CN116518864A - 一种基于三维点云对比分析的工程结构全场变形检测方法 - Google Patents
一种基于三维点云对比分析的工程结构全场变形检测方法 Download PDFInfo
- Publication number
- CN116518864A CN116518864A CN202310367251.2A CN202310367251A CN116518864A CN 116518864 A CN116518864 A CN 116518864A CN 202310367251 A CN202310367251 A CN 202310367251A CN 116518864 A CN116518864 A CN 116518864A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- deformation
- registration
- clouds
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 72
- 230000009466 transformation Effects 0.000 claims abstract description 52
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 44
- 239000011159 matrix material Substances 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000000605 extraction Methods 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/167—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by projecting a pattern on the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/02—Affine transformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明涉及一种基于三维点云对比分析的工程结构全场变形检测方法,包括以下步骤:选择结构表面布置的像控点作为特征点,对结构进行图像序列采集,完成三维点云模型重建,获得初始点云模型;对初始点云模型创建空间索引、噪声滤波、降采样处理得到便于计算的点云模型,并进行聚类分割,得到结构的局部点云模型;基于RANSAC算法粗略计算两组局部点云的初始仿射变换矩阵,并基于ICP算法使用未降采样的点云确定精细仿射变换矩阵,得到局部点云配准模型;基于局部点云配准模型,分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法确定结构变形值。与现有技术相比,本发明具有检测快速、准确等优点。
Description
技术领域
本发明涉及建筑物变形提取技术领域,尤其是涉及一种基于三维点云对比分析的工程结构全场变形检测方法。
背景技术
在施工或服役阶段的荷载作用、持续性环境作用、突发性灾害侵袭等情况下,工程结构往往会产生形变、位移、倾斜、扭转等关键性态变化,进而对结构整体耐久性和安全性产生影响。针对工程结构变形的定量检测,传统方法主要采用布设传感器、高精度测量仪器(如水准仪、全站仪等)等方法,对工程结构关键点进行持续多次的观测,从而得到关键性态。
目前常用的检测手段存在以下问题:
(1)在复杂的工程现场条件下,尤其在灾后应急评估中无法保证测量效率与数据品质,技术人员工作量大、劳动强度高,具有一定危险性。
(2)工程结构往往体量巨大,依赖测绘仪器的传统测量手段往往只能对工程结构的关键变形性态进行离散点观测,存在观测盲区,无法得到建筑的全场变形信息,对特殊关键节点的检测和监测存在一定的安全隐患。
从“检测人员的安全性、检测手段的经济性与检测结果的全局性”等角度看,目前传统的单一模式工程结构的变形检测评估技术已无法满足快速准确、高效低耗、具备现场条件自适应性等需求。
发明内容
本发明的目的就是为了提供一种基于三维点云对比分析的工程结构全场变形检测方法,融合贴近摄影测量技术和三维点云处理算法,以无人机的贴近摄影测量技术作为非接触式检测媒介,实现全视场检测;以点云处理算法为智能化性态感知手段,以工程结构关键性态的快速检测与精准评估为目标,以工程结构变形为关键性态,实现工程结构关键性态的快速评估与量化。
本发明的目的可以通过以下技术方案来实现:
一种基于三维点云对比分析的工程结构全场变形检测方法,包括以下步骤:
