CN118089576A - 基于三维激光扫描的桥墩建造质量非接触快速检测方法 - Google Patents
基于三维激光扫描的桥墩建造质量非接触快速检测方法 Download PDFInfo
- Publication number
- CN118089576A CN118089576A CN202410108234.1A CN202410108234A CN118089576A CN 118089576 A CN118089576 A CN 118089576A CN 202410108234 A CN202410108234 A CN 202410108234A CN 118089576 A CN118089576 A CN 118089576A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- pier
- matrix
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 67
- 230000007246 mechanism Effects 0.000 claims description 22
- 238000000605 extraction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000014509 gene expression Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- 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
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
- 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
- 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
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)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Remote Sensing (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明属于信息化与智能建造技术领域，具体公开了一种基于三维激光扫描的桥墩建造质量非接触快速检测方法，包括如下步骤：基于几何特征和改进体素下采样的桥墩点云简化，本发明的简化结果在相同的简化率下，能够更好的保留桥墩的几何结构和细节特征；基于深度学习和极大团约束的桥墩点云配准，具有最高的内点率和最低的配准误差；桥墩膨胀变形计算及可视化。本发明方法具有非接触、自动化和高精度的优势，能够减少三维激光扫描仪采集的点云数据量，提高计算效率，节省计算资源。相比传统的软件程序和计算方法，本发明方法具有更高的精度，更小的数据误差，适用于桥梁建造过程中桥墩建造质量检测与评估。
Description
技术领域
本发明涉及信息化与智能建造技术领域，具体涉及一种基于三维激光扫描的桥墩建造质量非接触快速检测方法。
背景技术
伴随经济的快速发展和城市化进程的逐步推进，我国桥梁建设体量日益扩大。然而，在施工过程中，由于设计不合理、施工手段不符合规范等原因导致桥梁建造质量不达标的问题仍然屡见不鲜。鉴于此，采取有效手段对桥梁建设过程中的质量进行检测显得尤为重要，以确保施工安全和最终建造的桥梁质量符合标准。三维激光扫描以其高效、非接触的特点，广泛应用于建筑、桥梁、道路和地下设施等复杂工程的测量。三维激光扫描获取的点云数据具有高密度、丰富的几何信息和表面特征，因此在结构重建、尺寸测量以及结构健康监测等方面具有巨大潜力。然而，点云数据的应用也伴随着一系列挑战，其中之一是数据处理过程中的误差问题。在实际工程中，采集的点云数据通常需要进行采样和配准，以便进行进一步的分析和建模。这些数据处理步骤可能引入不可避免的误差，尤其是在大规模数据集的处理中，传统的手动方法和常规软件工具往往难以满足高精度和高效率的要求。这些误差在结构重建、变形监测和结构分析等应用中可能会对结果产生重要影响，因此，亟需要一种采用更先进的方法来处理点云数据，以提高数据质量和分析可靠性。
发明内容
为解决现有技术中存在的问题，本发明提供了一种基于三维激光扫描的桥墩建造质量非接触快速检测方法，具有非接触、自动化和高精度的优势，可用于桥梁建设过程中桥墩建造质量的检测与评估，解决了上述背景技术中提到的问题。
为实现上述目的，本发明提供如下技术方案：一种基于三维激光扫描的桥墩建造质量非接触快速检测方法，包括如下步骤：
S1、基于几何特征和改进体素下采样的桥墩点云简化；
S2、基于深度学习和极大团约束的桥墩点云配准；
