隧道掌子面节理点云识别及微服务模块开发

快速识别岩体隧道掌子面不连续面的点云信息并解译其几何与力学参数是实现隧道远程诊断的重要基础。目前基于数码相片的三维点云识别严重依赖商业程序,本文基于计算机视觉开源框架,自主开发了隧道掌子面不连续面点云信息识别的微服务模块。该微服务模块基于Django框架封装,可灵活部署于任一具有微服务架构的隧道安全诊断平台中,根据用户在线输入的不同视角下隧道掌子面岩体相片,可自动识别三维点云并实现三维重构。该微服务模块已部署于同济大学基础设施智慧服务系统(iS3)中,点云识别结果与其他程序进行了对比,结果表明,该微服务模块能满足基本的三维重构功能要求,在点云识别速度方面具有优势,未来在计算精度方面仍存在提升空间。

一种快速变电站设备三维点云识别方法

针对变电站设备点云识别的问题,提出一种新的识别方法。首先,建立设备点云的局部坐标系,利用设备点云在空间中的对称性和分布密度,确定局部坐标系的x、y轴,该坐标系具有平移和旋转不变性,并且对噪声鲁棒。其次,结合变电站设备点云的形状和设备视图的差异,定义一种新的特征描述子,用于设备点云的描述和识别,并建立一个包含避雷器、断路器、隔离开关等54种电气设备的模板库,库中包含了每个模板设备的型号、编号以及模板设备的特征描述子信息。通过计算待识别的设备点云的特征描述子,将其和模板库中的特征描述子进行匹配,找到匹配误差最小的模板,完成对设备点云的识别。最后,在90个待识别设备点云上对本文算法和另外两种变电站点云识别算法进行验证,结果表明:本文算法可以达到90%的识别准确率,识别一个设备的平均时间为3.2 s,可以较好地平衡识别准确率和识别效率,并且当待识别点云中存在噪声和遮挡时,本文算法的识别准确率略高于另外两种算法,当待识别点云密度不均匀时,本文算法仍然能保持70%以上的识别准确率。

轻量级的三维点云识别方法

针对当前三维点云识别方法存在时间和空间复杂度较高的问题,提出一种轻量级的三维点云识别方法。使用最远点采样法从原始点云中获取采样点,在采样点处构建K近邻图来有效获取点云的局部结构信息,大幅度降低网络的计算复杂度;使用注意力机制突出局部区域不同K近邻点的重要性,达到增强局部结构特征的目的;利用分组卷积提取高层次的局部结构特征的同时减少卷积层的参数量。在保证较高的识别准确率的前提下减少全连接层的参数量。在ModelNet40数据集上的实验结果表明,该方法的识别准确率达到同等或更优水平,网络模型的参数量得到大幅度减少,训练时间和测试时间更短,同时保持较高的鲁棒性。

基于深度学习的抗噪声点云识别网络设计

为了提高点云识别网络的抗噪声能力,降低神经网络在空间模型运算中对处理器的压力,设计一款轻量且具备抗噪声能力的点云识别网络。新的网络通过引入点云库技术,在多层感知机输入数据前添加了随机采样模块和近邻统计高斯滤噪模块,有效滤除复杂点云场景中的离群点。通过优化多层感知模块与全连接模块层次结构,减少网络冗余参数。实验证明:在模型识别准确率维持在84.2%的同时,相较于7种同类型网络,本网络对数据中的随机噪声具有较强的鲁棒性,并具有更快的识别速度。

基于PSO-KNN的变电站设备三维点云识别方法研究

针对传统的三维重建方法因数据缺失而造成的精度差、效率低等问题,在三维激光扫描点云的基础上,提出了一种将粒子群优化算法和k-近邻分类算法相结合的变电站设备三维点云识别方法。通过粒子群优化算法对各子空间特征的系数权重进行优化,k-近邻分类算法完成分类。通过实验分析点云子空间的大小和丢失率对识别效果的影响,并与改进的迭代最近点算法进行比较,验证该方法的优越性和准确性。实验结果表明,该方法具有较好的识别准确率和效率,识别准确率达到95%以上,平均识别时间为0.19 s,具有一定的应用价值。

