CN117433440A - 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 - Google Patents
一种基于激光点云的巷道形变实时检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117433440A CN117433440A CN202311379219.2A CN202311379219A CN117433440A CN 117433440 A CN117433440 A CN 117433440A CN 202311379219 A CN202311379219 A CN 202311379219A CN 117433440 A CN117433440 A CN 117433440A
- Authority
- CN
- China
- Prior art keywords
- roadway
- point cloud
- real
- voxel
- scanning frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000011897 real-time detection Methods 0.000 title claims abstract description 24
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000007405 data analysis Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000007689 inspection Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000005577 local transmission Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- 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
- G06T17/05—Geographic models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Computer Graphics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于激光点云的巷道形变实时检测方法、装置及存储介质，涉及巷道形变检测技术领域。首先构建或更新巷道基础点云地图，并获取巡检过程中的实时扫描帧；依据所述巷道基础点云地图，对实时扫描帧进行重定位，构建两者之间的体素粗关联；基于所述体素粗关联，对实时扫描帧与巷道基础点云地图进行配准，根据配准结果对实时扫描帧与巷道基础点云地图的对应位置构建体素精关联；基于所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。本发明提高了检测效率与精度，从而实现实时、精准巷道变形检测，同时还降低了操作难度和成本。
Description
技术领域
本发明涉及巷道形变检测技术领域，更具体的说是涉及一种基于激光点云的巷道形变实时检测方法、装置及存储介质。
背景技术
井下巷道在提升、运输、通风、排水等采矿生产活动中起着举足轻重的作用。随着开采深度的不断增加，相较于浅部巷道，深部巷道所处的高应力围岩力学环境往往更为复杂，通常呈现出非连续性、非协调性大形变、大范围失稳破坏等一系列工程响应问题，其产生的形变破坏往往会阻断井下运输，增大通风阻力，造成人员伤亡，设备损坏等，对生产安全构成严重威胁。因此，实现巷道形变的高效、精确感知，对巷道支护、动力灾害防治、矿山压力与岩层运动规律的研究具有重要意义。
传统形变监测方法主要基于以全站仪、数显收敛计、顶板离层仪为代表的位移数据和钻孔应力计为代表的应力数据。但是这些技术通常需要在巷道表面预置点位，通过测量不同时期固定点位之间的相对位移或应力变化来反映其形变程度，难以实时、直观地对巷道整体的变化场进行度量。
除此之外，上述方法往往需要工作人员携带设备前往现场进行操作，需要耗费大量人力物力成本，其度量结果也高度依赖于人的主观性，容易造成形变位置的漏判或误判。
可见，对巷道进行形变检测的传统方法主要是基于位移数据(如数显收敛计、顶板离层仪等)或应力数据(如钻孔应力计等)，存在安装、测量过程复杂，计算效率与检测精度低等问题。
发明内容
有鉴于此，本发明提供了一种基于激光点云的巷道形变实时检测方法、装置及存储介质，旨在实现对巷道中发生的形变进行高效、精确地计算，操作员可以通过本发明对巷道中疑似形变区域进行精确感知，实现井下少人甚至无人化巡检。
为了实现上述目的，本发明提供如下技术方案：
一种基于激光点云的巷道形变实时检测方法，包括以下步骤：
步骤1、构建或更新巷道基础点云地图，并获取巡检过程中的实时扫描帧；
步骤2、构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；
步骤3、基于所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；
步骤4、将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
可选的，所述步骤1中，使用三维激光雷达对巷道周围点云信息进行采集，基于高精度建图算法，构建或更新巷道基础点云地图，所述高精度建图算法为SLAM算法或SFM算法。
可选的，所述步骤2中，构建所述巷道基础点云地图与实时扫描帧之间的体素精关联，包括以下步骤：
