CN114528950B - 一种基于三维点云识别保密介质类型的销毁方法与系统 - Google Patents

一种基于三维点云识别保密介质类型的销毁方法与系统 Download PDF

Info

Publication number
CN114528950B
CN114528950B CN202210432576.XA CN202210432576A CN114528950B CN 114528950 B CN114528950 B CN 114528950B CN 202210432576 A CN202210432576 A CN 202210432576A CN 114528950 B CN114528950 B CN 114528950B
Authority
CN
China
Prior art keywords
point cloud
medium
fragments
cloud data
volume
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.)
Active
Application number
CN202210432576.XA
Other languages
English (en)
Other versions
CN114528950A (zh
Inventor
罗远哲
王军亮
刘瑞景
张艺腾
李连庚
任德旺
荆全振
尹贞
靳晓栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Original Assignee
Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing China Super Industry Information Security Technology Ltd By Share Ltd filed Critical Beijing China Super Industry Information Security Technology Ltd By Share Ltd
Priority to CN202210432576.XA priority Critical patent/CN114528950B/zh
Publication of CN114528950A publication Critical patent/CN114528950A/zh
Application granted granted Critical
Publication of CN114528950B publication Critical patent/CN114528950B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioethics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于三维点云识别保密介质类型的销毁方法和系统，属于图像数据处理技术领域。本发明通过采用包括有点云特征提取网络和介质体量识别网络的保密介质销毁识别网络模型，可以对机械粉碎过程中的保密介质碎片进行体量识别，从而自动判断介质碎片的体积是否满足销毁要求或需要进行二次粉碎，显著提升了介质销毁流程的工作效率和可靠性，有效降低了信息泄露的可能性，填补了保密介质机械粉碎技术的漏洞。