S1、点云数据生成:选择结构表面布置的人工像控点和/或天然像控点作为特征点,对结构进行图像序列采集,基于多视角光学图像完成三维点云模型重建,获得初始点云模型;
S2、点云模型预处理:对初始点云模型创建空间索引、噪声滤波、降采样处理得到便于计算的点云模型,并对点云模型进行聚类分割,得到结构的局部点云模型;
S3、多点云数据配准:基于RANSAC算法粗略计算两组局部点云的仿射变换矩阵,得到初始仿射变换矩阵,并基于ICP算法使用未降采样的点云确定精细仿射变换矩阵,对点云进行精细配准,得到精配准的相同空间维度下两组点云的局部点云配准模型;
S4、点云变形检测:基于局部点云配准模型,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法确定结构变形值。
所述S1包括以下步骤:
S101、图像序列采集:
基于贴近摄影测量的方法,布设人工像控点和/或天然像控点,规划无人机的飞行航线,获取目标的高分辨率图像序列;
S102、点云数据生成:
基于目标的高分辨率图像序列,采用运动恢复结构法进行点云的三维重建,获取初始三维点云模型。
所述S2包括以下步骤:
S201、对初始点云模型创建空间索引;
S202、噪声滤波:
对获取的结构化点云模型基于邻域算法进行去噪,得到去噪后的点云模型;
S203、点云降采样:
对去噪后的点云模型,基于体素方法进行点云降采样,在减少三维点数量的同时保留点云的几何结构特征;
S204、点云聚类分割:
S2041、针对降采样点云模型,采用RANSAC算法进行点云的初步聚类分割,通过拟合数字模型的方式获取粗提取的局部分析点云;
S2042、在获取粗提取局部分析点云数据后,进行局部分析点云的细提取,具体包括以下步骤:确定结构墙面的高度阈值,根据点云沿特定方向投影的密度完成点云分割,再基于Kmeans聚类算法剔除离散噪点,完成结构局部分析点云的细提取,得到结构的局部点云模型。
所述S3包括以下步骤:
S301、确定仿射变换矩阵:
在点云相对位姿完全未知的情况下,基于RANSAC算法进行全局搜索的匹配,粗略计算两组点云的初始仿射变换矩阵;
得到初始仿射变换矩阵后,基于ICP算法通过迭代的方式最小化距离差来估计两个点云之间的刚性变换,对未降采样的点云进行精细配准,得到精细仿射变换矩阵;
S302、点云数据配准:
基于精细仿射变换矩阵,对点云数据进行迭代计算,获得相同空间维度下的融合点云数据,即空间坐标***一的局部点云配准模型。
所述S301中的RANSAC算法具体包括以下步骤:
基于细提取的局部点云,估计两组点云中每个点的法向量,基于法向量计算每个点的FPFH特征,获取点云的几何特征数据;
基于点云的几何特征数据,通过RANSAC算法进行全局配准,从源点云P中随机选取n个随机点,通过在33维FPFH特征空间中查询最近邻,检测其在目标点云Q中的对应点,对配准点对进行多次循环迭代并根据误差最小原则选取最优结果,计算得到初始仿射变换矩阵。
所述初始仿射变换矩阵包括旋转矩阵R和平移矩阵t:
P={p1,p2,…,pn},Q={q1,q2,…,qn}
Q=RP+t
其中,P为源点云,Q为目标点云,n为选取的随机点个数。
所述S301中的ICP算法具体包括以下步骤:
基于初始仿射变换矩阵,将源点云变换到目标点云的坐标系中,完成初始化;
计算源点云与目标点云之间的差异,将差异作为评估结果:
基于ICP算法,设定距离阈值,当两组点云中的对应点距离小于阈值时即视作对应点,从而在两组点云中分别获得P,Q两组一一对应的n对新的配准点;
基于新的配准点对更新仿射变化矩阵,重复上述步骤直至评估结果满足预配置的阈值,得到精确配准的精细仿射变换矩阵。
所述S4包括以下步骤:
S401、计算不同点云重叠区域:
基于局部点云配准模型,计算不同点云的边界框,取边界框交集获得点云重叠区域;
S402、点云变形检测:
完成两组点云的重叠区域提取后,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法量化结构点云重叠区域的变形值。
所述S401具体包括以下步骤:
在两组点云基于精细仿射变换矩阵进行点云配准变换实现坐标***一后,分别计算点云的最大、最小坐标,得到点云的范围,创建边界框;
基于两组点云的边界框,在点云的变形方向上取边界框的并集,以保证两组点云的重叠区域点云得到完整的保留,其他两个方向取交集得到点云的重叠区域。
所述基于坐标系的变形检测方法具体为:在校验两组点云重叠区域的边界范围后,基于两组点云的三维坐标,借助网格切片法实现点云数据格点化,并计算结构壁面的单向C2C距离得到结构变形值;
所述基于点云配准的变形检测方法具体为:根据精细仿射变换矩阵计算点云之间的坐标差异,得到结构变形值;