用于三维点云识别的双模块图卷积网络

针对三维点云识别的无序性且缺乏拓扑信息的问题。设计了一种双模块图卷积神经网络,能够同时学习点云的多尺度特征和残差特征,以提高三维(3D)点云的识别精度。在第一个模块中,利用基于修正余弦相似度的图卷积,以及不同的特征维度,提取点云的多尺度特征。在第二个模块中,利用多层网络间的跨层连接,以及固定尺度邻域图,提取点云残差特征。将两种特征融合,作为多层感知机的输入,经过池化层和全连接层网络,对点云进行分类。在公开数据集ModelNet40上的实验结果,证明了该算法的有效性。

基于注意力机制的高效点云识别方法

在点云识别中,将点云数据映射成二维图片或者还原成三维空间等方法具有计算量大、场景通用性差的缺点。为此,本文提出一种基于注意力机制的深度残差学习网络的方法。本文方法通过注意力机制获得点云中不同点的权重分布和关键点,直接利用点云数据进行高效地识别。通过实验对比了多种不同方法在ModelNet40等数据集上的识别能力。结果表明,与基于二维图片方法、基于三维空间的方法以及直接处理点云的方法相比,本文方法在保证高识别精度的同时,具有参数量小、计算量小、更高效等优点。

基于深度神经网络的点云识别算法研究

传统的点云识别网络通常是在点云上添加二维映射或3D体素网格的预处理,这种识别网络必须依靠高度结构化的输入数据格式,虽然也可以得到出色的识别效果,但这种方法会导致大量的储存器占用和处理时间过长,而且在光栅化过程中经常使用较低的分辨率,这使之不能担负起注重细节的识别任务。直接处理点云数据的PointNet、PointNet++以及KdNetworks应运而生,这些深度神经网络可以直接操作无序的点云对象,从而为以点云描述的空间物体识别研究开辟了方向。

一种基于零阶球谐函数的点云识别方法

本文方法运用基于零阶球谐函数来解决三维点云的识别问题.其核心在于利用最小二乘法将模型的原始坐标拟合成球谐函数正交基的扩展系数,并且将标量形式的计算过程改为以三个坐标轴方向分别推导的向量形式,目的在于使三维点云识别的过程不受原模型几何形状结构的影响.此识别方法具备平移旋转不变的特性,并且在计算过程中不需要预先对三维点云模型进行对齐操作,进一步缩短了识别时间,提高了运算效率.为解决三维点云识别的实时性问题提供了新方法.

基于点特征直方图的道路场景点云目标识别方法

点云目标识别在智慧交通系统中具有较高的应用价值。本文主要研究了基于点特征直方图的道路场景点云目标识别方法。首先,提取道路场景点云目标的点特征直方图特征;接着,使用K-means聚类方法对点特征直方图特征进行聚类,建立词袋模型,使不同点云目标的特征维数相同;最后,将词袋模型构造的码本输入支持向量机中进行训练,得到最优的分类识别模型,并对测试集的道路场景点云目标进行识别。在悉尼城市点云目标数据集上进行了实验,该方法的识别准确率达到了98.33%。实验结果表明,本文方法的识别效果较好。

基于Transformer的道路场景点云分类与分割方法

针对多目标识别过程中点云分类和分割精度不高的问题,提出了一种基于改进Transformer模型的点云分类与分割方法DRPT(Double randomness Point Transformer),该方法在Transformer模型卷积投影层创建新的点嵌入,利用局部邻域的动态处理在数据特征向量中持续增加全局特征属性,从而提高多目标识别中点云分类和分割的精度。实验中采用了标准基准数据集(ModelNet40、ShapeNet部分分割和SemanticKITTI场景语义分割数据集)以验证模型的性能,实验结果表明:DRPT模型的pIoU值为85.9%,比其他模型平均高出3.5%,有效提高了多目标识别检测时点云分类与分割精度,是对智能网联技术发展的有效支撑。

