基于双目立体匹配的巷道三维重建研究

针对目前矿井巷道三维重建大多依赖传统方法费时费力、激光点云数据计算量过大、具有离散性、成本昂贵等问题,提出了一种基于双目立体匹配的巷道三维重建方法。首先对双目相机完成标定和畸变矫正,通过双目相机采集巷道图像并对采集的图像进行预处理,然后对传统立体匹配方法SGM(semi-global matching)加以改进,实现巷道图像的初始代价计算、代价聚合、视差计算与优化,最终重建巷道的三维模型。在立体匹配标准测试平台验证了改进算法的可行性,通过对比实验表明,该算法生成的视差图匹配精度高,同时通过视差图生成点云,能够完成真实场景的巷道三维重建任务,证明该研究为巷道三维重建领域提供了一种新方法。

基于残差优化的综采工作面煤壁点云补全方法

煤矿综采工作面巷道的数字化三维重建过程中需要完整且密集的煤壁点云数据。受遮挡、视角限制等因素影响,采集的综采工作面煤壁点云数据往往不完整且稀疏,影响下游任务,需进行煤壁点云修复和补全。目前缺少针对井下点云补全任务的数据集和网络模型,现有模型用于煤壁点云补全时存在点云密度分布不均匀、点云特征信息丢失等情况。针对上述问题,设计了一种基于残差优化的煤壁点云补全网络模型,采用监督学习方式学习点云特征信息,通过最小化密度采样和残差网络迭代优化输出完整点云。采集煤矿井下真实综采工作面煤壁点云数据,预处理后筛选可用数据,通过模拟随机空洞制作煤壁点云缺失数据集,并用缺失数据集训练基于残差优化的煤壁点云补全网络模型。实验结果表明:与经典的FoldingNet,TopNet,AtlasNet,PCN,3D-Capsule点云补全网络模型相比,基于残差优化的煤壁点云补全网络模型针对构造的缺失煤壁点云和稀疏煤壁点云补全的倒角距离、地移距离及F1分数均能达到最优水平,整体补全效果最佳;针对实际缺失的煤壁点云,该模型能够实现有效补全。