Semantische Segmentierung von Brückenelementen basierend auf einem hierarchischen Punktwolkenmodell

Geometrische Informationen wie die volumetrischen Abmessungen und der Typ einer Brücke können mittels eines terrestrischen Laserscanners erfasst werden, und die so erhaltenen Punktwolken (PC) Daten können verwendet werden, um 3-dimensionale (3D) Objekte wie Brückenelemente im Rahmen des Building Information Modeling (BIM) zu erstellen. Für das Modellieren von PC-Daten wurden PointNet (Qi et al., 2018) und ein graphenbasierte konvolutionales neuronales Netzwerk (GCNN) Modell, bekannt als dynamisches GCNN (DGCNN; Wang et al., 2019), häufig eingesetzt. In dieser Studie wird ein graphenbasiertes hierarchisches DGCNN (HGCNN) Modell vorgeschlagen, um eine genauere und realistischere Darstellung von Eisenbahnbrücken mit elektrischen Masten zu ermöglichen. Das Modell erhält detaillierte lokale Merkmale, indem es schrittweise benachbarte Punkte berücksichtigt, während die Gesamtanzahl der Nachbarn gleich bleibt. Die praktische Anwendung zeigt, dass das vorgeschlagene HGCNN-Modell hohe Komponenten wie elektrische Masten präziser darstellen kann, während die Gesamtgenauigkeit der semantischen Segmentierung von voluminösen Komponenten wie Decks dominiert wird, sodass die Unterschiede zwischen den Modellen (PointNet, DGCNN und HGCNN) nicht signifikant sind. Konkret wurde die Erkennungsrate und der Intersection over Union (IoU) Wert des elektrischen Masts um etwa 3% verbessert, als das vorgeschlagene Modell verwendet wurde. Einige parametrische Studien wurden ebenfalls durchgeführt, und es wurde demonstriert, dass das vorgeschlagene Modell mit seinen erweiterten lokalen Merkmalen genauere Informationen in der Nähe der Objektgrenzen bietet.