LSVSH描述符:高鉴别强鲁棒的点云局部特征统计直方图

三维局部特征描述是三维计算机视觉中的重要任务.现实场景中包含噪声、遮挡和杂波等干扰,使得准确和鲁棒的三维局部特征描述具有很大的挑战性.为提高特征描述的性能,提出一种局部曲面变化统计直方图(local sur-face variation based statistics histogram,LSVSH)描述符.首先设计一种不依赖于局部参考轴(local reference axis,LRA)的新属性(称为曲率属性),增强描述符对LRA误差的稳健性;然后沿径向剖分局部空间,在每个子空间中统计3个角度属性和1个曲率属性生成LSVSH描述符,实现对局部曲面信息的全面稳健描述.在B3R,U3M,U3OR和QuLD这4个数据集上进行大量的实验,结果表明,LSVSH在4个数据集上的RPC下面积(the area under the recall-precision curve,AUCpr)值分别为0.95,0.70,0.54和0.10,优于现有的局部特征描述符的性能;在U3M数据集上的正确配准率和在U3OR数据集上的正确识别率分别达到70%和100%,验证了LSVSH应用于物体配准和识别任务上的有效性.

基于混合路径聚合网络的点云目标识别

针对目前点云目标识别通常强调提取点云数据中的语义特征,但是忽视了原始点云中的定位特征的问题,提出一种基于混合路径聚合网络的点云目标识别方法。使用改进的坐标注意力模块增强数据集的点云定位特征,设计一种混合路径聚合的残差特征金字塔提取点云语义特征,将定位特征与语义特征融合。在KITTI数据集进行实验,可视化实验结果表明,该模型可以有效解决定位错误的问题,数据结果也表明该方法在KITTI点云数据集上的cyclist类别优于现有方法。

多预制构件点云数据分割与识别算法

预制混凝土构件因种类繁多、形状复杂,传统人工尺寸质量检测方法难以匹配其高效的生产效率,亟需一种高效的自动化预制构件尺寸质量检测方法。目前,三维激光扫描技术可对多个预制构件进行点云数据采集并通过数据处理实现无接触式测量,但预制构件点云的分割与识别均需人工处理。为此,本文提出一种从扫描数据中分割和识别预制构件点云数据的两阶段方法。在点云分割阶段,先利用RANSAC算法去除地面数据,再采用DBSCAN算法快速分割预制构件点云。在点云识别阶段,先采用三维快速凸包提取算法提取模型点云与扫描点云的特征并利用4PCS算法进行粗匹配,再利用ICP算法进行精匹配,通过比较扫描点云和模型点云的匹配度识别每个构件的类型,实验结果验证了分割识别算法的有效性和精度。

基于动态图特征的堆叠宽度学习三维物体识别网络

三维物体点云识别是智能机器人环境感知任务中的重要组成部分。提出一种基于动态图特征的堆叠宽度学习三维物体识别网络(DG-S-BLS),利用动态图卷积网络提取点云的高维特征,通过宽度学习系统(BLS)模型依据样本整体特征对点云分类,再通过基于BLS块间残差的堆叠宽度学习系统模型进一步提高分类精度。在Li DARNet户外点云数据集上的实验结果表明,DG-S-BLS的分类准确率可达99.5%。

基于移动机器人的树木识别与冠层信息测量

针对人工测量苗圃冠层参数费时费力,无法快速提取果树冠层参数的问题,提出一种基于环境点云识别算法的树木冠层信息提取方法。首先利用LiDAR-IMU紧耦合里程计进行点云矫正和特征点提取,在建图中使用旋转约束解决Z轴偏移问题,完成测量区域的环境重建;将点云地图传输至后台工作站后,使用欧式聚类和3D-FV-DNNs算法对树木点云进行分割与识别;最后在找到第一主枝后利用立方体素法实现冠层体积建模,采用二维栅格法提取冠层面积参数。试验表明:本文采用的建图算法能较高精度地重建完整果园环境,基于DNN深度学习分类器的苗圃识别方法获取的P-R曲线的Bet值比SVM与RF分类器所获取的数值高出0.064 1与0.099 9,此外树冠体积与面积的R^(2)与RMSE分别为0.746 77、0.697 8以及0.097 54、0.076 77。表明本文算法测得的冠层参数与人工测量值有强相关性,为果园精细化管理提供重要支撑。

