用的数据处理系统可以包括：
数据集构建模块，用于建立训练数据集。
模型训练模块，用于采用训练数据集对神经网络模型进行训练得到预测模型。
预处理模块，用于获取每一测站点的点云数据，并对点云数据进行预处理。点云数据包括颜色信息和坐标信息。
数据分割模块，用于将预处理后的点云数据输入至预测模型中得到分割点云数据。
可视化处理模块，用于对分割点云数据进行可视化处理得到可视化结果。
数据校正模块，用于基于可视化结果中的波纹管颜色对分割点云数据进行校正。
高度数据确定模块，用于对校正后的分割点云数据进行算法拟合得到波纹管的高度数据。
再进一步，上述提供的波纹管定位检测装置还可以包括有：GPS定位系统、蓄电池、终端服务器、无人车遥控设备、三维激光扫描仪控制设备。
GPS定位系统、终端服务器均通过通讯模块与数据处理系统连接。
无人车遥控设备与无人车无线连接。三维激光扫描仪控制设备与三维激光扫描仪有线或无线连接。
GPS定位系统记录测站点的绝对坐标。蓄电池为数据处理系统和通讯模块提供续航能力。终端服务器一般指用户电脑。无人车遥控设备、三维激光扫描仪控制设备一般均指iPad，对应于不同的操控软件。
基于此，本发明提供的波纹管定位检测装置的具体实施原理为：
首先，对数据处理系统中应用到针对于波纹管语义分割应用的RandLA-Net神经网络进行训练，训练步骤如下：
通过Revit软件及其插件Dynamo批量化建立与波纹管真实施工环境相仿的钢筋波纹管整体模型，将模型转化为点云文件。为了模仿真实环境，对虚拟数据集中的点云添加噪声，并通过随机翻转、降采样、缩放等方式增强数据。
通过真实扫描得到的点云数据具有坐标几何信息和颜色信息，对扫描得到的数据做点云配准、去噪、抽稀等预处理工作，形成真实点云集。
为虚拟数据集和真实点云集添加波纹管标签，并在虚拟数据集中为不同的点云目标添加不同的RGB颜色，并另存为完整的点云虚拟数据集。两者混合拼接制作成训练数据集。
综合考虑到波纹管的颜色多为银色铁管，与钢筋颜色的区别较大，可以对点云的颜色也加以训练，向RandLA-Net网络中输入六维特征通道的数据加以训练，维度分别为X,Y,Z,R,G,B，最后得到预测模型。
其次，通过实地勘察，设计好要进行扫描的测点。扫描过程中，三位激光扫描仪通过固定模块与无人车相连，由于预应力箱梁内测和底板上都是钢筋，不方便人工操作，通过无人车遥控设备操控无人车便能快速实现对各个测站点的拍摄和空间各面的扫描。
通过三维激光扫描仪的控制设备进行扫描参数的选取、开始扫描、检查数据等操作，在扫描过程中，通过无线通讯网络连接，三维激光扫描仪将每个测站点获取带有颜色信息的点云数据传输到数据处理系统中，并且GPS定位系统通过无线通信网络将每一测站点的位置一并发送到数据处理系统中，在数据系统中通过扫描仪配套软件自动实时配准点云数据，对于已经配准完毕的完整点云数据，在数据处理系统中，继续进行点云去噪、抽稀操作。
接着，将预处理完毕点云的数据放入预测模型中进行语义分割，并将分割后的点云可视化，可视化中要求点云显示真实色彩。
然后，考虑到波纹管在扫描时有大量箍筋、纵向钢筋、定位钢筋及加强筋的干扰，再加上整体施工环境的狭窄和复杂，波纹管存在语义分割有误和不足的可能性。由数据处理系统分析可视化出来的波纹管的形状和颜色，用最小的三维方框框选出模型不连续和非波纹管颜色的区域，读取矩形框的六个点三维坐标，并计算出三维矩形框的中心点。通过点云的相对坐标和GPS大地坐标的计算，找到最近的测站点，算出测站点与方框中心点的距离，重新扫描的球区域以中心点为圆心，两点距离的一半为半径。通过无线通讯网络向用户的遥控设备发送提示，用户根据再次扫描的测站范围进行装置的位置调整。对于重新扫描产生的点云重复上述操作，当分割出来的波纹管无误时，将该点云数据与之前的点云数据进行拼接融合，重复上述操作，得到完整无误的点云数据，并将最终带有颜色信息及其坐标值的结果传输给终端服务器。
最后，数据处理系统通过边缘提取算法得到波纹管长轴方向的边界线，结合中心线拟合法获取波纹管中心线，从而得到长轴方向任一点处波纹管的高度值，数据处理系统将数据上传至终端服务器上进行存储分析，且便于用户查看。
此外，本发明还提供了一种电子设备，包括：
存储器，用于存储软件程序。
处理器，与存储器连接，用于调取并执行软件程序，以实施上述提供的波纹管定位检测方法。
上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种波纹管定位检测方法，其特征在于，包括：
建立训练数据集；
采用所述训练数据集对神经网络模型进行训练得到预测模型；
获取每一测站点的点云数据，并对所述点云数据进行预处理；所述点云数据包括颜色信息和坐标信息；
将预处理后的点云数据输入至所述预测模型中得到分割点云数据；
对所述分割点云数据进行可视化处理得到可视化结果；
基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正；
对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据。
2.根据权利要求1所述的波纹管定位检测方法，其特征在于，建立训练数据集，具体包括：