所述基于坐标系和点云配准融合的变形检测方法具体为:利用基于坐标系的变形检测方法获得结构局部单向形变,利用基于点云配准的变形检测方法得到两组点云间的刚***移值;叠加结构局部单向形变和局部刚***移值,获得更准确的结构变形检测结果。
与现有技术相比,本发明具有以下有益效果:
(1)精确度高:本发明在在建基坑工程支护墙体变形提取中的准确性被验证,本发明提取的变形值与真实值相差不大,与该项目预埋测斜监测点参考变形结果对比分析,结果显示,所提出的三种变形检测方法最优时可达毫米级精度,局部检测精度可达亚毫米级,实现了工程结构表面全局变形自动检测,一定程度上满足工程实践需求。
(2)适用性广:本发明采用了摄影测量技术,可以为工程结构关键性态评估提供成本低廉、量测精准的手段,且辅以像控点控制模型坐标系,在保证尺度精确的同时,在卫星定位信号弱的场景下也可获得高精度三维点云模型。
(3)数据量全:本发明基于三维模型实现工程结构连续全场变形的量化检测,相对于二维图像,三维点云的多维信息能够更真实直观的展示实际场景,为关键性态评估结果提供了完备的数据保证。
(4)计算快速:本发明与传统变形识别方法相比,更为快速准确、具备现场条件自适应性,可以精确地获取结构全域变形,实现工程结构关键性态的快速评估与量化。
附图说明
图1为本发明的方法流程示意图;
图2为点云数据生成的流程示意图;
图3为点云变形检测流程示意图;
图4为一种实施例中的基坑壁表面变形检测结果,其中,(a)为基于坐标系的基坑壁表面变形热力图,(b)为基于配准的基坑壁表面变形热力图,(c)为基于坐标系和配准融合的基坑壁表面变形热力图;
图5为一种实施例中的测斜仪数据与各变形检测方法变形量对比结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本实施例提供一种基于三维点云对比分析的工程结构全场变形检测方法,如图1所示,包括以下步骤:
S1、点云数据生成
如图2所示,包括以下步骤:
S101、图像序列采集:
在采集图像数据前,对测绘目标进行实景调研,选择场景中天然存在且不易产生空间测绘误差的点位作为天然像控点,人工布设靶点作为人工像控点,采集像控点三维坐标信息;
基于贴近摄影测量的方法,布设像控点,规划无人机的飞行航线,获取目标的高分辨率图像序列。
S102、点云数据生成:
基于目标的高分辨率图像序列,采用运动恢复结构法进行点云的三维重建,获取初始三维点云模型。
三维点云数据具有无序性、稀疏性、非结构化等特点,由此也决定了点云数据即使蕴含了物体的三维空间属性等信息,但需要经过一系列算法处理后,才能从中提取到所需的信息,如点云预处理、点云分割、点云配准等。
S2-S4为结构变形检测步骤,其流程如图3所示。
S2、点云模型预处理:对初始点云模型创建空间索引、噪声滤波、降采样处理得到便于计算的点云模型,并对点云模型进行聚类分割,得到结构的局部点云模型。
基于三维重建获取的点云模型难以直接用于提取工程结构的关键性态量化指标,点云预处理的目的是为后续的处理生成高质量的点云。点云模型预处理通常包括空间索引创建、噪声滤波、降采样、聚类分割等。具体的,包括以下步骤:
S201、对初始点云模型创建空间索引
基于Octree算法进行大粒度的空间划分和索引创建,将点云模型的边界框围成的空间分为八个立方体(八个叶节点),删除不包含任何点集的立方体,接着将含有点集的立方体重复上述八等剖分步骤,直至立方体的棱长小于给定的叶节点粒度为止;
再基于KDTree进行细分索引,对每个维度的数据计算方差,取方差最大的维度作为初始分割坐标轴;从空间中某点出发,用垂直于分割坐标轴的超平面将整体空间剖分为二,接着在两个空间中各自重复剖分步骤,直到处理完所有空间点,获得较为有序和结构化的三维点云。
S202、噪声滤波:
对获取的结构化点云模型基于邻域算法进行去噪,得到去噪后的点云模型。
S203、点云降采样:
对去噪后的点云模型,基于体素方法进行点云降采样,在减少三维点数量的同时保留点云的几何结构特征。
S204、点云聚类分割:
S2041、针对降采样点云模型,采用RANSAC算法进行点云的初步聚类分割,通过拟合数字模型的方式获取粗提取的局部分析点云;
S2042、在获取粗提取局部分析点云数据后,进行局部分析点云的细提取,具体包括以下步骤:确定结构墙面的高度阈值,根据点云沿特定方向投影的密度完成点云分割,再基于Kmeans聚类算法剔除离散噪点,完成结构局部分析点云的细提取,得到结构的局部点云模型。
S3、多点云数据配准
在计算机视觉、模式识别和机器人技术中,点云配准,也称为或扫描匹配,是寻找对齐两个点云的空间变换(例如,缩放、旋转和平移)的过程。找到这种转换的目的包括将多个数据集合并到一个全局一致的模型(或坐标系)中,并将新的测量值映射到已知数据集以识别特征或估计其姿态。
点云配准也是多源点云数据融合的重要手段,可用于同一物体表面的小变形检测,在点云处理中意义重大。点云配准算法主要包括RANSAC算法和ICP算法。
