三维点云与图像双模态融合的空间目标部件识别方法

针对二维图像目标识别准确率高但缺乏空间位置信息,三维点云几何信息精确但无语义信息的特点,为结合不同维度数据的优势,提出一种三维点云与二维图像双模态融合的空间目标部件识别方法。首先基于DeepLabv3+网络进行图像目标分割,并对分割目标进行语义标记;其次,提出一种最近邻查找方法降低重建位姿误差带来的三维点云与二维目标映射过程中的语义信息缺失,实现三维点云与二维图像目标间的准确语义关联;最后,利用全连接条件随机场对具备语义信息的三维点云识别结果进行优化,得到更加精细的点云语义标签,融合多视角数据得到最终点云部件识别结果。仿真结果表明相较于传统聚类分割方法,本文方法可以有效地识别出空间目标的各部件,总体识别精度优于95%。

结合深度学习和NCFS算法的堆石料粒度分布智能检测方法

针对目前堆石坝施工过程中人工筛分试验无法实现爆堆料物粒度快速检测以及现有粒度检测模型准确度低、泛化能力差等问题,提出了一种基于深度学习模型与邻域分量特征(Neighborhood Component Feature Selec⁃tion,NCFS)算法相结合的堆石坝料物粒度数字筛分检测方法,该方法可以通过拍摄料堆图像快速检测料堆粒度分布。为了提高深度学习模型的精确度,提出将基于迁移学习的Deeplabv3+模型和稠密条件随机场算法(Dense⁃CRF)结合用于图像训练学习和优化;在料堆二维特征到三维粒度分布转换方面,提出基于NCFS算法的块石二维平面参数对三维粒度的表征公式,并采用MATLAB语言编制了相应的软件加以实现。句容抽水蓄能电站工程现场爆破料堆图像采集和筛分试验分析的结果表明:所提方法是可行的,且相比其他方法,在特征提取以及粒度检测精度上均有所提高。