【技术实现步骤摘要】
本专利技术涉及桥梁点云分割，尤其涉及融合深度学习和启发式方法的两阶段桥梁点云分割方法。
技术介绍
1、现有的点云分割方法一般可以分为自上而下、自下而上、深度学习三种方法。其中，自下而上在桥梁点云分割过程中有较大局限性，而自上而下方法通常是启发式方法，即通过对桥梁几何结构和拓扑约束等信息的总结和分步利用来分割构件，这种对先验知识的需求意味着不同桥梁需要不同的方法，导致实际中需要付出大量的迭代成本。
2、而不同种桥梁可以采用同一种深度学习方法进行分割，但是在桥梁领域中，点云数据集不足的情况较为严重，不同于图像数据集，点云数据的收集难度更大且环境更恶劣。实际中，点云数据集通常是通过先建bim模型再生成点云数据集的模式制作，这些工作中存在两个问题：1)批量建模意味着牺牲桥梁的几何结构，精细建模意味着难以批量的制作数据集，而缺少数据集和数据集不够精细都会影响分割结果，因此深度学习的分割精度是有限的；2)以纯合成数据集作为训练数据得到的分割效果终归是有上限，且鲁棒性不足，最终容易造成点云发生大规模归类错误的情况，不易直接用于3d重建工作。
技术实现思路
1、本专利技术提供一种融合深度学习和启发式方法的两阶段桥梁点云分割方法，以克服现有点云分割方法容易造成点云发生大规模归类错误的情况，不易直接用于3d重建工作的技术问题。
2、为了实现上述目的，本专利技术的技术方案是：
3、一种融合深度学习和启发式方法的两阶段桥梁点云分割方法，具体步骤包括：
4、s
5、s2：构建深度学习网络模型，并基于所述桥梁点云虚拟数据集对所述深度学习网络模型进行训练，得到训练后的深度学习网络模型；
6、s3：获取真实点云数据集，并基于训练后的深度学习网络模型对所述真实点云数据集进行第一次粗略分割，得到第一次分割后的点云模型；
7、s4：采用改进的启发式方法对第一次分割后的点云模型进行第二次分割，从而得到最终的桥梁点云模型。
8、进一步地，s1中，基于shapenet结构建立桥梁点云虚拟数据集的具体步骤包括：
9、s11：获取桥梁构件数据，并基于所述桥梁构件数据建立桥梁实体模型：
10、s12：通过点云处理软件对桥梁实体模型进行点云处理，得到点云模型，并按照桥梁构件种类为所述点云模型赋予标签，得到带标签的点云模型；
11、s13：对带标签的点云模型进行调整，最终得到桥梁点云虚拟数据集。
12、进一步地，s11中，获取桥梁构件数据，并基于所述桥梁构件数据建立桥梁实体模型的过程为：
13、s111：获取n个不同种类的桥梁构件数据，每个桥梁构件数据包括桥梁构件的尺寸数据和相对位置数据；
14、s112：通过dynamo将所述桥梁构件数据转换为revit能够识别的数据，通过revit制作自适应族，然后将经dynamo转换后的revit能够识别的数据输入所述自适应族，并通过revit批量制作得到桥梁实体模型，并将桥梁实体模型以.fbx格式导出以获得.fbx文件。
15、进一步地，s12中，通过点云处理软件对桥梁实体模型进行点云处理，得到点云模型，并按照桥梁构件种类给所述点云模型赋予标签，得到带标签的点云模型的过程为：
16、s121：读取.fbx文件，按比例调整所述桥梁实体模型的大小，然后基于桥梁实体模型按照设定的密度ρ生成点云模型以及法线；
17、s122：将s121生成的点云模型按照桥梁构件种类进行分类，并将同种构件的点云合并，得到n组点云；
18、s123：按照桥梁构件种类给所述n组点云赋予对应的标签，得到带标签的n组点云；
19、s124：将带标签的n组点云合并得到带标签的点云模型，并将其输出为txt文件，所述txt文件存储有带标签的点云模型中的点的x轴坐标、y轴坐标和z轴坐标，以及带标签的点云模型的法线信息。
20、进一步地，s13中，通过python调整所述带标签的点云模型的格式，得到桥梁点云虚拟数据集，具体包括在python软件中进行如下步骤：
21、s131：删除带标签的点云模型中桥梁构件重合处的点云，并移除梁两端的点云；
22、s132：分别绕空间坐标系中的y轴和z轴旋转经s131处理后的点云模型，使处理后的点云模型能够产生纵坡且朝向随机；
23、s133：删除上述s132步骤中处理后的点云模型中因数据随机所产生的不符合现行规范的数据；
24、s134：基于shapenet结构自动分配经过s133处理的数据，得到桥梁点云虚拟数据集。
25、进一步地，s2中，所述深度学习网络模型为pointnet++网络模型；
26、基于桥梁点云虚拟数据集对所述pointnet++网络模型进行训练，并将法线作为训练参数；设定训练轮数，当macc和miou停止增长，则停止训练，得到训练后的pointnet++网络模型；