具体的,包括以下步骤:
S301、确定仿射变换矩阵:
S3011、在点云相对位姿完全未知的情况下,基于RANSAC算法进行全局搜索的匹配,粗略计算两组点云的初始仿射变换矩阵。
RANSAC算法具体包括以下步骤:
基于细提取的局部点云,估计两组点云中每个点的法向量,基于法向量计算每个点的FPFH特征,获取点云的几何特征数据;
基于点云的几何特征数据,通过RANSAC算法进行全局配准,从源点云P中随机选取n个随机点,通过在33维FPFH特征空间中查询最近邻,检测其在目标点云Q中的对应点,对配准点对进行多次循环迭代并根据误差最小原则选取最优结果,计算得到初始仿射变换矩阵,初始仿射变换矩阵包括旋转矩阵R和平移矩阵t:
P={p1,p2,…,pn},Q={q1,q2,…,qn}
Q=RP+t
其中,P为源点云,Q为目标点云,n为选取的随机点个数。
S3012、得到初始仿射变换矩阵后,基于ICP算法通过迭代的方式最小化距离差来估计两个点云之间的刚性变换,对未降采样的点云进行精细配准,得到精细仿射变换矩阵。
ICP算法具体包括以下步骤:
基于初始仿射变换矩阵,将源点云变换到目标点云的坐标系中,完成初始化;
计算源点云与目标点云之间的差异,将差异作为评估结果:
基于ICP算法,设定距离阈值,当两组点云中的对应点距离小于阈值时即视作对应点,从而在两组点云中分别获得P,Q两组一一对应的n对新的配准点;
基于新的配准点对更新仿射变化矩阵,重复上述步骤直至评估结果满足预配置的阈值,得到精确配准的精细仿射变换矩阵。
S302、点云数据配准:
基于精细仿射变换矩阵,对点云数据进行迭代计算,获得相同空间维度下的融合点云数据,即空间坐标***一的局部点云配准模型。
S4、点云变形检测:基于局部点云配准模型,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法确定结构变形值。
具体的,包括以下步骤:
S401、计算不同点云重叠区域:
在两组点云基于精细仿射变换矩阵进行点云配准变换实现坐标***一后,分别计算点云的最大、最小坐标,得到点云的范围,创建边界框;
基于两组点云的边界框,在点云的变形方向上取边界框的并集,以保证两组点云的重叠区域点云得到完整的保留,其他两个方向取交集得到点云的重叠区域。
S402、点云变形检测:
完成两组点云的重叠区域提取后,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法量化结构点云重叠区域的变形值。
基于坐标系的变形检测方法具体为:在校验两组点云重叠区域的边界范围后,基于两组点云的三维坐标,借助网格切片法实现点云数据格点化,并计算结构壁面的单向C2C距离得到结构变形值。
基于点云配准的变形检测方法具体为:根据精细仿射变换矩阵计算点云之间的坐标差异,得到结构变形值。
基于坐标系和点云配准融合的变形检测方法具体为:利用基于坐标系的变形检测方法获得结构局部单向形变,利用基于点云配准的变形检测方法得到两组点云间的刚***移值;叠加结构局部单向形变和局部刚***移值,获得更准确的结构变形检测结果。
为验证本发明的可行性与准确性,以某在建基坑支护结构为研究对象,设计实施了两次图像数据采集试验,分别通过精细化三维重建获取相同区域不同时间下的高精度基坑壁点云数据。在完成上述一系列点云处理步骤后,提取得到无干扰的基坑壁点云数据,对两组点云的重叠区域进行提取,分别使用本发明提出的三种变形检测方法量化基坑壁重叠区域的变形,结果如图4所示。
同时该工程项目中,为监测基坑土体水平位移信息,施工方依据现场条件,遵循沿基坑延伸方向在支护墙体中每隔20m预埋一根测斜管的基本布设原则,每根测斜管中沿高度向下每0.5m设立一个测点,并每天使用测斜仪测算各测点的土体内部水平位移,仪器检测精度为毫米级。在本试验中,某区段中对应有预埋测斜点ZQT21,可以为本方法的变形精度验证提供相对精确的变形参考值。
为验证上述各方法的变形检测精度,将测斜仪对基坑壁支护结构的水平侧向变形监测结果视为变形参考值,得到各变形检测方法的对比结果如图5所示,具体的本发明检测方法与变形参考值之间的参考误差如下表1所示。
表1各变形检测结果与测斜仪结果相对误差
根据表1可以发现,基于配准的变形检测方法得到的结果与测斜仪数据基本重合;各方法的变形检测结果形状相似,但在相对变形量上有不同程度的偏移。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案,皆应在权利要求书所确定的保护范围内。
Claims (10)
1.一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,包括以下步骤:
