基于因果推理的隧道点云多目标分割集成方法及系统技术方案

本发明专利技术公开了一种基于因果推理的隧道点云多目标分割集成方法及系统，方法包括：采集隧道的点云数据并基于圆投影算法转化为二维点图；基于二维点图和二维Unet模型提取点云数据的全局特征，基于二维点图和边缘卷积提取点云数据的局部特征；基于因果推理模型对隧道的点云数据进行数据增强；分别根据全局特征和局部特征数据增强后的隧道的点云数据进行分类，基于改进的D

【技术实现步骤摘要】
基于因果推理的隧道点云多目标分割集成方法及系统


[0001]本专利技术属于盾构施工三维点云多目标探测识别
，更具体地，涉及一种基于因果推理的隧道点云多目标分割集成方法及系统。

技术介绍

[0002]地铁隧道作为地铁运营的重要支撑，其安全性受到外部环境和内部因素的影响，如行车振动、土体压力、地质条件、老化过程等。如果不及时检查并采取维护措施，隧道劣化可能会加剧，从而影响地铁的正常运营，特别是劣化产生的渗水会逐渐演变，从而影响隧道结构的性能，最终可能导致局部或全局坍塌，危及地铁的安全运营，这是隧道运营管理中普遍存在的问题。当前的一种传统的解决办法是采用人工进行隧道检查，这种方法虽然有效，但效率低、耗时、劳动强度大，无法适应与大型隧道。因此，开发先进的方法具有重要的意义和优先性。
[0003]当前，基于图像和点云的方法都被提出用于隧道监测。这些方法无疑提高了隧道勘察的有效性和效率。然而，图像所收集信息受到视野的限制，这些图像无法充分覆盖整个隧道，其中二维(2D)图像的性质很难代表现实世界中的三维(3D)物体。此外，隧道内光照条件较弱，可能会导致采集到的图像质量较差，从而导致评判结果相差甚远。而点云的采集是通过三维激光扫描获得的，不需要额外的光照，因此能够提供三维场景描述，也具有应用于隧道内黑暗环境的能力。三维点云能够提供详细的空间和属性信息，用于精确和细粒度的对象描述，比视觉图像更适合隧道对象表示。基于点云的方法直接在三维点云上工作，性能较好，但在时间效率和精度方面仍然需要进一步的优化。同时三维点云具有非结构化和不规则性，会干扰模型的特征学习，从而对有效的结果分析造成严重阻碍。总的来说，上述研究大多在特定场景下取得了良好的效果，提高了模型的性能，丰富了领域知识库，促进了行业的发展。这些研究主要基于特征工程，加强特征提取，不断改进模型，提出新的模型，有效的特征提取可以使模型捕获和学习特征，从而提高性能。
[0004]因果干涉法打破了不同类之间的虚假联系，使模型学习独立解耦的目标特征。因果干预方法可以实现高效的图像泛化特征提取，但因果干预在减少背景干扰和特征耦合方面的作用尚未充分应用于基于点云的分割任务中，且大多数相关工作都集中在增强模型在基于图像的任务上的性能。
[0005]为了克服有效的点特征提取问题，提高分割精度，本专利技术开发了一种集成隧道分割模型，提出了一种基于投影点分割和基于点分割的集成框架，设计了一种能够有效高效地分割大尺度三维隧道点云中包括渗流在内的各种目标的集成分割模型。