步骤2.1、依据所述巷道基础点云地图，对所述实时扫描帧进行重定位，在重定位的基础上对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联；
步骤2.2、基于所述体素粗关联，对实时扫描帧与巷道基础点云地图进行配准，根据配准结果对实时扫描帧与巷道基础点云地图的对应位置构建体素精关联。
可选的，所述步骤2.1中，对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联的具体方法为：
在对实时扫描帧进行重定位后，对所述巷道基础点云地图与实时扫描帧进行体素化；
基于体素化关联算法，对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联。
可选的，所述步骤2.2中，使用VGICP算法对体素粗关联后的实时扫描帧与巷道基础点云地图进行配准；
根据配准结果，使用体素化关联算法，更新实时扫描帧与巷道基础点云地图对应位置之间的体素对应关系，构建体素精关联。
可选的，步骤3中，采用体素间马氏距离作为体素间相似度，则计算所述巷道基础点云地图与实时扫描帧之间的体素间马氏距离的方法为：
基于所述体素精关联，确定所述巷道基础点云地图与实时扫描帧之间的位置对应关系；
利用基于体素的小尺度分布来表征对应位置的巷道表面，计算体素范围内的协方差矩阵；
基于所述协方差矩阵，计算所有体素对之间的马氏距离，即得到所述巷道基础点云地图与实时扫描帧之间所有体素对之间的相似度。
可选的，所述步骤4中，巷道形变数据分析决策模型的训练方法为：
通过对巷道形变特定场景的数据分布先验知识的学习，获取巷道形变特定场景下的扫描帧与巷道基础点云地图；
按照步骤1至步骤3的方法计算巷道形变特定场景下扫描帧与巷道基础点云地图的体素间相似度；
以无监督孤立森林模型为待训练基础模型，以体素间相似度为输入特征，以扫描帧与巷道基础点云地图的实际形变结果作为输出特征，进行模型训练，得到巷道形变数据分析决策模型。
一种基于激光点云的巷道形变实时检测装置，包括：
扫描模块，用于获取扫描设备当前所处位置的巷道点云，构建或更新巷道基础点云地图，同时获取巡检过程中的实时扫描帧；
点云关联模块，用于构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；
计算模块，用于根据所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；
形变分析模块，用于将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
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进行加载，以执行任一项所述的一种基于激光点云的巷道形变实时检测方法中的步骤。
经由上述的技术方案可知，本发明提供了一种基于激光点云的巷道形变实时检测方法、装置及存储介质，与现有技术相比，具有以下有益效果：
本发明与基于传统传感器对巷道进行形变检测的方法相比，无需预置点位，具有更优的准确性、更强的时效性、更高的自动化程度。其次，本发明与其它基于时序变化的点云间距离度量的形变检测技术相比，利用小尺度分布对巷道表面进行表征，来适应于诸如巷道等复杂环境。再次，在本发明中，通过训练无监督孤立森林模型来对形变计算数据进行分析决策，不仅避免了人工处理测量数据时带入的主观因素，而且可以在扫描过程中实时地对形变位置进行感知。
本发明所采用的激光雷达设备等可以快速的进行加装、部署与维护，辅助操作员进行井下巡检，提高工作效率，大幅度降低改装的难度和成本。
综上，本发明基于激光点云的巷道形变检测技术，实现端到端地获取巷道中形变位置，大大简化了工作流程，提高了检测效率与精度，从而实现实时、精准巷道变形检测，为支护工作提供重要参考依据。
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，下面将对实施例或现有技术描述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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例1的巷道形变实时检测方法的流程示意图；
图2为本发明具体实施例中巷道形变实时检测的部署运行示意图；
图3为本发明具体实施例中针对巷道点云建立体素关联的示意图；
图4为本申请具体实施例中巷道形变实时采集点云数据示意图；
图5为本发明实施例2的巷道形变实时检测装置的结构示意图；
图6为本发明实施例4的巷道形变实时检测系统的结构示意图。
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。
本发明实施例公开了一种基于激光点云的巷道形变实时检测方法、装置、系统及存储介质，首先构建或更新巷道基础点云地图，并获取巡检过程中的实时扫描帧；构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；基于所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
实施例1
本实施例公开了一种基于激光点云的巷道形变实时检测方法，可以应用于车载处理器中并搭载至有人或无人车，也可手持。如图1所示，具体包括以下步骤：
步骤1、构建或更新巷道基础点云地图，并获取巡检过程中的实时扫描帧。
本实施例以某地下作业设备为例，在设备上安装三维激光雷达102。作业设备在井下运行过程中，可通过发射激光脉冲103，实现对巷道周边环境的点云信息实时采集，并基于高精度建图算法(SLAM\SFM等)构建或更新巷道基础点云地图。
步骤2、构建所述巷道基础点云地图与实时扫描帧之间的体素精关联：
