激光雷达移动扫描的输电线路实例化分割研究

为实现输电线路的实时实例化分割测距,提出了一种基于激光雷达(LiDAR)移动扫描的输电线路点云分割方法。该方法首先设计滑动空间窗口的卡尔曼滤波策略实现动态点云配准,增强稀疏点云密度;然后构建了面向输电线路目标的三维点云语义分类神经网络模型,通过均匀化下采样和局部特征聚合提高对大尺寸空间目标的整体识别能力;最后应用俯视图投影并设计快速欧氏聚类算法,实现输电线路目标分割和测距。实验结果显示,该方法在LiDAR移动扫描的输电线路三维点云数据集上有94.7%的分类准确率和81.6%的平均交并比,验证了其具备对输电线路目标进行实时实例化分割和测距的能力。

基于数据增强与掩码学习的移动激光扫描点云分类方法

车载移动激光扫描(MLS)点云可以精确描述道路周围场景,其分类结果可为智能交通、数字孪生城市、高精地图及辅助驾驶等任务提供数据基础。为增强点云分类模型提取特征的表达能力,提高预测的鲁棒性,提出一个基于数据增强与掩码学习的MLS点云分类方法。所提方法主要由高程校准的Mix3D(EC-Mix3D)点云增强策略和掩码学习框架构成。其中,EC-Mix3D策略用于对训练数据进行高程校准的场景混合,扩充训练样本分布,提高模型预测的鲁棒性;掩码学习框架首先对输入点云施加随机块掩码操作获取掩码点云,然后对原始点云和掩码点云的预测进行标签监督学习、一致性约束及错误预测熵最大化,提高对点云特征的表达能力。采用公共MLS数据集(Toronto3D和Pairs数据集)进行方法验证。实验结果表明,所提方法可以对MLS点云进行有效分类,在两个测试数据集上分别获得了83.8%和68.74%的平均交并比,优于其他对比方法。

跨模态特征融合模板驱动的盾构隧道管片孔缝智能识别

基于点云的隧道数据处理方法已逐步替代人工用于盾构管片接缝识别中。但常规点云处理算法提取螺栓孔和接缝时会存在因附属设施遮挡造成错误识别的问题,导致目标识别精度降低。针对此问题,以广州2003年开通的某地铁线路某段地铁隧道数据为例,提出一种跨模态特征融合模板驱动的盾构隧道孔缝识别方法。首先将隧道断面点云的几何中心作为视点,以扫描测线为单元进行逐测线投影生成隧道二维图像;然后通过Canny边缘检测和Hough变换缓冲识别纵缝,对二维图像进行环片分割,并基于双模板匹配实现盾构环分类,依据环片模板进行螺栓孔和横缝的粗定位;最后利用螺栓孔点云DBSCAN聚类后的中心坐标对环片模板进行精校正,实现盾构隧道管片孔缝智能识别。研究结果表明:该方法在附属设施遮挡干扰等情况下能较好地实现孔缝精确识别。其中,设计的基于局部形态特征双模版驱动的盾构环片分类方法,可实现盾构环片的精确分类;设计的顾及盾构管片空间位置关系的孔缝识别方法,可有效提升孔缝识别精度。在识别率与耗时相近的情况下,本方法比同类方法识别精度更高,平均偏差更少,具有更好的准确性和鲁棒性。该方法将盾构隧道三维点云和二维点云投影图像进行数据特征融合的同时,能够顾及局部形态特征凭借双模板实现盾构环片的精确分类以及依据盾构管片的空间位置关系进一步提高孔缝识别精度。研究结果为进一步自动化精准识别盾构隧道接缝和螺栓孔目标信息提供参考。