基于图神经网络的手机扫描点云路面坑洞检测方法

摘要

路面坑洞快速检测与评估对确保道路交通安全至关重要。针对目前基于采集车或无人机的检测方法成本高、部分场景受限，而基于智能手机的检测方法量化精度低的缺陷，研究了基于图神经网络（graph-based attention neural network,GANN）的手机扫描点云路面坑洞提取量化方法。通过搭载激光雷达的智能手机环扫采集路面坑洞点云数据，利用平面拟合和聚类算法对点云数据进行预处理；针对坑洞点云数据中隐含的局部几何特征，在传统图神经网络点云模型的基础上，研究了基于图注意力机制的点云深度学习模型。该模型设计了注意力邻居卷积层，在更大的感知域内通过注意力机制寻找重要节点作为邻居，改善了当前算法动态图构建不佳的缺陷；同时构建了几何特征提取器，通过引入伞曲面准确表示点的局部几何特征，改善了当前算法忽略几何特征的缺陷，对预处理后的点云数据实现高精度分类和量化评估。实验使用智能手机iPhone14 Pro对武汉市武昌区武汉理工大学余家头校区周边路网中的路面坑洞进行扫描测量，构建城市道路路面坑洞点云数据集，进行坑洞检测和评估，结果表明：GANN模型的深度量化误差和体积量化误差分别为4.58%和5.57%，能够准确提取点云数据中的路面坑洞。得益于GANN模型的信息保留和几何特征挖掘，与最新模型PointNeXt和PointMLP的检测结果相比，GANN模型的深度量化误差和体积量化误差分别降低了2.41%和0.11%，对路面坑洞的量化精度更高。

关键词

交通安全 / 路面坑洞检测 / 激光点云 / GANN模型 / 图神经网络

基金资助

湖北省自然科学基金项目（2025AFD764）资助