【技术实现步骤摘要】
本专利技术涉及盾构隧道工程领域，特别涉及一种基于点云特征深度学习的盾构隧道单环点云分割方法。
技术介绍
1、在地下空间开发利用的发展浪潮中，盾构隧道由于其技术和经济上的优势得以大量修建。盾构隧道通常作用地铁和管廊等共用基础设施修建于人口密集的城市中，其结构安全和性能状态对于城市治理和社会功能保障具有重要意义。盾构隧道结构是一种装配式结构，盾构管片通过螺栓等连接件连接成环，同时环与环之间也通过螺栓连接起来，形成隧道。每环盾构衬砌由一定数量的盾构管片组成，形成隧道中承受隧道横向荷载的单元，其空间位置及变形能够反映结构安全和性能状态。
2、由于盾构隧道不存在关键构件的结构特性，各个管片和接头都可能产生变形，变形的全域普测存在困难。采用三维激光扫描、lidar和摄影测量等技术可快速获取海量盾构隧道点云，通过解析点云中包含的信息，进行每环盾构隧道空间位置及变形的测量，为盾构隧道安全和性能状态评估分析提供依据。
3、但是，采集到的点云数据中不包含语义信息，难以直接获得各个管片和接头的变形信息及开展各种分析。采取智能方法对盾构隧道点云进行分割，给单环点云提供逐点的语义信息，是基于点云开展盾构隧道结构测量的发展方向和关键技术。
4、目前盾构隧道单环点云分割主要有以下方法：
5、cn108225184a提出了一种盾构隧道三维激光扫描点云数据除噪的方法，包括步骤：读取扫描点云数据；建立笛卡尔直角坐标系，扫描点象限分区；提取扫描点云数据；依据盾构隧道结构特征及三维激光扫描仪的扫描特征，基于不同象限于x值
6、cn114109410a提出了一种盾构隧道管片错台量和张开量的测量方法及装置，其中涉及点云分割的步骤包括：基于盾构隧道的中轴线获取盾构隧道目标环的三维展开点云数据；基于盾构隧道目标环的三维展开点云数据，获取目标环内管片拼装位置的边界点云数据。
7、cn114370828a提出了一种基于激光扫描的盾构隧道直径收敛和径向错台检测方法，其中涉及点云分割的步骤包括：将三维点云数据映射为二维灰度影像，并对所述二维灰度影像进行增强；对增强后的灰度影像进行特征检测，从中分离出呈线段特征的管片缝隙。
8、以上这些方法的为不足之处在于：一般由多个特征提取部件组成，需要通过人为设计来进行单环盾构隧道管片的分割，通常涉及点云旋转、展开和拟合等过程，每个部件产生的错误会在方法流程中传递，降低了方法的准确性；同时，难以兼顾不同的分割任务，自动化程度较低。此外，非端到端的算法涉及带来了精度优化上的困难。
9、这是本申请需要着重改善的地方。
技术实现思路
1、本专利技术所要解决的技术问题是要提供一种基于点云特征深度学习的盾构隧道单环点云分割方法，实现盾构隧道单环空间信息和变形的自动化提取，增加分割任务的准确性。
2、为了解决以上的技术问题，本专利技术提供了一种基于点云特征深度学习的盾构隧道单环点云分割方法，通过含有标注信息的盾构隧道单环点云数据进行点云特征深度学习模型训练，采用训练得到的点云特征深度学习模型实现盾构隧道单环点云的智能分割，输入点云为盾构隧道单环原始点云，输出点云为包含语义信息的盾构隧道单环点云，应用于盾构隧道单环点云的噪声分割任务和管片分割任务，包括如下的步骤：
3、步骤s1，确定盾构隧道单环点云深度学习任务，任务类型包括：
4、任务类型一为单环点云噪声分割，是将点云中所有的点分为两类，即，管片形成的点云、除管片外其他所有物体形成的点云；
5、任务类型二为单环点云管片分割，是将点云中所有点分为n类，即，各个管片形成的点云，n为每环盾构所包含的管片数量；
6、任务类型三为单环点云整体分割，为任务类型一和任务类型二的结合，是将点云中所有点分为n+1类，即，各个管片形成的点云、除管片外其他所有物体形成的点云。
7、步骤s2，根据盾构隧道单环点云深度学习任务，进行用于模型训练的盾构隧道单环点云数据标注，制作单环点云数据集；
8、其中：点云中的点所表示对象为单环盾构隧道本身或内部物体；
9、对应任务类型一和任务类型三，点云中包含管片形成的点云和除管片外其它所有物体形成的点云；
10、对应任务类型二，点云中包含管片形成的点云；
11、每个单环点云包含点的数量为m，点云中的每个点维度相同，至少3个坐标维度，即空间坐标信息x、y、z；每个点具有c个特征维度，包括：法向量信息nx、ny、nz，具有颜色信息r、g、b，具有反射强度信息i，所有维度值均归一化处理为区间[0,1]中的实数；
