CN111539881A - 一种基于深度学习的航空零部件点云去噪方法 - Google Patents
一种基于深度学习的航空零部件点云去噪方法 Download PDFInfo
- Publication number
- CN111539881A CN111539881A CN202010299670.3A CN202010299670A CN111539881A CN 111539881 A CN111539881 A CN 111539881A CN 202010299670 A CN202010299670 A CN 202010299670A CN 111539881 A CN111539881 A CN 111539881A
- Authority
- CN
- China
- Prior art keywords
- point
- deep learning
- point cloud
- local neighborhood
- cloud data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013499 data model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 30
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
- G01S17/06—Systems determining position data of a target
- G01S17/42—Simultaneous measurement of distance and other co-ordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
- G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
- G01S7/4808—Evaluating distance, position or velocity data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度学习的航空零部件点云去噪方法,包括:基于航空零部件的理论数据模型,人为增加不同程度的高斯噪声,并为所述模型中每个点生成高度图,构建深度学习训练集;基于构建的深度学习训练集,训练所述深度学习网络,得到深度学习网络模型,用于预测点云数据中每个点的法线信息;由激光扫描仪对真实航空零部件进行扫描,获取实测点云数据,并基于训练好的深度学习网络模型,预测所述实测点云的法线信息;基于所述预测的法线信息,进一步对所述点云中每个点进行位置更新,从而实现实测点云的去噪。本发明解决了现有技术中无法准确高效去除航空零部件扫描点云的噪声的问题,进一步提高了航空零部件检测分析的效率和准确度。
Description
技术领域
本发明属于航空检测技术领域,特别涉及一种基于深度学习的航空零部件点云去噪方法。
背景技术
近年来,随着国内航空新研项目在飞行速度、隐身、机动性等技术战斗指标上的不断提高,飞机自身的结构呈现出明显的整体化、轻量化、紧凑化和精密化的趋势,具有复杂结构与型面特征的航空结构件开始被大量采用,航空结构件的精度要求也日益提升,装配的要求逐渐提高,使得对航空零部件制造加工质量的控制和检测显得尤为重要。同时,随着航空器使用时间增加,各零部件的磨损、形变等会大大影响航空器的性能,甚至会威胁人民生命财产安全,通过对零部件的检测,及时发现存在的隐患,从而保证航空器的安全健康运行。
对于航空零部件的检测技术,目前仍以传统的测量方式为主,如手工测量法,三坐标机测量法等,由于航空零部件形状复杂、结构多样,传统的测量方法往往达不到要求的精度,且效率较低,无法满足目前航空零部件的检测需求。
由于三维激光扫描技术实时性强、精度高、无损检测等优点,其在航空领域的应用越来越广泛。利用三维激光扫描技术对航空零部件进行测量分析,是航空领域高精度测量的趋势。然而,由于测量环境等因素影响,获取的三维点云往往存在一定的噪声,而目前针对航空零部件三维点云噪声的处理仍处于起步阶段,无法满足航空业高效率高精度的要求。
发明内容
本发明的目的在于针对现有技术中无法对航空零部件点云进行准确高效去噪的问题,提供一种基于深度学习的航空零部件点云去噪方法。
本发明是通过以下技术方案实现的:
一种基于深度学习的航空零部件点云去噪方法,包括如下步骤:
S1:基于航空零部件的理论数据模型,增加不同程度的高斯噪声,并为模型中每个点生成高度图,构建深度学习训练集;
S2:基于步骤S1构建的深度学习训练集,训练深度学习网络,得到深度学习网络模型;
S3:由激光扫描仪对真实航空零部件进行扫描,获取实测点云数据,并基于步骤S2训练好的深度学习网络模型,预测实测点云的法线信息;
S4:基于步骤S3预测的法线信息,进一步对实测点云数据中每个点进行位置更新,实现对实测点云数据的去噪。
为优化上述技术方案,采取的具体措施还包括:
上述步骤S1中的为模型中每个点生成高度图,包括以下步骤:
S11:从理论数据模型中,给定点云数据中的一点pi,采用循环神经网络构建该点的局部邻域;
S12:据公式(7)计算协方差矩阵Cpi;
其中,pi表示点云数据中的任一点,pi=(xi,yi,zi),(xi,yi,zi)表示pi的坐标;pj表示局部邻域中的任一点;Ψ表示pi点的局部邻域;|Ψ|表示局部邻域中点的个数;
