PointCrack3D:基于3D点云深度神经网络的非结构化环境裂缝检测
计算机视觉与模式识别
2021-11-24 v1 机器人学
摘要
建筑、天然岩壁与地下矿井隧道表面的裂缝可指示严重威胁结构及环境内人员安全的完整性问题。及时检测与监测裂缝对管理此类风险至关重要,尤其当系统可通过机器人高度自动化时。基于视觉的深度神经网络裂缝检测算法已在墙体或土木隧道等结构化表面展现潜力,但极少工作涉及如岩石峭壁与裸露采矿隧道等高度非结构化环境。为应对此挑战,本文提出PointCrack3D,一种面向非结构化表面的新型基于3D点云的裂缝检测算法。该方法包含三个关键组件:保持充足裂缝点密度的自适应下采样方法、将每点分类为裂缝或非裂缝的DNN,以及将裂缝点聚为裂缝实例的后处理聚类方法。该方法在一个新的大型自然岩石数据集上实验验证,该数据集包含彩色LIDAR点云,覆盖超900 m^2与412条独立裂缝。结果表明总体裂缝检测率97%,最大宽度超3 cm的裂缝检测率100%,显著优于当前最优。此外,为交叉验证,PointCrack3D应用于异地采集且完全未参与训练的全新数据集,显示出对其所有裂缝实例100%的检测率。我们还刻画了检测性能、裂缝宽度与每裂缝点数的关系,为实际部署与未来研究方向决策奠定基础。
引用
@article{arxiv.2111.11615,
title = {PointCrack3D: Crack Detection in Unstructured Environments using a 3D-Point-Cloud-Based Deep Neural Network},
author = {Faris Azhari and Charlotte Sennersten and Michael Milford and Thierry Peynot},
journal= {arXiv preprint arXiv:2111.11615},
year = {2021}
}
备注
submitted, to be published