面向隧洞三维网格模型的多类别语义分割方法及系统与流程
本发明涉及计算机视觉、数字图像处理与三维地理信息,具体涉及一种面向隧洞三维网格模型的多类别语义分割方法及系统,主要应用于水利水电工程施工地质编录、隧洞围岩分级、支护结构识别及岩体结构面提取等工程场景。
背景技术:
1、随着数字孪生与智能建造技术的发展,基于激光扫描或摄影测量获取的隧洞三维点云及网格模型已成为工程地质编录、围岩分级和支护设计的重要数据基础。近年来,深度学习点云分割网络(如pointnet、randla-net、swin3d等)的引入,使得隧洞场景自动化语义解析成为可能。然而,现有技术在实际工程应用中仍存在以下明显不足:
2、1、训练数据集构建依赖大量人工,效率低且一致性差;现有语义分割模型通常需要大规模、高质量的标注数据,但隧洞点云的人工标注需专业工程师在商用软件中逐点或逐区域裁剪赋标,耗时费力且标准不一。虽有研究尝试辅助滤波或聚类方法,但多面向单一类别(如地面或掌子面),缺少面向多类别(地面、掌子面、边顶拱、支护)的联合自动化标注流程,难以满足快速迭代训练的需求。
3、2、分割结果停留于点级,缺乏与三角网格模型的稳定映射;大多数方法以点云为处理对象,输出离散点的类别标签,而未将语义信息有效传递至三角网格面片。工程中广泛使用的网格模型(obj、3dtiles)承载几何、纹理及物理属性,需要各语义部位(如掌子面网格、支护网格)的独立输出,但现有简单多数投票或单一顶点判定规则易造成边界空洞、面片交错,破坏拓扑完整性,降低了成果的工程可用性。
4、3、缺乏施工先验约束,掘进前沿区域误判严重;隧洞具有明确的空间拓扑规律--“前方为掌子面、后方为支护结构”。这一强先验知识在现有纯数据驱动模型中未被利用,模型仅依赖局部几何与颜色特征,导致在掘进前沿区域常将掌子面误判为支护或反之,尤其在点云密度不均或材质相近时误判率显著升高,削弱了泛化稳定性。
5、综上所述,当前隧洞三维语义分割在数据集自动化构建、网格级语义传递、施工先验融合及结构面精准提取等环节均存在显著缺陷。本发明针对上述问题,提出一套涵盖半自动标注、施工先验约束、网格投票映射及纹理-几何融合交互分割的系统性解决方案,以提高分割精度、效率与工程实用性。
技术实现思路
1、有鉴于此,本发明提供了一种面向隧洞三维网格模型的多类别语义分割方法及系统,旨在解决现有技术中因训练数据集构建依赖人工导致效率低、一致性差,因缺乏施工先验空间约束导致掘进前沿区域语义误判严重,以及因点云分割结果未与三角网格有效衔接导致边界空洞、拓扑不完整的问题。
2、本发明提出了一种面向隧洞三维网格模型的多类别语义分割方法及系统,包括以下步骤:
3、基于工程设计资料生成沿隧洞延伸方向的三维中心线,所述三维中心线以有序三维点集表示;
4、提取隧洞掌子面网格模型的点云数据,并将其划分为地面区域、掌子面区域、边顶拱围岩表面以及支护区域,所述地面区域通过对点云进行滤波自动提取,所述掌子面区域在依据所述三维中心线确定隧洞掘进方向并将点云旋转至所述掘进方向与坐标轴对齐之后通过对点云进行滤波自动提取,所述边顶拱围岩表面以及所述支护区域人工提取,对划分后的每个点赋予对应的语义标签,并将每个点的三维坐标向量与所述三维中心线的单位方向向量作点积运算,再依据场景内的最大值与最小值进行归一化,得到每个点的深度因子,由划分后并带有语义标签与深度因子的点云构成训练数据集;