Description

一种基于三维点云识别保密介质类型的销毁方法与系统
技术领域
本发明涉及图像数据处理技术领域，特别是涉及一种基于三维点云识别保密介质类型的销毁方法与系统。
背景技术
随着信息技术的快速发展和各领域信息化建设的加速，越来越多的信息保密手段被广泛应用于军用和民用领域。一旦发生保密介质的丢失或泄密，就会对个人、企业甚至国家的安全与利益造成不可估量的损失，因此对结束生命周期的保密介质进行科学规范的销毁十分关键。机械粉碎是目前使用最普遍、效果最好的保密介质销毁手段，然而在现阶段的介质粉碎过程中无法对介质的颗粒度大小进行判定，难以确保保密介质所承载的信息得到了有效破坏，因而使得信息安全面临着极大的威胁。
目前，机械粉碎主要依赖于人工目视的方法对粉碎后保密介质的尺寸进行判断，以确定是否需要进行二次粉碎。或者通过人为设定机械粉碎时长的方式，提高介质销毁的可靠性。现有方法不仅需要消耗大量的时间和精力，而且销毁效果容易受到主观因素的影响（闫国卿,许振明.信息存储介质的安全销毁方法及资源化技术[J].材料导报,2013,27(03):12-17+31.）。因此本领域亟需一种自动化的保密介质销毁方法，通过快速、准确地识别纸张、钢板、塑料等多种类型介质的尺寸大小，实现理想的介质机械粉碎效果。
发明内容
本发明的目的是提供一种基于三维点云识别保密介质类型的销毁方法与系统，以能够通过快速、准确地识别纸张、钢板、塑料等多种类型介质的尺寸大小，进而实现理想的介质机械粉碎效果。
为实现上述目的，本发明提供了如下方案：
一种基于三维点云识别保密介质类型的销毁方法，包括：
建立介质碎片点云分割数据集；
构建保密介质销毁识别网络模型；所述保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络；所述点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层；所述介质体量识别网络包括：体量计算支路和点云分类支路；
采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型；
获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量；大体积介质碎片为超出预设尺寸的介质碎片；
当所述大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤“获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量”；
当所述大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样。
优选地，所述点云特征提取网络中的特征提取过程包括：
所述采样层和所述成组层基于N1个采样中心点，将第一点云数据划分N1个点云团得到第二点云数据；所述第一点云数据中点云的个数为N，每一点云的特征包括x轴、y轴和z轴上的坐标值；每一点云团中点云的个数为K；
将所述第二点云数据输入至所述Pointnet网络层进行特征提取，得到维度为N1*F1的点云数据；
将所述维度为N1*F1的点云数据输入至所述坐标信息嵌入操作层，嵌入采样中心点的3个空间坐标值得到输出维度为N1*（3+F1）的第三点云数据；
将所述第三点云数据作为所述采样层和所述成组层的输入，返回执行“所述采样层和所述成组层基于N1个采样中心点，将第一点云数据划分N1个点云团得到第二点云数据”，直至达到预设处理次数后得到输出点云数据。
优选地，所述体量计算支路中的数据处理过程包括：
确定所述输出点云数据中每个点与其他点间的特征相关性关系；
基于所述特征相关性关系构建点云关系矩阵；
确定所述点云关系矩阵中每行小于第二预设阈值的数量，得到点云体量表征向量；所述每行小于第二预设阈值的数量表示每个点所属点云区域的体量；
当所述点云体量表征向量中的体量大于体量阈值时，判定与所述体量对应的点所属的介质碎片为大体积介质碎片；
确定所述点云体量表征向量中大于体量阈值r的体量的个数得到当前机械粉碎设备中大体积介质碎片的数量。
优选地，所述点云分类支路中的数据处理过程包括：
将所述输出点云数据输入至所述点云分类支路中的两层全连接层中得到点云类别矩阵；所述点云类别矩阵中每行的最大值对应的类别即为与所述最大值对应的点所属的介质碎片的类型。
优选地，所述建立介质碎片点云分割数据集，具体包括：
采用3D扫描设备获取不同类型和不同颗粒度下保密介质碎片的点云数据；
采用滤波算法滤除所述不同类型和不同颗粒度下保密介质碎片的点云数据中的噪点和离群点，得到去噪后的点云数据；
采用双标签对所述去噪后的点云数据进行标注，得到标注点云数据；
