[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

权利要求书

1.一种基于深度学习的管道三维重建方法，其特征在于，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；具体为：

针对每一个候选的组件实例，得到候选骨架；

通过迭代求最小生成树的最长路径的方法得到管道的整体骨架；

根据聚类情况，将初始的不可靠的局部先验检测嵌入到一个处理框架中，该框架考虑全局属性和语义结构，采用了聚类和图相结合的技术来过滤检测结果，使用规则优化图结构，得到实例之间的初始连接关系；

根据规则优化图架构，使得组件之间的连接关系合理；

依据连接关系和轴线点计算骨架；

依据实例骨架得到整体框架；

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。

2.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，采用PointCNN卷积神经网络来实现点云的特征学习，输出点所属组件的类别、点所属组件的半径和点的方向向量。

3.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，所述轴线点的计算方法，具体为：

a_i＝p_i+o_i×r_i

其中，p_i为扫描点，r_i为点所属组件的半径，o_i为点的方向向量。

4.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，利用点所属组件的类别标签，使用聚类算法DBSCAN对轴线点进行聚类，得到场景中各个候选实例集合，进而得到每个轴线点所在的实例编号和每个实例对应的轴线点。

5.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，针对每一个候选的组件实例，得到候选骨架，具体为：

模板的骨架通过端点和线表示的，首先根据实例的轴线点数加密模板骨架上的点数，使得模板骨架上的点数和实例的轴线点数一样；

利用ICP匹配算法将模板的骨架放置合适的位置，得到实例的候选骨架。

6.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，根据聚类情况，得到实例之间的初始连接关系，具体为：

根据每个轴线点对应的实例标签得到路径上的所有实例，得到每个实例在路径上的起始和结束位置；

根据起始和结束位置得到在此路径上实例之间的连接关系；如果一个实例的起始和结束区间在另一个实例区间之内，则删掉此实例；如果两个实例的起始和结束区间重合度高于阈值，则删掉拥有点数少的实例；

依次处理完所有的无环路径，得到所有实例之间的初始关系。

7.如权利要求1所述的基于深度学习的管道三维重建方法，其特征在于，

根据规则优化图架构，使得组件之间的连接关系合理，所述规则具体为：

直管：至多有两个邻居，且邻居实例的朝向需要相同；

法兰：至多有两个邻居，且邻居实例的朝向需要相同；

弯管：至多有两个邻居，与此组件相接的两个邻居端点的法向相互垂直；

三通：有三个邻居，与此组件相邻接的三个邻居端点需要构成三通的布局；

四通：有四个邻居，与此组件相邻接的四个邻居端点需要构成四通的布局；

若是不满足规则，则判定网络预测的组件类别标签出错，则进行标记；根据标记更新实例之间的连接关系，如果邻接的端点的方向向量成垂直的状态，则在两个实例之间添加弯管实例。