基于無人機路徑規劃與深度學習的橋梁點云自動化分割研究

摘要：為推動橋梁管養事業發展的數字化、智能化和精細化，保障其安全服役，提出基于無人機路徑規劃與深度學習的橋梁點云自動化分割方法. 首先對橋梁結構進行傾斜攝影建模，根據模型提供的空間信息，對橋面板、橋側、橋墩和橋底四部分分別進行無人機飛行路徑精細化規劃，并按照新路徑執行航拍任務，進行三維重建. 其次，通過實橋試驗進行方法驗證，根據目標分辨率確定無人機飛行高度、航向和旁向重疊率等飛行參數，編寫KML文件導入無人機，經驗證重建所得的橋梁三維點云模型精度達到毫米級. 最后，制作點云語義分割數據集，將點云數據劃分為背景、橋面板、橋墩和蓋梁四類，采用輕量高效的RandLA-Net算法進行橋梁構件語義分割，結果MIoU值為98.77%，各類別構件IoU值在95.46%以上，在橋梁點云的自動化分割上取得了良好的效果.

關鍵詞：橋梁工程；三維點云；橋梁管養；自動化分割；無人機路徑規劃

中圖分類號：U446.3 文獻標志碼：A

橋梁是國家交通基礎設施之間互聯互通的重要節點和樞紐工程，對國民經濟的建設和人民生活的安全具有重要的保障作用［1］. 自20 世紀90 年代開始，我國公路橋梁事業步入大力發展階段，截至2022年底，全國公路橋梁總數為103.32萬座、8 576.49萬米［2］. 在我國橋梁建設取得令人矚目成績的同時，橋梁結構安全問題也愈發突出. 由于路網交通流量顯著增加、超載現象頻發和管養技術人員缺乏，一些橋梁，尤其是服役時間超過20年的混凝土橋梁，已經出現了各種程度的結構退化，故提升橋梁養護的成效及效率，保障橋梁結構安全服役，已經成為一個重要的研究命題. 對橋梁結構進行逆向建模，自動識別橋梁主要構件是生成橋梁數字底座的重要基礎工作，對實現橋梁管養信息化、智能化和精細化具有重要意義.

無人機具有機動靈活和成本效益高的特點，能夠獲得高分辨率的影像數據，已經被廣泛應用于測繪、交通以及防災減災等領域. 劉洋［3］將無人機傾斜攝影測量技術應用于遙感領域，通過無人機獲取城市圖像，并根據攝影圖像獲取城市三維模型. 楊力龍［4］采用小型無人機傾斜攝影技術獲取高陡邊坡影像，結合工程實例對危巖體勘察評估. 茍彥梅［5］設計無人機傾斜攝影航線方案，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，為文物保護工程提供數據基礎. 龐浚疑［6］研究了適用于無人機傾斜攝影數據采集的最優方法和模型精度的影響因素，并應用于道路和橋梁工程的三維實景模型重建中.

為提高無人機傾斜攝影獲取的模型精度，制定合理的路徑規劃方案是必須的. Martin等［7］提出了一種基于無人機的大型基礎設施（如管道和運河等）三維建模的新方法，通過對運河環境的模擬設計出新的飛行航線，與傳統航線相比，在保證模型精度的前提下，總飛行時間減少55%，同時待處理的圖像數據量減少89%. Roberts等［8］提出一種自動生成無人機軌跡的方法，通過對三個大型的戶外場景進行掃描來評估該方法的有效性，結果表明采用該方法規劃的軌跡能夠獲取更高精度的三維模型. Bircher等［9］提出了一種利用無人機進行自主結構檢測作業的三維覆蓋路徑規劃新算法，通過交替的兩步優化算法計算更短航行路徑，以實現在較短飛行路徑的情況下對目標的完全覆蓋.

對點云進行有效的分割是點云應用研究的前提. 基于神經網絡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，一些基于原始點云的深度學習算法已經成功應用于橋梁點云的語義分割中［12-15］. Zhao等［16］結合多尺度特征聚合和PointNet算法提出了一種新的網絡模型，提高了點云局部特征信息的利用率，實現對大規模場景點云數據的分類，在Semantic3D和Vaihingen城市數據集中取得較好的試驗效果. Soilán等［17］證明了Point?Net網絡在室外點云中的語義分割應用的能力，對地面、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算法實現橋梁結構部件的語義分割，通過將橋梁點云劃分為多個小塊并進行采樣，提取2 048個點輸入網絡進行訓練與預測，并通過對比在不同長度橋梁子塊下的分割效果，確定了最佳的劃分長度. Kim 等［19］比較了PointCNN、DGCNN 和PointNet 在橋梁點云的語義分割中的表現，通過簡單地將每座橋分成兩半，在相同的橋梁上訓練和測試深度學習模型，由于采用的訓練集和測試集之間存在高度相似，最終的分割效果普遍性被質疑. 總地來說，以上方法仍存在難以直接處理大規模點云的問題，使用這些方法需要預先將點云劃分為小塊，這會對點云分割精度產生影響.