一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法技术

本发明专利技术公开了一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，包括获取混凝土管道损伤三维点云数据集，数据处理及划分，构建PointNet++神经网络模型并训练，模型调参，模型测试和体积量化的步骤。本发明专利技术方法研发了适用于混凝土管道损伤检测与体积量化的PointNet++神经网络算法，基于深度相机采集的三维数据进行模型训练，提高方法的鲁棒性和泛化能力，采用参数化点云投影并进行配准，利用球旋转算法自动完成损伤三维重建及体积量化，提高了混凝土管道损伤的识别效率和准确度。度。度。

A damage identification and volume quantification method of concrete pipeline based on pointnet++ neural network

【技术实现步骤摘要】
一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法


[0001]本专利技术涉及管道损伤识别与体积量化
，具体涉及一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法。

技术介绍

[0002]城市排水系统是城市文明建设和人类健康生活的重要保障。因为它可以隔断污水与净水，从而提高卫生条件，延长人类寿命。随着经济增长和城市的不断扩大，我国排水管线总长度不断增长，随之而来，管道系统老化的问题越来越严重。由此，市政部门需要花费大量资金和资源来进行污水管线的维护工作，其中管道检测的目的在于及早的发现管道的缺陷，便于采取修护措施。
[0003]目前，管道检测的主要方法有声学测量、基于视觉系统测量、压力测量、探地雷达系统等，其中视觉检查系统已经广泛的应用于地下排水管道检测。闭路电视(CCTV)作为视觉检查系统的一种，通常会在机器人上安装闭路电视摄像机或变焦摄像机。在检查过程中，设备会沿着管道内壁前进，并将视频传送到外部的监视器中当遇到潜在损伤时，检测人员会调整摄像机的焦距，进一步对潜在损伤判断。与传统检测方法相比电视检测不需要人工进入管道进行探查，并且可以提供相较于激光探测和雷达测试更加简洁、明显的图像结果。但是，这种检测方式需要大量专业训练人员经过长时间的分辨和评估损伤，这样会耗费大量时间和资源。
[0004]近年来，使用三维信息进行结构健康分析成为新趋势，二维图像可以进行一些结构损伤检测如裂纹检测，三维信息的出现给予其他检测提供了思路，如根据结构损伤部位的三维信息推算出损伤部位的剥落体积，因此，亟需一种可以在不同位置和角度自动完成混凝土管道损伤体积检测的新的混凝土管道损伤体积自动检测方法。

