利用三维激光扫描技术监测矿区桥梁结构形变

利用三维激光扫描技术测得的建筑物点云数据能够较清晰地表示建筑物的三维空间信息,提供高精度、高密度的建筑物表面描述.点云本身不直接显示自身所包含的特征信息,在进行局部形变提取时,需要进行点云分割工作.现有的应用于建(构)筑物的分割算法大多依赖于建(构)筑物特征设定突变阈值,当遇到复杂场景时,这些假设往往会导致错误.随着机器学习在点云处理领域的延伸,建(构)筑物点云数据边界的识别和分割有了新的实现思路.本文以某矿区工作面上方铁路桥两期三维激光扫描数据为例,采用神经网络方法对桥拱钢结构实行分割提取,在对1000万个标记桥梁点云数据进行训练后,神经网络模型可以学习操作人员识别点云中各点的属性并进行标记,并提取两期数据中的钢结构点云;对使用神经网络分割出的桥拱钢结构点云进行分析,通过对钢结构底边线进行特征线拟合、长度提取,计算钢结构的位移及拉伸量,并结合桥拱位移、形变量分析桥梁形变.研究表明:使用神经网络模型对标记数据进行训练可以有效识别建(构)筑物特征,并应用于建(构)筑物局部形变分析.