【技术实现步骤摘要】
一种基于手持Lidar的公路铁路数字信息建模方法
[0001]本专利技术属于公路
/
铁路
BIM
建模及安全运营领域,特别是涉及一种基于手持
Lidar
的公路铁路数字信息建模方法
。
技术介绍
[0002]当前,随着公路
/
铁路建设和维护的不断发展,对公路
/
铁路环境的高效建模和安全运营管理需求日益增加
。
传统的手工建模方法存在工作量大
、
效率低
、
准确性不高等问题,亟需一种高效
、
精确的公路
/
铁路
BIM(Building Information Modeling)
建模方法来提升公路
/
铁路建模的质量和效率
。
[0003]然而,在实际的运营过程中,由于公路
/
铁路环境具有范围广
、
里程长
、
结构多
、
环境复杂等特点,公路
/
铁路的走向
、
接触网
、
砟道等状况的变化规律不同,无法使用一通用的方法建立特定的公路
/
铁路场景的
BIM
模型,并且也难以使用传统的测绘方法获取这类海量数据,给公路
/
铁路的安全和正常运营带来及极大困难
。
因此,依据真实信息建立的公路
/
铁路r/>BIM
模型,对于保障公路
/
铁路的运营安全
、
延长路基使用寿命具有重要的意义
。
技术实现思路
[0004]本专利技术的目的是提供一种基于手持
Lidar
的公路铁路数字信息建模方法,以解决上述现有技术存在的问题
。
[0005]为实现上述目的,本专利技术提供了一种基于手持
Lidar
的公路铁路数字信息建模方法,包括以下步骤:
[0006]基于手持
Lidar
扫描仪在工程现场获取原始数据,基于自适应算法对所述原始数据进行预处理,获取点云数据;
[0007]对所述点云数据进行地面数据分割,获取非地面数据;
[0008]基于深度学习构建语义分割网络,对所述非地面数据进行结构预分类,获取预分类钢轨;
[0009]对所述预分类钢轨进行精细化处理,获取钢轨点数据;
[0010]基于所述点云数据
、
非地面数据
、
钢轨点数据对所述语义分割网络进行训练,获取深度学习模型,基于所述深度学习模型进行钢轨点数据自动化提取;
[0011]基于最小二乘法对所述钢轨点数据进行公路铁路线的走向拟合参数化提取,获取参数化线路数据;
[0012]根据线路标准路基及标准钢轨的断面信息绘制模型断面信息;
[0013]基于所述参数化线路数据与所述模型断面信息构建公路铁路数字信息模型
。
[0014]可选地,基于自适应算法对所述原始数据进行预处理的过程包括:
[0015]基于统计滤波法对所述原始数据进行数据组织形式判识;
[0016]基于高斯滤波进行结构表面恢复;
[0017]基于半径滤波进行数据状态判识以及噪声去除
。
[0018]可选地,基于统计滤波法对所述原始数据进行数据组织形式判识的过程包括:
[0019]基于统计滤波法对所述原始数据构建
KD
‑
Tree
值,计算所述
KD
‑
Tree
值中各点到中心点的单点均值距离
、
总体均值距离
、
总体距离方差;
[0020]基于所述单点均值距离
、
总体均值距离
、
总体距离方差获取平均欧式距离和标准差;
[0021]基于所述标准差进行迭代,获取最小标准差,基于所述最小标准差进行数据组织形式判识
。
[0022]可选地,基于高斯滤波进行结构表面恢复的过程包括:
[0023]基于所述平均欧式距离和所述标准差作为参数进行卷积滤波,将距离差大于3倍标准差的点的位置向中心点拉近
。
[0024]可选地,基于半径滤波进行数据状态判识以及噪声去除的过程包括:
[0025]将所述平均欧式距离作为半径,将所述
KD
‑
Tree
值作为最低数量,计算原始数据中的点在所述半径内的邻居点数量,将原始数据中邻居点数量小于最低数量的点去除
。
[0026]可选地,对所述点云数据进行地面数据分割的过程包括:
[0027]根据所述点云数据的尺寸信息进行网格均分,获取双层网格,基于所述双层网格获取双层种子点;所述双层种子点包括一级种子点与二级种子点;