多尺度注意力融合和抗噪声的轻量点云人脸识别模型

在低质量点云人脸数据集上,判别性特征的提取和模型对噪声的鲁棒性是解决点云人脸识别问题的关键。针对现有轻量点云人脸识别算法不能充分提取判别性特征和数据集中存在大量噪声而影响模型训练的问题,设计轻量高效的网络模型,提出了基于多尺度注意力融合和抗噪声的自适应损失函数的点云人脸识别算法。首先通过不同卷积模块获得不同感受野大小的特征图。然后进行多尺度的注意力特征提取,并使用高层的注意力权重来引导低层注意力权重的生成,最后进行通道融合得到多尺度融合的特征,提升了模型捕获人脸细节特征的能力。其次,根据低质量点云人脸图像的噪声信息特点,设计了一种新颖的抗噪声的自适应损失函数(anti-noise adaptiveloss),以应对数据集大量噪声对模型训练过程中可能造成的负面影响,提升模型的鲁棒性和泛化能力。在开源数据集Lock3DFace和本文提出的KinectFaces数据集上的实验结果表明,与当前的主流算法相比该算法模型在低质量点云人脸识别任务中具有更好的识别效果。

基于三维点云处理技术的工件识别和匹配

在自动分拣领域,机器视觉技术起到举足轻重的作用,本文采用一种基于三维点云处理技术的方法对工件进行识别和匹配,从而从生产线上的杂乱工件堆中分拣出目标工件。首先,利用激光传感器采集密集点云,得到识别区域的三维点云数据。其次,进行点云数据的去噪和过滤,对去噪后的点云计算法线向量,再进行体素格子下采样获得关键点,减少计算量。再次,对关键点计算法线方向的直方图特征描述子,从而获取目标点云和场景点云相关联的描述符,使用K近邻树状结构搜索算法,基于欧几里德距离找到相似的描述符,并添加到关联集中。再者,调用聚类算法,基于霍夫投票算法获得场景中的与目标点云匹配的局部点云集,然后使用点云匹配算法迭代最近点算法进行目标点云与锁定的局部点云集进行匹配。最后,为了减少错误率,使用全局假设验证算法过滤掉错误的点,并标定识别到的目标进行可视化输出。该方法相对于一般算法,实现对目标的高效匹配,提高了识别的时间和精度。

一种视点直方图特征优化的点云目标识别算法

为了提高点云目标识别算法的识别率、增强算法鲁棒性,研究了一种将颜色纹理的方向特征直方图(CSHOT)算法与视点特征直方图(VFH)算法相结合的点云目标识别算法(CSHOT-VFH)。利用VFH特征对点云目标进行识别,实现目标快速估测。在此基础上,进一步利用CSHOT特征进行精确识别。搭建了实验系统,分别对单物体场景、多物体场景及目标存在部分遮挡等情况进行了测试。测试结果表明:本文算法识别率达到了90%以上,在目标遮挡的两组实验中,本文算法比VFH算法的识别率提高了10%以上,能够满足室内场景目标检测的需求。

基于SSW点云数据的矢量地图平面精度自动校验方法

常规的矢量地图精度校验采用抽样与实地测量,外业工作量大,自动化程度低。针对这一问题,本文提出基于SSW激光点云数据的矢量地图平面精度自动校验方法。首先,使用车载激光扫描器获得道路两侧高精度点云数据,并对点云数据进行滤波、坐标转换和精度检验;其次,基于多特征识别算法,使用SWDY软件提取点云特征点线;最后,利用最近邻法搜索待检矢量图中的同类地物特征点线,并计算匹配点线对的中误差。以兴化城区为试验区,采用该方法检测该地区1∶1000比例尺的矢量地图平面精度,试验结果显示,成功匹配了点云数据205个地物特征中的201个,矢量地图的总体中误差为0.26 m,且能够发现待检测矢量地图中的采集丢漏与明显错误。本文方法可以减少现有检测方法的野外实测工作量,增加检测样本数量,降低检测过程中的人为干扰因素,有效提升检测的可靠性与检测效率。