S3、桥墩膨胀变形计算及可视化。
优选的，在步骤S1中，以使用地面三维激光扫描仪或无人机获取桥墩的点云数据作为输入，计算桥墩点云的FPFH特征，利用阈值筛选将桥墩点云划分为重要特征点与非重要特征点，利用改进体素下采样方法对非重要特征点进行简化，最后合并点云得到简化后的桥墩点云。
优选的，FPFH特征的计算方法具体包括如下：
首先，以关键点ps及其邻近点pk建立局部坐标系；
其次，计算关键点以及领域的简化特征直方图SPFH，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，α,f,θ为点特征描述算子，用于描述关键点及其邻域之间的特征关系，v,u,w为局部坐标系轴，nk为邻近点法向量；
最后，将关键点的SPTH和加权的邻域点的SPFH进行统计，得到最终的FPFH特征，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，k表示邻近点的数量，SPFH为简化点特征直方图，d为权重系数，表示关键点与邻近点的距离。
优选的，所述的改进体素下采样方法具体包括：
首先，将点云划分为n×n个体素，每个体素都包含若干个点；其次，在每个体素中计算所包含点的质心位置，选取最靠近该位置的点以代替该体素中的所有点；以此类推，最终得到简化后的点云。
优选的，在步骤S2中，以步骤S1简化后的桥墩点云为输入，利用基于几何注意力机制的深度学习网络GT-Net获取初始点匹配关系，利用搜索极大团方法获取可靠对应点匹配关系，使用奇异值分解SVD算法估计点云变换矩阵，实现不同位置的桥墩点云配准。
优选的，所述的基于几何注意力机制的神经网络GT-Net由特征提取主干网络、基于几何编码的注意力机制和点匹配模块组成，其中，特征提取主干网络主要用于提取点云的高维特征以及点云下采样，其输入为两个成对点云P和Q，输出为不同层级的点云高维特征矩阵X；基于几何编码的注意力机制主要用于捕获点云内部的几何结构和点云间的几何一致性，其输入为点云的高维特征矩阵X和其投影矩阵W，输出为特征矩阵和投影矩阵加权的点云混合特征H；点匹配模块用于获取目标点云和基准点云的对应匹配关系，其输入为点云混合特征H，输出为全局对应点关系集合；
所述的基于几何编码的注意力机制，是在传统的注意力机制计算方法的基础上，增加了几何结构编码，在计算每个点云的注意力得分时，赋予每个点和其他点的距离和角度信息，使其满足几何约束，公式表达如下：
其中，zi表示第i个点云的注意力得分，p是输入点云P中的点个数，xj是输入矩阵X中第j个元素，i，j表示矩阵的行和列，ai,j表示权重系数，由ei,j逐行计算得到：
其中，ri,j是几何结构编码，使用正弦和余弦函数对点对距离和角度进行编码，xi是输入矩阵X中的第i个元素，WQ,WK,WV,WR是网络中查询关键词、索引关键词、内容关键词和几何结构编码相应的投影矩阵，dt表示特征维度,T表示矩阵转置。
优选的，所述的基于几何注意力机制的深度学习网络GT-Net的训练损失函数定义为：
其中为定义的损失函数，/>和/>为重叠感知损失和点匹配损失，表示为：
其中，P表示目标点云，Q表示基准点云，最终的 和/>分别表示目标点云和基准点云的重叠感知损失，二者表达式相同，上述表达式仅以目标点云P为例，Ng表示随机抽样真实对应点集合的个数。A表示特定大小的体素，Gp和GQ分别表示目标点云和基准点云在该体素内的部分，/>表示特征空间内的距离，/>表示重叠比例，/>和/>分别表示样本的正权重和负权重，eP和en分别表示正样本集合和负样本集合，△p＝0.1和△n＝1.4是两个超参数，z表示每个对应点集合的赋值矩阵，M,I,J分别表示真实的对应点集合组成的矩阵和网络提取的对应点集合组成的矩阵，矩阵I与矩阵M具有相同的行数，矩阵J与矩阵M具有相同的列数，(x,y)表示一对对应点集合,x和y表示矩阵M的行和列，mi表示矩阵I的列数，ni表示矩阵J的行数。
优选的，搜索极大团方法具体包括：
首先，建立图空间以表达深度学习网络GT-Net获取的初始对应匹配关系；
其次，利用Bron-Kerbosch算法，搜索图的极大团，每个极大团代表一组可靠的对应点集合；
最后，利用奇异值分解算法SVD求解每一组可靠对应点集合的6自由度位姿假设，通过投票筛选出最佳位姿假设，即点云的变换矩阵。
优选的，在步骤S3中，以步骤S2配准后的桥墩点云作为输入；首先，利用KNN算法，以目标桥墩点云中的查询点P为中心，寻找指定半径内基准桥墩点云中的所有点Q；其次，利用Q拟合该邻域的局部表面并求解其法向量求解查询点P到该表面的最短距离d，即为目标桥墩点云在该位置的表面变形；最后，对目标桥墩点云中每个点到基准桥墩点云的距离进行颜色编码，输出桥墩表面变形云图，同时，输出指定方向的桥墩表面变形曲线。
另一方面，为实现上述目的，本发明还提供了如下技术方案：一种基于三维激光扫描的桥墩建造质量非接触快速检测系统，所述系统包括：