基于所述标注点云数据形成介质碎片点云分割数据集。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的基于三维点云识别保密介质类型的销毁方法，通过采用包括有点云特征提取网络和介质体量识别网络的保密介质销毁识别网络模型，可以对机械粉碎过程中的保密介质碎片进行体量识别，从而自动判断介质碎片的体积是否满足销毁要求或需要进行二次粉碎，显著提升了介质销毁流程的工作效率和可靠性，有效降低了信息泄露的可能性，填补了保密介质机械粉碎技术的漏洞。
对应于上述提供的基于三维点云识别保密介质类型的销毁方法，本发明还提供了以下实施系统：
其中，一种基于三维点云识别保密介质类型的销毁系统，包括：
数据集建立模块，用于建立介质碎片点云分割数据集；
网络构建模块，用于构建保密介质销毁识别网络模型；所述保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络；所述点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层；所述介质体量识别网络包括：体量计算支路和点云分类支路；
模型训练模块，用于采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型；
数量-类型确定模块，用于获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量；大体积介质碎片为超出预设尺寸的介质碎片；
返回执行模块，用于当所述大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤“获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量”；
输出模块，用于当所述大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样。
优选地，所述数据集建立模块包括：
数据获取单元，用于采用3D扫描设备获取不同类型和不同颗粒度下保密介质碎片的点云数据；
数据滤除单元，用于采用滤波算法滤除所述不同类型和不同颗粒度下保密介质碎片的点云数据中的噪点和离群点，得到去噪后的点云数据；
数据标注单元，用于采用双标签对所述去噪后的点云数据进行标注，得到标注点云数据；
数据集建立单元，用于基于所述标注点云数据形成介质碎片点云分割数据集。
另一种基于三维点云识别保密介质类型的销毁系统，包括：处理器和存储器；所述存储器中存储有用于实施上述提供的基于三维点云识别保密介质类型的销毁方法的计算机软件程序；所述处理器用于执行所述计算机软件程序。
因本发明提供的基于三维点云识别保密介质类型的销毁系统实现的技术下过与上述提供的基于三维点云识别保密介质类型的销毁方法实现的技术效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的基于三维点云识别保密介质类型的销毁方法的流程图；
图2为本发明实施例提供的点云特征提取网络的数据处理流程图；
图3为本发明实施例提供的介质体量识别网络的数据处理流程图；
图4为本发明提供的其中一种基于三维点云识别保密介质类型的销毁系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于三维点云识别保密介质类型的销毁方法与系统，以能够通过快速、准确地识别纸张、钢板、塑料等多种类型介质的尺寸大小，进而实现理想的介质机械粉碎效果。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示，本发明提供的基于三维点云识别保密介质类型的销毁方法，包括：
步骤100：建立介质碎片点云分割数据集。建立介质碎片点云分割数据集的过程可以是：首先，在保密介质粉碎设备机上搭载3D扫描设备，并通过3D扫描设备获取不同类型不同颗粒度下保密介质碎片的点云数据。接下来，采用点云库（Point Cloud Library, PCL）中的滤波算法去除点云数据中的噪点和离群点。随后，采用双标签进行点云数据标注，根据点云所属介质材料的不同，对应的语义标签分别为背景、纸张、钢板、塑料等类别，对机械粉碎场景内同一材质的介质碎片按顺序进行编号，每个点的实例标签为所属介质碎片的顺序编号，据此获得标注文件。最后，基于点云数据与标注文件获得介质碎片点云分割数据集，并进行训练集与测试集的划分。
步骤101：构建保密介质销毁识别网络模型。保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络。点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层。介质体量识别网络包括：体量计算支路和点云分类支路。
步骤102：采用介质碎片点云分割数据集训练保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型。