技术实现思路

[0006]针对现有技术的以上缺陷或改进需求，本专利技术提供一种基于因果推理的隧道点云多目标分割集成方法及系统，针对有效迅速的解决三维点云语义分割问题，提出了一种基于点投影和动态图卷积神经网络的集成方法，对输入点云进行处理，并进行良好的语义推
理，从而进行高精度快速的进行渗流类别的识别确定。
[0007]为实现上述目的，按照本专利技术的一方面，提供一种基于因果推理的隧道点云多目标分割集成方法，包括：
[0008]采集隧道的点云数据并基于圆投影算法转化为二维点图；
[0009]基于二维点图和二维Unet模型提取点云数据的全局特征，基于二维点图和边缘卷积提取点云数据的局部特征；
[0010]基于因果推理模型对隧道的点云数据进行数据增强；
[0011]分别根据全局特征和局部特征数据增强后的隧道的点云数据进行分类，基于改进的D
‑
S基于证据的特征融合方法对分类结果进行特征融合。
[0012]进一步地，所述采集隧道的点云数据并基于圆投影算法转化为二维点图，包括：
[0013]根据第一坐标变换矩阵将隧道的点云数据从球面坐标空间变换到笛卡尔坐标空间；
[0014]将笛卡尔坐标空间中隧道的点云数据的向量进行排序并按照梯度区间进行分组，将隧道每一小段的横截面分成一组；
[0015]根据最小二乘圆拟合算法确定截面中心，根据截面中心和第二坐标变换矩阵对分组后的点云数据进行投影变换得到二维点图。
[0016]进一步地，所述第一坐标变换矩阵包括：
[0017][0018]其中，x、y、z表示点云数据中每个点的三维坐标，R、α、β分别为采集的隧道的点云数据的半径、高程和方位角。
[0019]进一步地，所述根据最小二乘圆拟合算法确定截面中心，根据截面中心和第二坐标变换矩阵对分组后的点云数据进行投影变换得到二维点图，包括：
[0020]基于最小二乘圆拟合算法确定截面中心(x
c
，z
c
)；
[0021]基于截面中心和第二坐标变换矩阵将点云数据由笛卡尔坐标空间转换到极坐标，并确定极坐标下点云数据的坐标。
[0022]进一步地，所述基于二维点图和边缘卷积提取点云的局部特征，包括：
[0023]从二维点图中选取一个大小为N
×
N的矩形区域，对矩形区域内的点进行分组；
[0024]基于KNN算法获取矩形区域内每个点的k个最近点，得到k
‑
edge向量；
[0025]基于1
×
1卷积层从k
‑
edge向量中提取特征，得到k个特征；
[0026]基于最大池化操作将k个特征整合为一个特征，得到局部特征。
[0027]进一步地，基于因果推理模型对隧道的点云数据进行数据增强，包括：
[0028]构建因果结构模型；
[0029]基于因果结构模型和隧道的点云数据，构建点云对应的因果结构图；
[0030]构建非线性转换器作为干预算子，基于隧道的点云数据、干预算子和因果结构图增强隧道的点云数据。
[0031]进一步地，所述干预算子，包括：
[0032]Φ(x)＝Φ
I
(x)+Φ
P
(x)
[0033]其中，Φ
I
(x)和Φ
P
(x)是两个非线性转换器，Φ
I
(x)是一个浅卷积网络，包括两个
卷积层和一个Leaky ReLU层，用于为每个点的强度产生各种转换函数；Φ
P
(x)是应用于笛卡儿坐标的随机向量。
[0034]进一步地，基于改进的D
‑
S基于证据的特征融合方法对分类结果进行特征融合，包括：
[0035]确定各分类结果的证据，并将证据汇总为证据集；
[0036]根据证据和证据集确定证据冲突度，根据证据冲突度确定证据信任因子，根据证据信任因子确定证据权重；
[0037]根据证据和证据权重进行特征融合。
[0038]进一步地，所述基于改进的D
‑
S基于证据的特征融合方法对分类结果进行特征融合，还包括：根据交并比、召回率、精度和F1分数对特征融合后的分类结果进行评估。
[0039]按照本专利技术的第二方面，提供一种基于因果推理的隧道点云多目标分割集成系统，包括本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于因果推理的隧道点云多目标分割集成方法，其特征在于，包括：采集隧道的点云数据并基于圆投影算法转化为二维点图；基于二维点图和二维Unet模型提取点云数据的全局特征，基于二维点图和边缘卷积提取点云数据的局部特征；基于因果推理模型对隧道的点云数据进行数据增强；分别根据全局特征和局部特征数据增强后的隧道的点云数据进行分类，基于改进的D
‑
S基于证据的特征融合方法对分类结果进行特征融合。2.根据权利要求1所述的一种基于因果推理的隧道点云多目标分割集成方法，其特征在于，所述采集隧道的点云数据并基于圆投影算法转化为二维点图，包括：根据第一坐标变换矩阵将隧道的点云数据从球面坐标空间变换到笛卡尔坐标空间；将笛卡尔坐标空间中隧道的点云数据的向量进行排序并按照梯度区间进行分组，将隧道每一小段的横截面分成一组；根据最小二乘圆拟合算法确定截面中心，根据截面中心和第二坐标变换矩阵对分组后的点云数据进行投影变换得到二维点图。3.根据权利要求1所述的一种基于因果推理的隧道点云多目标分割集成方法，其特征在于，所述第一坐标变换矩阵包括：其中，x、y、z表示点云数据中每个点的三维坐标，R、α、β分别为采集的隧道的点云数据的半径、高程和方位角。4.根据权利要求1所述的一种基于因果推理的隧道点云多目标分割集成方法，其特征在于，所述根据最小二乘圆拟合算法确定截面中心，根据截面中心和第二坐标变换矩阵对分组后的点云数据进行投影变换得到二维点图，包括：基于最小二乘圆拟合算法确定截面中心(x
c
，z
c
)；基于截面中心和第二坐标变换矩阵将点云数据由笛卡尔坐标空间转换到极坐标，并确定极坐标下点云数据的坐标。5.根据权利要求1所述的一种基于因果推理的隧道点云多目标分割集成方法，其特征在于，所述基于二维点图和边缘卷积提取点云的局部特征，包括：从二维点图中选取一个大小为N
×
N的矩形区域，对矩形区域内的点进行分组；基于KNN算法获取矩形区域内每个点的k个最近点，得到k
‑
edge向量；基于1
×
1卷积层从k
‑
edge向量中提取特征，得到k个特征；基于最大池化操作将k个特征...

【专利技术属性】
技术研发人员：张立茂，张兆祥，黄锦庭，王迦淇，李永胜，王堃宇，邬毛志，吴贤国，刘琼，郭靖，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：