S13:记Cpi的三个特征值和特征向量分别为λ1,λ2,λ3和u1、u2、u3,其中,λ1≥λ2≥λ3,u3=(R,S,T);
S14:以向量u3作为投影平面法向量,据公式(8)构建投影平面P,;
R(x-xi)+S(y-yi)+T(z-zi)=0; (8)
其中,(x,y,z)是平面P的任意一个点的坐标,(xi,yi,zi)表示pi的坐标;
S15:基于步骤S14构建的投影平面P,将局部邻域中的所有点沿向量u3向平面P进行投影,获得pi的高度图。
上述步骤S2中的训练深度学习网络得到深度学习网络模型,包括以下步骤:
S21:选择ResNet18作为深度学习网络,构建深度学习网络的损失函数;
S22:将步骤S1生成的高度图输入至ResNet18网络中,采用随机梯度下降法及反向传播算法进行ResNet18网络的权重更新,直到网络损失值区域收敛,则停止训练,得到深度学习网络模型。
上述步骤S22中,初始学习率为0.001,预设最大迭代训练次数为200次。
上述步骤S3具体包括以下步骤:
S31:给定实测点云数据中的一点pm,采用循环神经网络构建该点的局部邻域;
S32:据公式(10)计算协方差矩阵Cpm;
其中,pm表示实测点云数据中的任一点;pn表示局部邻域中的任一点;Γ表示pm点的局部邻域;|Γ|表示局部邻域中点的个数;
S33:记Cpm的三个特征值和特征向量分别为λ’1,λ’2,λ’3和u’1、u’2、u’3,其中,λ’1≥λ’2≥λ’3,u’3=(R’,S’,T’);
S34:以向量u’3作为投影平面法向量,据公式(11)构建投影平面P’;
R’(x’-x’m)+S’(y’-y’m)+T’(z’-z’m)=0; (11)
其中,(x’,y’,z’)是平面P’的任意一个点的坐标,(x’m,y’m,z’m)表示pm的坐标;
S35:基于步骤S34构建的投影平面P’,将局部邻域中的所有点沿向量u’3向平面P’进行投影,获得pm的高度图;
S36:将步骤S35生成的高度图输入至步骤S2得到的深度学习网络模型中,得到实pm的法向量。
上述步骤S4中,根据公式(12)对实测点云数据中每个点进行位置更新;
其中,pm表示实测点云数据中的任一点;pn表示局部邻域中的任一点;αm表示权重参数;Γ表示pm点的局部邻域;nn表示pn点的法向量;nm表示pm点的法向量。
本发明的有益效果为:
本发明的方法能够准确地实现航空零部件实测点云数据的去噪处理,并保留零部件的结构特征,有效解决了传统检测手段精度低,效率低等问题,从而保证后续的航空零部件结构检测分析的效率和准确度。
附图说明
图1是本发明方法的流程图。
图2是本发明航空零部件原始实测数据图。
图3是本发明航空零部件点云高度图。
图4是本发明航空零部件点云去噪后结果图。
图5是本发明航空零部件点云法线结果图。
具体实施方式
下面结合附图和实施例对本发明的发明内容作进一步地说明。
参见图1,该方法可以直接应用至各种航空零部件扫描数据处理装置上,具体实现时,可以通过在写入航空零部件扫描数据处理装置控制器相应的程序的方式来实现。参见图2,为航空零部件扫描装置及所获取的三维点云数据,获取的三维点云数据中存在噪声干扰等问题,这对于航空零部件的检测分析造成很大的影响。本发明提供了一种基于深度学习的航空零部件点云去噪方法,包括以下步骤:
步骤一、基于航空零部件的理论数据模型,增加不同程度的高斯噪声,并为模型中每个点生成高度图,构建深度学习训练集;本实施例中,所述的为模型中每个点生成高度图,包括以下步骤:
1)从理论数据模型中,给定点云数据中的一点pi,采用循环神经网络构建该点的局部邻域,优选地,邻域半径具体取点云模型平均距离的5倍;
2)据公式(13)计算协方差矩阵Cpi;
其中,pi表示点云数据中的任一点,pi=(xi,yi,zi),(xi,yi,zi)表示pi的坐标;pj表示局部邻域中的任一点;Ψ表示pi点的局部邻域;|Ψ|表示局部邻域中点的个数;
3)记Cpi的三个特征值和特征向量分别为λ1,λ2,λ3和u1、u2、u3,其中,λ1≥λ2≥λ3,u3=(R,S,T);
4)以向量u3作为投影平面法向量,据公式(14)构建投影平面P,;
R(x-xi)+S(y-yi)+T(z-zi)=0; (14)
其中,(x,y,z)是平面P的任意一个点的坐标,(xi,yi,zi)表示pi的坐标;
5)基于构建的投影平面P,将局部邻域中的所有点沿向量u3向平面P进行投影,获得pi的高度图,高度图分辨率设置为48×48,具体可参见图3。
步骤二、基于步骤一构建的深度学习训练集,训练深度学习网络,得到深度学习网络模型;本实施例中,选择ResNet18作为深度学习网络,构建深度学习网络的损失函数;
将步骤一生成的高度图输入至ResNet18网络中,采用随机梯度下降法及反向传播算法进行ResNet18网络的权重更新,初始学习率为0.001,预设最大迭代训练次数为200次,直到网络损失值区域收敛,则停止训练,得到深度学习网络模型。
步骤三、由激光扫描仪对真实航空零部件进行扫描,获取实测点云数据,并基于步骤二训练好的深度学习网络模型,预测实测点云的法线信息;
1)给定实测点云数据中的一点pm,采用循环神经网络构建该点的局部邻域,邻域半径具体取点云模型平均距离的3倍;
2)据公式(16)计算协方差矩阵Cpm;
其中,pm表示实测点云数据中的任一点;pn表示局部邻域中的任一点;Γ表示pm点的局部邻域;|Γ|表示局部邻域中点的个数;
3)记Cpm的三个特征值和特征向量分别为λ’1,λ’2,λ’3和u’1、u’2、u’3,其中,λ’1≥λ’2≥λ’3,u’3=(R’,S’,T’);