[0028]将所述一级种子点中的最低点作为候选点,对所述候选点进行特征面求解,同时计算候选点到特征面的欧式距离与总平均欧式距离;
[0029]基于所述欧式距离与所述总平均欧式距离进行循环判断,获取能够表达网格范围内局部曲面特征的候选点;
[0030]对双层种子点中的点进行曲面拟合,提取全局地面点,获取非地面点
。
[0031]可选地,基于所述欧式距离与所述总平均欧式距离进行循环判断的过程中,构建最大坡度,若候选点通过与一级种子点之间的坡度小于最大坡度,则将候选点作为二级种子点;
[0032]基于一级种子点与候选点的高程坐标计算高度差,并构建最大高度差,基于所述最大高度差与高度差对候选点进行筛选
。
[0033]可选地,基于深度学习对所述非地面数据进行结构预分类的过程包括:
[0034]基于最邻近算法进行领域点特征采集,构建特征矩阵,基于所述特征矩阵进行
LSE
处理以及特征增强,获取若干个特征向量;
[0035]基于
softmax
计算权重,基于所述特征向量与所述权重获取聚合领域特征;
[0036]对所述聚合领域特征中相邻的领域特征进行局部空间编码和注意力池化;
[0037]基于语义分割网络进行结构预测与分割
。
[0038]可选地,对所述预分类钢轨进行精细化处理的过程包括:
[0039]分别基于反射强度值
、
尺寸信息对所述预分类钢轨进行钢轨点筛选;
[0040]对筛选后的钢轨点进行表面曲率信息计算,同时进行偏差计算,将超出标准偏差的钢轨点判断为异常点并删除
。
[0041]本专利技术的技术效果为:
[0042]本专利技术通过手持
Lidar
激光雷达采集公路
/
铁路场景的原始点云数据信息,采用与尺度无关的地面提取算法和各关键结构的提取算法...
【技术保护点】
【技术特征摘要】
1.
一种基于手持
Lidar
的公路铁路数字信息建模方法,其特征在于,包括以下步骤:基于手持
Lidar
扫描仪在工程现场获取原始数据,基于自适应算法对所述原始数据进行预处理,获取点云数据;对所述点云数据进行地面数据分割,获取非地面数据;基于深度学习构建语义分割网络,对所述非地面数据进行结构预分类,获取预分类钢轨;对所述预分类钢轨进行精细化处理,获取钢轨点数据;基于所述点云数据
、
非地面数据
、
钢轨点数据对所述语义分割网络进行训练,获取深度学习模型,基于所述深度学习模型进行钢轨点数据自动化提取;基于最小二乘法对所述钢轨点数据进行公路铁路线的走向拟合参数化提取,获取参数化线路数据;根据线路标准路基及标准钢轨的断面信息绘制模型断面信息;基于所述参数化线路数据与所述模型断面信息构建公路铁路数字信息模型
。2.
根据权利要求1所述的基于手持
Lidar
的公路铁路数字信息建模方法,其特征在于,基于自适应算法对所述原始数据进行预处理的过程包括:基于统计滤波法对所述原始数据进行数据组织形式判识;基于高斯滤波进行结构表面恢复;基于半径滤波进行数据状态判识以及噪声去除
。3.
根据权利要求2所述的基于手持
Lidar
的公路铁路数字信息建模方法,其特征在于,基于统计滤波法对所述原始数据进行数据组织形式判识的过程包括:基于统计滤波法对所述原始数据构建
KD
‑
Tree
值,计算所述
KD
‑
Tree
值中各点到中心点的单点均值距离
、
总体均值距离
、
总体距离方差;基于所述单点均值距离
、
总体均值距离
、
总体距离方差获取平均欧式距离和标准差;基于所述标准差进行迭代,获取最小标准差,基于所述最小标准差进行数据组织形式判识
。4.
根据权利要求3所述的基于手持
Lidar
的公路铁路数字信息建模方法,其特征在于,基于高斯滤波进行结构表面恢复的过程包括:基于所述平均欧式距离和所述标准差作为参数进行卷积滤波,将距离差大于3倍标准差的点的位置向中心点拉近
。5.
根据权利要求3所述的基于手持
Lidar
...
【专利技术属性】
技术研发人员:刘凯文,陈俊杰,张宗宇,苟杰,苏谦,白皓,邱睿哲,裴彦飞,
申请(专利权)人:西南交通大学,
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。