步骤2.1、依据所述巷道基础点云地图，采用重定位算法，利用实时扫描帧与巷道基础点云地图进行匹配，获取扫描帧当前的大致位置，以实现对所述实时扫描帧的重定位；
在重定位的基础上，根据巷道实际情况设定体素分辨率；
基于所述设定的体素分辨率，对所述巷道基础点云地图与实时扫描帧进行体素化，具体的：根据实际情况定义体素分辨率大小r：若需要检测的目标形变范围较小，则相应设置较小的分辨率，反之则设置较大的分辨率。对于点云α＝{α1,α2,...,αn}，在遍历所有点的过程中，若不存在与当前点处于同一体素空间的点，则创建新体素，反之则将其归于同一体素，具体实现方式如下式：
对于每个点在空间中的位置坐标，除以预先设定的体素分辨率，即可得到相应的体素坐标。
基于体素化关联算法，对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联，并计算、储存各体素内点云的协方差矩阵，最终实现效果如图3所示，其中201表示巷道基础点云地图中的巷道表面，202表示实时扫描获取的巷道表面，203为二者建立的体素关联。
步骤2.2、基于所述体素粗关联及各体素的协方差矩阵，使用VGICP算法对体素粗关联后的实时扫描帧与巷道基础点云地图进行配准；
迭代计算求得最优的变换矩阵M，由旋转矩阵R*和位移矩阵T*构成，如下式：
完成配准后，利用变换矩阵将实时扫描帧变换到与巷道基础点云地图相同的坐标系下，更新实时扫描帧与巷道基础点云地图对应位置之间的体素对应关系，构建体素精关联。
步骤3、基于所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度。采用体素间马氏距离作为体素间相似度，则计算所述巷道基础点云地图与实时扫描帧之间的体素间马氏距离的方法为：
基于所述体素精关联，确定所述巷道基础点云地图与实时扫描帧之间的位置对应关系，由于巷道表面通常分布有规模不等的断层、褶曲、裂隙等地质形态，同时，温度、湿度、粉尘等外界条件都会对激光扫描仪的扫描精度产生影响。本发明利用基于体素的小尺度分布来表征对应位置的巷道表面，以消除因巷道复杂环境而产生的噪声数据对形变计算产生的影响；计算体素范围内的协方差矩阵，来评判各个分布之间的相似程度，协方差矩阵计算公式如下：
其中：
ε表示随机变量(在点云中表示为各个点)对应的观测样本的数量，在点云数据中通常为3(三个坐标维度)，βid表示点βi中第d个观测样本，则是点βi所对应的观测样本均值，同理，βjd表示点βj中第d个观测样本，/>则是点βj所对应的观测样本均值。
对于点云集合A＝{α1,α2,...,αn}与点云集合B＝{β0,β1,...,βm}中第i对配对体素中的所有点，则有体素间距离di：
该点在其最近邻点所在分布内的协方差矩阵Ci：
其中，Mi为点云集合A中第i对配对体素内点的数量，Ni为点云集合B中第i对配对体素内点的数量；α与β是配对时的两组点云集合，k与j代表两个集合中的某一位数；
基于所述协方差矩阵，点云α与β的任一体素对之间的马氏距离可以通过下式得出：
通过上述方式，计算出实时扫描帧与巷道基础点云地图之间所有体素对之间的相似度，作为体素间相似度评价指标。
步骤4、将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
巷道形变数据分析决策模型为预先训练好的模型，其训练方法为：
通过对巷道形变特定场景的数据分布先验知识的学习，获取巷道形变特定场景下的扫描帧与巷道基础点云地图；
按照步骤1至步骤3的方法计算巷道形变特定场景下扫描帧与巷道基础点云地图的体素间相似度；
以无监督孤立森林模型为待训练基础模型，以体素间相似度为输入特征，以扫描帧与巷道基础点云地图的实际形变结果作为输出特征，进行模型训练，得到巷道形变数据分析决策模型，进而能够在巷道巡检过程中实时地对检测数据进行分析，根据决策结果高效、精确地对形变位置进行定位。
当形变被检测到时，可以根据设备返回的形变位置信息进行进一步的人工确认及处理。若确认发生形变，无论对形变进行处理与否，都应基于SLAM更新巷道基础点云地图对应位置。具体可以重新对该位置进行扫描以更新地图，也可以先标记该位置，在下次巡检工作时进行更新。
实施例2
一种基于激光点云的巷道形变实时检测装置，参见图5，包括：
扫描模块，用于获取扫描设备当前所处位置的巷道点云，构建或更新巷道基础点云地图，同时获取巡检过程中的实时扫描帧。由于地下煤矿巷道具有曲折交错，视域狭小和空间几何特征单一的特点，不需要长测距范围，激光雷达能够满足10-50米有效测距即可，同时应具备较大的广角视野(FOV)，以获取更广阔的感知范围。示例性地，可以采用Livxoavia、Livox mid-360、Hesai XT32等型号；
点云关联模块，用于构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；
计算模块，用于根据所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；
形变分析模块，用于将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
如图2所示，本发明实施例中检测装置的部署以某地下作业设备为例，但本发明的应用并不局限于机载，该装置可以搭载在各类有人或无人车上，也可手持。
其中101表示某地下作业设备上配置的车载巷道形变实时检测装置，102表示某地下作业设备上配置的三维激光雷达。由于地下煤矿巷道具有曲折交错，视域狭小和空间几何特征单一的特点，不需要长测距范围，激光雷达能够满足10-50米有效测距即可。具体来说，该地下作业设备在运行时，激光雷达如图2中103所示发射激光脉冲，当脉冲与巷道表面接触时，部分脉冲经由物体表面返回至扫描仪，并由扫描仪内的光电探测器接收，获取当前路段的点云数据，获取到的数据示例如图4所示。将数据传输至车载计算单元进行计算，最终以实现当作业设备经过疑似发生形变路段104时，实时地发出预警。
