基于BIM的高速公路路面病害信息化管理研究
这是一篇关于BIM,道路病害,信息化管理,三维点云,里程桩定位,坑槽提取的论文, 主要内容为针对当前高速公路病害管理存在的信息互通性差、数据采集技术落后、病害管理效率低的问题,本文研究了基于BIM技术的高速公路路面病害管理的信息化方案。BIM技术运用在项目的整个生命周期中,在数据支持方面功能强大,可以将高速公路病害管理项目的图形和非图形信息融合与共享,为高速公路病害管理信息化建设提供数据和技术支撑。同时,采用检测车激光扫描、GPS定位、视频拍摄、深度相机扫描等数据采集技术,融合并获取病害的详细信息及BIM模型,提高了病害管理工作采集能力。并且通过上传采集到的病害信息到BIM信息化平台,进行协同处理,使病害管理工作极大地提升了效率。总的来说,本文结合目前流行的道路BIM建模技术,使病害管理向信息化﹑系统化、高效化方向发展。本文的研究内容主要如下:(1)BIM信息化管理平台。使用Civil 3D作为核心建模软件,建立道路BIM模型。包括对路线、纵断面、横断面的设计,并将所设计的对象组成统一的道路模型。使用Infra Works对道路模型进行可视化,并装配上由里程桩定位以及坑槽病害点云信息集合成的坑槽病害BIM模型。同时将以上所有的BIM数据以及基础信息数据,保存在数据库中,搭建基于Spring Boot+Vue的Web系统平台进行信息化管理。(2)提出了基于YOLOv5s目标检测的道路里程桩定位。由检测车搭载固定位置的摄像机以及GPS定位仪,沿着路边拍摄里程桩视频以及记录道路轨迹GPS信息。使用YOLOv5s目标检测算法,识别视频图像帧中的里程桩,实验结果显示公里桩的识别精确度为0.956,百米桩的识别精确度为0.984,识别精确度高。同时基于连续的检测车GPS位置信息,在检测到里程桩牌后跳过后续百米内的图像帧,在下一个百米桩前继续检测。该检测方法的改进相比于全部视频帧的检测,其效率提升了92.46%。最后,通过时间戳插值,结合GPS位置信息,完成了里程桩定位的数据融合。里程桩经纬度定位实验结果平均误差为1.38米,实现了里程桩牌的精准定位。(3)提出了基于RANSAC的道路坑槽点云信息提取。检测车采集道路路面点云信息,然后使用RANSAC算法进行横断面分析,初步分析出存在坑槽的位置以及坑槽的尺寸信息。再使用深度相机采集确切位置的坑槽点云,通过RANSAC算法计算路面点云回归平面,矫正数据并分离出坑槽点。由坑槽点信息计算并获取坑槽的深度和面积指标,同时生成坑槽BIM三维模型。结果显示,坑槽深度的平均相对误差为4.56%。坑槽面积平均相对误差为4.39%,实验结果准确度高。
基于BIM的高速公路路面病害信息化管理研究
这是一篇关于BIM,道路病害,信息化管理,三维点云,里程桩定位,坑槽提取的论文, 主要内容为针对当前高速公路病害管理存在的信息互通性差、数据采集技术落后、病害管理效率低的问题,本文研究了基于BIM技术的高速公路路面病害管理的信息化方案。BIM技术运用在项目的整个生命周期中,在数据支持方面功能强大,可以将高速公路病害管理项目的图形和非图形信息融合与共享,为高速公路病害管理信息化建设提供数据和技术支撑。同时,采用检测车激光扫描、GPS定位、视频拍摄、深度相机扫描等数据采集技术,融合并获取病害的详细信息及BIM模型,提高了病害管理工作采集能力。并且通过上传采集到的病害信息到BIM信息化平台,进行协同处理,使病害管理工作极大地提升了效率。总的来说,本文结合目前流行的道路BIM建模技术,使病害管理向信息化﹑系统化、高效化方向发展。本文的研究内容主要如下:(1)BIM信息化管理平台。使用Civil 3D作为核心建模软件,建立道路BIM模型。包括对路线、纵断面、横断面的设计,并将所设计的对象组成统一的道路模型。