论文部分内容阅读
为了保证行车安全，铁路部门需要周期性地对接触网进行巡检与维护。而随着铁路运营里程的不断增长，智能且高效的接触网巡检手段已然成为一种迫切的需求。移动激光扫描(MLS)作为一种通过移动的激光雷达快速采集三维点云的技术，已被运用到接触网巡检中，用以测量接触线的导高、拉出等几何参数。从点云场景中识别出接触网零部件，是使用MLS技术测量接触网零部件几何参数的一个关键前提。然而，接触网结构复杂、零部件种类繁多和巡检采集的MLS点云数据量庞大等因素，无疑增加了从MLS点云中识别接触网零部件的难度。时至今日，如何基于MLS点云对各类零部件进行识别和测量，仍是接触网巡检的智能化进程中需要解决的一个关键问题。
为了解决在MLS点云场景中对多类接触网零部件进行识别的难题，本文针对基于移动二维激光雷达的MLS点云采集方案，结合基于深度学习的点云语义分割理论，设计了一种在点级别(Point Level)上精细识别多类接触网零部件的方法。本文主要工作如下：
1、提出了一种逐帧提取MLS点云局部特征的方法。该方法先利用一种迭代的局部区域构造算法在每一帧点云中构造二维的局部区域，接着使用PointNet从局部区域中提取特征，最后通过循环神经网络(RNN)对特征进行融合，得到MLS点云的局部特征。这种特征提取方法避免了在不同帧之间计算点与点的相对关系，降低了特征提取的计算开销。
2、设计了流处理和批处理两种点云语义分割模型。这两种模型都基于本文提出的局部特征提取方法多尺度地提取点云的局部特征。而在RNN的选型上，二者有所不同：流处理模型选用单向RNN进行特征融合，支持在线地对新采集到的数据进行语义分割；而批处理模型在数据采集完成后，通过双向RNN融合特征，进而得到更准确的局部特征描述。相比流处理模型，批处理模型有更快的数据处理速度和更高的点云分割准确率。
3、利用真实接触网MLS点云对本文提出的模型进行训练和测试，并使用不同的配置参数在特征融合操作和多尺度特征提取操作方面进行了对比实验。流处理模型和批处理模型在测试集上的点云语义分割平均交并比(mIoU)分别达到了96.12%和97.17%。而对比实验则表明，特征融合操作和多尺度特征提取操作在消除分类错误方面发挥了重要作用。
为了解决在MLS点云场景中对多类接触网零部件进行识别的难题，本文针对基于移动二维激光雷达的MLS点云采集方案，结合基于深度学习的点云语义分割理论，设计了一种在点级别(Point Level)上精细识别多类接触网零部件的方法。本文主要工作如下：
1、提出了一种逐帧提取MLS点云局部特征的方法。该方法先利用一种迭代的局部区域构造算法在每一帧点云中构造二维的局部区域，接着使用PointNet从局部区域中提取特征，最后通过循环神经网络(RNN)对特征进行融合，得到MLS点云的局部特征。这种特征提取方法避免了在不同帧之间计算点与点的相对关系，降低了特征提取的计算开销。
2、设计了流处理和批处理两种点云语义分割模型。这两种模型都基于本文提出的局部特征提取方法多尺度地提取点云的局部特征。而在RNN的选型上，二者有所不同：流处理模型选用单向RNN进行特征融合，支持在线地对新采集到的数据进行语义分割；而批处理模型在数据采集完成后，通过双向RNN融合特征，进而得到更准确的局部特征描述。相比流处理模型，批处理模型有更快的数据处理速度和更高的点云分割准确率。
3、利用真实接触网MLS点云对本文提出的模型进行训练和测试，并使用不同的配置参数在特征融合操作和多尺度特征提取操作方面进行了对比实验。流处理模型和批处理模型在测试集上的点云语义分割平均交并比(mIoU)分别达到了96.12%和97.17%。而对比实验则表明，特征融合操作和多尺度特征提取操作在消除分类错误方面发挥了重要作用。