以本发明实施例所举地下作业设备为例，其一般在巷道中的行驶速度为0～7.5km/h。考虑到具体实施情况，本实施例以10米最短有效测距范围、7.5km/h峰值行驶速度进行计算：在上述限制条件下，为了尽可能避免产生漏检情况，计算单元的计算能力应满足能够于4.7秒内完成一段时期内累计点云的计算分析，并开始进行下一时期的点云计算。
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。
实施例3
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进行加载，以执行任一项所述的一种基于激光点云的巷道形变实时检测方法中的步骤。
实施例4
一种基于激光点云的巷道形变实时检测系统，包括至少一个电源、计算单元、存储单元和至少一个网络接口。系统中的各个组件通过总线系统相互连接和通信，这一总线系统涵盖了数据总线、电源总线、控制总线和状态信号总线等，它们之间协同工作以确保组件之间的协调。为了图示的可读性，在图6中，我们将所有这些不同类型的总线都统一标示为总线系统。
本申请实施例中的计算单元用于执行巷道形变检测程序，计算单元包括处理器和通讯模块。
其中处理器可以采用英特尔生产的NUC(NextUnit ofComputing)，也可以是微处理器或其他常见的处理器。NUC作为计算和数据处理的中心，采用i7处理器，计算频率为4.7GHz，配备板载无线网卡，Dual HDMI 2.0bw/HDMI CEC,Dual DP 1.4avia Type接口。计算单元具备执行本申请中公开的各种方法、步骤以及逻辑框图的能力。这些计算单元根据本发明中公开的方法步骤，这些步骤可以直接在硬件解码处理器中执行，也可以通过硬件和软件模块的组合在解码处理器中完成。软件模块可以存储在存储介质中，这些存储介质位于存储器中。计算单元会读取存储器中的信息，并结合其硬件功能来执行本发明所提供的巷道变形实时检测方法的各个步骤。
通讯模块分别用于本地传输和网络传输，具体来说，本地采用USB3.0传输规范，用于将激光雷达采集到的点云数据传输到计算单元进行处理，最后通过井下局域网或5G、WiFi6网络将检测结果实时返回至矿山控制中心。也可将实时分析结果存储在存储介质中，通过USB拷出。
本实施例中的存储单元则用于存储支持形变检测方法运行的各类数据，如可执行程序、点云地图、体素协方差矩阵及点数等体素属性、孤立森林模型参数等。存储器可以是易失性存储器(如：静态随机存取存储器、同步静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器等)或非易失性存储器(如：只读存储器、可编程只读存储器、可擦除可编程只读存储器、磁性随机存取存储器、快闪存储器等)，也可包括易失性和非易失性存储器两者。
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。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种基于激光点云的巷道形变实时检测方法，其特征在于，包括以下步骤：
步骤1、构建或更新巷道基础点云地图，并获取巡检过程中的实时扫描帧；
步骤2、构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；
步骤3、基于所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；
步骤4、将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
2.根据权利要求1所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，所述步骤1中，使用三维激光雷达对巷道周围点云信息进行采集，基于高精度建图算法，构建或更新巷道基础点云地图，所述高精度建图算法为SLAM算法或SFM算法。
3.根据权利要求1所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，所述步骤2中，构建所述巷道基础点云地图与实时扫描帧之间的体素精关联，包括以下步骤：
步骤2.1、依据所述巷道基础点云地图，对所述实时扫描帧进行重定位，在重定位的基础上对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联；
步骤2.2、基于所述体素粗关联，对实时扫描帧与巷道基础点云地图进行配准，根据配准结果对实时扫描帧与巷道基础点云地图的对应位置构建体素精关联。
4.根据权利要求3所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，所述步骤2.1中，对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联的具体方法为：
在对实时扫描帧进行重定位后，对所述巷道基础点云地图与实时扫描帧进行体素化；
基于体素化关联算法，对实时扫描帧与巷道基础点云地图的对应位置构建体素粗关联。
5.根据权利要求3所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，所述步骤2.2中，使用VGICP算法对体素粗关联后的实时扫描帧与巷道基础点云地图进行配准；
根据配准结果，使用体素化关联算法，更新实时扫描帧与巷道基础点云地图对应位置之间的体素对应关系，构建体素精关联。
6.根据权利要求1所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，步骤3中，采用体素间马氏距离作为体素间相似度，则计算所述巷道基础点云地图与实时扫描帧之间的体素间马氏距离的方法为：
