[发明专利]基于深度学习的管道三维重建方法、系统、介质及设备

说明书

本公开提供了一种基于深度学习的管道三维重建方法、系统、介质及设备，涉及管道三维重建技术领域，利用深度学习方法学习点云的特征，至少得到点所属组件的类别、点所属组件的半径和点的方向向量；利用点所属组件的半径和点的方向向量计算轴线点，结合点所属组件的类别标签对轴线点进行聚类得到候选实例；用基于图的方法得到不同候选实例之间的连接关系，以组件为节点构成图的结构；用实际的三维组件模型替代图中的节点以完成整个管道重建；本公开解决了现有的管道三维重建准确度较低的问题，将普通的管道重建问题的复杂度降为组件检测和模型拟合问题的组合，实现了管道的准确三维重建。

技术领域

本公开涉及管道三维重建技术领域，特别涉及一种基于深度学习的管道三维重建方法、系统、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

发电厂、石化厂及其他工厂的高质量三维模型在许多应用中都是至关重要的，包括灾难模拟、监测和执行培训。工业基地是根据特定的规划建造的，通常结合3D CAD模型。然而，建立一个完整而精确的三维模型是一项艰巨的任务。此外，这些模型可能不存在于较老的设施中，或者不能反映场地的当前外观。如今，现代激光扫描仪可以高精度地捕捉三维表面和几何图形，生成密集的点云采样。然而，在三维管道的场景中，捕获表面几何形状是特别具有挑战性的。

本公开发明人发现，由于管道在功能上的重要性和普遍性，它是许多工业场所的主要结构。它们是由长圆柱体定义的薄结构，这些长圆柱体组织在稠密而复杂的结构中。虽然管道仅仅是圆柱形的基本形状，可以很容易地定义为其轴线和半径，但它们往往包含额外的部件，如法兰、阀门、进气口、弯头、三通等。因此，管道表面小，结构复杂导致的自遮挡严重，部分缺失，采样不足等问题都容易造成管道三维扫描及重建的误差。

目前，点云三维管道重建的一种常见方法是基于几何处理和拟合。

这类的方法的关键是找到圆柱的半径和轴线的位置。常采用的方法是使用RanSac，霍夫变换等方法进行拟合以检测圆柱，主要是对工业厂房中的圆柱管道进行恢复。

有技术人员提出了将三维工厂重建问题简化为将管道投影到平面后二维圆的检测问题。但是，这种方法仅限于与地面垂直或平行的管道。这一类的工作只检测到直管道，而弯管等关节的地方无法自动恢复。虽然改进的霍夫变换实现了对点云中柱面参数的自动检测，之后重建圆柱之间的连接关系形成一个连续的网络，最后使用智能工厂3D(SP3D)处理数据从而重建整个管道，但是连接关系的恢复是依靠预定义的几种连接规则进行推测，有较高的不确定性。而且这种方法存在局部性问题，很少能够重建具有精确连通性的完整的火电厂等模型。自底向上的原始拟合技术也对噪声和异常值很敏感，因为它们缺乏全局和内容感知方面的考虑。虽然圆柱形通常是这些位置的主要几何形状，但实际数据包含大量其他结构，如法兰、阀门、进气口、弯头、三通等，如图1所示。商业软件EdgeWise也可用于交互式地重构管道运行，然而，这些软件产品通常需要大量的手工工作。

发明内容

为了解决现有技术的不足，本公开提供了一种基于深度学习的管道三维重建方法、系统、介质及设备，将普通的管道重建问题的复杂度降为组件检测和模型拟合问题的组合，实现了管道的准确三维重建。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于深度学习的管道三维重建方法。

一种基于深度学习的管道三维重建方法，包括以下步骤：

获取管道的点云数据，利用深度学习方法学习点云的特征，至少得到点所属组件的类别、点所属组件的半径和点的方向向量；

利用点所属组件的半径和点的方向向量计算轴线点，结合点所属组件的类别标签对轴线点进行聚类得到候选实例；

用基于图的方法得到不同候选实例之间的连接关系，以组件为节点构成图的结构；