步骤103：获取待识别介质碎片的点云数据，并将待识别介质碎片的点云数据输入至保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量。大体积介质碎片为超出预设尺寸的介质碎片。
步骤104：当大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤“获取待识别介质碎片的点云数据，并将待识别介质碎片的点云数据输入至保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量”。
步骤105：当大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样。
其中，上以本发明输入点云数据P1为例，展示上述点云特征提取网络中的特征提取过程，如图2所示，包括：
输入点云P1中的点个数为N，每个点的特征为3维，分别表示该点在x、y和z轴上的坐标值，则点云特征提取网络的输入维度为N*3。
将点云数据P1输入点云特征提取网络（即Pointnet++网络）中的采样层Sampling和成组层Grouping中，将N个点基于N1个采样中心点划分为N1个点云团，每个点云团包含大约K个点。
再将这N1个点云团（即第二点云数据，点云数据P2）输入Pointnet网络中进行特征提取，获得输出维度为N1*F1的点云数据，其中N1表示输出的点个数，F1表示每个点对应的特征信息维度。
然后，给每个点云的特征向量在原有维度F1基础上，嵌入采样中心点的3个空间坐标值，获得输出维度为N1*（3+F1）的点云数据P3（即第三点云数据）。
在这一步中，经过Sampling层和Grouping层，空间中一群相邻点聚集成为一个新点，原来的点个数由N减少为N1。经过Pointnet网络和坐标信息嵌入操作，抽取到点云的局部结构特征。
如图2所示，对输入点云P1重复进行三次如上的Sampling、Grouping、Pointnet网络特征提取和坐标信息嵌入操作，获得输出维度为N3*（3+F3）的点云数据P7（即输出点云数据），其中N3表示输出的点个数，3+F3表示每个点对应的特征信息维度。至此，完成点云特征提取网络的构建。
在点云特征提取网络中，多次进行Sampling和Grouping操作，能够降低庞大的点云数据量，节约后续计算成本。多次进行基于Pointnet网络的特征提取和坐标信息嵌入操作，能够在抽取和提炼更丰富局部语义特征的同时，加深网络对点云中心所在位置的感知能力。
基于上述描述，在保密介质销毁识别网络模型（MVINet）中，首先通过上述的点云特征提取网络逐层提取点云数据特征，获得维度为N3*（3+F3）的点云数据P7。然后，基于点云数据P7构建体量计算支路和点云分类支路。
如图3所示，以本发明中的点云数据P7为例，展示体量计算支路的设计过程：根据维度可知，P7所包含的点个数为N3，每个点对应的特征信息维度为3+F3。逐点计算P7中每个点和其他点之间的特征相关性关系，计算公式如式（1）所示。其中，d ij 表示第i个点和第j个点之间的相互关系，x ik 表示第i个点的第k个维度的特征值，x jk 表示第j个点的第k个维度的特征值，Z i 表示第i个点的特征绝对值，其计算公式如式（2）所示。
Figure 827221DEST_PATH_IMAGE001
(1)
Figure 806678DEST_PATH_IMAGE002
(2)
计算完毕后，每个点将获得自身与N3个点的相互关系，那么N3个点将获得N3*N3个关系值，从而构成一个维度为N3*N3的点云关系矩阵。
在点云关系矩阵中，如果第i行第j列的值越小，则表示第i点和第j点之间的空间关系越近，越有可能属于同一个介质碎片。因此，设定阈值m，计算点云关系矩阵每行中小于阈值m的值的数量ni，则ni表示与第i个点空间距离最近的点云个数，代表了第i个点所属点云区域的体量。基于上述计算，得到N3个的ni值，以构成维度为N3的点云体量表征向量，表示这N3个点所属介质碎片的体积大小。
设定体量阈值r，当体量表征向量中的第i个数值大于r时，则表示第i个点所属的介质碎片为大体积碎片。计算体量表征向量中大于r的值的数量，获得当前机械粉碎设备中大体积介质碎片的数量。
如图3所示，以本发明中的点云数据P7为例，展示点云分类支路的设计过程：
根据维度可知，P7所包含的点个数为N3，每个点对应的特征信息维度为3+F3。将P7中每个点对应的特征信息分别输入两层全连接层中进行最终分类，获得维度为N3*c的点云类别矩阵，其中c表示介质碎片语义标签的类别个数。那么，点云类别矩阵中每一行最大值所对应的类别即为该点所属的介质类别。
网络训练时，体量计算支路采用的损失函数为体量计算损失Lvc，计算公式如式（3）所示。其中，d ij 为点云关系矩阵中第i个点和第j个点之间的关系值，