S1、点云数据生成:选择结构表面布置的人工像控点和/或天然像控点作为特征点,对结构进行图像序列采集,基于多视角光学图像完成三维点云模型重建,获得初始点云模型;
S2、点云模型预处理:对初始点云模型创建空间索引、噪声滤波、降采样处理得到便于计算的点云模型,并对点云模型进行聚类分割,得到结构的局部点云模型;
S3、多点云数据配准:基于RANSAC算法粗略计算两组局部点云的仿射变换矩阵,得到初始仿射变换矩阵,并基于ICP算法使用未降采样的点云确定精细仿射变换矩阵,对点云进行精细配准,得到精配准的相同空间维度下两组点云的局部点云配准模型;
S4、点云变形检测:基于局部点云配准模型,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法确定结构变形值。
2.根据权利要求1所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S1包括以下步骤:
S101、图像序列采集:
基于贴近摄影测量的方法,布设人工像控点和/或天然像控点,规划无人机的飞行航线,获取目标的高分辨率图像序列;
S102、点云数据生成:
基于目标的高分辨率图像序列,采用运动恢复结构法进行点云的三维重建,获取初始三维点云模型。
3.根据权利要求1所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S2包括以下步骤:
S201、对初始点云模型创建空间索引;
S202、噪声滤波:
对获取的结构化点云模型基于邻域算法进行去噪,得到去噪后的点云模型;
S203、点云降采样:
对去噪后的点云模型,基于体素方法进行点云降采样,在减少三维点数量的同时保留点云的几何结构特征;
S204、点云聚类分割:
S2041、针对降采样点云模型,采用RANSAC算法进行点云的初步聚类分割,通过拟合数字模型的方式获取粗提取的局部分析点云;
S2042、在获取粗提取局部分析点云数据后,进行局部分析点云的细提取,具体包括以下步骤:确定结构墙面的高度阈值,根据点云沿特定方向投影的密度完成点云分割,再基于Kmeans聚类算法剔除离散噪点,完成结构局部分析点云的细提取,得到结构的局部点云模型。
4.根据权利要求1所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S3包括以下步骤:
S301、确定仿射变换矩阵:
在点云相对位姿完全未知的情况下,基于RANSAC算法进行全局搜索的匹配,粗略计算两组点云的初始仿射变换矩阵;
得到初始仿射变换矩阵后,基于ICP算法通过迭代的方式最小化距离差来估计两个点云之间的刚性变换,对未降采样的点云进行精细配准,得到精细仿射变换矩阵;
S302、点云数据配准:
基于精细仿射变换矩阵,对点云数据进行迭代计算,获得相同空间维度下的融合点云数据,即空间坐标***一的局部点云配准模型。
5.根据权利要求4所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S301中的RANSAC算法具体包括以下步骤:
基于细提取的局部点云,估计两组点云中每个点的法向量,基于法向量计算每个点的FPFH特征,获取点云的几何特征数据;
基于点云的几何特征数据,通过RANSAC算法进行全局配准,从源点云P中随机选取n个随机点,通过在33维FPFH特征空间中查询最近邻,检测其在目标点云Q中的对应点,对配准点对进行多次循环迭代并根据误差最小原则选取最优结果,计算得到初始仿射变换矩阵。
6.根据权利要求5所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述初始仿射变换矩阵包括旋转矩阵R和平移矩阵t:
P={p1,p2,…pn},Q={q1,q2,…,qn}
Q=RP+t
其中,P为源点云,Q为目标点云,n为选取的随机点个数。
7.根据权利要求6所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S301中的ICP算法具体包括以下步骤:
基于初始仿射变换矩阵,将源点云变换到目标点云的坐标系中,完成初始化;
计算源点云与目标点云之间的差异,将差异作为评估结果:
基于ICP算法,设定距离阈值,当两组点云中的对应点距离小于阈值时即视作对应点,从而在两组点云中分别获得P,Q两组一一对应的n对新的配准点;
基于新的配准点对更新仿射变化矩阵,重复上述步骤直至评估结果满足预配置的阈值,得到精确配准的精细仿射变换矩阵。
8.根据权利要求1所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S4包括以下步骤:
S401、计算不同点云重叠区域:
基于局部点云配准模型,计算不同点云的边界框,取边界框交集获得点云重叠区域;