建立钢筋波纹管整体模型；
将所述钢筋波纹管整体模型转化为点云数据得到点云文件；
对所述点云文件中的点云数据进行数据增强处理得到虚拟数据集；
对所述虚拟数据集中的点云数据添加不同的RGB颜色得到点云虚拟数据集；
获取波纹管的真实点云数据，并对所述真实点云数据进行预处理得到真实点云集；
在所述真实点云集和所述点云虚拟数据集中分别添加波纹管标签；
对添加有波纹管标签的所述真实点云集和所述点云虚拟数据集进行混合拼接操作，得到所述训练数据集。
3.根据权利要求1所述的波纹管定位检测方法，其特征在于，所述神经网络模型基于RandLA-Net网络构建得到。
4.根据权利要求1所述的波纹管定位检测方法，其特征在于，基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正，具体包括：
按点云序号分别统计所述分割点云数据中每一点云的RGB值，并基于所述RGB值生成散点图；
获取波纹管的颜色平均阈值，基于所述颜色平均阈值得到阈值范围；
当所述RGB值处于所述阈值范围之外时，确定与这一RGB值对应的点云为异常分割点；
基于异常分割点的点云序号定位得到所述异常分割点的三维坐标位置；
基于所述三维坐标位置，以波纹管长轴坐标为横轴生成点云密度直方图；
基于所述点云密度直方图，将点云密度低于预设值的区域作为遮挡区；
采用三维矩形框框选所述遮挡区，并读取所述三维矩形框的三维坐标，并确定三维矩形框的中心点；
以中心点为圆心，预设距离为半径构建球区域；
重新扫描所述球区域内的点云数据，并返回执行“按点云序号分别统计所述分割点云数据中每一点云的RGB值，并基于所述RGB值生成散点图”，直至所有点云的RGB值均处于所述阈值范围内时，完成所述分割点云数据的校正。
5.根据权利要求4所述的波纹管定位检测方法，其特征在于，所述预设距离为所述中心点与特定测站点间距离的一半；所述特定测站点为所有测站点中距所述中心点最近的测站点。
6.根据权利要求4所述的波纹管定位检测方法，其特征在于，对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据，具体包括：
获取校正后的所述分割点云数据的颜色信息和坐标信息，并通过边缘提取算法得到波纹管长轴方向的边界线，结合中心线拟合法获取波纹管的中心线；
根据所述边界线和所述中心线确定所述波纹管的高度值，得到所述高度数据。
7.一种波纹管定位检测装置，其特征在于，包括：无人车、固定模块、三维激光扫描仪、数据处理系统和通讯模块；
所述三维激光扫描仪通过所述固定模块固定在所述无人车上；所述三维激光扫描仪和所述通讯模块均与所述数据处理系统电连接；
所述三维激光扫描仪用于获取波纹管的真实点云数据；所述数据处理系统中植入有软件程序；所述软件程序用于基于所述真实点云数据实施如权利要求1-6任意一项所述的波纹管定位检测方法。
8.根据权利要求7所述的波纹管定位检测装置，其特征在于，所述数据处理系统包括：
数据集构建模块，用于建立训练数据集；
模型训练模块，用于采用所述训练数据集对神经网络模型进行训练得到预测模型；
预处理模块，用于获取每一测站点的点云数据，并对所述点云数据进行预处理；所述点云数据包括颜色信息和坐标信息；
数据分割模块，用于将预处理后的点云数据输入至所述预测模型中得到分割点云数据；
可视化处理模块，用于对所述分割点云数据进行可视化处理得到可视化结果；
数据校正模块，用于基于所述可视化结果中的波纹管颜色对所述分割点云数据进行校正；
高度数据确定模块，用于对校正后的所述分割点云数据进行算法拟合得到波纹管的高度数据。
9.根据权利要求7所述的波纹管定位检测装置，其特征在于，还包括：GPS定位系统、终端服务器、无人车遥控设备、三维激光扫描仪控制设备；
所述GPS定位系统、所述终端服务器均通过所述通讯模块与所述数据处理系统连接；
所述无人车遥控设备与所述无人车无线连接；所述三维激光扫描仪控制设备与所述三维激光扫描仪有线或无线连接。
10.一种电子设备，其特征在于，包括：
存储器，用于存储软件程序；
处理器，与所述存储器连接，用于调取并执行所述软件程序，以实施如权利要求1-6任意一项所述的波纹管定位检测方法。
CN202311310906.9A 2023-10-10 2023-10-10 一种波纹管定位检测方法、装置及电子设备 Pending CN117274386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311310906.9A CN117274386A (zh) 2023-10-10 2023-10-10 一种波纹管定位检测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311310906.9A CN117274386A (zh) 2023-10-10 2023-10-10 一种波纹管定位检测方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117274386A true CN117274386A (zh) 2023-12-22