27、进一步地，s4中，采用改进的启发式方法对第一次分割后的点云模型进行第二次分割，得到最终的桥梁点云模型的具体步骤包括：
28、s41：对第一次分割后的点云模型进行主成分分析pca处理，使第一次分割后的点云模型平行于空间坐标系中的x轴，并得到第一次分割后的点云模型所移动的位移x1和旋转角度β1；
29、s42：若s41处理后的点云模型包括横隔板和系梁这两种位置特殊的特殊构件，则从s41处理后的点云模型中分离出特殊构件的点；
30、将分离出特殊构件的点的点云模型沿x轴切为p个切片，且切片厚度相同，得到切片集合s＝{si:i＝1,2,…,p}，利用每个切片si的高度将切片分为含桥墩组切片αp和不含桥墩组切片αd两类，即：
31、
32、h＝|max{zi|s}-min{zi|s}|
33、式中，f(si)是分段函数，h是全桥点云最高点和最低点的高差，ρ是一个常量，作为区分两类切片的判别参数；zi是第i个点的z轴坐标；
34、s43：对含桥墩组切片αp的旋转角度进行迭代得到最佳旋转角度，过程为：
35、将含桥墩组切片αp按照设定的多个旋转角度分别绕空间坐标系中的x轴和y轴旋转，然后投影至yz平面，根据旋转角度分别作出z轴的点云密度直方图，即将含桥墩组切片αp的点的z坐标作为横坐标，将沿z轴单位区域内点云的数量作为纵坐标作出点云密度直方图；
36、通过迭代旋转角度得出最大的标准差，即得到了含桥墩组切片αp绕x轴的最佳旋转角度β2和绕y轴的最佳旋转角度β3，并将含桥墩组切片αp和不含桥墩组切片αd均绕x轴和y轴按照最佳旋转角度旋转；
37、对于分离出的特殊构件的点的旋转角度进行迭代得到最佳旋转角度，过程为：将分离出的特殊构件的点按照设定的新的旋转角度分别绕空间坐标系中的x轴和y本文档来自技高网...
【技术保护点】
1.一种融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S1中，基于ShapeNet结构建立桥梁点云虚拟数据集的具体步骤包括：
3.根据权利要求2所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S11中，获取桥梁构件数据，并基于所述桥梁构件数据建立桥梁实体模型的过程为：
4.根据权利要求3所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S12中，通过点云处理软件对桥梁实体模型进行点云处理，得到点云模型，并按照桥梁构件种类给所述点云模型赋予标签，得到带标签的点云模型的过程为：
5.根据权利要求4所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S13中，通过Python调整所述带标签的点云模型的格式，得到桥梁点云虚拟数据集，具体包括在Python软件中进行如下步骤：
6.根据权利要求5所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，
7.根据权利要求6所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S4中，采用改进的启发式方法对第一次分割后的点云模型进行第二次分割，得到最终的桥梁点云模型的具体步骤包括：
8.根据权利要求7所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，S131中，删除带标签的点云模型中桥梁构件重合处的点云的过程为：
...【技术特征摘要】
1.一种融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，具体步骤包括：
2.根据权利要求1所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，s1中，基于shapenet结构建立桥梁点云虚拟数据集的具体步骤包括：
3.根据权利要求2所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，s11中，获取桥梁构件数据，并基于所述桥梁构件数据建立桥梁实体模型的过程为：
4.根据权利要求3所述的融合深度学习和启发式方法的两阶段桥梁点云分割方法，其特征在于，s12中，通过点云处理软件对桥梁实体模型进行点云处理，得到点云模型，并按照桥梁构件种类给所述点云模型赋予标签，得到带标签的点云模型的过程为：
5.根据权利要求4所述的融合...
【专利技术属性】
技术研发人员：张田，陈昊男，刘元柱，周志慧，于俊晖，
申请(专利权)人：大连海事大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。