基于所述体素精关联，确定所述巷道基础点云地图与实时扫描帧之间的位置对应关系；
利用基于体素的小尺度分布来表征对应位置的巷道表面，计算体素范围内的协方差矩阵；
基于所述协方差矩阵，计算所有体素对之间的马氏距离，即得到所述巷道基础点云地图与实时扫描帧之间所有体素对之间的相似度。
7.根据权利要求1所述的一种基于激光点云的巷道形变实时检测方法，其特征在于，所述步骤4中，巷道形变数据分析决策模型的训练方法为：
通过对巷道形变特定场景的数据分布先验知识的学习，获取巷道形变特定场景下的扫描帧与巷道基础点云地图；
按照步骤1至步骤3的方法计算巷道形变特定场景下扫描帧与巷道基础点云地图的体素间相似度；
以无监督孤立森林模型为待训练基础模型，以体素间相似度为输入特征，以扫描帧与巷道基础点云地图的实际形变结果作为输出特征，进行模型训练，得到巷道形变数据分析决策模型。
8.一种基于激光点云的巷道形变实时检测装置，其特征在于，包括：
扫描模块，用于获取扫描设备当前所处位置的巷道点云，构建或更新巷道基础点云地图，同时获取巡检过程中的实时扫描帧；
点云关联模块，用于构建所述巷道基础点云地图与实时扫描帧之间的体素精关联；
计算模块，用于根据所述体素精关联，计算所述巷道基础点云地图与实时扫描帧之间的体素间相似度；
形变分析模块，用于将所述体素间相似度，输入巷道形变数据分析决策模型中，得到形变结果。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器进行加载，以执行权利要求1-7任一项所述的一种基于激光点云的巷道形变实时检测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379219.2A CN117433440A (zh) | 2023-10-24 | 2023-10-24 | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311379219.2A CN117433440A (zh) | 2023-10-24 | 2023-10-24 | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117433440A true CN117433440A (zh) | 2024-01-23 |
Family
ID=89545542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311379219.2A Pending CN117433440A (zh) | 2023-10-24 | 2023-10-24 | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117433440A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118015609A (zh) * | 2024-04-09 | 2024-05-10 | 山东力加力钢结构有限公司 | 基于深度学习的道路质量无损化检测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
| CN111738945A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于矿山的点云数据预处理方法 |
| CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
| CN114842167A (zh) * | 2022-04-13 | 2022-08-02 | 中煤科工集团重庆研究院有限公司 | 一种煤矿u型通风工作面巷道瓦斯浓度场可视化方法 |
| CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
| CN115456937A (zh) * | 2022-07-22 | 2022-12-09 | 中国人民解放军63891部队 | 一种直接基于tls高密度点云实测值的变形检测方法 |
| WO2023182762A1 (ko) * | 2022-03-21 | 2023-09-28 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
-
2023
- 2023-10-24 CN CN202311379219.2A patent/CN117433440A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110415342A (zh) * | 2019-08-02 | 2019-11-05 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
| CN111738945A (zh) * | 2020-06-15 | 2020-10-02 | 鞍钢集团矿业有限公司 | 一种基于矿山的点云数据预处理方法 |
| CN114170279A (zh) * | 2021-11-30 | 2022-03-11 | 哈尔滨工程大学 | 一种基于激光扫描的点云配准方法 |
| WO2023182762A1 (ko) * | 2022-03-21 | 2023-09-28 | 엘지전자 주식회사 | 포인트 클라우드 데이터 송신 장치, 포인트 클라우드 데이터 송신 방법, 포인트 클라우드 데이터 수신 장치 및 포인트 클라우드 데이터 수신 방법 |