5、将所述训练数据集输入点云语义分割网络,通过监督学习对网络参数进行迭代优化,在每一轮训练中基于网络输出的点级预测结果构建联合损失对网络进行约束,所述联合损失包括语义分类损失与施工先验空间约束损失,所述语义分类损失约束网络输出与点云真实语义标签之间的匹配关系,所述施工先验空间约束损失依据所述深度因子,按照隧洞掘进前沿区域属于掌子面以及后方区域属于支护的先验,对位于掘进前沿区域的点被预测为支护以及位于后方区域的点被预测为掌子面的情形施加惩罚;
6、对待分割的隧洞掌子面网格模型提取其顶点作为点云数据,输入训练得到的语义分割网络预测每个点的语义标签,依据所述语义标签对网格模型的顶点以及三角面进行筛选,对连接不同类别顶点的交界三角面,在三个顶点的标签一致时将该三角面判定为该标签对应的类别,在三个顶点中两个顶点的标签一致时将该三角面判定为数量较多的标签对应的类别,在三个顶点的标签全不相同时按照优先级序列将该三角面判定为优先级最高的顶点对应的类别,所述优先级序列为边顶拱围岩表面高于掌子面,掌子面高于支护,支护高于地面,并将不同语义类别对应的子网格模型分别输出。
7、进一步的,所述基于工程设计资料生成沿隧洞延伸方向的三维中心线,包括解析平曲线数据与竖曲线数据,分别构建平曲线主点序列与竖曲线主点序列,将平曲线与竖曲线的起点对齐,对每一平曲线主点,依据该主点与前一主点之间的平面里程增量所对应的斜长增量进行累加,得到该主点的斜长桩号,将平曲线主点由平面里程映射为斜长桩号,使平曲线数据与竖曲线数据基于同一斜长桩号实现统一参数化;
8、对于纵坡直线段,斜长增量与平面里程增量之间的关系为
9、
10、式中δs表示斜长增量,δl表示平面里程增量,k表示该纵坡直线段的坡度;
11、对于竖向圆弧段,斜长增量为该段圆弧的弧长,由圆心角与圆弧半径计算得到
12、
13、式中δs表示斜长增量,r表示该段竖向圆弧的半径,θ表示该段圆弧对应的圆心角。
14、进一步的,对于任意主点所在的斜长桩号,先确定该斜长桩号所在的平面线型,在所述平面线型为直线段时,采用线性插值计算平面坐标
15、
16、
17、式中x(s)与y(s)表示该斜长桩号对应的平面坐标,s表示该斜长桩号,与表示该直线段起点与终点的斜长桩号,与表示该直线段起点的平面坐标,与表示该直线段终点的平面坐标;
18、在所述平面线型为圆曲线段时,先依据起点坐标、终点坐标、圆心角以及圆弧半径计算圆心坐标
19、
20、
21、其中
22、
23、式中与表示圆心坐标,与表示圆弧段起点的平面坐标,与表示圆弧段终点的平面坐标,θ表示圆弧段的圆心角,r表示圆弧半径,h与d为中间量,h等于圆弧半径与圆心角一半的余弦之积,d等于圆弧半径的两倍与圆心角一半的正弦之积,sign(θ)表示符号函数,圆心角大于零时取正一,对应圆心位于弦的左侧,圆心角小于零时取负一,对应圆心位于弦的右侧;
24、再依据圆弧段任意主点所在的斜长桩号对应的圆心角,计算该主点的平面坐标
25、
26、
27、
28、式中表示该主点相对圆弧段起点的圆心角,表示圆弧段起点的斜长桩号,r表示圆弧半径,x(s)与y(s)表示该主点的平面坐标,与表示圆心坐标,与表示圆弧段起点的平面坐标,atan2表示四象限反正切函数,sign(θ)表示符号函数。
29、进一步的,对于任意主点所在的斜长桩号,先确定该斜长桩号所在的竖向线型,在所述竖向线型为纵坡直线段时,采用线性插值计算高程
30、
31、式中z(s)表示该斜长桩号对应的高程,s表示该斜长桩号,与表示该纵坡直线段起点与终点的斜长桩号,与表示该纵坡直线段起点与终点的高程;
32、在所述竖向线型为竖向圆弧段时,先确定高程的变化方向,再依据圆弧的几何特征以及剖面坐标推导该圆弧段各主点的高程;
33、将平面坐标与高程合成得到三维中心线主点序列,并在相邻主点之间按固定斜长间隔进行插值,生成三维中心线密集点集,作为隧洞掌子面定位与方向计算的几何基准。