技术实现思路

[0005]为解决现有技术中存在的问题，本专利技术提供了一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，将三维点云与深度学习相结合，采用PointNet++神经网络算法，基于深度相机采集的三维数据进行模型训练，提高方法的鲁棒性和泛化能力，采用参数化点云投影并进行配准，利用球旋转算法自动完成损伤三维重建及体积量化，解决了上述
技术介绍
中提到的问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，包括如下步骤：
[0007]S1、获取混凝土管道损伤三维点云数据集：采集混凝土管道损伤深度图像，并将其生成三维点云，得到三维点云数据集；
[0008]S2、数据处理及划分：将步骤S1得到的三维点云数据集进行分类标注，然后采用数据增强方法进行扩增，最后将数据集划分为训练集，验证集和测试集；
[0009]S3、构建PointNet++神经网络模型并训练：构建PointNet++神经网络模型并采用高斯初始化的方法对模型进行初始化，设置超参数，将训练集导入PointNet++神经网络模型，进行模型的训练；
[0010]S4、模型调参：按顺序调整超参数，将验证集数据导入到模型，对比不同超参数下模型的损失值及准确率的变化曲线，寻找最优超参数，得到最优PointNet++神经网络模型；
[0011]S5、模型测试：将测试集数据导入到最优PointNet++神经网络模型进行测试，输出各项数值评价指标，判断是否达到预期值；
[0012]S6、体积量化：分割损伤并根据管道表面参数对损伤点云投影，并与原损伤点云配准生成完整损伤点云，使用球旋转算法进行三维完整损伤点云边缘检测，完成混凝土管道三维曲面重建，对重建的损伤体积进行有效性检测，完成体积量化。
[0013]优选的，所述步骤S1中获取混凝土管道损伤三维点云数据集的具体步骤为：
[0014]S11、通过深度相机采集混凝土管道损伤深度图像，得到原始深度数据集；
[0015]S12、将数据集中的深度图像转化为分辨率是640
×
576像素的图像；
[0016]S13、使用matlab对深度相机内参进行标定，利用相机内参将深度数据转化为世界坐标下的三维点云，得到三维点云数据集。
[0017]优选的，所述步骤S2中的分类标注是采用CloudCompare标注程序来进行分类标注，并将其分类标注为正常或破损；
[0018]所述数据增强方法包括平移变换、尺度缩放、旋转变换、对称变换、拉伸变换或抖动变换；
[0019]所述的数据集划分具体是采用python分类程序将数据集按6：3：1的比例分为训练集，验证集和测试集。
[0020]优选的，所述步骤S3中的高斯初始化是从具有固定均值和标准差的高斯分布中获得权重值；所述的超参数为学习率，总迭代次数，三维点云数目和衰减率。
[0021]优选的，所述步骤S5中的各项数值评价指标包括精度，准确率和召回率。
[0022]优选的，所述的步骤S6的具体步骤为：
[0023]S61、利用训练完成的PointNet++神经网络分割混凝土管道损伤；
[0024]S62、损伤点云投影：进行损伤三维点云投影的曲面参数通过PointNet++分割的正常混凝土管道三维点云得出；
[0025]S63、投影点云与损伤点云配准后，使用球旋转算法进行三维完整损伤点云边缘检测，完成混凝土管道三维曲面重建，对重建的损伤体积进行有效性检测，完成体积量化。
[0026]优选的，所述步骤S63中投影点云与损伤点云配准所采用的配准方法为GICP算法。
[0027]优选的，所述步骤S63中有效性检测的指标为相对误差、平均相对误差值。
[0028]优选的，所述步骤S63中的球旋转算法通过控制球旋转半径检测点云的边缘点，完成曲面重建。
[0029]优选的，所述的相对误差值REV为真实体积与测试体积之差的绝对值与真实体积的比值,
[0030][0031]所述的平均相对误差值MRE为相对误差值的平均值,
[0032][0033]本专利技术的有益效果是：
[0034]1)本专利技术采用三维点云方式，可以直观表示损伤形状，给研究者提供一些更加直观的尺寸信息例如体积、面积信息，为接下来管道修复提供更具体信息；
[0035]2)本专利技术采用PointNet++神经网络模型，通过对大量混凝土管道损伤的学习，模型能够学习到更加鲁棒性的特征表达，从而增加了泛化能力，提高识别的准确度；
[0036]3)本专利技术采用PointNet++神经网络结合球旋转算法将混凝土管道损伤检测、分割、定量分析过程自动化，利用球旋转算法自动完成损伤三维重建及体积量化，提高混凝土管道损伤的识别效率。
附图说明
[0037]图1为本专利技术方法步骤流程图；
[0038]图2为本专利技术方法处理结果图，图2(a)是PointNet++分割后的损伤点云图，图2(b)是损伤投影与损伤配准后点云图，图2(c)是损伤体积量化结果图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本发本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，其特征在于，包括如下步骤：S1、获取混凝土管道损伤三维点云数据集：采集混凝土管道损伤深度图像，并将其生成三维点云，得到三维点云数据集；S2、数据处理及划分：将步骤S1得到的三维点云数据集进行分类标注，然后采用数据增强方法进行扩增，最后将数据集划分为训练集，验证集和测试集；S3、构建PointNet++神经网络模型并训练：构建PointNet++神经网络模型并采用高斯初始化的方法对模型进行初始化，设置超参数，将训练集导入PointNet++神经网络模型，进行模型的训练；S4、模型调参：按顺序调整超参数，将验证集数据导入到模型，对比不同超参数下模型的损失值及准确率的变化曲线，寻找最优超参数，得到最优PointNet++神经网络模型；S5、模型测试：将测试集数据导入到最优PointNet++神经网络模型进行测试，输出各项数值评价指标，判断是否达到预期值；S6、体积量化：分割损伤并根据管道表面参数对损伤点云投影，并与原损伤点云配准生成完整损伤点云，使用球旋转算法进行三维完整损伤点云边缘检测，完成混凝土管道三维曲面重建，对重建的损伤体积进行有效性检测，完成体积量化。2.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，其特征在于：所述步骤S1中获取混凝土管道损伤三维点云数据集的具体步骤为：S11、通过深度相机采集混凝土管道损伤深度图像，得到原始深度数据集；S12、将数据集中的深度图像转化为分辨率是640
×
576像素的图像；S13、使用matlab对深度相机内参进行标定，利用相机内参将深度数据转化为世界坐标下的三维点云，得到三维点云数据集。3.根据权利要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方法，其特征在于：所述步骤S2中的分类标注是采用CloudCompare标注程序来进行分类标注，并将其分类标注为正常或破损；所述数据增强方法包括平移变换、尺度缩放、旋转变换、对...

【专利技术属性】
技术研发人员：赵焱，郑成志，张昭君，钟汶均，方宏远，王念念，庞高兆，
申请(专利权)人：郑州大学，
类型：发明
国别省市：