本發(fā)明涉及三維點云數(shù)據(jù)處理及計算機輔助設(shè)計(cad)自動生成領(lǐng)域，尤其是涉及一種基于大規(guī)模點云場景的智能化處理平臺，用于城市級別的高密度三維場景點云數(shù)據(jù)的自動分割、實例識別及多尺度的cad轉(zhuǎn)換。通過深度學(xué)習(xí)模型的輔助，平臺實現(xiàn)了點云數(shù)據(jù)的智能分割和實例識別，使用戶能夠在大規(guī)模場景下快速生成高精度、可視化的cad模型。該技術(shù)適用于建筑信息建模(bim)、智慧城市、數(shù)字孿生、虛擬現(xiàn)實(vr)與增強現(xiàn)實(ar)、地理信息系統(tǒng)(gis)等多個應(yīng)用領(lǐng)域。

背景技術(shù)：

1、三維點云數(shù)據(jù)作為現(xiàn)實世界空間形態(tài)的高精度表達方式，已被廣泛應(yīng)用于多個領(lǐng)域，包括建筑信息建模(bim)、智慧城市、虛擬現(xiàn)實(vr)、增強現(xiàn)實(ar)以及地理信息系統(tǒng)(gis)。通過激光掃描(lidar)、無人機航拍等方式，可以獲取高密度、海量的點云數(shù)據(jù)。然而，由于點云數(shù)據(jù)自身無結(jié)構(gòu)、復(fù)雜且數(shù)據(jù)量龐大，傳統(tǒng)的點云數(shù)據(jù)處理技術(shù)在效率和精度方面難以滿足大規(guī)模場景的需求。

2、近年來，隨著深度學(xué)習(xí)技術(shù)的發(fā)展，點云數(shù)據(jù)處理在特征提取、語義分割和實例分割等方面取得了顯著進展。這些技術(shù)通過訓(xùn)練神經(jīng)網(wǎng)絡(luò)，能夠高效地從點云中提取語義和幾何特征，并應(yīng)用于場景分析、三維建模等場景。同時，一些傳統(tǒng)的三維建模工具也提供了點云到cad模型的轉(zhuǎn)換能力，為三維點云數(shù)據(jù)的實際應(yīng)用提供了重要支持。

3、在現(xiàn)有技術(shù)中，與本發(fā)明最接近的方案通常包含以下幾個關(guān)鍵模塊：

4、1)點云數(shù)據(jù)預(yù)處理：為了降低計算復(fù)雜度，常采用降采樣或分塊技術(shù)對點云數(shù)據(jù)進行預(yù)處理。一些方案通過體素化操作稀疏化點云數(shù)據(jù)，或者采用區(qū)域劃分算法分割大規(guī)模場景，確保數(shù)據(jù)量在硬件處理能力范圍內(nèi)。

5、2)語義和實例分割：深度學(xué)習(xí)模型被廣泛應(yīng)用于點云分割任務(wù)，通過對點云數(shù)據(jù)的逐點推理，生成語義和實例標簽。該功能能夠有效區(qū)分場景中的不同對象，例如建筑物、道路、橋梁等。

6、3)點云到cad模型轉(zhuǎn)換：通過傳統(tǒng)的三維表面重建算法或規(guī)則化建模技術(shù)，將點云數(shù)據(jù)轉(zhuǎn)換為cad模型。這些方法能夠生成用于建筑設(shè)計、工程分析等領(lǐng)域的可視化三維模型。

7、現(xiàn)有的技術(shù)方案在小規(guī)模點云場景中表現(xiàn)較為成熟，且一些商用工具和研究原型能夠?qū)崿F(xiàn)一定程度的自動化建模。然而，這些技術(shù)的處理范圍和能力在城市級別的大規(guī)模點云場景中仍存在較大的局限性。現(xiàn)有技術(shù)主要存在以下技術(shù)問題：

8、1)無法適配大型場景。目前，現(xiàn)有技術(shù)和相關(guān)平臺大多聚焦于將單個建筑或單個零件的點云數(shù)據(jù)轉(zhuǎn)換為cad模型，對于小規(guī)模、獨立對象的建模處理相對成熟。然而，在城市級別的點云場景中，由于數(shù)據(jù)量巨大、場景復(fù)雜性高、實例間關(guān)系密切，現(xiàn)有技術(shù)尚無法實現(xiàn)整體點云場景到cad模型的自動化轉(zhuǎn)換。

