基于MVSNet多视角立体深度学习的储罐在位体积测量方法研究

针对目前储罐在位体积测量需求大、移位测量困难的问题,该文提出一种基于MVSNet多视角立体深度学习的储罐在位体积测量方法。首先,提出面向在位储罐体积测量的MVSNet深度预测改进多视图立体视觉方法,结合基于增量式运动恢复结构的储罐显著特征稀疏重建与相机姿态计算技术、基于MVSNet深度学习深度预测技术,获得储罐体积测量关键结构的稠密三维点云;然后,提出基于立体几何拟合在位储罐体积测量方法,旋转储罐点云与地面配准,并基于法线信息双阈值约束点云拟合储罐圆形拓扑结构,实现储罐体积测量。在2种储罐上进行初步实验,结果表明:该文方法提取到的高质量储罐点云数量比经典COLMAP框架分别增加15.6%、13.2%,点云提取时间分别缩短34.7%、39.2%,满足储罐在位体积测量需求。

基于注意力机制的多视图三维重建

针对多视图三维重建的过程中,存在难以准确、完整重建的问题,提出了一种基于深度学习的自适应通道注意力三维重建方法,能够处理具有不同尺度及不同分辨率的图像数据。该方法通过卷积神经网络对图片进行特征提取,利用注意力机制优化三维代价体正则化过程,并对网络进行训练。在DTU数据集上的实验结果表明,此网络的三维重建结果在完整性(Comp)和整体质量(Overall)分别达到了0.379 mm、0.414 mm,高于传统方法和其他基于深度学习的方法,同时,点云模型的可视化结果也有了明显改善。此外,在BlendedMVS数据集上的实验结果表明,此网络的准确性(Acc)也较好。