[发明专利]一种基于无人机与深度学习的桥梁形象进度自动识别方法

权利要求书

1.一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于，包括以下步骤：

S1、通过无人机航拍桥梁图像，经处理生成桥梁点云模型，并补全模型缺失处点云数据；

S2、将生成的桥梁点云模型进行人工标注，并划分为成训练集、验证集和测试集，将点云数据进行预处理，得到用于模型训练的数据；

S3、建立深度学习网络模型，输入经过步骤S2处理的桥梁点云数据，通过局部特征聚合模块和注意力池化模块后提取出数据特征，训练得到具有自动识别桥梁点云构件的语义分割网络模型；

S4、将测试数据输入训练好的网络模型中，将测试集中桥梁点云主要构件用不同颜色自动显示；

S5、对两个不同施工时期的桥梁点云识别结果进行后处理，比较桥梁主要构件数量的变化，将变化部分点云用其他颜色显示，实现桥梁形象进度自动识别。

2.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S1具体步骤如下：

S101、采用无人机对桥梁结构进行倾斜摄影，生成桥梁倾斜摄影模型；

S102、进行精细化的无人机航线规划，获取多角度全方位的桥梁图像；

S103、处理无人机航拍图像，生成精细化桥梁点云模型，并补全模型缺失的点云数据。

3.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S102中，规划的无人机精细化航线需要编写KML文件，文件中应该包括航点的经纬度、海拔高度坐标和每个航点处无人机执行的动作指令信息，生产的KML文件需要导入到无人机中。

4.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S103中，通过后期处理来补全模型缺失的点云数据：找到模型缺失所在位置，手动飞行无人机拍摄该位置图像，重新生成完整精确的点云模型。

5.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S2中，用于桥梁点云数据标注的软件为CloudCompare，标注好的数据集按照7:2:1划分为训练集、验证集和测试集，经过后处理后生成txt文件、pkl文件和ply文件，输入网络进行训练。

6.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S3中，深度学习网络模型为RandLA-Net模型，该网络通过使用四个编码器和解码器来学习点的特征，最后使用一个全连接层来预测每个点的语义信息，在聚合特征的过程中采用了注意力机制，每一编码层都在进行下采样的同时进行特征升维；对于解码层，首先用KNN算法寻找每个点云的最近邻点，然后通过最邻近插值对点的特征集合进行上采样，并通过跳跃层连接上采样特征与编码层产生的中间特征，最后输入MLP结构对每个点的语义信息进行预测。

7.根据权利要求6所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S3中，RandLA-Net模型采用基于权重的交叉熵损失，损失计算公式如下：

其中，ω_x为某类别权重，取为该类别标签点数量的倒数，y_true为实际标签值，y_pred为实际预测的概率值。

8.根据权利要求1所述的一种基于无人机与深度学习的桥梁形象进度自动识别方法，其特征在于：步骤S3中，局部特征聚合模块包括一个相对位置编码单元，用于将输入点云块的空间坐标、相对位置坐标、中心点坐标和相对距离进行特征拼接，以提供给网络更丰富的几何信息。