点云简化模块，用于基于几何特征和改进体素下采样的桥墩点云简化；
点云配准模块，用于基于深度学习和极大团约束的桥墩点云配准；
变形计算及可视化模块，用于桥墩膨胀变形计算及可视化。
本发明的有益效果是：本发明方法具有非接触、自动化和高精度的优势，能够减少三维激光扫描仪采集的点云数据量，提高计算效率，节省计算资源。相比传统的软件程序和计算方法，本发明方法具有更高的精度，更小的数据误差，适用于桥梁建造过程中桥墩建造质量检测与评估。
附图说明
图1为实施例中一种基于三维激光扫描的桥墩建造质量非接触快速检测方法流程图；
图2为实施例中三维激光扫描仪现场测试示意图；
图3为实施例中桥墩点云数据示意图；
图4为实施例中桥墩点云数据简化结果；
图5为实施例中桥墩点云配准模块示意图；
图6为实施例中桥墩点云数据配准结果；
图7为实施例中桥墩膨胀变形计算方法示意图；
图8为实施例中桥墩内外表面膨胀变形云图；
图9为实施例中水平与垂直方向上桥墩膨胀变形曲线。
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。
请参阅图1-图9，本发明提供一种技术方案：一种基于三维激光扫描的桥墩建造质量非接触快速检测方法，如图1所示，包括如下步骤：
基于几何特征和改进体素下采样的桥墩点云简化；
基于深度学习和极大团约束的桥墩点云配准；
桥墩膨胀变形计算及可视化。
本发明实施例中采用一座在桥梁建造过程中发生变形的钢混组合桥墩现场测试数据来证明拟议方法的有效性，具体如下：
1、在现场实验中，使用架站式三维激光扫描仪对发生变形的桥墩和用于对比的基准桥墩进行扫描，如图2所示。扫描过程中采用4站点围绕式扫描方案，通过站点拼接得到完整的桥墩点云数据，如图3所示。
2、桥墩点云数据简化：将得到的点云数据标记为目标桥墩点云(已发生变形的桥墩点云数据)和基准桥墩点云(未发生变形的桥墩点云数据)，如图3所示)。计算桥墩点云的FPFH特征，利用阈值筛选将桥墩点云分为重要特征点与非重要特征点，利用改进体素下采样对非重要特征点进行简化，最后合并点云得到简化后的桥墩点云。
FPFH特征的计算方法具体包括如下：
首先，以关键点ps及其邻近点pk建立局部坐标系；
其次，计算关键点以及邻域的简化特征直方图SPFH，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，α,f,θ为点特征描述算子，用于描述关键点及其邻域之间的特征关系，v,u,w为局部坐标系轴，nk为邻近点法向量；
最后，将关键点的SPTH和加权的邻域点的SPFH进行统计，得到最终的FPFH特征，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，k表示邻近点的数量，SPFH为简化点特征直方图，d为权重系数，表示关键点与邻近点的距离。
进一步的，改进体素下采样方法具体包括：首先，将点云划分为n×n个体素，每个体素都包含若干个点；其次，在每个体素中计算所包含点的质心位置，选取最靠近该位置的点以代替该体素中的所有点；以此类推，最终得到简化后的点云。
为体现本发明方法的优势，将本发明方法与传统方法(随机下采样和均匀下采样)做了比较，结果如图4所示，从中可以看出，本发明方法的简化结果在相同的简化率下，能够更好的保留桥墩的几何结构和细节特征。
3、桥墩点云数据配准：将步骤2中简化后的点云作为输入，首先，利用训练好的基于几何注意力机制的深度学习网络GT-Net，识别点云的高维特征，获取初始对应匹配关系，建立图空间以表达获取的初始对应匹配关系，其次，利用Bron-Kerbosch算法，搜索图的极大团，最后，利用奇异值分解算法(SVD)求解点云的变换矩阵，完成不同位置的桥墩点云配准，如图5所示。
进一步的，基于几何注意力机制的神经网络GT-Net由特征提取主干网络、基于几何编码的注意力机制和点匹配模块组成。
其中，特征提取主干网络主要用于提取点云的高维特征以及点云下采样，其输入为两个成对点云P和Q，输出为不同层级的点云高维特征矩阵X；基于几何编码的注意力机制主要用于捕获点云内部的几何结构和点云间的几何一致性，其输入为点云的高维特征矩阵X和其投影矩阵W，输出为特征矩阵和投影矩阵加权的点云混合特征H；点匹配模块用于获取目标点云和基准点云的对应匹配关系，其输入为点云混合特征H，输出为全局对应点关系集合。
进一步的，基于几何编码的注意力机制，是在传统的注意力机制计算方法的基础上，增加了几何结构编码，在计算每个点云的注意力得分时，赋予每个点和其他点的距离和角度信息，使其满足几何约束，公式表达如下：
其中，zi表示第i个点云的注意力得分，p是输入点云P中的点个数，xj是输入矩阵X中第j个元素，i，j表示矩阵的行和列，ai,j表示权重系数，由ei,j逐行计算得到：
其中，ri,j是几何结构编码，使用正弦和余弦函数对点对距离和角度进行编码，xi是输入矩阵X中的第i个元素，WQ,WK,WV,WR是网络中查询关键词、索引关键词、内容关键词和几何结构编码相应的投影矩阵，dt表示特征维度,T表示矩阵转置。