Figure 320836DEST_PATH_IMAGE003
为第i个点的实例标签，
Figure 778363DEST_PATH_IMAGE004
为第j个点的实例标签，l i 为第i个点的语义标签，l j 为第j个点的语义标签，σ、m 1和m 2为设定的可调参数。该损失函数表示当两个点的语义标签和实例标签相等，即属于同一个介质碎片时，两者的关系值d ij 应收敛到0，也就是说，同一个介质碎片中点之间的特征距离d ij 越小越好。当两个点的语义标签相同而实例标签不同时，即属于同一介质类型但不属于同一个介质碎片时，两者的关系值(即特征距离d ij )应收敛到固定值m 1附近，σ用于调节收敛范围。当两个点的语义标签和实例标签均不同，即不属于同一介质类型时，两者的关系值(即特征距离d ij )应大于固定值m 1+m 2。
Figure 655052DEST_PATH_IMAGE005
(3)
采用体量计算损失Lvc进行网络训练，能够根据语义和实例标签准确调节不同类型的点在点云特征空间的距离分布，比如拉近同一介质碎片中的点在特征空间的距离，增大不同介质材质的点在特征空间的距离，从而使网络准确预测和区分出各个点所属的介质碎片个体。
点云分类支路基于分类损失函数Softmax Loss进行点云数据的语义标签类别分类，确定每个点所属的介质类别。
整个卷积神经网络的损失函数值由体量计算支路和点云分类支路的损失值相加所得。
在上述构建的保密介质销毁识别网络模型（MVINet网络）中，特征提取网络能够在提炼局部语义特征的同时，降低庞大的点云数据量，并加深网络对点云中心所在位置的感知能力；体量计算支路能够巧妙地通过点云特征关系的计算，使网络获取保密介质碎片的体量。
基于上述构建得到的保密介质销毁识别网络模型，步骤102中模型的训练过程为：采用介质点云分割数据集进行模型训练，基于损失函数对整个网络进行参数更新，训练完毕后得到最终的保密介质销毁识别网络模型。
例如，在实际应用过程中，在保密介质粉碎设备机上搭载3D扫描设备，并通过3D扫描设备采集保密介质碎片的点云数据。采用滤波算法对点云数据进行预处理，去除噪点和离群点。将处理后的点云数据输入训练好的保密介质销毁识别网络模型中，由点云分类支路输出介质碎片的类型，由体量计算支路输出大体积介质碎片的数量。如果大体积介质碎片的数量大于0，则表示粉碎设备中还存在没有销毁完全的介质碎片，并启动二次粉碎，否则输出“销毁成功”。
对应于上述提供的基于三维点云识别保密介质类型的销毁方法，本发明还提供了以下实施系统：
其中，一种基于三维点云识别保密介质类型的销毁系统，如图4所示，包括：
数据集建立模块1，用于建立介质碎片点云分割数据集。
网络构建模块2，用于构建保密介质销毁识别网络模型。保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络。点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层。介质体量识别网络包括：体量计算支路和点云分类支路。
模型训练模块3，用于采用介质碎片点云分割数据集训练保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型。
数量-类型确定模块4，用于获取待识别介质碎片的点云数据，并将待识别介质碎片的点云数据输入至保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量。大体积介质碎片为超出预设尺寸的介质碎片。
返回执行模块5，用于当大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤“获取待识别介质碎片的点云数据，并将待识别介质碎片的点云数据输入至保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量”。
输出模块6，当大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样。
作为本发明的一实施例，上述提供的数据集建立模块1还可以包括：
数据获取单元，用于采用3D扫描设备获取不同类型和不同颗粒度下保密介质碎片的点云数据。
数据滤除单元，用于采用滤波算法滤除不同类型和不同颗粒度下保密介质碎片的点云数据中的噪点和离群点，得到去噪后的点云数据。
数据标注单元，用于采用双标签对去噪后的点云数据进行标注，得到标注点云数据。
数据集建立单元，用于基于标注点云数据形成介质碎片点云分割数据集。
另一种基于三维点云识别保密介质类型的销毁系统，包括：处理器和存储器。存储器中存储有用于实施上述提供的基于三维点云识别保密介质类型的销毁方法的计算机软件程序。处理器用于执行计算机软件程序。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (5)

