[發明專利]基于深度學習的管道三維重建方法、系統、介質及設備

有效

• 申請號: 202010160869.8
• 申請日: 2020-03-10
• 公開（公告）號: CN111429563B
• 公開（公告）日: 2021-08-13
• 發明（設計）人: 屠長河;程莉莉;魏卓;孫銘超;辛士慶;安德勞;李揚彥;陳寶權
• 申請（專利權）人: 山東大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06N20/00
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 李琳

1.一種基于深度學習的管道三維重建方法，其特征在于，包括以下步驟：

獲取管道的點云數據，利用深度學習方法學習點云的特征，至少得到點所屬組件的類別、點所屬組件的半徑和點的方向向量；

利用點所屬組件的半徑和點的方向向量計算軸線點，結合點所屬組件的類別標簽對軸線點進行聚類得到候選實例；

用基于圖的方法得到不同候選實例之間的連接關系，以組件為節點構成圖的結構；具體為：

針對每一個候選的組件實例，得到候選骨架；

通過迭代求最小生成樹的最長路徑的方法得到管道的整體骨架；

根據聚類情況，將初始的不可靠的局部先驗檢測嵌入到一個處理框架中，該框架考慮全局屬性和語義結構，采用了聚類和圖相結合的技術來過濾檢測結果，使用規則優化圖結構，得到實例之間的初始連接關系；

根據規則優化圖架構，使得組件之間的連接關系合理；

依據連接關系和軸線點計算骨架；

依據實例骨架得到整體框架；

用實際的三維組件模型替代圖中的節點以完成整個管道重建。

2.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，采用PointCNN卷積神經網絡來實現點云的特征學習，輸出點所屬組件的類別、點所屬組件的半徑和點的方向向量。

3.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，所述軸線點的計算方法，具體為：

a_i＝p_i+o_i×r_i

其中，p_i為掃描點，r_i為點所屬組件的半徑，o_i為點的方向向量。

4.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，利用點所屬組件的類別標簽，使用聚類算法DBSCAN對軸線點進行聚類，得到場景中各個候選實例集合，進而得到每個軸線點所在的實例編號和每個實例對應的軸線點。

5.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，針對每一個候選的組件實例，得到候選骨架，具體為：

模板的骨架通過端點和線表示的，首先根據實例的軸線點數加密模板骨架上的點數，使得模板骨架上的點數和實例的軸線點數一樣；

利用ICP匹配算法將模板的骨架放置合適的位置，得到實例的候選骨架。

6.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，根據聚類情況，得到實例之間的初始連接關系，具體為：

根據每個軸線點對應的實例標簽得到路徑上的所有實例，得到每個實例在路徑上的起始和結束位置；

根據起始和結束位置得到在此路徑上實例之間的連接關系；如果一個實例的起始和結束區間在另一個實例區間之內，則刪掉此實例；如果兩個實例的起始和結束區間重合度高于閾值，則刪掉擁有點數少的實例；

依次處理完所有的無環路徑，得到所有實例之間的初始關系。

7.如權利要求1所述的基于深度學習的管道三維重建方法，其特征在于，

根據規則優化圖架構，使得組件之間的連接關系合理，所述規則具體為：

直管：至多有兩個鄰居，且鄰居實例的朝向需要相同；

法蘭：至多有兩個鄰居，且鄰居實例的朝向需要相同；

彎管：至多有兩個鄰居，與此組件相接的兩個鄰居端點的法向相互垂直；

三通：有三個鄰居，與此組件相鄰接的三個鄰居端點需要構成三通的布局；

四通：有四個鄰居，與此組件相鄰接的四個鄰居端點需要構成四通的布局；

若是不滿足規則，則判定網絡預測的組件類別標簽出錯，則進行標記；根據標記更新實例之間的連接關系，如果鄰接的端點的方向向量成垂直的狀態，則在兩個實例之間添加彎管實例。