进一步的，所述的基于几何注意力机制的深度学习网络GT-Net的训练损失函数定义为：
其中为定义的损失函数，/>和/>为重叠感知损失和点匹配损失，表示为：
其中，P表示目标点云，Q表示基准点云，最终的 和/>分别表示目标点云和基准点云的重叠感知损失，二者表达式相同，上述表达式仅以目标点云P为例，Ng表示随机抽样真实对应点集合的个数。A表示特定大小的体素，Gp和GQ分别表示目标点云和基准点云在该体素内的部分，/>表示特征空间内的距离，/>表示重叠比例，/>和/>分别表示样本的正权重和负权重，eP和en分别表示正样本集合和负样本集合，△p＝0.1和△n＝1.4是两个超参数，/>表示每个对应点集合的赋值矩阵，M,I,J分别表示真实的对应点集合组成的矩阵和网络提取的对应点集合组成的矩阵，矩阵I与矩阵M具有相同的行数，矩阵J与矩阵M具有相同的列数，(x,y)表示一对对应点集合,x和y表示矩阵M的行和列，mi表示矩阵I的列数，ni表示矩阵J的行数。
进一步的，搜索极大团方法具体包括：
首先，建立图空间以表达深度学习网络GT-Net获取的初始对应匹配关系；
其次，利用Bron-Kerbosch算法，搜索图的极大团，每个极大团代表一组可靠的对应点集合；
最后，利用奇异值分解算法SVD求解每一组可靠对应点集合的6自由度位姿假设，通过投票筛选出最佳位姿假设，即点云的变换矩阵。
将本发明方法与传统方法和最近的深度学习方法进行对比，采用公认的点云配准指标：旋转误差(RE)、平移旋转(TE)、内点率(Inlier Ratio)和均方根误差(RMSE)，结果如图6所示。从中可以看出，本发明方法在具有最高的内点率和最低的配准误差，验证了本发明方法的准确性和鲁棒性。
4、桥墩膨胀变形计算及可视化。
首先，在桥墩点云数据配准完成后，利用KNN算法，以目标桥墩点云中的查询点P为中心，寻找指定半径内基准桥墩点云中的所有点Q。
其次，利用Q拟合该邻域的局部表面并求解其法向量求解查询点P到该表面的最短距离d，即为目标桥墩点云在该位置的表面变形，如图7所示。
最后，对目标桥墩点云中每个点到基准桥墩点云的距离进行颜色编码，输出目标桥墩表面变形云图，如图8所示。
同时，选取水平方向和垂直方向上若干个点，提取其变形数据，输出水平方向和垂直方向的目标桥墩表面变形曲线，如图9所示。
基于与上述方法实施例相同地发明构思，本申请实施例还提供了一种基于三维激光扫描的桥墩建造质量非接触快速检测系统，该系统可以实现上述方法实施例所提供的功能，该系统包括：
基于几何特征的点云简化模块：基于几何特征的点云简化模块通过地面三维激光扫描仪获取桥墩点云数据，采用基于几何特征和改进体素下采样方法，利用FPFH特征筛选桥墩点云数据中重要特征点并将其保留，利用改进体素下采样对其余点进行简化，最后将两者融合形成简化后的桥墩点云数据。
基于深度学习和极大团约束的点云配准模块：使用基于几何注意力机制的深度学习网络GT-Net识别目标桥墩点云和基准桥墩点云的高维特征，获取初始点匹配关系，建立图空间以表达匹配关系的相关性，通过搜索极大团获得可靠的点匹配关系，最后通过奇异值分解算法SVD求解点云的变换矩阵，实现不同位置关系的桥墩点云配准。
桥墩膨胀变形计算及可视化模块：利用配准好以后的点云数据，通过KNN算法求解查询点邻域内的所有基准点云信息，将该邻域内的基准点云拟合成局部表面，计算查询点至表面的最短距离，即为查询点至基准点云的距离，依次求得每个查询点的距离，通过距离大小对其进行颜色编码，输出桥墩变形云图，通过选取不同查询点，输出指定方向上的桥墩变形曲线。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于，包括如下步骤：
S1、基于几何特征和改进体素下采样的桥墩点云简化；
S2、基于深度学习和极大团约束的桥墩点云配准；
S3、桥墩膨胀变形计算及可视化。
2.根据权利要求1所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：在步骤S1中，以使用地面三维激光扫描仪或无人机获取桥墩的点云数据作为输入，计算桥墩点云的FPFH特征，利用阈值筛选将桥墩点云划分为重要特征点与非重要特征点，利用改进体素下采样方法对非重要特征点进行简化，最后合并点云得到简化后的桥墩点云。
3.根据权利要求2所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：FPFH特征的计算方法具体包括如下：
首先，以关键点ps及其邻近点pk建立局部坐标系；
其次，计算关键点以及邻域的简化特征直方图SPFH，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，α,f,θ为点特征描述算子，用于描述关键点及其邻域之间的特征关系，v,u,w为局部坐标系轴，nk为邻近点法向量；