Family

ID=89214171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311310906.9A Pending CN117274386A (zh) 2023-10-10 2023-10-10 一种波纹管定位检测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117274386A (zh)

Similar Documents

Publication Publication Date Title
KR102210715B1 (ko) 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기
CN107402001B (zh) 基于3d扫描的超高层建筑施工偏差数字化检验系统及方法
CN112824828B (zh) 一种激光跟踪仪站位确定方法、系统、电子设备及介质
KR101954963B1 (ko) 수치지도 및 도로정밀지도 구축 자동화를 위한 장치 및 방법
CN110597249A (zh) 一种机器人及其回充定位方法和装置
CN112446844B (zh) 一种基于点云特征提取与配准融合方法
CN111913169A (zh) 激光雷达内参、点云数据的修正方法、设备及存储介质
CN114494274A (zh) 建筑施工评估方法、装置、电子设备及存储介质
CN112699436A (zh) 基于三维激光扫描建模的建筑结构逆向工程分析方法
Xu et al. Intelligent monitoring and residual analysis of tunnel point cloud data based on free-form approximation
CN115597524A (zh) 一种孔轴垂直度误差测量方法、装置及设备
CN112130166B (zh) 基于反光板网络的agv定位方法及装置
CN112069445A (zh) 一种2d slam算法评估及量化方法
CN117056722A (zh) 一种规划地块人口数量预测方法及系统
CN116883623A (zh) 基于三维激光点云扫描技术的桥面粗糙度模型确定方法
CN117274386A (zh) 一种波纹管定位检测方法、装置及电子设备
CN115166701B (zh) 一种rgb-d相机和激光雷达的系统标定方法及装置
CN114140608B (zh) 一种光伏板标记方法、装置、电子设备及存储介质
CN111366172B (zh) 数字高程模型的质量检测方法、装置和存储介质
CN115979299A (zh) 基于地图数据转换的精度检查方法及装置
CN114612394A (zh) 一种基于Yolo网络和DIC技术的混凝土内部损伤预测方法
CN115205846A (zh) 三维目标检测方法、计算机设备、存储介质及车辆
CN117789066B (zh) 基于深度学习的无人机多视角影像钢轨线自动提取方法
CN115002899B (zh) 一种基于svl的视障人群乘车导航辅助方法及系统
CN111400891B (zh) 管道巡检点偏差程度获取方法、装置、设备及存储介质

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