基于施工阶段吊篮空间位置变化的桥体施工进度监测方法技术

本发明专利技术涉及摄影测量与计算机视觉技术领域，涉及一种基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，包括：步骤1，对桥梁施工场景进行扫描，采集时序无人机激光点云数据；步骤2，使用包含桥梁吊篮的三维点云样本集训练并生成误差最小的语义分割神经网络模型，将待测点云输入该训练模型，提取每幅桥梁施工场景点云中的所有吊篮点云；步骤3，提取待检测两个工期吊篮点云的语义特征点，确定其拓扑结构，通过制定相似度判断规则匹配两工期的同名吊篮；步骤4，对同名吊篮进行空间配准，获取两工期吊篮的空间位置变化量

【技术实现步骤摘要】
基于施工阶段吊篮空间位置变化的桥体施工进度监测方法


[0001]本专利技术涉及摄影测量与计算机视觉
，具体地说，涉及一种基于施工阶段吊篮空间位置变化的桥体施工进度监测方法
。

技术介绍

[0002]随着计算机视觉的发展和我国工程施工速度的提升，施工建设的各个环节也逐渐高效化
、
自动化，但目前桥梁施工进度监测环节仍是依靠人工进度信息填报的方式，容易出现错报
、
漏报
、
瞒报等情况，难以对施工进度进行客观高效的量化与评价
。
通过客观方法进行工程的施工监测方法主要是基于三维激光扫描技术的变化检测方法，常用点云变化检测方法有：基于点的变化检测
、
基于格网
/
对象的变化检测
、
基于分段
/
对象的变化检测
。
基于点的变化监测对点密度敏感，不考虑高级语义，也无法处理遮挡问题；基于
DEM/DSM
的变化检测仅研究二维网格，无法解决激光脉冲传播路径的冲突，基于空间占用
、
光线投射的方法不能考虑点云的高级语义
、
详细程度受参数设置限制；基于分段
/
对象的方法高度依赖于分类或对象检测的结果
。
以上方法难以实现空间变化与语义变化的统一，无法高效精确的完成桥体施工进度监测
。
[0003]针对施工进度检测问题，近年来国内外也做了很多研究，在传统的基于点
、r/>格网
/
体素
、
分段
/
对象等变化检测方法的基础上，对检测出的变化进行几何空间或语义分析，但在复杂的铁路桥梁施工场景中，材料器械及建筑体繁多，导致检测出的变化及变化类型众多，对于精确提取和分析桥体施工进度监测目标来说，干扰因素多，工作量大，冗余操作情况多
。
通过建立
BIM
模型与地理信息库方法，以施工现场提供的信息或采集数据建立
BIM
模型，反馈施工进度，可以高效管理信息，但与真实的桥体建筑之间存在误差，且误差检测工作也存在一定难度
。
因此如何高效且真实地对桥体施工进度进行监测还需要更多的研究
。