1.一种基于三维点云识别保密介质类型的销毁方法，其特征在于，包括：
步骤1：建立介质碎片点云分割数据集；
步骤2：构建保密介质销毁识别网络模型；所述保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络；所述点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层；所述介质体量识别网络包括：体量计算支路和点云分类支路；
步骤3：采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型；
步骤4：获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量；大体积介质碎片为超出预设尺寸的介质碎片；
步骤5：当所述大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤4；
当所述大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样；
其中，所述点云特征提取网络中的特征提取过程包括：
步骤11：所述采样层和所述成组层基于N1个采样中心点，将第一点云数据划分N1个点云团得到第二点云数据；所述第一点云数据中点云的个数为N，每一点云的特征包括x轴、y轴和z轴上的坐标值；每一点云团中点云的个数为K；
步骤12：将所述第二点云数据输入至所述Pointnet网络层进行特征提取，得到维度为N1*F1的点云数据；
步骤13：将所述维度为N1*F1的点云数据输入至所述坐标信息嵌入操作层，嵌入采样中心点的3个空间坐标值得到输出维度为N1*（3+F1）的第三点云数据；
步骤14：将所述第三点云数据作为所述采样层和所述成组层的输入，返回执行步骤11，直至达到预设处理次数后得到输出点云数据；
步骤15：将所述输出点云数据输入至所述点云分类支路中的两层全连接层中得到点云类别矩阵；所述点云类别矩阵中每行的最大值对应的类别即为与所述最大值对应的点所属的介质碎片的类型；
所述体量计算支路中的数据处理过程包括：
步骤21：确定所述输出点云数据中每个点与其他点间的特征相关性关系；
步骤22：基于所述特征相关性关系构建点云关系矩阵；
步骤23：确定所述点云关系矩阵中每行小于第二预设阈值的数量，得到点云体量表征向量；所述每行小于第二预设阈值的数量表示每个点所属点云区域的体量；
步骤24：当所述点云体量表征向量中的体量大于体量阈值时，判定与所述体量对应的点所属的介质碎片为大体积介质碎片；
步骤25：确定所述点云体量表征向量中大于体量阈值r的体量的个数得到当前机械粉碎设备中大体积介质碎片的数量。
2.根据权利要求1所述的基于三维点云识别保密介质类型的销毁方法，其特征在于，所述建立介质碎片点云分割数据集，具体包括：
步骤31：采用3D扫描设备获取不同类型和不同颗粒度下保密介质碎片的点云数据；
步骤32：采用滤波算法滤除所述不同类型和不同颗粒度下保密介质碎片的点云数据中的噪点和离群点，得到去噪后的点云数据；
步骤33：采用双标签对所述去噪后的点云数据进行标注，得到标注点云数据；
步骤34：基于所述标注点云数据形成介质碎片点云分割数据集。
3.一种基于三维点云识别保密介质类型的销毁系统，其特征在于，包括：
数据集建立模块，用于建立介质碎片点云分割数据集；
网络构建模块，用于构建保密介质销毁识别网络模型；所述保密介质销毁识别网络模型包括：点云特征提取网络和介质体量识别网络；所述点云特征提取网络包括：采样层、成组层、Pointnet网络层和坐标信息嵌入操作层；所述介质体量识别网络包括：体量计算支路和点云分类支路；
模型训练模块，用于采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网络模型，得到训练好的保密介质销毁识别网络模型；
数量-类型确定模块，用于获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量；大体积介质碎片为超出预设尺寸的介质碎片；
返回执行模块，用于当所述大体积介质碎片的数量大于第一预设阈值时，对待识别介质碎片进行二次粉碎后，返回步骤“获取待识别介质碎片的点云数据，并将所述待识别介质碎片的点云数据输入至所述保密介质销毁识别网络模型中，得到介质碎片的类型和大体积介质碎片的数量”；
输出模块，用于当所述大体积介质碎片的数量小于等于第一预设阈值时，输出“销毁成功”字样；
其中，所述点云特征提取网络中的特征提取过程包括：
步骤11：所述采样层和所述成组层基于N1个采样中心点，将第一点云数据划分N1个点云团得到第二点云数据；所述第一点云数据中点云的个数为N，每一点云的特征包括x轴、y轴和z轴上的坐标值；每一点云团中点云的个数为K；
步骤12：将所述第二点云数据输入至所述Pointnet网络层进行特征提取，得到维度为N1*F1的点云数据；
步骤13：将所述维度为N1*F1的点云数据输入至所述坐标信息嵌入操作层，嵌入采样中心点的3个空间坐标值得到输出维度为N1*（3+F1）的第三点云数据；
步骤14：将所述第三点云数据作为所述采样层和所述成组层的输入，返回执行步骤11，直至达到预设处理次数后得到输出点云数据；
步骤15：将所述输出点云数据输入至所述点云分类支路中的两层全连接层中得到点云类别矩阵；所述点云类别矩阵中每行的最大值对应的类别即为与所述最大值对应的点所属的介质碎片的类型；
所述体量计算支路中的数据处理过程包括：
步骤21：确定所述输出点云数据中每个点与其他点间的特征相关性关系；
步骤22：基于所述特征相关性关系构建点云关系矩阵；
步骤23：确定所述点云关系矩阵中每行小于第二预设阈值的数量，得到点云体量表征向量；所述每行小于第二预设阈值的数量表示每个点所属点云区域的体量；
步骤24：当所述点云体量表征向量中的体量大于体量阈值时，判定与所述体量对应的点所属的介质碎片为大体积介质碎片；
步骤25：确定所述点云体量表征向量中大于体量阈值r的体量的个数得到当前机械粉碎设备中大体积介质碎片的数量。
4.根据权利要求3所述的基于三维点云识别保密介质类型的销毁系统，其特征在于，所述数据集建立模块包括：
数据获取单元，用于采用3D扫描设备获取不同类型和不同颗粒度下保密介质碎片的点云数据；
数据滤除单元，用于采用滤波算法滤除所述不同类型和不同颗粒度下保密介质碎片的点云数据中的噪点和离群点，得到去噪后的点云数据；
数据标注单元，用于采用双标签对所述去噪后的点云数据进行标注，得到标注点云数据；
数据集建立单元，用于基于所述标注点云数据形成介质碎片点云分割数据集。
5.一种电子设备，其特征在于，包括：处理器和存储器；所述存储器中存储有用于实施如权利要求1-2任意一项所述的基于三维点云识别保密介质类型的销毁方法的计算机软件程序；所述处理器用于执行所述计算机软件程序。
CN202210432576.XA 2022-04-24 2022-04-24 一种基于三维点云识别保密介质类型的销毁方法与系统 Active CN114528950B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210432576.XA CN114528950B (zh) 2022-04-24 2022-04-24 一种基于三维点云识别保密介质类型的销毁方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210432576.XA CN114528950B (zh) 2022-04-24 2022-04-24 一种基于三维点云识别保密介质类型的销毁方法与系统