最后，将关键点的SPTH和加权的邻域点的SPFH进行统计，得到最终的FPFH特征，其具体公式表示为：
其中，ps表示关键点，pk为邻近点，k表示邻近点的数量，SPFH为简化点特征直方图，d为权重系数，表示关键点与邻近点的距离。
4.根据权利要求2所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：所述的改进体素下采样方法具体包括：
首先，将点云划分为n×n个体素，每个体素都包含若干个点；其次，在每个体素中计算所包含点的质心位置，选取最靠近该位置的点以代替该体素中的所有点；以此类推，最终得到简化后的点云。
5.根据权利要求1所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：在步骤S2中，以步骤S1简化后的桥墩点云为输入，利用基于几何注意力机制的深度学习网络GT-Net获取初始点匹配关系，利用搜索极大团方法获取可靠对应点匹配关系，使用奇异值分解SVD算法估计点云变换矩阵，实现不同位置的桥墩点云配准。
6.根据权利要求5所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：所述的基于几何注意力机制的神经网络GT-Net由特征提取主干网络、基于几何编码的注意力机制和点匹配模块组成，其中，特征提取主干网络主要用于提取点云的高维特征以及点云下采样，其输入为两个成对点云P和Q，输出为不同层级的点云高维特征矩阵X；基于几何编码的注意力机制主要用于捕获点云内部的几何结构和点云间的几何一致性，其输入为点云的高维特征矩阵X和其投影矩阵W，输出为特征矩阵和投影矩阵加权的点云混合特征H；点匹配模块用于获取目标点云和基准点云的对应匹配关系，其输入为点云混合特征H，输出为全局对应点关系集合；
所述的基于几何编码的注意力机制，是在传统的注意力机制计算方法的基础上，增加了几何结构编码，在计算每个点云的注意力得分时，赋予每个点和其他点的距离和角度信息，使其满足几何约束，以输入点云P为例，公式表达如下：
其中，zi表示第i个点云的注意力得分，p是输入点云P中的点个数，xj是输入矩阵X中第j个元素，i，j表示矩阵的行和列，ai,j表示权重系数，由ei,j逐行计算得到：
其中，ri,j是几何结构编码，使用正弦和余弦函数对点对距离和角度进行编码，xi是输入矩阵X中的第i个元素，WQ,WK,WV,WR是网络中查询关键词、索引关键词、内容关键词和几何结构编码相应的投影矩阵，dt表示特征维度,T表示矩阵转置。
7.根据权利要求5所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：所述的基于几何注意力机制的深度学习网络GT-Net的训练损失函数定义为：
其中为定义的损失函数，/>和/>为重叠感知损失和点匹配损失，表示为：
其中，P表示目标点云，Q表示基准点云，最终的 和/>分别表示目标点云和基准点云的重叠感知损失，Ng表示随机抽样真实对应点集合的个数，A表示特定大小的体素，Gp和GQ分别表示目标点云和基准点云在该体素内的部分，/>表示特征空间内的距离，λi j表示重叠比例，/>和/>分别表示样本的正权重和负权重，eP和en分别表示正样本集合和负样本集合，△p＝0.1和△n＝1.4是两个超参数，z表示每个对应点集合的赋值矩阵，M,I,J分别表示真实的对应点集合组成的矩阵和网络提取的对应点集合组成的矩阵，矩阵I与矩阵M具有相同的行数，矩阵J与矩阵M具有相同的列数，(x,y)表示一对对应点集合,x和y表示矩阵M的行和列，mi表示矩阵I的列数，ni表示矩阵J的行数。
8.根据权利要求5所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：搜索极大团方法具体包括：
首先，建立图空间以表达深度学习网络GT-Net获取的初始对应匹配关系；
其次，利用Bron-Kerbosch算法，搜索图的极大团，每个极大团代表一组可靠的对应点集合；
最后，利用奇异值分解算法SVD求解每一组可靠对应点集合的6自由度位姿假设，通过投票筛选出最佳位姿假设，即点云的变换矩阵。
9.根据权利要求1所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法，其特征在于：在步骤S3中，以步骤S2配准后的桥墩点云作为输入；首先，利用KNN算法，以目标桥墩点云中的查询点P为中心，寻找指定半径内基准桥墩点云中的所有点Q；其次，利用Q拟合该邻域的局部表面并求解其法向量求解查询点P到该表面的最短距离d，即为目标桥墩点云在该位置的表面变形；最后，对目标桥墩点云中每个点到基准桥墩点云的距离进行颜色编码，输出桥墩表面变形云图，同时，输出指定方向的桥墩表面变形曲线。
10.一种根据权利要求1-9中任一项所述的基于三维激光扫描的桥墩建造质量非接触快速检测方法的系统，其特征在于：所述系统包括：