使用Infra Works对道路模型进行可视化,并装配上由里程桩定位以及坑槽病害点云信息集合成的坑槽病害BIM模型。同时将以上所有的BIM数据以及基础信息数据,保存在数据库中,搭建基于Spring Boot+Vue的Web系统平台进行信息化管理。(2)提出了基于YOLOv5s目标检测的道路里程桩定位。由检测车搭载固定位置的摄像机以及GPS定位仪,沿着路边拍摄里程桩视频以及记录道路轨迹GPS信息。使用YOLOv5s目标检测算法,识别视频图像帧中的里程桩,实验结果显示公里桩的识别精确度为0.956,百米桩的识别精确度为0.984,识别精确度高。同时基于连续的检测车GPS位置信息,在检测到里程桩牌后跳过后续百米内的图像帧,在下一个百米桩前继续检测。该检测方法的改进相比于全部视频帧的检测,其效率提升了92.46%。最后,通过时间戳插值,结合GPS位置信息,完成了里程桩定位的数据融合。里程桩经纬度定位实验结果平均误差为1.38米,实现了里程桩牌的精准定位。(3)提出了基于RANSAC的道路坑槽点云信息提取。检测车采集道路路面点云信息,然后使用RANSAC算法进行横断面分析,初步分析出存在坑槽的位置以及坑槽的尺寸信息。再使用深度相机采集确切位置的坑槽点云,通过RANSAC算法计算路面点云回归平面,矫正数据并分离出坑槽点。由坑槽点信息计算并获取坑槽的深度和面积指标,同时生成坑槽BIM三维模型。结果显示,坑槽深度的平均相对误差为4.56%。坑槽面积平均相对误差为4.39%,实验结果准确度高。
基于深度学习的三维点云模型检索方法研究
这是一篇关于深度学习,三维点云,点云检索,特征提取的论文, 主要内容为随着可视化和三维形状建模技术的快速发展,互联网和相关领域数据库中的三维模型数量不断增加,三维模型被广泛地应用于人们的生活中。然而,制作逼真的三维模型非常困难,需要大量的人力和时间,因此实现模型重用的三维模型检索技术具有非常重要的意义。在先前对三维点云模型检索方法的研究中,大部分方法对稀疏、无结构、无序的点云进行数据转换后再输入到网络中进行处理,例如将点云转换成多视图、体素、草图和全景图等。但在数据转换过程中容易丢失原始点云的部分空间信息,并且计算复杂度也会大幅度提高。针对以上问题,本文提出了一种基于深度学习的三维点云模型检索方法,旨在研究如何将三维点云直接作为输入,并结合深度学习方法得到更准确的检索结果。同时本文还构建了一个三维点云模型检索系统。本文主要研究工作如下:1.提出了一种基于深度学习的三维点云模型检索方法。该方法在对三维点云进行多尺度分层特征提取的基础上引入了具有隐式拉普拉斯算子的偏移注意力模块,更完整地学习了点与点之间的权重关系,提高网络鲁棒性。为了提高增强样本对于网络训练的有效性,本文使用可学习的具有样本感知能力的自动数据增强模块代替传统的数据增强策略,并采用对抗学习策略来联合优化自动数据增强模块与分类网络,进一步加强点云特征学习。考虑到检索不仅需要扩大类与类之间的距离,还需要使类内特征更加紧凑,本文使用了一个类内约束损失函数,用于缩小类内特征距离。在检索过程中融入类别信息,只需将查询点云与同一类别点云的特征进行相似性度量再排序得到检索结果,大幅度提高了检索精度和效率。2.设计并实现一个三维点云模型检索系统。该系统集成了本文提出的基于深度学习的三维点云模型检索方法,主要分为用户登录、点云分类和点云检索三个模块,根据每个模块的不同功能在Web端进行可视化展示和交互设计。本文分别在Model Net40和Shape Net Part数据集上进行实验,并与其他直接以点云作为输入的主流算法做了比较。实验结果证明,本文提出的方法在检索任务中具有更高的精度。同时,基于本文方法构建的系统能满足科研和工程上的需要。
融合注意力机制的多尺度特征点云补全方法