4)以向量u’3作为投影平面法向量,据公式(17)构建投影平面P’;
R’(x’-x’m)+S’(y’-y’m)+T’(z’-z’m)=0; (17)
其中,(x’,y’,z’)是平面P’的任意一个点的坐标,(x’m,y’m,z’m)表示pm的坐标;
5)基于构建的投影平面P’,将局部邻域中的所有点沿向量u’3向平面P’进行投影,获得pm的高度图;
6)将上述生成的高度图输入至步骤二得到的深度学习网络模型中,得到实pm的法向量。
步骤四、基于步骤三预测的法线信息,进一步对实测点云数据中每个点进行位置更新,设计点位更新函数,获取更新后的点云,即为去噪后的点云模型,实现对实测点云数据的去噪。根据公式(18)对实测点云数据中每个点进行位置更新;
图4和图5分别为经过点位更新后的点云模型(即去噪后的模型)及其经过深度学习预测的法线结果。与图2相比,点云数据的噪声问题已解决,而零部件结构等特征没有发生任何变化。基于此,能够准确地实现航空零部件实测点云数据的去噪处理,并保留零部件的结构特征,有效解决了传统检测手段精度低,效率低等问题,从而保证后续的航空零部件结构检测分析的效率和准确度。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (6)
1.一种基于深度学习的航空零部件点云去噪方法,其特征在于,包括如下步骤:
S1:基于航空零部件的理论数据模型,增加不同程度的高斯噪声,并为模型中每个点生成高度图,构建深度学习训练集;
S2:基于步骤S1构建的深度学习训练集,训练深度学习网络,得到深度学习网络模型;
S3:由激光扫描仪对真实航空零部件进行扫描,获取实测点云数据,并基于步骤S2训练好的深度学习网络模型,预测实测点云的法线信息;
S4:基于步骤S3预测的法线信息,进一步对实测点云数据中每个点进行位置更新,实现对实测点云数据的去噪。
2.根据权利要求1所述的一种基于深度学习的航空零部件点云去噪方法,其特征在于,所述步骤S1中的为模型中每个点生成高度图,包括以下步骤:
S11:从理论数据模型中,给定点云数据中的一点pi,采用循环神经网络构建该点的局部邻域;
S12:据公式(1)计算协方差矩阵Cpi;
其中,pi表示点云数据中的任一点,pi=(xi,yi,zi),(xi,yi,zi)表示pi的坐标;pj表示局部邻域中的任一点;Ψ表示pi点的局部邻域;|Ψ|表示局部邻域中点的个数;
S13:记Cpi的三个特征值和特征向量分别为λ1,λ2,λ3和u1、u2、u3,其中,λ1≥λ2≥λ3,u3=(R,S,T);
S14:以向量u3作为投影平面法向量,据公式(2)构建投影平面P,;
R(x-xi)+S(y-yi)+T(z-zi)=0; (2)
其中,(x,y,z)是平面P的任意一个点的坐标,(xi,yi,zi)表示pi的坐标;
S15:基于步骤S14构建的投影平面P,将局部邻域中的所有点沿向量u3向平面P进行投影,获得pi的高度图。
4.根据权利要求3所述的一种基于深度学习的航空零部件点云去噪方法,其特征在于,所述步骤S22中,初始学习率为0.001,预设最大迭代训练次数为200次。
5.根据权利要求1所述的一种基于深度学习的航空零部件点云去噪方法,其特征在于,所述步骤S3具体包括以下步骤:
S31:给定实测点云数据中的一点pm,采用循环神经网络构建该点的局部邻域;
S32:据公式(4)计算协方差矩阵Cpm;
其中,pm表示实测点云数据中的任一点;pn表示局部邻域中的任一点;Γ表示pm点的局部邻域;|Γ|表示局部邻域中点的个数;
S33:记Cpm的三个特征值和特征向量分别为λ’1,λ’2,λ’3和u’1、u’2、u’3,其中,λ’1≥λ’2≥λ’3,u’3=(R’,S’,T’);
S34:以向量u’3作为投影平面法向量,据公式(5)构建投影平面P’;
R’(x’-x’m)+S’(y’-y’m)+T’(z’-z’m)=0; (5)
其中,(x’,y’,z’)是平面P’的任意一个点的坐标,(x’m,y’m,z’m)表示pm的坐标;
S35:基于步骤S34构建的投影平面P’,将局部邻域中的所有点沿向量u’3向平面P’进行投影,获得pm的高度图;
S36:将步骤S35生成的高度图输入至步骤S2得到的深度学习网络模型中,得到实pm的法向量。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299670.3A CN111539881B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的航空零部件点云去噪方法 |
US17/169,534 US11514555B2 (en) | 2020-04-16 | 2021-02-07 | Point cloud denoising method based on deep learning for aircraft part |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010299670.3A CN111539881B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的航空零部件点云去噪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539881A true CN111539881A (zh) | 2020-08-14 |
