高速公路激光点云语义分割技术探索.pdf
《高速公路激光点云语义分割技术探索.pdf》由会员分享,可在线阅读,更多相关《高速公路激光点云语义分割技术探索.pdf(5页珍藏版)》请在咨信网上搜索。
1、西南公路有较高的安全性要求,在选择系统组网方案、节能3.6优势算法等必须以不影响行车安全为基本前提。为此,KNX&DALI网关除了基本的照明调光控制外,还能实时采集灯具的状态信息,实现对照明灯需要进行充分的试点实践,获取更多隧道、更详尽具的在线监测。的交通量分布等数据信息,以实际应用的实测数据基于KNX&DALI的公路隧道照明调光控制系为基础进一步优化完善系统,确保安全可靠。统还具有:同时,系统方案要兼顾全生命期的成本,一方(1)标准统一:KNX(KNXnet/IP)、DALI 在面尽可能利用隧道监控系统的资源,另一方面需要全球获得广泛认可,有国际标准ISO/IEC14543-3、在选择安全可
2、靠、成本合理、节能高效的优化解决IEC62386、国家标准GB/T20965、GB/T30104)进方案。行规范和统一。本文提出的公路隧道照明系统在节能效益、行(2)通用性强:KNX(KNXnet/IP)、DALI 车安全、实施成本等方面的获得了较好的平衡。并标准独立于制造商,产品认证能确保不同厂商产品且,该系统能够与隧道监控系统进行有机融合,有的互操作性和交互性。利于实现统一管理,在引大数据分析、人工智能算(3)控制统一:控制软件ETS(Engineering 法之后,推动公路隧道照明的智慧化发展。ToolsSoftware)独立于制造商,支持同一系统使用参 考 文 献不同品牌设备。(4)网
3、络安全:KNX的IP安全成为国际安全1 交通运输部.2021年交通运输行业发展统计公报EB/OL.2022-05-25.2 刘松荣,赵卫斌,史玲娜,等.基于质量提升的隧道照明节能设计研究J.标准,确保网络安全。地下空间与工程学报,2020(16):396-402.(5)资源高效利用:可充分共用隧道监控系3 杨超,李敏,杨晓霞,等.高速公路隧道照明系统节能技术的发展J.华东交通大学学报,2018,35(2):73-78.统的资源。4 尹力,史玲娜,刘贞毅,等.低交通量下“与车随行”隧道照明节能控制(6)可靠性高:从每个终端LED灯具到控制技术应用研究J.隧道建设,2019,39(8):1270-
4、1276.中心,全系统采用有线通信链路,可靠性高。5 刘刚,朱莉,蒋贵川.基于KNX技术的高速公路隧道智慧照明系统J.隧道建设:中英文,2021(S1):281-287.6 朱莉,刘刚,刘梦娟.智能家居中的增强型KNXnet/IP路由器实现J.计算4结语机应用与软件,2017(10):169-173+179.隧道照明直接关系到行车安全和驾乘体验,具7 朱莉.智能家居中KNX/DALI网关的实现J.通讯世界,2017(8):231-232.(上接第41页)等用能环节入手,探索建立碳排放标准,针对施工期生态环境影响和环境污染特点,核算评估体系,按照分项目标要求,对比传统工地开展技术政策研究和环境保
5、护设施、设备的研发。制订低碳排放措施体系,努力实现“低碳”工地示(3)创新层面应进一步推动管理信息化、监范引领,助力“双碳”目标的实现。测智能化建设,实现生态环境保护、污染防治与减碳降碳的协同。3结论与建议参 考 文 献久马高速环保管家运用的案例证明了环保管家1 郑海峰,管东生.公路建设的主要生态影响 J.生态学杂志,2005(12):在管理、技术和创新层面对生态高速公路建设的重1520-1524.要作用,但实践中还存在不足之处,亟待对技术经2 郑秀亮.环保管家-环保服务业新热点J.环境,2020(10):62-63.验进行总结。为更好助推绿色公路和生态公路的建3 李龙媛,王琪,凌海波,等.环
6、保管家服务模式的研究以湖北省某工业园为例J.环境科学与技术,2020,43(S1):234-238.设,提出如下建议:4 张浩,孙利,李如意.浅谈公路工程建设项目环保管家技术服务J.低碳(1)管理方面应加强顶层设计,制定行业生世界,2019,9(7):297-298.5 范庭兴.公路工程环保管家服务模式适用性探析J.公路,2022,67(2):268-态环境保护相关政策,引导项目建设规范化管理,274.提升行业生态环境保护工作能力和成效。6 姜华,吴静,吕连宏.升级“环保管家”服务助力减污降碳协同增效J.(2)技术方面制定建设期生态环境保护技术环境工程技术学报,2022,12(6):2027-
7、2031.4647陈诗雨李升甫贾洋(四川省公路规划勘察设计研究院有限公司四川成都610041)西南公路2022年第4期高速公路激光点云语义分割技术探索【摘要】高速公路激光点云自动化语义分割是智慧交通发展不可或缺的一环,因此,本文基于在大规模点云分割中表现优异的RandLA-Net模型,探索了高速公路激光点云自动化语义分割的可行性。本文针对高速公路路面、车辆、防撞护栏、分隔带、交通龙门架、指路标志牌和电子眼等7类典型要素开展研究,结果表明,RandLA-Net模型可以有效完成点云要素的自动分割,路面要素的分割精度最高,达到96.45%,所有要素的平均精度为80.23%,满足生产精度要求。本研究验
8、证了基于RandLA-Net模型的高速公路激光点云自动化语义分割的可行性,为未来的自动化点云分割提供了新思路,新方法。【关键词】高速公路激光点云;语义分割;RandLA-Net模型【中图分类号】TP391 【文献标识码】A【收稿日期】2022-12-08【作者简介】陈诗雨(1996-),男,四川成都人,硕士研究生,主要从事深度学习研究工作。6Forest,RF)、支持向量机(Support Vector Ma-1前言7chine,SVM)、马尔可夫随机场(Markov Random 8智慧交通是当前交通运输行业的重要战略任务Field,MRF)、条件随机场(Conditional Random
9、 9之一,是交通运输信息化发展的方向和目标。智慧Field,CRF)等)实现分割。由于分类器设定的交通的发展离不开大量基础数据的支撑,其中车载阈值主要依靠人为先验知识制定,限制了大数据的或地面激光扫描获取的点云数据,由于其能快速高使用。随着软硬件的不断迭代更新、数据量的大幅效地获取目标表面特性,包含丰富的三维信息,目度增长和基于深度学习的点云语义分割的逐渐成前已成为城市三维信息快速获取的重要数据手段,熟,将基于深度学习的点云语义分割应用于生产工并广泛用于智能交通、环境保护、智慧城市等领域作中具有很大的可行性和必要性。1,2。激光点云语义分割是一种根据点云数据的视觉由传感器获得的原始点云数据,通
10、常是不规内容将点云中的每个点指定一个类别标签,比如车则、非结构化和无序的。虽然深度学习卷积网络在辆,道路,分隔带,建筑物等。随着点云数据的应二维图像数据表现出优异的性能,但它们不能直接用越来越广泛,点云语义分割已经成为现阶段生产应用于这类点云数据这类不规则且无序的数据中。10单位开展生产的必要生产流程,在智慧交通行业应而近年来,斯坦福大学Qi等人提出的Point Net网用中,高速公路点云数据的路面及其附属信息提络模型,利用共享的特征多层感知器(MLPs)来取,是实现高速公路单体信息化的基础,从而为公学习每个点的特征,从而保留原始点内的固有信息路工程建管养多阶段数字化综合业务应用服务。因以预测
11、点及语义。此后,此类直接处理点云的模型此,如何利用多平台激光扫描点云数据快速、高逐渐发展,而为了学习更丰富的局部结构,许多专效、准确地识别高速公路、交通工程及沿线设施是用的神经模块随后被迅速引入,这些模块通常可以3-5现阶段的研究热点。分为4类:现阶段,点云语义分割的方法大多是根据三维(1)邻域特征池。几何属性空间分布或直方图统计等方法建立相应的(2)图形消息传递。分类器,构建判别模型(如随机森林(Random(3)基于内核的卷积。西南公路陈诗雨,李升甫,贾洋:高速公路激光点云语义分割技术探索11(4)基于注意力的聚合。然而,这些方法却局限于小规模点云数据的处理,不能处理大规模点云数据,因此,
12、一些学者对大规模点云数据的直接处理开展了研究。Rethage D 1213等人和Chen等研究的FCPN和PCT结合了体素14 化和点级网络来处理大规模点云;L Landrieu等提出了一种超点图(Super Point Graph,SPG)预处理方法对点云进行预处理获取超点图,从而对大11规模点云数据开展直接处理;Hu等提出的Rand 点云语义分割数据集各类别点云数量如表1所LA-Net模型是基于简单随机下采样的原则,构建了示,本文将高速公路路面、车辆、防撞护栏、分隔一个有效的局部特征聚合器,来处理大规模点云数带、交通龙门架、指路标志牌和电子眼7类点云作据,并取得较好的效果。因此,本文利用大
13、规模点为本文点云分割的样本标签,深度学习训练集和测云数据语义分割中表现优秀的Rand LA-Net模型,试集按照4:1的比例划分。应用于高速公路典型要素激光点云语义分割中,以此探索将深度学习方法应用到高速公路点云数据处理的有效性和合理性。2研究区数据展示与标注本文的点云数据研究区位于都汶高速公路,采3模型与方法用车载激光扫描的方式获取,研究区点云总数量为本文引入了深度学习模型RandLA-Net对研究区14614643个点,研究区域的范围如图1所示。高速公路点云进行语义分割,其中RandLA-Net模型本文基于Micro Station的Terrascan软件,对研结构遵循跳跃连接的编码解码思
14、想,其主要框架如究区内的高速公路、交通工程及沿线设施等进行目图3所示。视解译和人工标注,标注的主要地物包括高速公路路面、车辆、防撞护栏、分隔带、交通龙门架、指路标志牌、电子眼和其他8类点云。研究区点云的标注示例图如图2所示。其中,由于点云数据的无序性,无法利用卷积核遍历以提取特征,因此在点云的语义分割算法中,采用多层感知机(Mu Ltilayer Perceptron,MLP)作为其基本单元。在编码端,点云通过每一层的局部特征聚合(Local Feature Aggregation,LFA)算法增加每个点的感受野来保持局部复杂结构,同时利用随机采样法(Random Sampling,RS)减小
15、点云的规模。在解码端,采用最邻近元法上采样(Up Sampling,US)将每个点与其利用K-最近邻(K Nearest Neighbor,KNN)获得最邻近点进行插值,随后利用跳跃连接叠加编码端的特征图,再利用共享的MLP进行特征降维,最后通过全连接层(Fully Connectedlayer,FC)与随机失图1研究区域点云示例(a)(b)(c)(d)图2研究区域点云标注结果示例表1点云语义分割数据集地物类别统计点云类别公路路面车辆防撞护栏分隔带交通龙门架指路标志牌电子眼其他数量57998286633689411253196556541781959796645798481输入点云 输出点云(
16、N,d)in(N,n)classFCFCFCDPFCLFARSLFARSLFARSLFARSMLPUSMLPUSMLPUSMLPUSMLP(N,32)(N,64)(N,8)(N,8)(N/4,32)(N/4,32)(N/16,128)(N/16,128)(N/64,256)(N/64,256)(N/256,512)(N/256,512)图3RandLA-Net模型框架4849活层(Dro Pout,DP)预测每个点的类别。编码了中心点p 的局部几何结构。i3.1RS算法3.2.2注意力池化由于大规模点云数据需要一种占存小和计算效注意力池化模块用于聚合相邻点的局部特征集11合 ,采用注意力机制自
17、动学习重要的局部特征。率高的采样方法进行采样,Hu等通过对比发现首先,计算注意力分数。利用g函数学习局部特征RS由于不统计输入点数,具有非常高的计算效率,中每个特征的唯一注意分数。其且不需要额外的内存来进行计算。RS是从原始的中,函数g由一个共享MLP和softmax函数组成。定N个点中随机选取K个点,其计算时间固定,具有义如下:很高的计算效率,处理106个点只需要0.004s。具体采 用 Pythonnumpy包 实 现 了 随 机 抽 样,即 使 用Numpy函数Numpy.random.choice来生成K个索引,其中,W是一个共享MLP的可学习权值。再用这些指标从点云中收集相应的空间坐
18、标和每点随后进行加权求和,定义如下:特征。然而,随机下采样可能会导致许多有用的特征点被删除。为了克服这个问题,Hu11等人提出综上所述,给定输入点云p,对于第i个点p,i了局部特征聚合器,在文中3.2节介绍。通过局部空间编码和注意力池化模块学习聚合其3.2局部特征聚合模块k个临近点的几何结构和特征,生成特征向量 。如图4所示,Rand LA-Net模型中局部特征聚合3.2.3空洞残差模块模块是模型核心,总共包含三个模块:空洞残差模块将局部空间编码和注意力池化利用跳跃连接与多层感知机进行叠加,以扩大每个点的感受野,扩大其有效邻域,如图5所示。图 5中每个点的感受野为其对应颜色的虚线圆,其中,L为
19、局部空间编码,A为注意力池化。如图4空洞残差模块中,通过局部空间编码与注意力(1)局部空间编码(Local Spatial Encoding,池化模块的两次叠加,并在局部空间编码前加入点LocSE)。的位置信息,在输入前后馈入共享MLP以获得必要(2)注意力池化(Attentive Pooling)。的特征数,并将空洞残差模块的输出特征与输入特(3)空洞残差模块(Dilated Residual Block)。征相加获得最终的聚合特征。3.2.1局部空间编码Loc Se是将输入点云p的每一个点及其特征与所有相邻的点的xyz坐标联系起来,使相应的点特征与点的相对空间位置关联起来,从而观察到局部几
20、何结构,使整个网络能有效地学习复杂局部结构。(1)对第i个点利用KNN算法找到其邻近的点。KNN是基于点上的欧氏距离。随后,进行相对4结果与分析点位置编码。对于中心点p 最近的K个点i4.1实验环境配置,我们对相对点的位置编码如下:本文试验硬件平台 CPU为 Intel Xeon CPUE5-2650v42.20GHz,内 存 大 小 为 60GB,GPU为(2)增加点的特征维度。对于每个临近点 ,NVIDIATeslaP4024GB,显存为24GB,采用CUDA 将相对点位置编码与其对应的点特征连接起11.4加速 GPU计算,深度学习框架为基于 Python 来,得到一个增广特征向量。最后,
21、LocSE模块输出一组新的局部特征 ,显式地3.6.12的Tensorflow-gpu2.6.2。数据预处理中,体素图4局部特征聚合模块结构(1)(2)(3)11图5空洞残差模块扩大的感受野西南公路陈诗雨,李升甫,贾洋:高速公路激光点云语义分割技术探索11(4)基于注意力的聚合。然而,这些方法却局限于小规模点云数据的处理,不能处理大规模点云数据,因此,一些学者对大规模点云数据的直接处理开展了研究。Rethage D 1213等人和Chen等研究的FCPN和PCT结合了体素14 化和点级网络来处理大规模点云;L Landrieu等提出了一种超点图(Super Point Graph,SPG)预处
22、理方法对点云进行预处理获取超点图,从而对大11规模点云数据开展直接处理;Hu等提出的Rand 点云语义分割数据集各类别点云数量如表1所LA-Net模型是基于简单随机下采样的原则,构建了示,本文将高速公路路面、车辆、防撞护栏、分隔一个有效的局部特征聚合器,来处理大规模点云数带、交通龙门架、指路标志牌和电子眼7类点云作据,并取得较好的效果。因此,本文利用大规模点为本文点云分割的样本标签,深度学习训练集和测云数据语义分割中表现优秀的Rand LA-Net模型,试集按照4:1的比例划分。应用于高速公路典型要素激光点云语义分割中,以此探索将深度学习方法应用到高速公路点云数据处理的有效性和合理性。2研究区
23、数据展示与标注本文的点云数据研究区位于都汶高速公路,采3模型与方法用车载激光扫描的方式获取,研究区点云总数量为本文引入了深度学习模型RandLA-Net对研究区14614643个点,研究区域的范围如图1所示。高速公路点云进行语义分割,其中RandLA-Net模型本文基于Micro Station的Terrascan软件,对研结构遵循跳跃连接的编码解码思想,其主要框架如究区内的高速公路、交通工程及沿线设施等进行目图3所示。视解译和人工标注,标注的主要地物包括高速公路路面、车辆、防撞护栏、分隔带、交通龙门架、指路标志牌、电子眼和其他8类点云。研究区点云的标注示例图如图2所示。其中,由于点云数据的无
24、序性,无法利用卷积核遍历以提取特征,因此在点云的语义分割算法中,采用多层感知机(Mu Ltilayer Perceptron,MLP)作为其基本单元。在编码端,点云通过每一层的局部特征聚合(Local Feature Aggregation,LFA)算法增加每个点的感受野来保持局部复杂结构,同时利用随机采样法(Random Sampling,RS)减小点云的规模。在解码端,采用最邻近元法上采样(Up Sampling,US)将每个点与其利用K-最近邻(K Nearest Neighbor,KNN)获得最邻近点进行插值,随后利用跳跃连接叠加编码端的特征图,再利用共享的MLP进行特征降维,最后通过
25、全连接层(Fully Connectedlayer,FC)与随机失图1研究区域点云示例(a)(b)(c)(d)图2研究区域点云标注结果示例表1点云语义分割数据集地物类别统计点云类别公路路面车辆防撞护栏分隔带交通龙门架指路标志牌电子眼其他数量57998286633689411253196556541781959796645798481输入点云 输出点云(N,d)in(N,n)classFCFCFCDPFCLFARSLFARSLFARSLFARSMLPUSMLPUSMLPUSMLPUSMLP(N,32)(N,64)(N,8)(N,8)(N/4,32)(N/4,32)(N/16,128)(N/16,
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 高速公路 激光 语义 分割 技术 探索
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。