这是一篇关于三维点云,深度学习,点云补全,多尺度特征,残差网络,注意力机制的论文, 主要内容为由于传感器限制、自身遮挡等原因导致采集的三维点云数据变得稀疏或者残缺,进而影响点云后续研究任务,因此,将扫描的点云数据补全完整是至关重要的。随着人工智能技术的不断发展,人们开始采用基于深度学习的方法完成点云补全任务,然而,现有点云补全方法只聚焦于原始点云的全局特征而忽略空间几何结构特征,针对这一问题,提出一种融合注意力机制的多尺度特征点云补全方法。首先,为关注更具代表性的特征点,利用迭代下采样方法获取三种不同分辨率点云;其次,针对主流补全方法缺乏点云空间几何结构信息问题,采用级联方式递进融合不同方法提取的全局特征和空间几何结构特征,形成特征向量并输入全连接网络,实现粗点云的预测;再次,为过滤无效特征,提高点云补全质量,将拼接后的原始点云和粗点云送入精细重构单元细化,再在细化过程融合注意力机制的同时采用残差网络的连接方式进行由粗略到精细的补全;最后,通过计算粗点云、稠密点云与真实点云之间的联合损失函数以优化补全模型。在Shape Net数据集和KITTI数据集上与5种方法进行比较,使用倒角距离(Chamfer distance,CD)、F分数(F-Score)、搬土距离(Earth Mover’s Distance,EMD)和一致性(Consistency)作为评价指标。在Shape Net数据集上,所提方法的CD平均值降低了6.4%,EMD平均值降低了8.6%,F-Score平均值提高了8.5%;在KITTI数据集上,所提方法的Consistency平均值提高了4.4%。实验证明,提出的方法对残缺点云具有更好的补全效果,同时也体现其具有泛化能力。该论文有图39幅,表7个,参考文献57篇。
基于AGV的托盘识别定位系统设计与实现
这是一篇关于托盘识别,AGV,深度相机,三维点云,目标定位的论文, 主要内容为相较于传统物流技术,自动导引运输车(Automated Guided Vehicle,AGV)克服了其处理效率低和人力成本高等问题,并在智能物流领域获得广泛运用。其中,如何使AGV更高效、更实时地识别定位托盘成为了当前的研究焦点。为此,本文详细分析了AGV的运行需求,利用深度相机获取目标托盘三维点云,设计了新型托盘识别定位方法,并设计搭建AGV软硬件平台验证了提出方法的有效性,进一步提升了复杂场景下托盘识别定位的精度。本文首先针对复杂环境下的托盘识别检测问题,设计一种基于栅格法的地面点滤除方法滤除点云预处理后的地面点噪点。此外,结合HSV颜色空间、KD-Tree优化欧氏聚类和随机采样一致(RANSAC)设计分割算法以实现目标区域分割。再基于形态学运算和像素点计算完成托盘识别。其次,针对点云平面存在孔洞导致识别失败的问题,提出一种基于网格化思想的点云孔洞修补方法,以网格交点作新增数据点实现孔洞修补。同时,通过计算特征点与特征线段得到目标托盘位姿信息,并利用深度图特征匹配获取特征点进行运动模型估计得到相对位姿,填补识别失败后的信息缺失,实现托盘定位。最后,设计搭建AGV实验平台,充分的实验结果显示,所提出的托盘识别定位算法具有较高实时性、稳定性,且可以适用于大多市场上的托盘,并在工程项目中应用,提高了AGV物流搬运的智能化程度,降低了项目实施的难度和成本。
基于深度学习的点云场景语义分割方法研究