点云简化模块(1)，用于基于几何特征和改进体素下采样的桥墩点云简化；
点云配准模块(2)，用于基于深度学习和极大团约束的桥墩点云配准；
变形计算及可视化模块(3)，用于桥墩膨胀变形计算及可视化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108234.1A CN118089576B (zh) | 2024-01-26 | 2024-01-26 | 基于三维激光扫描的桥墩建造质量非接触快速检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410108234.1A CN118089576B (zh) | 2024-01-26 | 2024-01-26 | 基于三维激光扫描的桥墩建造质量非接触快速检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118089576A true CN118089576A (zh) | 2024-05-28 |
| CN118089576B CN118089576B (zh) | 2024-08-16 |
Family
ID=91149959
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410108234.1A Active CN118089576B (zh) | 2024-01-26 | 2024-01-26 | 基于三维激光扫描的桥墩建造质量非接触快速检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118089576B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
| KR102445865B1 (ko) * | 2022-02-25 | 2022-09-21 | 한국건설기술연구원 | 영상기반 토목 구조물 실시간 변위 계측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| CN116228825A (zh) * | 2023-01-29 | 2023-06-06 | 重庆邮电大学 | 一种基于显著锚点几何嵌入的点云配准方法 |
| CN116295065A (zh) * | 2022-09-07 | 2023-06-23 | 三峡大学 | 基于三维激光扫描点云数据的岩体变形量及变形趋势的描述方法 |
| CN116758126A (zh) * | 2023-06-28 | 2023-09-15 | 南通大学 | 一种基于相似三角形的误匹配剔除的快速点云配准方法 |
| CN117078508A (zh) * | 2023-08-21 | 2023-11-17 | 山东大学 | 一种基于多特征点点集的点云配准方法及系统 |
| CN117128861A (zh) * | 2023-10-23 | 2023-11-28 | 常州市建筑材料研究所有限公司 | 一种去测站化三维激光扫描桥梁监测系统及监测方法 |
-
2024
- 2024-01-26 CN CN202410108234.1A patent/CN118089576B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022095302A1 (zh) * | 2020-11-05 | 2022-05-12 | 湖南大学 | 基于分层高斯混合模型的机器人快速鲁棒三维重建方法 |
| KR102445865B1 (ko) * | 2022-02-25 | 2022-09-21 | 한국건설기술연구원 | 영상기반 토목 구조물 실시간 변위 계측 시스템, 방법, 및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한 프로그램을 기록한 기록 매체 |
| CN116295065A (zh) * | 2022-09-07 | 2023-06-23 | 三峡大学 | 基于三维激光扫描点云数据的岩体变形量及变形趋势的描述方法 |
| CN116228825A (zh) * | 2023-01-29 | 2023-06-06 | 重庆邮电大学 | 一种基于显著锚点几何嵌入的点云配准方法 |
| CN116758126A (zh) * | 2023-06-28 | 2023-09-15 | 南通大学 | 一种基于相似三角形的误匹配剔除的快速点云配准方法 |
| CN117078508A (zh) * | 2023-08-21 | 2023-11-17 | 山东大学 | 一种基于多特征点点集的点云配准方法及系统 |