9、2)處理效率低下?，F(xiàn)有技術(shù)在面對城市級別的大規(guī)模高密度點云數(shù)據(jù)時，計算復(fù)雜度高，往往無法一次性處理全場景數(shù)據(jù)。尤其是深度學(xué)習(xí)推理模型受限于顯卡顯存容量，需要手動對點云數(shù)據(jù)進行分塊操作。這種手動分塊方式不僅效率低下，還容易導(dǎo)致分割不一致的問題。

10、3)缺乏智能化的缺失補全能力。在點云到cad模型轉(zhuǎn)換的過程中，點云數(shù)據(jù)中常存在缺失區(qū)域，例如建筑物的底面或結(jié)構(gòu)中的細節(jié)部分?，F(xiàn)有的表面重建方法對這些缺失信息處理能力有限，難以生成連續(xù)、完整的cad模型，影響模型的實用性和精確度。

11、4)動態(tài)物體影響建模精度。城市點云數(shù)據(jù)中通常包含動態(tài)物體(如行人、車輛)，這些數(shù)據(jù)會干擾固定物體(如建筑、道路)的建模過程?，F(xiàn)有技術(shù)對動態(tài)物體的自動過濾能力不足，導(dǎo)致生成的cad模型包含多余信息或精度受損。

12、5)用戶交互不便?，F(xiàn)有的點云處理平臺通常缺乏高效的可視化工具，用戶難以直觀選擇特定的實例或類別進行建模。同時，分割結(jié)果的手動修正較為復(fù)雜，無法滿足實際應(yīng)用中的便捷性需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在解決現(xiàn)有技術(shù)無法高效處理城市級高密度點云場景并精準轉(zhuǎn)換為cad模型的技術(shù)難題，提供一種面向城市級點云場景的智能分割與cad模型生成方法和系統(tǒng)，通過優(yōu)化處理流程和引入深度學(xué)習(xí)模型，實現(xiàn)高效、精準的點云數(shù)據(jù)處理和三維建模。本發(fā)明通過體素化降采樣與四叉樹分割技術(shù)優(yōu)化數(shù)據(jù)處理流程，結(jié)合深度學(xué)習(xí)模型實現(xiàn)點云語義分割、實例識別及缺失區(qū)域智能補全，進一步通過全局坐標保證模型拼接的精度，最終高效完成大規(guī)模點云數(shù)據(jù)向完整cad模型的自動化轉(zhuǎn)換，滿足城市級場景的高精度建模需求。

2、本發(fā)明采用的技術(shù)方案如下：

3、一種用于城市級點云場景的智能分割與cad模型生成方法，包括以下步驟：

4、對用戶上傳的點云數(shù)據(jù)進行預(yù)處理，通過執(zhí)行體素化和區(qū)域分割，將點云場景劃分為若干子區(qū)域；

5、利用深度學(xué)習(xí)模型對預(yù)處理后的子區(qū)域進行點云分割，生成帶有語義標簽和實例標簽的點云數(shù)據(jù)；

6、利用點云分割后生成的帶有語義標簽和實例標簽的點云數(shù)據(jù)，在可視化界面中根據(jù)用戶選擇的實例或類別進行點云可視化；

7、根據(jù)用戶選擇的實例或類別執(zhí)行cad轉(zhuǎn)換操作，將點云文件轉(zhuǎn)換為cad文件；

8、根據(jù)轉(zhuǎn)換操作得到的cad文件，在cad可視化界面中展示整個場景的三維模型。

9、進一步地，所述對用戶上傳的點云數(shù)據(jù)進行預(yù)處理，包括：

10、接收原始點云數(shù)據(jù)和用戶指定的體素化尺寸參數(shù)作為輸入，其中原始點云數(shù)據(jù)包含城市級別或其他大規(guī)模場景的三維點信息，體素化尺寸用于控制降采樣的精度；

11、基于體素化尺寸對原始點云數(shù)據(jù)進行降采樣；

12、對降采樣后的點云數(shù)據(jù)進行點數(shù)判斷，如果降采樣后的點云數(shù)據(jù)的點數(shù)未超過設(shè)定的閾值，則進入點云分割步驟；若點數(shù)超過閾值，則進行分塊處理，并使每個子塊的點數(shù)都在閾值范圍內(nèi)；