CN111539881B CN111539881B (zh) | 2021-07-13 |
Family
ID=71976797
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010299670.3A Active CN111539881B (zh) | 2020-04-16 | 2020-04-16 | 一种基于深度学习的航空零部件点云去噪方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11514555B2 (zh) |
CN (1) | CN111539881B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435193A (zh) * | 2020-11-30 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
CN114295048A (zh) * | 2021-12-21 | 2022-04-08 | 北京紫微宇通科技有限公司 | 基于激光扫描仪的航天器结构数字化检测方法 |
CN114627017A (zh) * | 2022-03-17 | 2022-06-14 | 南京航空航天大学 | 一种基于多层次注意力感知的点云去噪方法 |
CN116817771A (zh) * | 2023-08-28 | 2023-09-29 | 南京航空航天大学 | 一种基于圆柱体素特征的航天零件涂层厚度测量方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116051427B (zh) * | 2023-03-31 | 2023-07-04 | 季华实验室 | 点云去噪模型获取方法、点云融合方法及其相关设备 |
CN117237902B (zh) * | 2023-11-15 | 2024-01-26 | 山东飞宏工程机械有限公司 | 基于深度学习的机器人物体识别系统 |
CN118015284B (zh) * | 2024-04-09 | 2024-06-25 | 中国空气动力研究与发展中心低速空气动力研究所 | 基于生成对抗网络的点云分割方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346808A (zh) * | 2019-07-15 | 2019-10-18 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
CN110533603A (zh) * | 2019-07-24 | 2019-12-03 | 宁德市公路局 | 一种基于熵与卷积神经网络的点云降噪方法 |
CN110930334A (zh) * | 2019-11-26 | 2020-03-27 | 浙江大学 | 一种基于神经网络的网格去噪方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3637386A1 (en) * | 2018-10-12 | 2020-04-15 | Thales | Machine learning on big data in avionics |
-
2020
- 2020-04-16 CN CN202010299670.3A patent/CN111539881B/zh active Active
-
2021
- 2021-02-07 US US17/169,534 patent/US11514555B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110346808A (zh) * | 2019-07-15 | 2019-10-18 | 上海点积实业有限公司 | 一种激光雷达的点云数据处理方法和系统 |
CN110533603A (zh) * | 2019-07-24 | 2019-12-03 | 宁德市公路局 | 一种基于熵与卷积神经网络的点云降噪方法 |
CN110930334A (zh) * | 2019-11-26 | 2020-03-27 | 浙江大学 | 一种基于神经网络的网格去噪方法 |
Non-Patent Citations (2)
Title |
---|
ALEXANDRE BOULCH ET AL.: "Deep Learning for Robust Normal Estimation in Unstructured Point Clouds", 《EUROGRAPHICS SYMPOSIUM ON GEOMETRY PROCESSING 2016》 * |
王醒策 等: "局部表面拟合的点云模型法向估计及重定向算法", 《计算机辅助设计与图形学学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435193A (zh) * | 2020-11-30 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
CN112435193B (zh) * | 2020-11-30 | 2024-05-24 | 中国科学院深圳先进技术研究院 | 一种点云数据去噪的方法、装置、存储介质和电子设备 |
CN114295048A (zh) * | 2021-12-21 | 2022-04-08 | 北京紫微宇通科技有限公司 | 基于激光扫描仪的航天器结构数字化检测方法 |