34、进一步的,所述地面区域通过对点云进行滤波自动提取,包括采用布料模拟滤波算法,通过设置分类阈值区分地面点与非地面点,提取地面区域;
35、所述掌子面区域在依据所述三维中心线确定隧洞掘进方向并将点云旋转至所述掘进方向与坐标轴对齐之后通过对点云进行滤波自动提取,包括计算距离当前隧洞掌子面网格模型最近的两个三维中心线点,按由起点指向终点的顺序确定隧洞掘进方向,以所述掘进方向作为基准轴线,将除地面区域以外的点云坐标进行旋转,使所述基准轴线与坐标轴负方向对齐,再采用布料模拟滤波算法,通过设置分类阈值区分掌子面点云与非掌子面点云,提取掌子面区域,并对分割结果进行校验,对分割不完整的数据,调整分类阈值并重新执行分割,直至分割完整。
36、进一步的,所述对划分后的每个点赋予对应的语义标签,包括对每个点计算颜色与法向量,并赋予该点所属语义类别对应的标签;
37、所述得到每个点的深度因子,包括将每个点的三维坐标向量与所述三维中心线的单位方向向量作点积运算,得到该点的纵向深度坐标,再统计点云中纵向深度坐标的最大值与最小值,对每个点的纵向深度坐标按下式进行归一化,得到该点的深度因子
38、
39、式中表示该点的深度因子,表示该点的纵向深度坐标,与表示点云中纵向深度坐标的最大值与最小值,归一化后的深度因子在靠近掌子面处趋近上界,在靠近支护处趋近下界。
40、进一步的,所述联合损失为所述语义分类损失与所述施工先验空间约束损失的加权和,按下式计算
41、
42、式中l表示训练总损失,表示语义分类损失,所述语义分类损失为基于真实标签的交叉熵损失,表示施工先验空间约束损失,表示所述施工先验空间约束损失的权重系数。
43、进一步的,所述施工先验空间约束损失依据所述深度因子,按下式计算
44、
45、式中lp表示施工先验空间约束损失,n表示参与计算的点的总数,di表示第i个点的深度因子,pi,support表示网络对第i个点输出的支护类别预测概率,pi,face表示网络对第i个点输出的掌子面类别预测概率;当点位于掘进前沿区域而被输出较高的支护类别预测概率时施加惩罚,使网络在掘进前沿区域抑制支护类别的预测,当点位于后方区域而被输出较高的掌子面类别预测概率时施加惩罚,使网络在后方区域抑制掌子面类别的预测。
46、进一步的,所述对待分割的隧洞掌子面网格模型提取其顶点作为点云数据并输入训练得到的语义分割网络预测每个点的语义标签,在不输入所述三维中心线的情况下预测每个点的语义标签;
47、所述将不同语义类别对应的子网格模型分别输出,包括在构建子网格模型的过程中同步保留原始网格模型的顶点坐标、法向量信息以及纹理映射信息,由所述优先级序列保证子网格模型在拓扑结构上的完整性并避免结构边界处出现空洞断裂,将不同语义类别对应的子网格模型分别输出,用于隧洞结构部位的三维表达以及后续分析。
48、一种面向隧洞三维网格模型的多类别语义分割系统,包括,
49、中心线生成模块,用于基于工程设计资料生成沿隧洞延伸方向的三维中心线,所述三维中心线以有序三维点集表示;
50、数据集构建模块,用于提取隧洞掌子面网格模型的点云数据并将其划分为地面区域、掌子面区域、边顶拱围岩表面以及支护区域,对所述地面区域通过对点云进行滤波自动提取,对所述掌子面区域在依据所述三维中心线确定隧洞掘进方向并将点云旋转至所述掘进方向与坐标轴对齐之后通过对点云进行滤波自动提取,对所述边顶拱围岩表面以及所述支护区域人工提取,为划分后的每个点赋予对应的语义标签,并将每个点的三维坐标向量与所述三维中心线的单位方向向量作点积运算后依据场景内的最大值与最小值进行归一化得到每个点的深度因子,由划分后并带有语义标签与深度因子的点云构成训练数据集;