这是一篇关于深度学习,三维点云,语义分割,多特征融合,方向编码的论文, 主要内容为点云作为一种常见的三维处理数据,相较于二维图像包含更多的几何结构信息,在众多领域中都有着广泛的应用。而面向点云的语义分割技术已成为自动驾驶、场景重建以及虚拟现实等多个领域的研究热点。现有的基于深度学习的点云场景语义分割方法,比较关注点间局部几何特征的提取,忽略了特征间的语义关系以及空间分布信息,同时无法对获取的特征进行有效的融合,造成语义分割结果不准确。针对上述问题,本文设计了两种基于深度学习的点云场景语义分割方法,具体如下:(1)提出一种基于多特征融合的点云场景语义分割方法。该网络模型以点的三维坐标以及改进后的边特征作为输入,首先在三维坐标及邻近点间坐标差值的基础上,通过多层感知机提取几何偏移量,对局部几何特征进行增强;接着利用增强后的局部几何特征计算语义偏移量,进一步对局部语义特征进行增强,使得网络能更好地学习局部特征;然后引入空间注意力机制,提取特征间的全局语义相关性;最后使用注意力池化,有效聚合各模块学习到的特征。实验结果表明,该网络模型在S3DIS数据上的平均交并比达到了67.5%,总体准确率达到了87.2%,相对于DGCNN分别提高了10.6%和2.9%,取得了较好的分割性能。(2)提出一种基于方向编码的点云场景语义分割方法。该网络模型首先通过引入方向编码来提取不同方向上的局部特征,降低点云稀疏性带来的影响;接着,利用对点位置不敏感的体积比来构造全局特征,提高对于同类物体几何形变的容忍性;然后将空间几何特征嵌入到网络模型中,优化网络对于显著特征的捕获能力,并使用注意力池化聚合点特征;最后提出一种自适应特征融合策略,减少解码阶段的特征损失。实验结果表明,该网络模型在S3DIS数据上的平均交并比达到了69.2%,比DGCNN提高了12.3%,比Rand La Net提高了1.9%。(3)以本文两种算法为基础,设计并实现了一个基于Vue框架的语义分割系统。系统包括登录、数据预览、语义分割、结果展示四个模块。该系统实现了点云场景语义分割模型训练和测试功能,使用户能便捷的进行点云场景的语义分割。
基于注意力机制和Transformer的三维点云语义分割
这是一篇关于三维点云,语义分割,深度学习,注意力机制,Transformer的论文, 主要内容为三维点云语义分割对于深度学习应用技术至关重要,例如自动驾驶技术。本文研究了三维点云的语义分割问题,现有的三维点云语义分割方法存在以下两个问题:一、由于依赖于昂贵的采样技术或计算量较大的前/后处理步骤,大多数现有方法只能在规模较小的点云上进行训练和操作。鉴于三维点云数据集的特点,现有的语义分割方法不能充分挖掘点云的局部邻域信息;二、Transformer模型已经在自然语言处理、计算机视觉等其他领域展现了前所未有的实力,如何把Transformer与点云结合,是当前的一个挑战。本文提出了PAIE-Net,可用于处理交通场景的三维点云的语义分割问题。PAIE-Net使用了高效的随机采样,同时,为了克服随机采样可能会丢失关键的特征这一问题,本文引入了一种新的聚合注意力的点信息增强残差模块,以逐步增加每个三维点的感受野、有效地保留几何细节。本文所提出的聚合注意力的点信息增强残差模块由点信息增强模块和注意力池化模块组成,用于交通场景的三维点云的语义分割。在交通场景的三维点云数据集Semantic KITTI上的大量实验结果表明,本文提出的聚合注意力的点信息增强网络实现了良好的性能。对比实验表明,本文的方法在m IoU上要优于现有的主流方法。对于Transformer与点云结合的问题,本文提出了基于Transformer的点云语义分割网络,并设计了一种用于三维点云的点云Transformer结构。凭借点云数据具有的置换不变性,点云Transformer模块运用了注意力机制,形成了由点云Transformer模块、上/下转换模块构成的基于Transformer的点云语义分割网络。在大规模点云数据集S3DIS上的大量实验结果表明,本文提出的方法在点云语义分割方面非常有效,在OA和m IoU上要优于现有的主流方法。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/47766.html