| CN114842167A (zh) * | 2022-04-13 | 2022-08-02 | 中煤科工集团重庆研究院有限公司 | 一种煤矿u型通风工作面巷道瓦斯浓度场可视化方法 |
| CN115456937A (zh) * | 2022-07-22 | 2022-12-09 | 中国人民解放军63891部队 | 一种直接基于tls高密度点云实测值的变形检测方法 |
| CN115063458A (zh) * | 2022-07-27 | 2022-09-16 | 武汉工程大学 | 一种基于三维激光点云的料堆体积计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董阳武等: "用三维激光扫描仪的巷道运输轨道纵向位移测量方法", 《煤炭技术》, vol. 42, no. 9, 30 September 2023 (2023-09-30), pages 36 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118015609A (zh) * | 2024-04-09 | 2024-05-10 | 山东力加力钢结构有限公司 | 基于深度学习的道路质量无损化检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113108764B (zh) | 一种溃坝过程安全监测、预警与影响评估方法 | |
| CN102496232B (zh) | 一种输电设施监控方法及系统 | |
| CN108957563B (zh) | 一种隧道施工超前地质探测系统以及探测方法 | |
| Singh et al. | A robust approach to identify roof bolts in 3D point cloud data captured from a mobile laser scanner | |
| CN108710732A (zh) | 一种盾构刀具服役期磨损的可视化评估和预测方法 | |
| CN117433440A (zh) | 一种基于激光点云的巷道形变实时检测方法、装置及存储介质 | |
| CN115346141B (zh) | 天-空-地-隧-孔一体化不良地质识别方法及系统 | |
| CN116663762A (zh) | 一种城市规划地下空间勘察测绘方法及系统 | |
| Winkelmaier et al. | Topographically guided UAV for identifying tension cracks using image-based analytics in open-pit mines | |
| CN117274520A (zh) | 一种地质勘探的测绘方法 | |
| CN114004950B (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
| Chen et al. | A critical review of automated extraction of rock mass parameters using 3D point cloud data | |
| CN117272191B (zh) | 一种城市地下空间智能测绘方法及系统 | |
| Qin et al. | Development and application of an intelligent robot for rock mass structure detection: A case study of Letuan tunnel in Shandong, China | |
| Liu et al. | Pavement surface defect recognition method based on vehicle system vibration data and feedforward neural network | |
| Borgalli | Smart pothole detection and mapping system | |
| Carter-Greaves et al. | Algorithm development for automated key block analysis in tunnels from LiDAR point cloud data | |
| CN113156456A (zh) | 一种路面、隧道一体化检测方法及检测设备、车辆 | |
| CN115901640B (zh) | 融合光谱成像与时空分布的不良地质超前预报方法及系统 | |
| An et al. | Ground subsidence monitoring in based on UAV-LiDAR technology: a case study of a mine in the Ordos, China | |
| CN116796643A (zh) | 地表沉降监测方法、装置、电子设备及存储介质 | |
| JP2023152480A (ja) | 地図データ生成方法、地図データ生成装置及び地図データ生成プログラム | |
| CN115200540A (zh) | 一种矿井巷道形变监测与预警方法及系统 | |
| CN115409691A (zh) | 融合激光测距和监控图像的双模态学习边坡风险检测方法 | |
| Zheng et al. | A framework for detecting and extracting discontinuities based on machine learning |
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 |