【技术实现步骤摘要】
本专利技术涉及矿井点云边界线提取，具体涉及一种基于深度学习的井下巷道点云边界线提取方法。
技术介绍
1、深部煤炭资源开发面临开采更复杂、更多变、更高难度的问题。采场围岩形态结构是评价矿井安全生产的重要标准之一，围岩形态检测是判别巷道稳定性的关键技术手段，准确判断巷道围岩的收敛特征对井下生产安全具有至关重要的意义。
2、随着激光雷达的发展，激光雷达采集三维点云数据逐渐变为主要的巷道围岩特征采集技术之一。然而，现有的基于激光点云的边界提取算法普遍存在点云密度不均导致的提取精度不高的问题，鲜有方法能够有效处理点云密度不均匀、识别不准确的问题，处理速度耗时较久。当下也有通过深度学习得到巷道边界的方式方法，但因为井下环境恶劣，采集到的点云数据噪点过多，现有的方法并不能准确的提取出巷道边界。因此，亟需研发一种保证边界的完整性和细节特征的快速边界线提取方法。
技术实现思路
1、针对上述问题，本专利技术公开了一种基于深度学习的井下巷道点云边界线提取方法，利用激光雷达采集点云数据，识别巷道壁上钻...
【技术保护点】
1.一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，S2中，对点云数据进行去噪、特征保留及特征重建的方法，包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，S3中，进行数据切片，对锚杆进行标注，并制作训练集的方法，包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，S4中，所述点云识别网络包括Backbone层、Analyze层、Ag...
【技术特征摘要】
1.一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，s2中，对点云数据进行去噪、特征保留及特征重建的方法，包括以下步骤：
3.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，s3中，进行数据切片，对锚杆进行标注，并制作训练集的方法，包括以下步骤：
4.根据权利要求1所述的一种基于深度学习的井下巷道点云边界线提取方法，其特征在于，s4中，所述点云识别网络包括backbone层、analyze层、aggregation层以及head层；其中，backbone层包括采样层、分组层、特征提取层，采样层输入为原始点云数据，使用远点采样的方法迭代出一组均匀分布在整个点云中的采样点，输出为关键点；分组层输入为关键点以及原始点云，输出为每个关键点周围邻域内的点...
【专利技术属性】
技术研发人员：闫万梓，张益东，薛民体，程敬义，张宇，张鑫，邢轲轲，李泽鑫，秦久超，孙鑫，
申请(专利权)人：中国矿业大学，
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。