S402、点云变形检测:
完成两组点云的重叠区域提取后,针对三种不同场景分别采用基于坐标系的变形检测方法、基于点云配准的变形检测方法或基于坐标系和点云配准融合的变形检测方法量化结构点云重叠区域的变形值。
9.根据权利要求8所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述S401具体包括以下步骤:
在两组点云基于精细仿射变换矩阵进行点云配准变换实现坐标***一后,分别计算点云的最大、最小坐标,得到点云的范围,创建边界框;
基于两组点云的边界框,在点云的变形方向上取边界框的并集,以保证两组点云的重叠区域点云得到完整的保留,其他两个方向取交集得到点云的重叠区域。
10.根据权利要求8所述的一种基于三维点云对比分析的工程结构全场变形检测方法,其特征在于,所述基于坐标系的变形检测方法具体为:在校验两组点云重叠区域的边界范围后,基于两组点云的三维坐标,借助网格切片法实现点云数据格点化,并计算结构壁面的单向C2C距离得到结构变形值;
所述基于点云配准的变形检测方法具体为:根据精细仿射变换矩阵计算点云之间的坐标差异,得到结构变形值;
所述基于坐标系和点云配准融合的变形检测方法具体为:利用基于坐标系的变形检测方法获得结构局部单向形变,利用基于点云配准的变形检测方法得到两组点云间的刚***移值;叠加结构局部单向形变和局部刚***移值,获得更准确的结构变形检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367251.2A CN116518864A (zh) | 2023-04-07 | 2023-04-07 | 一种基于三维点云对比分析的工程结构全场变形检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310367251.2A CN116518864A (zh) | 2023-04-07 | 2023-04-07 | 一种基于三维点云对比分析的工程结构全场变形检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116518864A true CN116518864A (zh) | 2023-08-01 |
Family
ID=87402106
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310367251.2A Pending CN116518864A (zh) | 2023-04-07 | 2023-04-07 | 一种基于三维点云对比分析的工程结构全场变形检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116518864A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115140A (zh) * | 2023-09-25 | 2023-11-24 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
CN117726673A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人***有限公司 | 焊缝位置获得方法、装置及电子设备 |
-
2023
- 2023-04-07 CN CN202310367251.2A patent/CN116518864A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117115140A (zh) * | 2023-09-25 | 2023-11-24 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
CN117115140B (zh) * | 2023-09-25 | 2024-04-05 | 重庆大学溧阳智慧城市研究院 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
CN117726673A (zh) * | 2024-02-07 | 2024-03-19 | 法奥意威(苏州)机器人***有限公司 | 焊缝位置获得方法、装置及电子设备 |
CN117726673B (zh) * | 2024-02-07 | 2024-05-24 | 法奥意威(苏州)机器人***有限公司 | 焊缝位置获得方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