技术实现思路

[0004]本专利技术的内容是提供一种基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其能够通过吊篮在空间中的不同位置，计算其在空间中的位姿变换，反馈桥梁主体施工进度
。
[0005]根据本专利技术的一种基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其包括以下步骤：
[0006]步骤1，对桥梁施工场景进行扫描，采集时序无人机激光点云数据；
[0007]步骤
1.1
，对同一周期桥梁无人机点云数据进行空间统一；
[0008]步骤
1.2
，确定采样周期
T
，每周期
T
对桥梁施工场景进行一次步骤
1.1
；
[0009]步骤2，使用包含桥梁吊篮的三维点云样本集训练并生成误差最小的语义分割神经网络模型，将待测点云输入该训练模型，提取每幅桥梁施工场景点云中的所有吊篮点云；
[0010]步骤
2.1
，对桥梁施工场景三维点云进行手动分割与标注，获取带有吊篮与非吊篮两类标签的训练样本；
[0011]步骤
2.2
，构建桥梁吊篮语义分割神经网络模型，将带标签的训练样本与测试样本输入网络模型中迭代训练，选取误差最小的模型作为训练模型；
[0012]步骤
2.3
，将待检测施工场景点云输入到训练好的模型，获得带吊篮标签的点云，分割出检测点云中的所有吊篮点云；
[0013]步骤3，提取待检测两个工期吊篮点云的语义特征点，确定其拓扑结构，通过制定相似度判断规则匹配两工期的同名吊篮；
[0014]步骤
3.1
，提取吊篮的特征点，分析吊篮拓扑结构，确定其结构特征；
[0015]步骤
3.1.1
，计算查询点的法向量及法向量夹角；
[0016]步骤
3.1.2
，定义特征点识别参数及阈值；
[0017]步骤
3.1.3
，对吊篮点云的特征点进行提取；
[0018]步骤
3.1.4
，确定吊篮单元的拓扑特征；
[0019]步骤
3.2
，利用相似度判断，寻找相邻两个工期施工场景点云中每个吊篮的匹配关系；
[0020]步骤
3.2.1
，确定相似度判断规则；
[0021]步骤
3.2.2
，将相邻两周期的吊篮点云逐一进行相似度判断；
[0022]步骤
3.2.3
，确定相邻两周期的同名吊篮；
[0023]步骤4，对同名吊篮进行空间配准，获取两工期吊篮的空间位置变化量；
[0024]步骤
4.1
，对同名吊篮进行粗略重定位；
[0025]步骤
4.2
，对同名吊篮进行精确重定位；
[0026]步骤
4.3
，确定施工进度
。
[0027]作为优选，步骤
1.1
中，通过无人机激光扫描仪获取桥梁施工场景点云，并对同一周期桥梁点云数据进行空间统一；
[0028]通过无人机激光扫描仪获取桥梁施工场景的机载点云数据时，除了按照设定航带路径飞行，对于桥梁底面及桥墩易发生遮挡的区域进行手动飞行扫描完整侧立面；
[0029]对于同一周期的多组点云数据进行空间统一配准，得到完整的施工现场点云；
[0030]步骤
1.2
中，根据桥梁修建工期，确定
T
，若
T
＝2，则每两个月进行一次数据采集，并进行一次步骤
1.1
，根据工期共采集
n
次，各期检测点云分别为
C1,C2,C3,
…
C
n
。
[0031]作为优选，步骤
2.1
中，使用
CloudCompare
软件对施工场景点云数据进行人工分割吊篮点云并标注吊篮与非吊篮两类标签，属于吊篮点云的点标注为1，不属于吊篮点云的点标注为0，得到带有标签的点云样本集；除标签外，点云样本还包含三维坐标
、RGB
颜色与强度值信息
。
[0032]作为优选，步骤
2.2
中，选择
PointNet++、RandLA
‑
Net
或
KPConv
‑
Net
深度学习网络构建语义分割网络模型，将训练样本输入到构建的网络模型中进行迭代训练，利用损失函数基于测试样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：包括以下步骤：步骤1，对桥梁施工场景进行扫描，采集时序无人机激光点云数据；步骤
1.1
，对同一周期桥梁无人机点云数据进行空间统一；步骤
1.2
，确定采样周期
T
，每周期
T
对桥梁施工场景进行一次步骤
1.1
；步骤2，使用包含桥梁吊篮的三维点云样本集训练并生成误差最小的语义分割神经网络模型，将待测点云输入该训练模型，提取每幅桥梁施工场景点云中的所有吊篮点云；步骤
2.1
，对桥梁施工场景三维点云进行手动分割与标注，获取带有吊篮与非吊篮两类标签的训练样本；步骤
2.2