13、分塊處理完成后，將各子塊作為獨立的子場景記錄在點云子場景列表中，列表中包含每個子塊的位置信息及點云數(shù)據(jù)。

14、進一步地，所述利用深度學(xué)習(xí)模型對預(yù)處理后的子區(qū)域進行點云分割，包括：

15、接收預(yù)處理后得到的點云子場景列表，依次對列表中的每個子場景數(shù)據(jù)進行深度學(xué)習(xí)模型的推理處理，在推理過程中根據(jù)可用資源選擇逐塊推理或多顯卡并行推理；

16、在每次推理后，將推理結(jié)果暫存于內(nèi)存中，同時從點云子場景列表中刪除已處理的子場景，直至列表為空；

17、當列表為空時進入子場景的合并階段，在合并過程中通過公共區(qū)域?qū)R技術(shù)統(tǒng)一各子場景的分割結(jié)果，確保各子場景間的語義和實例標簽一致，并生成完整的全局分割結(jié)果；

18、基于最短距離原則，對于原始點云數(shù)據(jù)中的每個點都在以其為中心二倍體素為邊長的正方體空間內(nèi)尋找最近的分割后點云場景中的點，并將原始點云數(shù)據(jù)中的每個點與分割結(jié)果中的標簽對應(yīng)，生成帶有語義和實例標簽的大規(guī)模高密度點云數(shù)據(jù)；

19、依據(jù)用戶設(shè)定的體素化尺寸對分割結(jié)果進行降采樣，生成適用于可視化的低密度點云數(shù)據(jù)。

20、進一步地，所述在可視化界面中根據(jù)用戶選擇的實例或類別進行點云可視化，包括：

21、接收帶有語義和實例標簽的體素化降采樣場景點云數(shù)據(jù)，并對其進行l(wèi)od處理，通過多分辨率的點云數(shù)據(jù)生成機制，在用戶瀏覽器端實現(xiàn)高效渲染；

22、用戶在可視化界面中直觀地查看和篩選不同實例和類別的點云數(shù)據(jù)，并從中選擇具體的建模對象類型或者從中選擇某一個或某幾個實例對象進行建模；

23、用戶設(shè)置體素化尺寸以控制建模精度和文件數(shù)據(jù)量，確保生成的cad模型既符合場景實際需求又保持文件轉(zhuǎn)化的高效性。

24、進一步地，所述根據(jù)用戶選擇的實例或類別執(zhí)行cad轉(zhuǎn)換操作，將點云文件轉(zhuǎn)換為cad文件，包括：

25、接收實例標簽、類別標簽及體素化尺寸參數(shù)，同時獲取帶有語義和實例標簽的大規(guī)模場景高密度點云數(shù)據(jù)；

26、依據(jù)類別標簽和實例標簽對點云數(shù)據(jù)進行篩選處理，保留用戶指定的類別或?qū)嵗c云數(shù)據(jù)；

27、對篩選后的高密度點云數(shù)據(jù)執(zhí)行體素化降采樣處理；

28、將降采樣后的點云數(shù)據(jù)按實例標簽進行逐一處理，依次提取出每一個獨立實例的數(shù)據(jù)并對其進行cad轉(zhuǎn)換，轉(zhuǎn)換過程中利用深度學(xué)習(xí)模型對各實例中的缺失結(jié)構(gòu)進行補全；

29、在每個實例的點云數(shù)據(jù)轉(zhuǎn)換為cad實例模型后，將轉(zhuǎn)換結(jié)果保存為單獨的cad文件，當所有實例的cad轉(zhuǎn)換完成后，將單個實例的cad文件逐一合并為完整的場景cad文件。

30、進一步地，所述cad可視化界面支持多角度的實時觀察和放大縮小操作，使用戶能夠詳細檢查每個實例的幾何形態(tài)、結(jié)構(gòu)完整性及其在場景中的相對位置；所述cad可視化界面提供交互式工具以便用戶對模型進行微調(diào)，包括對幾何誤差的校正、邊緣對齊、結(jié)構(gòu)完善，確保最終模型的準確性和完整性。

31、一種用于城市級點云場景的智能分割與cad模型生成系統(tǒng)，其包括：

32、預(yù)處理模塊，用于對用戶上傳的點云數(shù)據(jù)進行預(yù)處理，通過執(zhí)行體素化和區(qū)域分割，將點云場景劃分為若干子區(qū)域；

33、點云分割模塊，用于利用深度學(xué)習(xí)模型對預(yù)處理后的子區(qū)域進行點云分割，生成帶有語義標簽和實例標簽的點云數(shù)據(jù)；

34、點云可視化模塊，用于利用點云分割后生成的帶有語義標簽和實例標簽的點云數(shù)據(jù)，在可視化界面中根據(jù)用戶選擇的實例或類別進行點云可視化；

35、點云cad轉(zhuǎn)換模塊，用于根據(jù)用戶選擇的實例或類別執(zhí)行cad轉(zhuǎn)換操作，將點云文件轉(zhuǎn)換為cad文件；

36、cad可視化模塊，用于根據(jù)轉(zhuǎn)換操作得到的cad文件，在cad可視化界面中展示整個場景的三維模型。

37、本發(fā)明的有益效果如下：

38、關(guān)鍵點1：基于深度學(xué)習(xí)模型的點云實例分割與語義標注。本發(fā)明通過深度學(xué)習(xí)模型對城市級大規(guī)模點云數(shù)據(jù)進行實例分割和語義標注，能夠精準提取建筑物、道路、橋梁等實例信息，為逐實例cad建模提供了清晰的輸入數(shù)據(jù)基礎(chǔ)。針對大規(guī)模點云場景可能超出顯卡顯存限制的難題，本發(fā)明通過四叉樹分割算法將場景劃分為顯存友好的子區(qū)域，使每次深度學(xué)習(xí)推理均能在有限硬件資源下高效運行。在分割完成后，采用獨特的公共區(qū)域?qū)R與最短距離匹配技術(shù)，將分割后的子區(qū)域拼接為完整場景，并確保全局語義和實例標簽的一致性，為整體建模提供了準確的全局視圖。

39、關(guān)鍵點2：逐個實例cad建模的新穎結(jié)構(gòu)設(shè)計。本發(fā)明提出的創(chuàng)新的逐實例建模架構(gòu)，使用戶能夠根據(jù)需求對特定實例(如單棟建筑或橋梁)生成高精度的cad模型，而無需整體場景建模，從根本上降低了建模復(fù)雜度和資源消耗。各實例模型在生成后通過全局坐標校準技術(shù)拼接為完整場景的cad模型，既保證了實例間的空間一致性，又支持分模塊設(shè)計的靈活性。相比現(xiàn)有技術(shù)，本發(fā)明大幅提升了城市級場景的建模效率，為智慧城市規(guī)劃和建筑信息建模(bim)提供了高效、實用的解決方案。

40、關(guān)鍵點3：深度學(xué)習(xí)驅(qū)動的缺失數(shù)據(jù)智能補全。在點云數(shù)據(jù)中常見的采集盲區(qū)(如建筑底面或復(fù)雜結(jié)構(gòu)細節(jié))情況下，傳統(tǒng)方法無法生成完整模型。本發(fā)明通過深度學(xué)習(xí)模型智能預(yù)測缺失區(qū)域并補全，生成的cad模型在幾何結(jié)構(gòu)上更加完整、連續(xù)。這種補全技術(shù)顯著提升了模型的適用性，使生成的三維模型能夠更真實地反映實際場景。

41、關(guān)鍵點4：動態(tài)物體的智能過濾。本發(fā)明的深度學(xué)習(xí)模型能夠自動識別并過濾動態(tài)物體(如行人、車輛)的點云數(shù)據(jù)，避免動態(tài)數(shù)據(jù)對固定設(shè)施建模的干擾，確保生成的cad模型精度更高且數(shù)據(jù)更純凈。相比傳統(tǒng)技術(shù)中需要手動剔除動態(tài)物體的繁瑣過程，本發(fā)明顯著簡化了數(shù)據(jù)處理步驟。

42、關(guān)鍵點5：用戶友好的可視化界面和交互支持。本發(fā)明的基于lod(層次細節(jié))技術(shù)的可視化界面，使用戶能夠?qū)崟r預(yù)覽分割結(jié)果，選擇特定實例進行建模，或者動態(tài)調(diào)整建模參數(shù)以滿足具體需求。提升了操作效率的同時，為多場景、精細化建模提供了便捷支持。