(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210226606.1 (22)申请日 2022.03.09 (71)申请人 哈尔滨工业大 学水资源国家工程研 究中心有限公司 地址 150000 黑龙江省哈尔滨市松北区科 技二街1111号支8房间号1915室 申请人 郑州大学 (72)发明人 赵焱　郑成志　张昭君　钟汶均　 方宏远　王念念　庞高兆　 (74)专利代理 机构 成都东恒知盛知识产权代理 事务所 (特殊普通合伙) 51304 专利代理师 李英 (51)Int.Cl. G06V 20/10(2022.01)G06V 10/44(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/08(2006.01) G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 7/62(2017.01) G06T 7/80(2017.01) (54)发明名称 一种基于PointNet++神经网络混凝土管道 损伤识别与体积量 化方法 (57)摘要 本发明公开了一种基于PointNet++神经网 络混凝土 管道损伤识别与体积量化方法， 包括获 取混凝土 管道损伤三维点云数据集， 数据处理及 划分， 构建PointNet++神经网络模型并训练， 模 型调参， 模型测试和体积量化的步骤。 本发明方 法研发了适用于混凝土管道损伤检测与体积量 化的PointNet++神经网络算法， 基于深度相机采 集的三维数据进行模型训练， 提高方法的鲁棒性 和泛化能力， 采用参数化点云投影并进行配准， 利用球旋转算法自动完成损伤三维重建及体积 量化， 提高了混凝土管道损伤的识别效率和准确 度。 权利要求书2页 说明书5页 附图2页 CN 114758222 A 2022.07.15 CN 114758222 A 1.一种基于PointNet++神经网络混凝土管道损伤识别与体积量化方法， 其特征在于， 包括如下步骤： S1、 获取混凝土管道损伤三维点云数据集： 采集混凝土管道损伤深度图像， 并将其生成 三维点云， 得到三维点云数据集； S2、 数据处理及划分： 将步骤S1得到的三维点云数据集进行分类标注， 然后采用数据增 强方法进行扩增， 最后将数据集划分为训练集， 验证集和 测试集； S3、 构建PointNet++神经网络模型并训练： 构建PointNet++神经网络模型并采用高斯 初始化的方法对模 型进行初始化， 设置超参数， 将训练集导入Point Net++神经网络模 型， 进 行模型的训练； S4、 模型调参： 按顺序调整超参数， 将验证集数据导入到模型， 对比不同超参数下模型 的损失值及准确率的变化曲线， 寻找最优 超参数， 得到最优Po intNet++神经网络模型； S5、 模型测试： 将测试集数据 导入到最优PointNet ++神经网络模型进行测试， 输出各项 数值评价指标， 判断是否 达到预期值； S6、 体积量化： 分割损伤并根据管道表面参数对损伤点云投影， 并与原损伤点云配准生 成完整损伤点云， 使用球旋转算法进行三维完整损伤点云边缘检测， 完成混凝土管道三维 曲面重建， 对重建的损伤体积进行有效性检测， 完成体积量 化。 2.根据权利 要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述 步骤S1中获取混凝 土管道损伤三维点云数据集的具体步骤为： S11、 通过深度相机采集混凝 土管道损伤深度图像， 得到原 始深度数据集； S12、 将数据集中的深度图像转 化为分辨率是640×576像素的图像； S13、 使用matlab 对深度相机内参进行标定， 利用相机内参将深度数据 转化为世界坐标 下的三维点云， 得到三维点云数据集。 3.根据权利 要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述步骤S2中的分类标注是采用CloudCompare标注 程序来进行分类标注， 并将其分类标注为 正常或破损； 所述数据增强方法包括平移变换、 尺度缩放、 旋转变换、 对称变换、 拉伸变换或抖动变 换； 所述的数据集划 分具体是采用python分类程序将数据集按6： 3： 1的比例分为训练集， 验证集和 测试集。 4.根据权利 要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述步骤S3中的高斯初始化是从具有固定均值和标准差的高斯分布中获 得权重值； 所述的超参数为学习率， 总迭代次数， 三维点云数目和衰减率。 5.根据权利 要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述 步骤S5中的各项数值评价指标包括精度， 准确率和召回率。 6.根据权利 要求1所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述的步骤S6的具体步骤为： S61、 利用训练完成的Po intNet++神经网络分割混凝 土管道损伤； S62、 损伤点云投影： 进行损伤三维点云投影的曲面参数通过PointNet ++分割的正常混 凝土管道三维点云得 出；权　利　要　求　书 1/2 页 2 CN 114758222 A 2S63、 投影点云与损伤点云配准后， 使用球旋转算法进行三维完整损伤点云边缘检测， 完成混凝 土管道三维曲面重建， 对重建的损伤体积进行有效性检测， 完成体积量 化。 7.根据权利 要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述 步骤S63中投影点云与损伤点云配准所采用的配准方法为GICP算法。 8.根据权利 要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述 步骤S63中有效性检测的指标为相对误差、 平均相对误差值。 9.根据权利 要求6所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化方 法， 其特征在于： 所述步骤S63中的球旋转算法通过控制球旋转半径检测点云的边缘点， 完 成曲面重建。 10.根据权利要求8所述的基于PointNet++神经网络混凝土管道损伤识别与体积量化 方法， 其特征在于： 所述的相对误差值 REV为真实体积与测试体积之差的绝对值与真实体积 的比值, 所述的平均相对误差值MRE为相对误差值的平均值, 权　利　要　求　书 2/2 页 3 CN 114758222 A 3