Holgado‐Barco et al. | Semiautomatic extraction of road horizontal alignment from a mobile LiDAR system | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
CN104574393A (zh) | 一种三维路面裂缝图像生成***和方法 | |
CN112465732A (zh) | 一种车载激光点云与序列全景影像的配准方法 | |
Xu et al. | A 3D reconstruction method for buildings based on monocular vision | |
Kwak | Automatic 3D building model generation by integrating LiDAR and aerial images using a hybrid approach | |
Tsakiri et al. | Change detection in terrestrial laser scanner data via point cloud correspondence | |
Guo et al. | Extraction of dense urban buildings from photogrammetric and LiDAR point clouds | |
Hammoudi et al. | Extracting building footprints from 3D point clouds using terrestrial laser scanning at street level | |
Özdemir et al. | A multi-purpose benchmark for photogrammetric urban 3D reconstruction in a controlled environment | |
CN114494385A (zh) | 一种输水隧洞病害可视化预警方法 | |
Yamaguchi et al. | Quantitative road crack evaluation by a U‐Net architecture using smartphone images and Lidar data | |
Demir | Automated detection of 3D roof planes from Lidar data | |
Zhao et al. | Intelligent segmentation method for blurred cracks and 3D mapping of width nephograms in concrete dams using UAV photogrammetry | |
Ahmad et al. | Generation of three dimensional model of building using photogrammetric technique | |
Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry | |
Ridene et al. | Registration of fixed-and-mobile-based terrestrial laser data sets with DSM | |
Lee et al. | Determination of building model key points using multidirectional shaded relief images generated from airborne LiDAR data | |
Yılmaztürk et al. | Measurement of deflections in buried flexible pipes by close range digital photogrammetry | |
CN115713548A (zh) | 一种多期实景三维模型自动配准方法 | |
Jung et al. | Progressive modeling of 3D building rooftops from airborne Lidar and imagery | |
CN114136335A (zh) | 一种基于无人机倾斜摄影测量的空中三角形精度分析方法 | |
CN114255051A (zh) | 基于立体测绘卫星的正射产品的真实性检验方法 | |
CN114529682A (zh) | 一种机载热红外影像建筑物真三维温度场构建方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |