本文使用SqueezeNet网络作为基础,构建深度学习点云结构面智能识别模型,案例采用RockBench公开数据库中的数据来验证深度学习模型的识别效果。扫描岩体位于西班牙拜克斯营地地区的TP-7101公路沿线,使用Optech LLRIS 3D激光扫描仪获取点...本文使用SqueezeNet网络作为基础,构建深度学习点云结构面智能识别模型,案例采用RockBench公开数据库中的数据来验证深度学习模型的识别效果。扫描岩体位于西班牙拜克斯营地地区的TP-7101公路沿线,使用Optech LLRIS 3D激光扫描仪获取点云数据。以点云XYZ坐标和法向量作为输入数据,之后挑选550个点构建训练数据集,设置模型的最优参数并以此训练深度学习模型。将训练好的深度学习模型应用到整个点云数据中,对点云数据进行结构面分组。同时,引入Ordering Points to Identify the Clustering Structure(OPTICS)和Density-Based Spatial Clustering of Applications with Noise(DBSCAN)对得到的结构面组进行划分,得到单个结构面。最后,计算出各个结构面的产状。为了验证深度学习模型的识别准确率,采用传统的BP神经网络方法进行验证,计算5组结构面的平均值产状,并与前人计算结果进行对比。经过对比,深度学习模型的计算准确率明显高于浅层BP神经网络模型,其倾向平均误差为9.6456°、倾角平均误差为7.6890°。整体来看,深度学习模型结构更加复杂、提取信息的能力更强,产状计算误差更小。展开更多
文摘本文使用SqueezeNet网络作为基础,构建深度学习点云结构面智能识别模型,案例采用RockBench公开数据库中的数据来验证深度学习模型的识别效果。扫描岩体位于西班牙拜克斯营地地区的TP-7101公路沿线,使用Optech LLRIS 3D激光扫描仪获取点云数据。以点云XYZ坐标和法向量作为输入数据,之后挑选550个点构建训练数据集,设置模型的最优参数并以此训练深度学习模型。将训练好的深度学习模型应用到整个点云数据中,对点云数据进行结构面分组。同时,引入Ordering Points to Identify the Clustering Structure(OPTICS)和Density-Based Spatial Clustering of Applications with Noise(DBSCAN)对得到的结构面组进行划分,得到单个结构面。最后,计算出各个结构面的产状。为了验证深度学习模型的识别准确率,采用传统的BP神经网络方法进行验证,计算5组结构面的平均值产状,并与前人计算结果进行对比。经过对比,深度学习模型的计算准确率明显高于浅层BP神经网络模型,其倾向平均误差为9.6456°、倾角平均误差为7.6890°。整体来看,深度学习模型结构更加复杂、提取信息的能力更强,产状计算误差更小。