12、步骤s21，通过k维向量对盾构隧道单环点云中的每个点进行标注，每个分割类别与向量唯一对应；
13、优选地，针对任务类型一，以1维向量对点云进行标注，管片形成的点云标注为1，除管片外其他所有物体形成的点云标注为0；
14、优选地，针对任务类型二和任务类型三，以2维向量对点云进行标注，以封顶块作为第1块管片，按照逆时针或者顺时针递增进行编号，第1块管片所形成的点云标注为(cos(a),sin(a))，第j块（j=2,3,…,n）管片所形成的点云标注为(cos(a+bj),sin(a+bj))，其中：a为任意角度值，bj为第一块管片中心沿管片圆心按编号方向旋转到第j块管片中心所需要的角度；
15、步骤s22，在人工标注数据的基础上进行整体旋转或部分旋转，以实现数据增广；
16、整体旋转时，通过对点云中所有点的空间坐标信息x、y、z和可选的法向量信息nx、ny、nz进行旋转变换，得到新的点云加入数据集中；
17、局部旋转时，通过对点云中某个或多个类别对应点的空间坐标信息x、y、z和可选的法向量信息nx、ny、nz进行旋转变换，得到新的点云加入数据集中。
18、步骤s3，将含有标注信息的盾构隧道单环点云数据输入深度学习网络进行模型训练，构建分割任务模型；
19、步骤s31，深度学习网络为端到端模型，从输入端到输出端得到的预测结果误差将用于模型每一层的调整，直到模型收敛或达到预期效果才结束训练。网络的输入是形状为(n,3+c)的张量，网络的输出是形状为(n,k)的张量，其中：n是输入网络中的点的数量，c是除坐标外的输入通道数量，k是预测结果通道数量；
20、步骤s32，每环盾构隧道点云数据中包含点的数量m大于或等于n，当m大于n时，输入网络训练前需要对点云进行下采样，下采样次数为m/n的整数部分，每次下采样完成后在原始点云中去除包含在下采样中的点。
21、步骤s4，利用构建的点云特征深度学习模型对需进行分割的盾构隧道单环点云进行计算；
<本文档来自技高网...【技术保护点】
1.一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：通过含有标注信息的盾构隧道单环点云数据进行点云特征深度学习模型训练，采用训练得到的点云特征深度学习模型实现盾构隧道单环点云的智能分割，输入点云为盾构隧道单环原始点云，输出点云为包含语义信息的盾构隧道单环点云，应用于盾构隧道单环点云的噪声分割任务和管片分割任务。
2.根据权利要求1所述的一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：包括以下步骤：
3.根据权利要求2所述的一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：所述步骤S2包括如下的步骤：
4.根据权利要求2所述的一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：所述步骤S3包括如下的步骤：
5.根据权利要求2所述的一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：所述步骤S4包括如下的步骤：
6.一种计算机系统，包括存储器、处理器及存储在存储器上的计算机程序，其特征在于：所述处理器执行所述计算机程序以实现权利要求1-5中任一项所述盾构隧
...【技术特征摘要】
1.一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：通过含有标注信息的盾构隧道单环点云数据进行点云特征深度学习模型训练，采用训练得到的点云特征深度学习模型实现盾构隧道单环点云的智能分割，输入点云为盾构隧道单环原始点云，输出点云为包含语义信息的盾构隧道单环点云，应用于盾构隧道单环点云的噪声分割任务和管片分割任务。
2.根据权利要求1所述的一种基于点云特征深度学习的盾构隧道单环点云分割方法，其特征在于：包括以下步骤：
3.根据权利要求2所述的一种基于点云特征深度学习的盾...
【专利技术属性】
技术研发人员：牛刚，秦宝军，周志广，肖中林，杨庆，孙斌，邓魏彬，王亮，马俊雨，林威，周彪，谢雄耀，
申请(专利权)人：中交海峡建设投资发展有限公司，
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。