| CN117128861A (zh) * | 2023-10-23 | 2023-11-28 | 常州市建筑材料研究所有限公司 | 一种去测站化三维激光扫描桥梁监测系统及监测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 程子聪 等: "基于三维扫描技术的矩形隧道衬砌质量检测方法及结构性态响应分析", 现代隧道技术, vol. 55, no. 2, 30 November 2018 (2018-11-30), pages 1321 - 1326 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118089576B (zh) | 2024-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705457B (zh) | 一种遥感影像建筑物变化检测方法 | |
| CN110619282B (zh) | 一种无人机正射影像建筑物自动提取方法 | |
| CN103295239B (zh) | 一种基于平面基准影像的激光点云数据的自动配准方法 | |
| CN112597876B (zh) | 基于特征融合的书法汉字评判方法 | |
| CN113449594A (zh) | 一种多层网络组合的遥感影像地类语义分割与面积计算方法 | |
| CN103714148B (zh) | 基于稀疏编码分类的sar图像检索方法 | |
| CN114092697B (zh) | 注意力融合全局和局部深度特征的建筑立面语义分割方法 | |
| CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
| CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
| CN114022729A (zh) | 基于孪生网络和监督训练的异源图像匹配定位方法和系统 | |
| CN113420619A (zh) | 一种遥感影像建筑物提取方法 | |
| CN114283285A (zh) | 交叉一致性自训练遥感图像语义分割网络训练方法及装置 | |
| CN114821342A (zh) | 一种遥感影像道路提取方法及系统 | |
| Shu et al. | An active learning method with difficulty learning mechanism for crack detection | |
| CN116343053B (zh) | 基于光学遥感影像和sar遥感影像融合的固废自动提取方法 | |
| CN116402690A (zh) | 一种基于多头自注意力机制的高分辨率遥感影像中道路提取方法、系统、设备及介质 | |
| CN114913434B (zh) | 一种基于全局关系推理的高分辨率遥感影像变化检测方法 | |
| CN115761502A (zh) | 基于混合卷积的sar图像变化检测方法 | |
| Su et al. | Local fusion attention network for semantic segmentation of building facade point clouds | |
| CN118089576B (zh) | 基于三维激光扫描的桥墩建造质量非接触快速检测方法 | |
| CN118196028A (zh) | 一种改进YOLOv8的农村水泥路面病害提取方法 | |
| Suidong et al. | Improving SSD for detecting small target in Remote Sensing Image | |
| CN114049569B (zh) | 一种深度学习模型性能评价方法及系统 | |
| CN116934820A (zh) | 基于交叉注意力的多尺寸窗口Transformer网络布匹图像配准方法及系统 | |
| CN118135405B (zh) | 基于自注意力机制的光学遥感影像道路提取方法及系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Tian Yongding Inventor after: Lv Yangfeng Inventor after: Zhang Junhao Inventor after: Xu Jie Inventor after: Yu Zhixiang Inventor before: Tian Yongding Inventor before: Lv Yangfeng Inventor before: Zhang Junhao Inventor before: Xu Jie Inventor before: Yu Zhixiang |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |