CN118037703A - 一种基于多源信息的隧道掌子面分区方法及相关设备 - Google Patents
一种基于多源信息的隧道掌子面分区方法及相关设备 Download PDFInfo
- Publication number
- CN118037703A CN118037703A CN202410301485.1A CN202410301485A CN118037703A CN 118037703 A CN118037703 A CN 118037703A CN 202410301485 A CN202410301485 A CN 202410301485A CN 118037703 A CN118037703 A CN 118037703A
- Authority
- CN
- China
- Prior art keywords
- data
- point cloud
- information
- area
- frame data
- 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 74
- 238000000638 solvent extraction Methods 0.000 title claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims abstract description 96
- 238000005192 partition Methods 0.000 claims abstract description 76
- 238000005422 blasting Methods 0.000 claims abstract description 59
- 238000001514 detection method Methods 0.000 claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 68
- 238000013136 deep learning model Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 239000002360 explosive Substances 0.000 description 27
- 238000004422 calculation algorithm Methods 0.000 description 26
- 238000005516 engineering process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 7
- 239000011435 rock Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013316 zoning Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000004080 punching Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种基于多源信息的隧道掌子面分区方法及相关设备。基于多源信息的隧道掌子面分区方法包括:步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据;步骤S200,利用视觉采集装置获取待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据;步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当相似度评分不小于第一预设相似度评分时,基于点云信息和第一区域框数据获取爆破分区数据,爆破分区数据用于隧道掌子面的分区。爆破分区数据是基于激光扫描装置对应的点云信息和第一区域框数据得到的,并用于隧道掌子面的分区,能保证准确度。
Description
技术领域
本申请涉及激光测量信息技术、隧道检测的技术领域,尤其涉及一种基于多源信息的隧道掌子面分区方法及相关设备。
背景技术
视觉信息的处理技术在工业、农业、生活、军事等各个领域有广泛的应用,所及之处无不给人们的工作和生活带来便利,因此越来越被重视,相关的技术也在日益地发展和进步。其可以利用在隧道测绘方面,通过相机获取隧道掌子面的图像数据,技术人员根据隧道掌子面的图像数据所展示的特征,进行炸药孔的设置。
然而,相关的视觉技术中,虽然已有一些技术利用视觉采集装置获取掌子面的图像信息,进而用于掌子面分区,以降低待爆破区域分区的难度。
示例性地,以申请号CN202310363305.8公开的一种基于神经网络的隧道掌子面围岩智能分级方法为例,利用现场测试和数字图像处理方法实时获取地质参数,通过实时在线分级预测模型预测当前开挖地层的围岩质量,实现开挖方案与施工参数的适时调整优化,但其分级过程是通过数字图像处理进行的,如果将其用于隧道掌子面分区,在隧道内部或地下环境中,光线条件会导致图像质量较差,影响数字图像处理的准确度,这些因素都会使图像中的目标区域难以清晰识别,影响数字图像处理的结果。即用于隧道掌子面的分区,并不能保证准确度。
以申请号CN202211228779.3公开的一种隧道施工爆破方法为例,通过建立先行隧道和后行隧道的三维数据模型,采集爆破和试验数据对后行隧道爆破参数与先行隧道应力的影响关系进行分析,从而预测后行隧道爆破方案对先行隧道的影响并以此优化爆破方案。但是其隧道三维模型是根据地质数据和隧道设计参数推导和猜测得到的,用于隧道掌子面的分区,并不能保证准确度。
也就是说,相关技术中仅考虑单一源的隧道掌子面的待爆破区域的信息采集方式,用于隧道掌子面的分区不能保证准确度。因此,本申请旨在提供一种基于多源信息的隧道掌子面分区方法及相关设备,以解决上述问题。
发明内容
本申请的目的在于提供一种基于多源信息的隧道掌子面分区方法及相关设备,提高了隧道掌子面的分区准确度。
本申请的目的采用以下技术方案实现:
本申请提供了一种基于多源信息的隧道掌子面分区方法,所述方法包括:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于所述隧道掌子面的分区。
进一步地,所述异常区域检测模型是对深度学习模型训练得到的,所述异常区域检测模型的训练过程包括以下步骤:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本图像数据以及所述样本图像数据对应的异常区域的标注数据;其中,所述异常区域的标注数据是根据样本图像数据对应的第一区域框数据得到的;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本图像数据输入预设的深度学习模型,以得到所述样本图像数据对应的异常区域的预测数据;
基于所述样本图像数据对应的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述异常区域检测模型;如果否,则利用下一个所述训练数据继续训练所述深度学习模型。
进一步地,当所述相似度评分不小于第一预设相似度评分时,所述基于所述点云信息和所述第一区域框数据获取爆破分区数据,还包括:
判断所述相似度评分是否小于第二预设相似度评分,所述第二预设相似度评分大于所述第一预设相似度评分;
当所述相似度评分小于所述第二预设相似度评分时,对所述点云信息中缺失的点云数据进行补全和更新;
基于补全和更新的点云信息和所述第一区域框数据,获取爆破分区数据。
进一步地,所述对所述点云信息中缺失的点云数据进行补全和更新,包括:
根据所述点云信息,对所述待爆破区域进行网格化处理,得到多个网格节点的节点信息;
针对每个网格节点,执行以下处理:
根据所述点云信息和所述网格节点的节点信息,检测所述点云信息中是否存在所述网格节点对应的扫描点的点云数据;
当不存在所述网格节点对应的扫描点的点云数据时,以所述网格节点为基础进行八邻域搜索,获取预定距离范围内的多个点云数据作为参考点云数据集;
根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据并对所述点云信息进行补全和更新。
进一步地,所述根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据,包括:
根据缺失扫描点与八邻域搜索得到的参考点云数据集中的每个点的距离,通过以下公式获取所述网格节点对应的缺失扫描点的点云数据:
其中,Di表示缺失扫描点i点的点云数据,N表示八邻域搜索得到的点云数据的数量,Dj表示已知点j的点云数据,wj表示已知点j的点云数据对应的权重。
进一步地,针对参考点云数据集中的每个点云数据对应的权重为:
其中dij表示j点与i点的距离,p为加权指数,p的取值是2。
进一步地,在步骤S100之前还包括:对所述激光扫描装置和所述视觉采集装置进行时间和空间的校准。
进一步地,所述方法还包括:
当所述相似度评分低于预设阈值时,重新执行步骤S200,以重新获取第二区域框数据并和所述第一区域框数据进行比对,计算得到二者的相似度评分;
当连续N次执行步骤S200,均未得到不低于预设阈值的相似度评分时,向用户设备发送提示信息,所述提示信息用于提醒技术人员对所述激光扫描设备进行检查;N为大于3的正整数。
进一步地,所述步骤S100包括:
利用激光扫描装置获取待爆破区域的多个扫描点的点云信息;
根据DBSCAN算法对所述初始点云信息进行聚类处理,得到初始聚类结果;
根据LOF算法对所述初始聚类结果进行异常点检测,得到第一区域框数据。
第二方面,本申请还提供了一种电子设备,所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于所述隧道掌子面的分区。
第三方面,本申请还提供了一种隧道掌子面分区系统,包括第二方面所述的电子设备、激光扫描装置和视觉采集装置;
所述激光扫描装置用于获取待爆破区域的多个扫描点的点云信息;所述视觉采集装置用于获取所述待爆破区域的图像信息。
第四方面,本申请还提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现第一方面任一项所述控制方法的步骤。
本申请的有益效果:
通过激光扫描装置获取隧道掌子面的待爆破区域的多个扫描点的点云信息,点云信息可以用于提供区域表面的三维几何信息。对激光扫描获取的点云信息进行聚类处理,以识别并标记出待爆破区域内的异常区域,并生成用于指示异常区域的位置和范围的第一区域框数据。
同时可以利用视觉采集装置获取图像信息,利用图像数据获取待爆破区域的表面细节和纹理信息,然后通过异常区域检测模型处理图像信息,识别出待爆破区域的异常区域并生成第二区域框数据,第二区域框数据用于指示异常区域的位置和范围。
对比第一区域框数据和第二区域框数据,计算得到二者的相似度评分,以确定它们之间的相似程度。当相似度评分不低于预设阈值时,说明两个数据源得到的异常区域信息相符合,这种情况下可以基于激光扫描得到的点云信息和第一区域框数据获取爆破分区数据,爆破分区数据可以包括每个分区的分割线和坐标,用于隧道掌子面的分区。
相较于相关技术中仅考虑单一的隧道掌子面的待爆破区域的信息采集方式,本实施例提供的技术方案考虑到了激光扫描仪的扫描精度或分辨率等因素、可能会出现无法完整捕获待爆破区域的细微特征的情况,充分利用了激光扫描和视觉采集两种不同的信息源,综合考虑了点云信息和图像数据的优势,提高了异常区域检测的准确性和可靠性;相较于单一数据源的方法,多源信息的融合可以提高异常区域检测的效率,从而节省了人力和时间成本,提高了工作效率;准确地识别出异常区域可以避免在这些区域进行炸药孔的打孔和炸药放置,有助于提高施工的安全性和可靠性。最后的爆破分区数据是基于激光扫描装置对应的点云信息和第一区域框数据得到的,并用于隧道掌子面的分区,能保证准确度。
附图说明
下面结合附图和实施例对本申请进一步说明。
图1是本申请实施例提供的一种基于多源信息的隧道掌子面分区方法的流程示意图;
图2是本申请实施例提供的一种电子设备的结构框图;
图3是本申请实施例提供的一种隧道掌子面分区系统的结构框图;
图4是本申请实施例提供的另一种基于多源信息的隧道掌子面分区方法的流程示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本申请做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。以下将参照附图和优选实施例来说明本申请的实施程序,本领域技术人员可由本说明书中所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施程序加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。应当理解,优选实施例仅为了说明本申请,而不是为了限制本申请的保护范围。
以下,对本申请中的部分用语进行解释说明,以便于本领域技术人员理解。
机器学习(Machine Learning,ML)是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。计算机程序可以在给定某种类别的任务T和性能度量P下学习经验E,如果其在任务T中的性能恰好可以用P度量,则随着经验E而提高。机器学习专门研究计算机怎样模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心,是使计算机具有智能的根本途径,其应用遍及人工智能的各个领域。
深度学习是一种特殊的机器学习,通过学习将使用嵌套的概念层次来表示并实现巨大的功能和灵活性,其中每个概念都定义为与简单概念相关联,而更为抽象的表示则以较不抽象的方式来计算。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
掌子面分区的主要目的是将掌子面的工作任务合理分配给不同的操作人员,以提高作业效率和安全性。具体而言,分区后的同一区域的操作人员要兼顾炸药孔的打孔和安装炸药,由于安装炸药的炸药孔是同一操作人员完成的,可以避免炸药安装的遗漏。同时通过将掌子面划分为不同的区域,每个区域可以分配给特定的操作人员,使他们可以独立进行作业而不会相互干扰。这种分区可以根据工作人员的技能水平进行调整,确保每个人都能够按时完成任务,并且在作业过程中保持安全。本申请提及的操作人员可以指在现场负责执行爆破作业的工人或操作员,其必须经过培训和持有相应资质,需要具备操作爆破设备和工具的技能,以及对爆破安全规范的了解和遵守。每个操作人员负责对应分配给自己的掌子面分区的炸药孔的打孔和炸药放置。操作人员需要根据技术人员提供的炸药孔设置方案和分区数据,在实地作业中准确执行打孔和炸药放置的任务。
激光测量信息技术发展很快,利用激光扫描装置获取隧道掌子面的点云数据,用于掌子面分区,激光测量受光线条件的影响小,可以在低光环境中工作,能提高准确度。其中,激光扫描装置可以包括激光发射器、扫描镜、光学系统、探测器等部件。激光扫描设备在进行扫描时,会重复进行数据采集与处理,其扫描结果通常由具有一定分辨率的空间数据点(X,Y,Z)所组成的包括点云数据的点云信息来表示。点云信息可以用来表示对场景中目标对象的采样结果。相关技术中,将激光扫描技术用于隧道掌子面的三维建模和分区并没有较好地进行推广。申请人认为,原因在于扫描密度不均匀(即某些区域的点云密度较低,导致该区域的细节丢失或者建模精度降低)或人为的扫描参数设置不当(例如扫描分辨率、扫描角度等,可能会影响到扫描效果,导致数据不准确),进而使建模局部细节缺失或几何形状偏差,影响建模精度,进而影响技术人员基于三维模型的隧道掌子面分区的精度。
以申请号CN202210942843.8公开的一种基于绝对方位控制的隧洞影像建模方法、装置为例,对于隧洞等狭长空间的三维精细建模场景,基于序列影像、相对定向元素(相机内方位参数)、绝对定向元素和优化后的稀疏点云模型,计算得到密集点云模型,基于密集点云模型构建表面格网模型,计算法向量并进行纹理映射,获得具有绝对方位元素的隧洞精细三维模型。但是其计算步骤复杂,计算量大,其全文也没有提及针对隧道掌子面如何避免区域的细节丢失或者建模精度降低。
基于此,本申请提供了一种基于多源信息的隧道掌子面分区方法及相关设备,考虑到了激光扫描仪的扫描精度或分辨率等因素、可能会出现无法完整捕获待爆破区域的细微特征的情况,充分利用了激光扫描和视觉采集两种不同的信息源,综合考虑了点云信息和图像数据的优势,提高了隧道掌子面的分区准确度。下文将先对基于多源信息的隧道掌子面分区方法进行说明,再对系统等进行说明。
方法实施例。
参见图1,图1是本申请实施例提供的一种基于多源信息的隧道掌子面分区方法的流程示意图。
本实施例提供了一种基于多源信息的隧道掌子面分区方法,所述方法包括:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于所述隧道掌子面的分区。
通过激光扫描装置获取隧道掌子面的待爆破区域的多个扫描点的点云信息,对激光扫描获取的点云信息进行聚类处理,以识别并标记出待爆破区域内的异常区域,并生成用于指示异常区域的位置和范围的第一区域框数据。
同时可以利用视觉采集装置获取图像信息,利用图像数据获取待爆破区域的表面细节和纹理信息,然后通过异常区域检测模型处理图像信息,识别出待爆破区域的异常区域并生成第二区域框数据,第二区域框数据用于指示异常区域的位置和范围。
对比第一区域框数据和第二区域框数据,计算得到二者的相似度评分,以确定它们之间的相似程度。当相似度评分不低于预设阈值时,说明两个数据源得到的异常区域信息相符合,这种情况下可以基于激光扫描得到的点云信息和第一区域框数据获取爆破分区数据,爆破分区数据可以包括每个分区的分割线和坐标,用于隧道掌子面的分区。
相较于相关技术中,仅考虑单一的隧道掌子面的待爆破区域的信息采集方式,本实施例提供的技术方案考虑到了激光扫描仪的扫描精度或分辨率等因素、可能会出现无法完整捕获待爆破区域的细微特征的情况,充分利用了激光扫描和视觉采集两种不同的信息源,综合考虑了点云信息和图像数据的优势,提高了异常区域检测的准确性和可靠性;相较于单一数据源的方法,多源信息的融合可以提高异常区域检测的效率,从而节省了人力和时间成本,提高了工作效率;准确地识别出异常区域可以避免在这些区域进行爆破作业,有助于提高施工的安全性和可靠性。最后的爆破分区数据是基于激光扫描装置对应的点云信息和第一区域框数据得到的,并用于隧道掌子面的分区,能保证准确度
异常区域检测模型可以认为是被训练用于根据利用视觉采集装置获取的图像信息来生成指示异常区域的第二区域框数据。异常区域检测模型可以是机器学习模型、人工智能模型或其他算法,以分析现有的图像信息,然后生成一个第二区域框数据,以指示待爆破区域中的不适合炸药孔的打孔(即安装炸药的孔)的区域(即异常区域),以用于第一区域框数据的比对。
这样做的好处是,可以在每次视觉采集装置获取到待爆破区域的图像信息后,都能生成第二区域框数据,有助于及时对激光扫描装置的效果进行监督,从而提高隧道掌子面分区的效果。如果得到的第二区域框数据和第一区域框数据相符,才会对点云信息进行进一步的处理,进而避免对不准确的点云信息处理造成的资源浪费。
作为一个示例,异常区域检测模型是对深度学习模型训练得到的,异常区域检测模型的训练过程可以包括以下步骤:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本图像数据以及所述样本图像数据对应的异常区域的标注数据;其中,异常区域的标注数据可以是根据样本图像数据对应的第一区域框数据得到的;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本图像数据输入预设的深度学习模型,以得到所述样本图像数据对应的异常区域的预测数据;
基于所述样本图像数据对应的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述异常区域检测模型;如果否,则利用下一个所述训练数据继续训练所述深度学习模型。
由于第一区域框数据参与到异常区域检测模型的训练,因此在步骤S200中输出的第二区域框数据更适合与第一区域框数据进行相似度评分。这种情况下,第二区域框数据能够更好地反映模型对异常区域的识别能力,通过与第一区域框数据进行相似度评分,可以评估模型在检测异常区域方面的准确性和可靠性,从而确定是否可以使用激光扫描装置获取的点云信息进行进一步处理。
由此,通过设计,建立适量的神经元计算节点和多层运算层次结构,选择合适的输入层和输出层,就可以得到预设的深度学习模型,通过该深度学习模型的学习和调优,建立起从输入到输出的函数关系,虽然不能100%找到输入与输出的函数关系,但是可以尽可能地逼近现实的关联关系,由此训练得到的异常区域检测模型,可以基于图像信息获取对应的第二区域框数据,计算结果准确性高、可靠性高。
在一些可选的实施方式中,本申请实施例可以训练得到异常区域检测模型,在另一些可选的实施方式中,本申请可以采用预先训练好的异常区域检测模型。预设的深度学习模型可以是卷积神经网络模型,也可以是循环神经网络模型,本申请不对预设的深度学习模型的实现方式作限定。本申请对异常检测模型的训练过程不作限定,其例如可以采用上述监督学习的训练方式,或者可以采用半监督学习的训练方式,或者可以采用无监督学习的训练方式。本申请对预设的训练结束条件不作限定,其例如可以是训练次数达到预设次数(预设次数例如是1次、3次、10次、100次、1000次、10000次等),或者可以是训练集中的训练数据都完成一次或多次训练,或者可以是本次训练得到的总损失值不大于预设损失值。
在一个示例性的实施例中,当相似度评分低于预设阈值时,可以重新执行步骤S200,重新获取第二区域框数据并和第一区域框数据进行比对,计算得到二者的相似度评分。
当连续N次执行步骤S200,均未得到不低于预设阈值的相似度评分时,向用户设备发送提示信息,所述提示信息用于提醒技术人员对所述激光扫描设备进行检查;N为大于3的正整数。
这种情况下,可以认为第一区域框数据的获取有问题,向技术人员的用户设备发送提示信息,提示信息用于提醒技术人员对激光扫描设备的运行或点云信息的采集、处理过程进行检查。用户设备例如是移动电脑、平板等,提示信息可以通过设备的显示屏、扬声器等展示给技术人员,提醒技术人员检查激光扫描装置的运行状态、点云信息的采集质量或处理过程中可能存在的问题,确保获取到高质量的数据用于隧道掌子面的分区。本申请中提及的技术人员可以指具有专业知识和经验的工程师,负责根据分区数据进行炸药孔设置的规划和设计,以及现场的设备调试。技术人员需要根据爆破设计要求、地质条件和操作人员的技能水平等因素来确定每个分区的炸药孔设置方案,以确保爆破效果和安全性。
其中,N次例如是3次、5次、6次、8次或12次。相似度评分例如是0.8、95%或0.96。预设阈值例如是0.7、0.85或91%。
在一个示例性的实施例中,所述步骤S100包括:
利用激光扫描装置获取待爆破区域的多个扫描点的点云信息;
根据DBSCAN算法对所述初始点云信息进行聚类处理,得到初始聚类结果;
根据LOF算法对所述初始聚类结果进行异常点检测,得到第一区域框数据。
激光扫描装置通过发射激光束,测量激光束在目标表面上的反射或散射情况从而获取可以提供目标区域的三维空间信息的点云数据。DBSCAN(Density-Based SpatialClustering of Application s with Noise)是一种基于密度的聚类算法,能够将具有足够密度的点归为一个聚类,并识别出噪声点。
本实施例中DBSCAN算法被应用于对初始的点云信息进行聚类处理。LOF(LocalOutlier Facto r)算法是一种用于异常点检测的算法,它通过计算每个数据点的局部异常因子来评估其相对于其邻域的异常程度。本实施例中LOF算法被应用于对DBSCAN算法得到的初始聚类结果进行异常点检测,以进一步确定异常区域。
由此,本技术方案结合了激光扫描装置的高精度点云信息和DBSCAN、LOF等算法的处理,准确地识别出待爆破区域内的异常区域,提高了异常区域检测的准确性;自动化的聚类和异常点检测算法能够快速处理大量的点云信息,提高了异常区域检测的效率,节省了人力和时间成本。算法能够全面地考虑点云信息的各种特征和属性,从而可以全面地分析待爆破区域内的异常区域,而不会受到局部观察或主观判断的限制,经过算法处理得到的异常区域数据具有较高的可靠性和可重复性,有助于提高施工的安全性和可靠性。
在一个示例性的实施例中,在步骤S100之前还包括:对所述激光扫描装置和所述视觉采集装置(例如相机)进行时间和空间的校准。其目的旨在确保激光扫描装置和视觉采集装置的数据采集是在相同的时间和空间坐标系下进行的,以确保后续获取的点云信息和图像数据能够准确地对应到同一坐标系中,从而保证后续数据处理的准确性和可靠性。
在一个示例性的实施例中,当所述相似度评分不小于第一预设相似度评分时,所述基于所述点云信息和所述第一区域框数据获取爆破分区数据,还包括:
判断所述相似度评分是否小于第二预设相似度评分,所述第二预设相似度评分大于所述第一预设相似度评分;
当所述相似度评分小于所述第二预设相似度评分时,对所述点云信息中缺失的点云数据进行补全和更新;
基于补全和更新的点云信息和所述第一区域框数据,获取爆破分区数据。
在一个示例性的实施例中,所述对所述点云信息中缺失的点云数据进行补全和更新,包括:
根据所述点云信息,对所述待爆破区域进行网格化处理,得到多个网格节点的节点信息;
针对每个网格节点,执行以下处理:
根据所述点云信息和所述网格节点的节点信息,检测所述点云信息中是否存在所述网格节点对应的扫描点的点云数据;
当不存在所述网格节点对应的扫描点的点云数据时,以所述网格节点为基础进行八邻域搜索,获取预定距离范围内的多个点云数据作为参考点云数据集;
根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据并对所述点云信息进行补全和更新。
具体而言,可以重复执行上述缺失扫描点的点云数据的计算过程,直至所述点云信息中存在所述网格节点对应的所有扫描点的点云数据。这种情况下,如果所述点云信息中存在的部分点云数据与所述网格节点不对应,不需要删除。
其中,根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据的方式,可以是距离加权平均法。具体而言,可以根据缺失扫描点与八邻域搜索得到的已知点的距离,对其点云数据进行加权平均,一般而言距离越近的点云数据的权重越大。
作为一个示例,所述根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据,包括:
根据缺失扫描点与八邻域搜索得到的参考点云数据集中的每个点的距离,通过以下公式获取所述网格节点对应的缺失扫描点的点云数据:
其中,Di表示缺失的i点的点云数据,N表示八邻域搜索得到的点云数据的数量,Dj表示已知点j的点云数据,wj表示已知点j的点云数据对应的权重。S上述方式可以将加权平均的结果被适当地归一化,并反映每个参与计算的点的权重和贡献的比例。
其中,可以将j点与i点的距离的倒数作为权重wj,例如:其中dij表示j点与i点的距离,p为加权指数,p的取值例如是1、2。
由此,本实施例相较于相关技术,针对隧道的特殊情况,在经过多重判断后,对点云数据进行补全,可以避免区域的细节丢失或者建模精度降低。
在一个示例性的实施例中,基于点云信息和第一区域框数据获取掌子面的爆破分区数据,可以包括以下步骤:
数据准备与整合:第一区域框数据用于指示掌子面的不适合炸药孔的打孔的异常区域,这些区域可能由于地质构造、岩石类型、裂隙、断层等原因而不适合进行爆破。根据第一区域框数据,对点云进行筛选或分类,以区分出掌子面上适合爆破打孔的非异常区域和不适合炸药孔的打孔的异常区域。
特征提取与分析:对于掌子面的非异常区域,提取点云数据的几何特征(如坡度、凹凸度、岩石分布等),以用于爆破分区。结合地质信息和其他先验知识,分析上述特征对爆破效果的影响。其中,掌子面的坡度信息可以帮助确定合适的爆破方向和爆破参数,以确保爆破后岩石块体的顺利移动和破碎。凹凸度信息可以用于识别岩石的裂纹和断裂,从而指导爆破方案中炸药孔的设计,避免在脆弱区域引起不必要的裂缝扩展或者失控。岩石分布的密度和形态可以帮助确定爆破区域,确保在需要的位置打孔以施加爆破能量,从而最大限度地减少浪费并确保爆破效果。
分区算法应用:可以应用聚类算法、分类算法或图像分割算法,对掌子面进行分区。分区的目标是将具有相似爆破条件的区域归为一类,同时避开已标记的异常区域。在分区过程中,确保每个分区内部的点云特征具有一致性,并且分区之间的边界尽可能符合实际的地质条件。
作为一个示例,为了更全面地理解数据并从不同角度进行分析,可以同时使用多种算法。比如,在掌子面分区的过程中,可以先使用聚类算法将掌子面分为若干个区域,然后再对每个区域应用分类算法进一步细分,最后使用分割算法对各个区域内的点云数据进行精细划分。
作为另一个示例,掌子面的特征较为简单时,只需要利用聚类算法将其分为几个大致相似的区域即可。
结果验证与优化:对初步的分区结果进行验证,确保异常区域被正确排除在外,并且每个分区的爆破条件相似。根据验证结果,对分区进行调整或优化,以获得更合理的爆破分区数据。验证过程例如是将验证结果可视化,比如使用地质图、点云数据的可视化工具(例如Point Cloud Library软件)等,可以使技术人员更直观地观察分区的情况,发现不一致之处。
输出爆破分区数据:将最终的爆破分区数据以预设的格式输出并作为输出文件,如CAD文件、GIS数据等,以便于操作人员根据分区数据进行炸药孔的打孔。当输出格式是CAD文件时,在CAD文件中每个分区可以表示为一个闭合的多边形或区域,技术人员可以轻松地在CAD软件中查看和编辑分区数据,并根据需要进行炸药孔的打孔设计。当输出格式是GIS数据时,将爆破分区数据输出为GIS(地理信息系统)数据,在GIS数据中每个分区可以表示为一个多边形要素,技术人员可以使用GIS软件加载和分析分区数据,并进行炸药孔的布置和设计。
这种情况下,技术人员可以针对包括分区数据的输出文件进行炸药孔设置,然后可以将每个分区划分给一个操作人员,即每个操作人员针对自己对应分区的掌子面设置的炸药孔进行打孔和炸药放置。这种情况下,分区后的同一区域的操作人员要兼顾炸药孔的打孔和安装炸药,通过将掌子面划分为不同的区域,每个区域分配给特定的操作人员,分区是根据点云信息进行的以使其能够根据工作人员的技能水平进行调整,确保每个人都能够按时完成任务,并且在作业过程中保持安全。
在一个具体应用中,提供了一种基于多源信息的隧道掌子面分区方法,所述方法包括:
步骤S1,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域。
步骤S2,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域。
步骤S3,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,判断所述相似度评分是否小于第二预设相似度评分,所述第二预设相似度评分大于所述第一预设相似度评分;当所述相似度评分小于所述第二预设相似度评分时,根据所述点云信息,对所述待爆破区域进行网格化处理,得到多个网格节点的节点信息;
针对每个网格节点,执行以下处理:
根据所述点云信息和所述网格节点的节点信息,检测所述点云信息中是否存在所述网格节点对应的扫描点的点云数据;
当不存在所述网格节点对应的扫描点的点云数据时,以所述网格节点为基础进行八邻域搜索,获取预定距离范围内的多个点云数据作为参考点云数据集;
根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据并对所述点云信息进行补全和更新;
基于补全和更新的点云信息和所述第一区域框数据,获取爆破分区数据,所述爆破分区数据用于所述隧道掌子面的分区。
其中,所述根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据,包括:
根据缺失扫描点与八邻域搜索得到的参考点云数据集中的每个点的距离,通过以下公式获取所述网格节点对应的缺失扫描点的点云数据:
其中,Di表示缺失扫描点i点的点云数据,N表示八邻域搜索得到的点云数据的数量,Dj表示已知点j的点云数据,wj表示已知点j的点云数据对应的权重。
所述异常区域检测模型是对深度学习模型训练得到的,所述异常区域检测模型的训练过程包括以下步骤:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本图像数据以及所述样本图像数据对应的异常区域的标注数据;其中,所述异常区域的标注数据是根据样本图像数据对应的第一区域框数据得到的;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本图像数据输入预设的深度学习模型,以得到所述样本图像数据对应的异常区域的预测数据;
基于所述样本图像数据对应的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述异常区域检测模型;如果否,则利用下一个所述训练数据继续训练所述深度学习模型。
基于上述方法实施例所陈述的内容,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,下文描述的设备、系统、存储介质和程序产品的具体工作过程,可以参考前述方法实施例中的对应过程,不再赘述。
参见图4,图4是本申请实施例提供的另一种基于多源信息的隧道掌子面分区方法的流程示意图。
在另一个具体应用中,提供了一种基于多源信息的隧道掌子面分区方法,所述方法包括:
开始,并获取待爆破区域的点云信息、获取待爆破区域的图像信息,对二者进行校准。针对点云信息,通过DBSCAN算法、LOF算法得到第一区域框数据;针对图像信息,通过异常区域检测模型得到第二区域框数据,异常区域检测模型训练是通过异常区域检测模型训练得到的。获取第一区域框数据和第二区域框数据的相似度评分,相似度评分小于第一预设相似度评分时判断重新执行次数,重新执行次数小于N时重新执行获取待爆破区域的图像信息及以下步骤;重新执行次数不小于N时向用户设备发送提示信息并结束。当相似度评分不小于第一预设相似度评分时判断相似度评分是否小于第二预设相似度评分,不小于时基于点云信息和第一区域框数据获取爆破分区数据。当相似度评分小于第二预设相似度评分时对点云信息中缺失的点云数据进行补全和更新,基于补全和更新后的点云信息和第一区域框数据获取爆破分区数据。
设备实施例。
参见图2,图2是本申请实施例提供的一种电子设备的结构框图。
本实施例提供了一种电子设备,所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于所述隧道掌子面的分区。
在一个示例性的实施例中,在步骤S100之前,所述至少一个处理器被配置成执行所述计算机程序时还实现以下步骤:还包括:对所述激光扫描装置和所述视觉采集装置进行时间和空间的校准。
在一个示例性的实施例中,所述至少一个处理器被配置成执行所述计算机程序时还实现以下步骤:
当所述相似度评分低于预设阈值时,重新执行步骤S200,以重新获取第二区域框数据并和第一区域框数据进行比对,计算得到二者的相似度评分;
当连续N次执行步骤S200,均未得到不低于预设阈值的相似度评分时,向用户设备发送提示信息,所述提示信息用于提醒技术人员对所述激光扫描设备进行检查;N为大于3的正整数。
在一个示例性的实施例中,所述异常区域检测模型是对深度学习模型训练得到的,所述异常区域检测模型的训练过程包括以下步骤:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本图像数据以及所述样本图像数据对应的异常区域的标注数据;其中,所述异常区域的标注数据是根据样本图像数据对应的第一区域框数据得到的;
针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本图像数据输入预设的深度学习模型,以得到所述样本图像数据对应的异常区域的预测数据;
基于所述样本图像数据对应的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述异常区域检测模型;如果否,则利用下一个所述训练数据继续训练所述深度学习模型。
在一个示例性的实施例中,当所述相似度评分不小于第一预设相似度评分时,所述基于所述点云信息和所述第一区域框数据获取爆破分区数据,还包括:
判断所述相似度评分是否小于第二预设相似度评分,所述第二预设相似度评分大于所述第一预设相似度评分;
当所述相似度评分小于所述第二预设相似度评分时,对所述点云信息中缺失的点云数据进行补全和更新;
基于补全和更新的点云信息和所述第一区域框数据,获取爆破分区数据。
在一个示例性的实施例中,所述对所述点云信息中缺失的点云数据进行补全和更新,包括:
根据所述点云信息,对所述待爆破区域进行网格化处理,得到多个网格节点的节点信息;
针对每个网格节点,执行以下处理:
根据所述点云信息和所述网格节点的节点信息,检测所述点云信息中是否存在所述网格节点对应的扫描点的点云数据;
当不存在所述网格节点对应的扫描点的点云数据时,以所述网格节点为基础进行八邻域搜索,获取预定距离范围内的多个点云数据作为参考点云数据集;
根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据并对所述点云信息进行补全和更新。
在一个示例性的实施例中,所述根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据,包括:
根据缺失扫描点与八邻域搜索得到的参考点云数据集中的每个点的距离,通过以下公式获取所述网格节点对应的缺失扫描点的点云数据:
其中,Di表示缺失扫描点i点的点云数据,N表示八邻域搜索得到的点云数据的数量,Dj表示已知点j的点云数据,wj表示已知点j的点云数据对应的权重。
在一个示例性的实施例中,针对参考点云数据集中的每个点云数据对应的权重为:
其中dij表示j点与i点的距离,p为加权指数,p的取值是2。
系统实施例。
参见图3,图3是本申请实施例提供的一种隧道掌子面分区系统的结构框图。
本实施例提供了一种隧道掌子面分区系统,包括设备实施例中任一项所述的电子设备、激光扫描装置和视觉采集装置;
所述激光扫描装置用于获取待爆破区域的多个扫描点的点云信息;所述视觉采集装置用于获取所述待爆破区域的图像信息。
存储介质实施例。
本实施例提供了一种计算机可读存储介质,其上存储有指令,所述指令被处理器执行时,以使得处理器实现方法实施例中所述的任一方法。
程序产品实施例。
本实施例提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现方法实施例中所述的任一方法的步骤。
计算机程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本申请的计算机程序产品不限于此,计算机程序产品可以采用一个或多个计算机可读介质的任意组合。
本申请的说明书的各种实施方式中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请的实施过程构成任何限定。
本申请的说明书和权利要求书及所述附图中的术语“第一”“第二”“第三”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“对应于”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本申请从使用目的上,效能上,进步及新颖性等观点进行阐述,已符合专利法所强调的功能增进及使用要件,本申请以上的说明书及说明书附图,仅为本申请的较佳实施例而已,并非以此局限本申请,因此,凡一切与本申请构造,装置,特征等近似、雷同的,即凡依本申请专利申请范围所作的等同替换或修饰等,皆应属本申请的专利申请保护的范围之内。
Claims (10)
1.一种基于多源信息的隧道掌子面分区方法,其特征在于,所述方法包括:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于隧道掌子面的分区。
2.根据权利要求1所述的基于多源信息的隧道掌子面分区方法,其特征在于,所述异常区域检测模型是对深度学习模型训练得到的,所述异常区域检测模型的训练过程包括以下步骤:
获取训练集,所述训练集包括多个训练数据,每个所述训练数据包括一个样本图像数据以及所述样本图像数据对应的异常区域的标注数据;针对所述训练集中的每个训练数据,执行以下处理:
将所述训练数据中的样本图像数据输入预设的深度学习模型,以得到所述样本图像数据对应的异常区域的预测数据;
基于所述样本图像数据对应的预测数据和标注数据,对所述深度学习模型的模型参数进行更新;
检测是否满足预设的训练结束条件;如果是,则将训练出的所述深度学习模型作为所述异常区域检测模型;如果否,则利用下一个所述训练数据继续训练所述深度学习模型。
3.根据权利要求1所述的基于多源信息的隧道掌子面分区方法,其特征在于,当所述相似度评分不小于第一预设相似度评分时,所述基于所述点云信息和所述第一区域框数据获取爆破分区数据,还包括:
判断所述相似度评分是否小于第二预设相似度评分,所述第二预设相似度评分大于所述第一预设相似度评分;
当所述相似度评分小于所述第二预设相似度评分时,对所述点云信息中缺失的点云数据进行补全和更新;
基于补全和更新的点云信息和所述第一区域框数据,获取爆破分区数据。
4.根据权利要求3所述的基于多源信息的隧道掌子面分区方法,其特征在于,所述对所述点云信息中缺失的点云数据进行补全和更新,包括:
根据所述点云信息,对所述待爆破区域进行网格化处理,得到多个网格节点的节点信息;
针对每个网格节点,执行以下处理:
根据所述点云信息和所述网格节点的节点信息,检测所述点云信息中是否存在所述网格节点对应的扫描点的点云数据;
当不存在所述网格节点对应的扫描点的点云数据时,以所述网格节点为基础进行八邻域搜索,获取预定距离范围内的多个点云数据作为参考点云数据集;
根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据并对所述点云信息进行补全和更新。
5.根据权利要求4所述的基于多源信息的隧道掌子面分区方法,其特征在于,所述根据符合所述预定距离范围内的多个点云数据,计算得到所述网格节点对应的缺失扫描点的点云数据,包括:
根据缺失扫描点与八邻域搜索得到的参考点云数据集中的每个点的距离,通过以下公式获取所述网格节点对应的缺失扫描点的点云数据:
其中,Di表示缺失扫描点i点的点云数据,N表示八邻域搜索得到的点云数据的数量,Dj表示已知点j的点云数据,wj表示已知点j的点云数据对应的权重。
6.根据权利要求1所述的基于多源信息的隧道掌子面分区方法,其特征在于,在步骤S100之前还包括:对所述激光扫描装置和所述视觉采集装置进行时间和空间的校准。
7.根据权利要求1所述的基于多源信息的隧道掌子面分区方法,其特征在于,所述方法还包括:
当所述相似度评分低于预设阈值时,重新执行步骤S200,以重新获取第二区域框数据并和第一区域框数据进行比对,计算得到二者的相似度评分;
当连续N次执行步骤S200,均未得到不低于预设阈值的相似度评分时,向用户设备发送提示信息,所述提示信息用于提醒技术人员对所述激光扫描设备进行检查;N为大于3的正整数。
8.一种电子设备,其特征在于,所述电子设备包括存储器和至少一个处理器,所述存储器存储有计算机程序,所述至少一个处理器被配置成执行所述计算机程序时实现以下步骤:
步骤S100,利用激光扫描装置获取待爆破区域的多个扫描点的点云信息,并通过对点云信息的聚类处理得到第一区域框数据,所述第一区域框数据用于指示所述待爆破区域内的多个异常区域;
步骤S200,利用视觉采集装置获取所述待爆破区域的图像信息,并通过异常区域检测模型得到第二区域框数据,所述第二区域框数据用于指示所述待爆破区域的多个异常区域;
步骤S300,获取第一区域框数据和第二区域框数据的相似度评分,当所述相似度评分不小于第一预设相似度评分时,基于所述点云信息和所述第一区域框数据获取爆破分区数据,所述爆破分区数据用于隧道掌子面的分区。
9.一种隧道掌子面分区系统,其特征在于,包括权利要求8所述的电子设备、激光扫描装置和视觉采集装置;
所述激光扫描装置用于获取待爆破区域的多个扫描点的点云信息;所述视觉采集装置用于获取所述待爆破区域的图像信息。
10.一种计算机程序产品,其特征在于,所述计算机程序产品包括计算机程序,所述计算机程序被至少一个处理器执行时实现权利要求1-7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301485.1A CN118037703A (zh) | 2024-03-16 | 2024-03-16 | 一种基于多源信息的隧道掌子面分区方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410301485.1A CN118037703A (zh) | 2024-03-16 | 2024-03-16 | 一种基于多源信息的隧道掌子面分区方法及相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118037703A true CN118037703A (zh) | 2024-05-14 |
Family
ID=91004120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410301485.1A Pending CN118037703A (zh) | 2024-03-16 | 2024-03-16 | 一种基于多源信息的隧道掌子面分区方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037703A (zh) |
-
2024
- 2024-03-16 CN CN202410301485.1A patent/CN118037703A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275688B (zh) | 基于注意力机制的上下文特征融合筛选的小目标检测方法 | |
AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
CN111241989B (zh) | 图像识别方法及装置、电子设备 | |
CN112052787A (zh) | 基于人工智能的目标检测方法、装置及电子设备 | |
Xu et al. | Pavement crack detection algorithm based on generative adversarial network and convolutional neural network under small samples | |
CN112149962B (zh) | 一种施工事故致因行为的风险定量评估方法及系统 | |
CN110135502A (zh) | 一种基于强化学习策略的图像细粒度识别方法 | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
US20220092433A1 (en) | Training method and device for generative adversarial network model, equipment, program and storage medium | |
CN117271683A (zh) | 一种测绘数据的智能分析评价方法 | |
CN113222149A (zh) | 模型训练方法、装置、设备和存储介质 | |
CN111414951B (zh) | 用于图像的细分类方法及装置 | |
CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
CN117876381B (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 | |
CN115526096A (zh) | 盾构机施工掘进参数的预测方法、装置及可存储介质 | |
CN116662468A (zh) | 基于地理对象空间模式特征的城市功能区识别方法及系统 | |
CN117494905B (zh) | 数字化配重平衡拱桥施工方法及系统 | |
Lin et al. | Optimal CNN-based semantic segmentation model of cutting slope images | |
KR20190143832A (ko) | 항공 교통 관리 전자 시스템 테스트 방법, 해당 전자 장치 및 플랫폼 | |
CN118037703A (zh) | 一种基于多源信息的隧道掌子面分区方法及相关设备 | |
CN115292971B (zh) | 基于贝叶斯的裂缝属性分析方法、装置及存储介质 | |
CN114036829B (zh) | 地质剖面图生成方法、系统、设备及存储介质 | |
CN111914751A (zh) | 一种图像人群密度识别检测方法及系统 | |
CN112926681B (zh) | 一种基于深度卷积神经网络的目标检测方法及装置 | |
CN114220054B (zh) | 基于装备总线数据分析装备战术动作并同步展示的方法 |
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 |