51、模型训练模块,用于将所述训练数据集输入点云语义分割网络,通过监督学习对网络参数进行迭代优化,在每一轮训练中基于网络输出的点级预测结果构建联合损失对网络进行约束,所述联合损失包括语义分类损失与施工先验空间约束损失,所述施工先验空间约束损失依据所述深度因子,按照隧洞掘进前沿区域属于掌子面以及后方区域属于支护的先验,对位于掘进前沿区域的点被预测为支护以及位于后方区域的点被预测为掌子面的情形施加惩罚;
52、结构部位提取模块,用于对待分割的隧洞掌子面网格模型提取其顶点作为点云数据并输入训练得到的语义分割网络预测每个点的语义标签,依据所述语义标签对网格模型的顶点以及三角面进行筛选,对连接不同类别顶点的交界三角面,在三个顶点的标签一致时将该三角面判定为该标签对应的类别,在三个顶点中两个顶点的标签一致时将该三角面判定为数量较多的标签对应的类别,在三个顶点的标签全不相同时按照优先级序列将该三角面判定为优先级最高的顶点对应的类别,所述优先级序列为边顶拱围岩表面高于掌子面,掌子面高于支护,支护高于地面,并将不同语义类别对应的子网格模型分别输出。
53、相比现有技术,本发明具有如下有益效果:
54、1、本发明通过半自动化的多类别标注数据集快速构建流程,结合基于深度因子的施工先验空间约束损失,实现了地面、掌子面、边顶拱围岩表面及支护区域的高效联合标注与模型训练,有效减少了人工参与,提升了数据构建与模型训练的效率,同时抑制了掘进前沿区域语义误判现象。 具体而言,本发明在数据集构建阶段,采用csf(布料模拟滤波)算法自动提取地面与掌子面区域,仅对边顶拱围岩表面及支护区域辅以人工裁剪,相较于传统逐点标注方式,显著降低了人工工作量,且通过统一的标签赋予与深度因子计算流程,保障了标注数据的一致性与可复现性,使训练数据集的构建效率满足工程快速响应的需求。在此基础上,本发明将“隧洞掘进前沿属于掌子面、后方稳定区属于支护结构”这一施工先验知识量化为深度因子,并以此构建施工先验空间约束损失项,在模型训练过程中对位于前沿区域而被预测为支护的点以及位于后方区域而被预测为掌子面的点施加惩罚,从而引导模型在局部几何特征模糊或点云密度不均的条件下,仍能依据宏观施工拓扑做出合理判别,有效降低了掘进前沿区域的结构类别误判率,增强了模型在不同工程条件下的泛化能力与识别鲁棒性。
55、2、本发明通过三角面语义投票与优先级裁决机制,将点级语义预测稳定映射至三角网格模型,并同步保留原始网格的顶点坐标、法向量及纹理信息,有效避免了结构边界处的空洞与断裂,保证了不同语义类别子网格的拓扑完整性,为隧洞结构部位的三维表达与后续分析提供了可靠的网格级数据支撑。 具体而言,本发明在模型完成点云语义预测后,针对三角网格的每一个面片,依据其三个顶点的标签情况进行分级判定:三个顶点标签一致时直接归属该类;两个标签一致时按多数原则归属;三个标签均不同时则按照“边顶拱围岩表面高于掌子面、掌子面高于支护、支护高于地面”的优先级序列进行归属裁决,确保交界区域面片归属的唯一性与工程逻辑一致性。该优先级序列的设计原则在于优先保证边顶拱围岩表面在三维网格模型中的拓扑完整性,使得提取出的各类别子网格在结构边界处连续无断裂,避免空洞或错位缺陷的产生。同时,在构建子网格过程中完整保留原始网格的顶点坐标、法向量及纹理映射信息,使输出模型可直接兼容有限元分析、bim建模、围岩分级可视化及施工进度展示等后续环节,实现了从点云语义分割到工程可用三维网格模型的数据链路贯通,显著提升了分割成果的工程实用价值与可交付性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com