基于無(wú)人機(jī)路徑規(guī)劃與深度學(xué)習(xí)的橋梁點(diǎn)云自動(dòng)化分割研究

摘要：為推動(dòng)橋梁管養(yǎng)事業(yè)發(fā)展的數(shù)字化、智能化和精細(xì)化，保障其安全服役，提出基于無(wú)人機(jī)路徑規(guī)劃與深度學(xué)習(xí)的橋梁點(diǎn)云自動(dòng)化分割方法. 首先對(duì)橋梁結(jié)構(gòu)進(jìn)行傾斜攝影建模，根據(jù)模型提供的空間信息，對(duì)橋面板、橋側(cè)、橋墩和橋底四部分分別進(jìn)行無(wú)人機(jī)飛行路徑精細(xì)化規(guī)劃，并按照新路徑執(zhí)行航拍任務(wù)，進(jìn)行三維重建. 其次，通過(guò)實(shí)橋試驗(yàn)進(jìn)行方法驗(yàn)證，根據(jù)目標(biāo)分辨率確定無(wú)人機(jī)飛行高度、航向和旁向重疊率等飛行參數(shù)，編寫(xiě)KML文件導(dǎo)入無(wú)人機(jī)，經(jīng)驗(yàn)證重建所得的橋梁三維點(diǎn)云模型精度達(dá)到毫米級(jí). 最后，制作點(diǎn)云語(yǔ)義分割數(shù)據(jù)集，將點(diǎn)云數(shù)據(jù)劃分為背景、橋面板、橋墩和蓋梁四類，采用輕量高效的RandLA-Net算法進(jìn)行橋梁構(gòu)件語(yǔ)義分割，結(jié)果MIoU值為98.77%，各類別構(gòu)件IoU值在95.46%以上，在橋梁點(diǎn)云的自動(dòng)化分割上取得了良好的效果.

關(guān)鍵詞：橋梁工程；三維點(diǎn)云；橋梁管養(yǎng)；自動(dòng)化分割；無(wú)人機(jī)路徑規(guī)劃

中圖分類號(hào)：U446.3 文獻(xiàn)標(biāo)志碼：A

橋梁是國(guó)家交通基礎(chǔ)設(shè)施之間互聯(lián)互通的重要節(jié)點(diǎn)和樞紐工程，對(duì)國(guó)民經(jīng)濟(jì)的建設(shè)和人民生活的安全具有重要的保障作用［1］. 自20 世紀(jì)90 年代開(kāi)始，我國(guó)公路橋梁事業(yè)步入大力發(fā)展階段，截至2022年底，全國(guó)公路橋梁總數(shù)為103.32萬(wàn)座、8 576.49萬(wàn)米［2］. 在我國(guó)橋梁建設(shè)取得令人矚目成績(jī)的同時(shí)，橋梁結(jié)構(gòu)安全問(wèn)題也愈發(fā)突出. 由于路網(wǎng)交通流量顯著增加、超載現(xiàn)象頻發(fā)和管養(yǎng)技術(shù)人員缺乏，一些橋梁，尤其是服役時(shí)間超過(guò)20年的混凝土橋梁，已經(jīng)出現(xiàn)了各種程度的結(jié)構(gòu)退化，故提升橋梁養(yǎng)護(hù)的成效及效率，保障橋梁結(jié)構(gòu)安全服役，已經(jīng)成為一個(gè)重要的研究命題. 對(duì)橋梁結(jié)構(gòu)進(jìn)行逆向建模，自動(dòng)識(shí)別橋梁主要構(gòu)件是生成橋梁數(shù)字底座的重要基礎(chǔ)工作，對(duì)實(shí)現(xiàn)橋梁管養(yǎng)信息化、智能化和精細(xì)化具有重要意義.

無(wú)人機(jī)具有機(jī)動(dòng)靈活和成本效益高的特點(diǎn)，能夠獲得高分辨率的影像數(shù)據(jù)，已經(jīng)被廣泛應(yīng)用于測(cè)繪、交通以及防災(zāi)減災(zāi)等領(lǐng)域. 劉洋［3］將無(wú)人機(jī)傾斜攝影測(cè)量技術(shù)應(yīng)用于遙感領(lǐng)域，通過(guò)無(wú)人機(jī)獲取城市圖像，并根據(jù)攝影圖像獲取城市三維模型. 楊力龍［4］采用小型無(wú)人機(jī)傾斜攝影技術(shù)獲取高陡邊坡影像，結(jié)合工程實(shí)例對(duì)危巖體勘察評(píng)估. 茍彥梅［5］設(shè)計(jì)無(wú)人機(jī)傾斜攝影航線方案，獲取石窟高分辨影像，重建了石窟類型文物高精度的三維模型，為文物保護(hù)工程提供數(shù)據(jù)基礎(chǔ). 龐浚疑［6］研究了適用于無(wú)人機(jī)傾斜攝影數(shù)據(jù)采集的最優(yōu)方法和模型精度的影響因素，并應(yīng)用于道路和橋梁工程的三維實(shí)景模型重建中.

為提高無(wú)人機(jī)傾斜攝影獲取的模型精度，制定合理的路徑規(guī)劃方案是必須的. Martin等［7］提出了一種基于無(wú)人機(jī)的大型基礎(chǔ)設(shè)施（如管道和運(yùn)河等）三維建模的新方法，通過(guò)對(duì)運(yùn)河環(huán)境的模擬設(shè)計(jì)出新的飛行航線，與傳統(tǒng)航線相比，在保證模型精度的前提下，總飛行時(shí)間減少55%，同時(shí)待處理的圖像數(shù)據(jù)量減少89%. Roberts等［8］提出一種自動(dòng)生成無(wú)人機(jī)軌跡的方法，通過(guò)對(duì)三個(gè)大型的戶外場(chǎng)景進(jìn)行掃描來(lái)評(píng)估該方法的有效性，結(jié)果表明采用該方法規(guī)劃的軌跡能夠獲取更高精度的三維模型. Bircher等［9］提出了一種利用無(wú)人機(jī)進(jìn)行自主結(jié)構(gòu)檢測(cè)作業(yè)的三維覆蓋路徑規(guī)劃新算法，通過(guò)交替的兩步優(yōu)化算法計(jì)算更短航行路徑，以實(shí)現(xiàn)在較短飛行路徑的情況下對(duì)目標(biāo)的完全覆蓋.

對(duì)點(diǎn)云進(jìn)行有效的分割是點(diǎn)云應(yīng)用研究的前提. 基于神經(jīng)網(wǎng)絡(luò)的分割方法日漸成熟，代表性的算法包括PointNet［10］和PointNet++［11］等. 目前，一些基于原始點(diǎn)云的深度學(xué)習(xí)算法已經(jīng)成功應(yīng)用于橋梁點(diǎn)云的語(yǔ)義分割中［12-15］. Zhao等［16］結(jié)合多尺度特征聚合和PointNet算法提出了一種新的網(wǎng)絡(luò)模型，提高了點(diǎn)云局部特征信息的利用率，實(shí)現(xiàn)對(duì)大規(guī)模場(chǎng)景點(diǎn)云數(shù)據(jù)的分類，在Semantic3D和Vaihingen城市數(shù)據(jù)集中取得較好的試驗(yàn)效果. Soilán等［17］證明了Point?Net網(wǎng)絡(luò)在室外點(diǎn)云中的語(yǔ)義分割應(yīng)用的能力，對(duì)地面、植被和建筑等元素的分割取得了較好的效果.Kim等［18］采用PointNet算法實(shí)現(xiàn)橋梁結(jié)構(gòu)部件的語(yǔ)義分割，通過(guò)將橋梁點(diǎn)云劃分為多個(gè)小塊并進(jìn)行采樣，提取2 048個(gè)點(diǎn)輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練與預(yù)測(cè)，并通過(guò)對(duì)比在不同長(zhǎng)度橋梁子塊下的分割效果，確定了最佳的劃分長(zhǎng)度. Kim 等［19］比較了PointCNN、DGCNN 和PointNet 在橋梁點(diǎn)云的語(yǔ)義分割中的表現(xiàn)，通過(guò)簡(jiǎn)單地將每座橋分成兩半，在相同的橋梁上訓(xùn)練和測(cè)試深度學(xué)習(xí)模型，由于采用的訓(xùn)練集和測(cè)試集之間存在高度相似，最終的分割效果普遍性被質(zhì)疑. 總地來(lái)說(shuō)，以上方法仍存在難以直接處理大規(guī)模點(diǎn)云的問(wèn)題，使用這些方法需要預(yù)先將點(diǎn)云劃分為小塊，這會(huì)對(duì)點(diǎn)云分割精度產(chǎn)生影響.