CN114627017A (zh) * | 2022-03-17 | 2022-06-14 | 南京航空航天大学 | 一种基于多层次注意力感知的点云去噪方法 |
CN114627017B (zh) * | 2022-03-17 | 2022-12-13 | 南京航空航天大学 | 一种基于多层次注意力感知的点云去噪方法 |
CN116817771A (zh) * | 2023-08-28 | 2023-09-29 | 南京航空航天大学 | 一种基于圆柱体素特征的航天零件涂层厚度测量方法 |
CN116817771B (zh) * | 2023-08-28 | 2023-11-17 | 南京航空航天大学 | 一种基于圆柱体素特征的航天零件涂层厚度测量方法 |
Also Published As
Publication number | Publication date |
---|---|
US11514555B2 (en) | 2022-11-29 |
CN111539881B (zh) | 2021-07-13 |
US20210327032A1 (en) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539881B (zh) | 一种基于深度学习的航空零部件点云去噪方法 | |
CN107703480B (zh) | 基于机器学习的混合核函数室内定位方法 | |
CN110263429B (zh) | 基于机器学习的索网反射面天线形面精度调整方法 | |
JP7351029B2 (ja) | 複雑地形においてLiDARで風の流れの乱流を測定するためのシステムおよび方法 | |
JP7403690B2 (ja) | 複雑地形においてLiDARで高速の風の流れを測定するためのシステムおよび方法 | |
CN110162823B (zh) | 考虑气动面曲面效应和法向运动的非定常气动力计算方法 | |
CN110231620B (zh) | 一种噪声相关系统跟踪滤波方法 | |
CN113168729B (zh) | 一种基于局部参考坐标系的3d形状匹配方法及装置 | |
CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN113777931A (zh) | 结冰翼型气动模型构造方法、装置、设备及介质 | |
CN112388628A (zh) | 用于训练高斯过程回归模型的设备和方法 | |
CN116468767A (zh) | 基于局部几何特征和隐式距离场的飞机表面重建方法 | |
CN113204909B (zh) | 基于地基观测光度信号的卫星几何特征与姿态估计方法 | |
CN110297221A (zh) | 一种基于高斯混合模型的数据关联方法 | |
CN114565020B (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
Dong et al. | Pressure-sensitive paint integrated with digital image correlation for instantaneous measurement on rotating blades | |
Fischer et al. | Cross validation of the aerodynamic and acoustic measurements in two Kevlar-walled wind tunnels | |
CN110595470A (zh) | 一种基于外定界椭球集员估计的纯方位目标跟踪方法 | |
Zhuang et al. | Accurate statistical modeling method for dynamic RCs | |
CN108106634A (zh) | 一种直接观星的星敏感器内参数标定方法 | |
CN114092545A (zh) | 一种适用于球形靶标拟合的自适应栅格搜索方法 | |
CN117784114B (zh) | 异常噪声下基于混合熵的不规则扩展目标跟踪方法 | |
Chen et al. | Kalman filter tracking algorithm simulation based on angle expansion | |
CN114577213B (zh) | 一种分布式多平台水下多目标关联与被动定位方法 | |
CN111414801B (zh) | 不确定性外形的电大非合作目标分类识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220414 Address after: 211106 room 1003-1005, No. 1698, Shuanglong Avenue, Jiangning District, Nanjing, Jiangsu Province (Jiangning Development Zone) Patentee after: Nanjing Yuntong Technology Co.,Ltd. Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu Patentee before: Nanjing University of Aeronautics and Astronautics |