本发明专利技术提供了基于深度学习的盾构渣土三维点云分割及体积计算方法，属于深度学习、盾构技术领域，方法包括：S1.点云数据采集、预处理及样本标注；S2.深度学习分割模型构建及训练；S3.渣土点云分割；S4.渣土体积计算。本发明专利技术采用4种序列化方式实现点云注意力的高效交互，避免了点云无序性对计算的影响。
【技术实现步骤摘要】
本专利技术涉及深度学习、盾构，尤其是涉及基于深度学习的盾构渣土三维点云分割及体积计算方法。
技术介绍
1、盾构法因其作业安全性高、施工效率高、环境影响小等优势，成为现代城市轨道交通建设的重要施工技术。然而，在穿越富水砂层、软硬不均地层等复杂地质环境时极易造成盾构超挖，造成衬砌壁后脱空，最终引发地面塌陷。地面塌陷直接对城市交通造成影响，甚至可能破坏现有建筑结构，对城市建设造成极为不利的影响。现有盾构出渣体积测量方法主要依赖于人工目测渣斗装载程度，进而估算出渣体积，该方法高度依赖人工操作及判断，具有较高的主观性及不确定性。
2、三维点云数据通常包含大量噪点及背景点，噪点及背景点会为体积测算引入误差，高精度的体积计算需要获取纯粹的渣土表面点云，去除背景点及噪点。然而渣土曲面的形态分布多样，不具备通用的分布规律或空间特征，现有的聚类、回归算法难以准确分割渣土表面点云与背景点云。
3、早期的点云计算思路是将点云体素化为密集网格，并对体素网格使用3d卷积。然而，由于体素数量随分辨率呈立方增长，这种策略会带来巨大的计算和内存开销。借鉴卷积神经网络本文档来自技高网...
【技术保护点】
1.基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，S1中自动判定存储处理具体为：通过点云中各点的z轴坐标与衬砌顶部z轴坐标的对比，判定是否为装载渣土的轨道车，仅存储装载渣土的轨道车对应的三维点云数据。
3.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，S1中人工标注渣土表面点、背景点及噪点具体为：基于点云坐标及空间分布特征，将点云划分为渣土表面点、背景点及噪点，并为不同类别点添加类别标签。
>4.根据权利要求1...
【技术特征摘要】
1.基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，包括：
2.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，s1中自动判定存储处理具体为：通过点云中各点的z轴坐标与衬砌顶部z轴坐标的对比，判定是否为装载渣土的轨道车，仅存储装载渣土的轨道车对应的三维点云数据。
3.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，s1中人工标注渣土表面点、背景点及噪点具体为：基于点云坐标及空间分布特征，将点云划分为渣土表面点、背景点及噪点，并为不同类别点添加类别标签。
4.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，s2中编码器-解码器结构具体为：编码器包含4个下采样阶段，前两次下采样阶段各使用2个transformer block，后两次下采样阶段各使用3个transformer block，特征通道依次为16、32、64、128、256；解码器包含4个上采样阶段，每个上采样阶段使用2个upsample block，特征通道依次为256、128、64、32，最终通过submconv3d block模块及全连接层输出分割结果。
5.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，s2中法向量相对位置编码模块具体处理过程为：接收点云特征图及点云法向量，将点云法向量经mlp层映射为特征向量，通过交叉注意力模块与点云特征图融合，再依次经过3d稀疏卷积、linear层、layernorm层形成相对位置编码向量，通过跳跃连接融合法向量特征与相对位置编码向量，输出处理结果。
6.根据权利要求1所述的基于深度学习的盾构渣土三维点云分割及体积计算方法，其特征在于，s2中序列化点注意力交互模块具体处理过程为：对输入特征图经linear层及layernorm层调整后，通过z-index、h...
【专利技术属性】
技术研发人员：方勇，覃少杰，王潇，杨勤正，
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。