Publications (2)

Publication Number Publication Date
CN114528950A CN114528950A (zh) 2022-05-24
CN114528950B true CN114528950B (zh) 2022-07-12

Family

ID=81628266

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210432576.XA Active CN114528950B (zh) 2022-04-24 2022-04-24 一种基于三维点云识别保密介质类型的销毁方法与系统

Country Status (1)

Country Link
CN (1) CN114528950B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116493392B (zh) * 2023-06-09 2023-12-15 北京中超伟业信息安全技术股份有限公司 一种纸介质碳化方法及系统
CN116561809B (zh) * 2023-07-10 2023-10-24 北京中超伟业信息安全技术股份有限公司 一种基于点云识别保密介质的销毁方法
CN116702069B (zh) * 2023-08-08 2023-11-24 北京中超伟业信息安全技术股份有限公司 一种基于状态感知的介质销毁的方法
CN117457032B (zh) * 2023-12-25 2024-03-22 山东万里红信息技术有限公司 一种基于体量识别的存储介质销毁方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287303A (zh) * 2020-12-24 2021-01-29 北京中超伟业信息安全技术股份有限公司 一种适用于可溯源保密介质的销毁设备
CN113435424A (zh) * 2021-08-27 2021-09-24 北京中超伟业信息安全技术股份有限公司 一种保密介质销毁颗粒度的识别方法和系统
CN113469444A (zh) * 2021-07-09 2021-10-01 北京中超伟业信息安全技术股份有限公司 一种保密存储介质粉碎筛选方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886272B (zh) * 2019-02-25 2020-10-30 腾讯科技（深圳）有限公司 点云分割方法、装置、计算机可读存储介质和计算机设备
US11341650B2 (en) * 2020-03-19 2022-05-24 At&T Intellectual Property I, L.P. Method for accelerating three-dimensional object segmentation with point cloud simplifications

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287303A (zh) * 2020-12-24 2021-01-29 北京中超伟业信息安全技术股份有限公司 一种适用于可溯源保密介质的销毁设备
CN113469444A (zh) * 2021-07-09 2021-10-01 北京中超伟业信息安全技术股份有限公司 一种保密存储介质粉碎筛选方法
CN113435424A (zh) * 2021-08-27 2021-09-24 北京中超伟业信息安全技术股份有限公司 一种保密介质销毁颗粒度的识别方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
3D点云 | 基于深度学习处理点云数据入门经典：PointNet、PointNet++;AI算法修炼营;《https://blog.csdn.net/sinat_17456165/article/details/106596332》;20200606;全文 *

Also Published As

Publication number Publication date
CN114528950A (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN114528950B (zh) 一种基于三维点云识别保密介质类型的销毁方法与系统
CN113822209B (zh) 高光谱图像识别方法、装置、电子设备及可读存储介质
CN111241989A (zh) 图像识别方法及装置、电子设备
CN112257665A (zh) 图像内容的识别方法、图像识别模型的训练方法及介质
CN113435424B (zh) 一种保密介质销毁颗粒度的识别方法和系统
Li et al. Robust low-rank decomposition of multi-channel feature matrices for fabric defect detection
CN111738351A (zh) 模型训练方法、装置、存储介质及电子设备
Hou et al. ADMorph: a 3D digital microfossil morphology dataset for deep learning
Tahir et al. MD-LBP: an efficient computational model for protein subcellular localization from HeLa cell lines using SVM
CN103390170A (zh) 一种基于多光谱遥感图像纹理元的地物类型纹理分类方法
CN104751175A (zh) 基于增量支持向量机的sar图像多类标场景分类方法
CN105930497A (zh) 基于图像边缘和线条特征的三维模型检索方法
CN113408651B (zh) 基于局部判别性增强的无监督三维物体分类方法
CN117011274A (zh) 自动化玻璃瓶检测系统及其方法
CN113870196B (zh) 一种基于锚点切图的图像处理方法、装置、设备和介质
CN113673501B (zh) 一种ocr分类方法、系统、电子设备及存储介质
Mehta et al. Splicing detection for combined dct, dwt and spatial markov-features using ensemble classifier
Meena et al. Image splicing forgery detection using noise level estimation
Khan et al. Deep learning based pashto characters recognition: LSTM-based handwritten pashto characters recognition system
CN116945258A (zh) 模切机控制系统及其方法
CN113505716B (zh) 静脉识别模型的训练方法、静脉图像的识别方法及装置
Liu et al. Statistical estimation of blast fragmentation by applying 3D laser scanning to muck pile
CN114742742B (zh) 图像处理方法及装置、电子设备和计算机可读存储介质
CN114462510A (zh) 一种用于物联网精准防护的设备分类方法及系统
Shen et al. Topic modelling for object-based classification of VHR satellite images based on multiscale segmentations

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