，构建桥梁吊篮语义分割神经网络模型，将带标签的训练样本与测试样本输入网络模型中迭代训练，选取误差最小的模型作为训练模型；步骤
2.3
，将待检测施工场景点云输入到训练好的模型，获得带吊篮标签的点云，分割出检测点云中的所有吊篮点云；步骤3，提取待检测两个工期吊篮点云的语义特征点，确定其拓扑结构，通过制定相似度判断规则匹配两工期的同名吊篮；步骤
3.1
，提取吊篮的特征点，分析吊篮拓扑结构，确定其结构特征；步骤
3.1.1
，计算查询点的法向量及法向量夹角；步骤
3.1.2
，定义特征点识别参数及阈值；步骤
3.1.3
，对吊篮点云的特征点进行提取；步骤
3.1.4
，确定吊篮单元的拓扑特征；步骤
3.2
，利用相似度判断，寻找相邻两个工期施工场景点云中每个吊篮的匹配关系；步骤
3.2.1
，确定相似度判断规则；步骤
3.2.2
，将相邻两周期的吊篮点云逐一进行相似度判断；步骤
3.2.3
，确定相邻两周期的同名吊篮；步骤4，对同名吊篮进行空间配准，获取两工期吊篮的空间位置变化量；步骤
4.1
，对同名吊篮进行粗略重定位；步骤
4.2
，对同名吊篮进行精确重定位；步骤
4.3
，确定施工进度
。2.
根据权利要求1所述的基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：步骤
1.1
中，通过无人机激光扫描仪获取桥梁施工场景点云，并对同一周期桥梁点云数据进行空间统一；通过无人机激光扫描仪获取桥梁施工场景的机载点云数据时，除了按照设定航带路径飞行，对于桥梁底面及桥墩易发生遮挡的区域进行手动飞行扫描完整侧立面；对于同一周期的多组点云数据进行空间统一配准，得到完整的施工现场点云；步骤
1.2
中，根据桥梁修建工期，确定
T
，若
T
＝2，则每两个月进行一次数据采集，并进行一次步骤
1.1
，根据工期共采集
n
次，各期检测点云分别为
C1,C2,C3,
…
C
n
。3.
根据权利要求2所述的基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：步骤
2.1
中，使用
CloudCompare
软件对施工场景点云数据进行人工分割吊篮点云并标注吊篮与非吊篮两类标签，属于吊篮点云的点标注为1，不属于吊篮点云的点标注为
0
，得到带有标签的点云样本集；除标签外，点云样本还包含三维坐标
、RGB
颜色与强度值信息
。4.
根据权利要求3所述的基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：步骤
2.2
中，选择
PointNet++、RandLA
‑
Net
或
KPConv
‑
Net
深度学习网络构建语义分割网络模型，将训练样本输入到构建的网络模型中进行迭代训练，利用损失函数基于测试样本的计算预测误差并反向传播，计算和更新当前的网络权重参数，加权重的多类别损失函数为：损失函数为：损失函数为：其中，
Loss
是损失函数，
f
l(x)
(x)
是
softmax
函数，
a
l(x)
(x)
为分割网络输出特征图中对应
x
点位置属于语义类别
l(x)
的值，
K
表示语义类别的数目，
w
l(x)
(x)
表示
x
点位置属于语义类别
l(x)
的权重，
N
为输入到网络模型中的点集合
Ω
中点的总数，
N
l(x)
表示类别为
l(x)
的点个数；当损失函数减少到理想程度且训练达到所要求的最大次数时，生成训练模型
。5.
根据权利要求4所述的基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：步骤
2.3
中，将各期检测点云
C1,C2,C3,
…
C
n
输入到训练好的模型中，获得各期带有吊篮标签的点云
B1,B2,B3,
…
B
n
，每期点云中存在多个不同的吊篮，对第
m
期所有标签为吊篮的点云进行分割，得到
v
个吊篮
6.
根据权利要求5所述的基于施工阶段吊篮空间位置变化的桥体施工进度监测方法，其特征在于：步骤
3.1.1
中，采用
k
‑
d
树建立点云数据的拓扑关系，利用主成分分析法
PCA
计算点云法向量，查询点
A
i
的
k
邻域元素创建协方差阵
H
为：其中，为邻近元素坐标的三维质心；协方差阵
H
有3个实数特征值
λ1、
λ2、
λ3，
λ1＜
λ2＜
λ3，其中，
λ1对应的特征向量
n1为法向量
(n
x
,...

【专利技术属性】
技术研发人员：武瑞宏，葛旭明，张卫龙，胡翰，陈敏，徐博，刘心静，
申请(专利权)人：中铁第一勘察设计院集团有限公司西南交通大学，
类型：发明
国别省市：