CN115731372B - 一种大型复合材料构件三维测量点云质量优化方法 - Google Patents
一种大型复合材料构件三维测量点云质量优化方法 Download PDFInfo
- Publication number
- CN115731372B CN115731372B CN202310036356.XA CN202310036356A CN115731372B CN 115731372 B CN115731372 B CN 115731372B CN 202310036356 A CN202310036356 A CN 202310036356A CN 115731372 B CN115731372 B CN 115731372B
- Authority
- CN
- China
- Prior art keywords
- scale
- point cloud
- point
- feature
- neighborhood
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002131 composite material Substances 0.000 title claims abstract description 26
- 238000005259 measurement Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 29
- 230000004927 fusion Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 12
- 125000004432 carbon atom Chemical group C* 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及三维数据处理技术领域，解决了三维测量系统中实测的点云数据中存在大量噪声的技术问题，尤其涉及一种大型复合材料构件三维测量点云质量优化方法，该方法包括以下步骤：S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；S3、基于PointNet神经网络搭建点云循环优化网络模型。本发明可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
Description
技术领域
本发明涉及三维数据处理技术领域，尤其涉及一种大型复合材料构件三维测量点云质量优化方法。
背景技术
三维精密测量技术可实现复杂零件的精度检测、关键特征提取，为后续制造、装配工艺优化提供重要基础数据，是保证复杂零件成形、装配精度的关键技术。
但实际应用时尚存在以下问题：工业现场工况复杂，测量环境微小震动、工装遮挡、测量对象自身遮挡往往造成测量数据存在局部噪声、背景噪声和局部数据残缺；大型复合材料构件结构复杂，变厚度多曲率结构表面分布横纵加强筋，其外形三维数据需要多次测量拼接完成，误差累计严重，导致测量数据中存在分层噪声；再加上复合材料材质特殊，表面反射率变化范围大，使得大型复合材料构件表面局部区域测量数据严重失真，表面存在噪声和特征扭曲等，极大影响了数据自动处理的精度与稳定性，后续装配协调分析的有效性难以保证。因此，对大型复合材料构件三维测量点云数据进行质量优化是后续高精度协调的必要条件。
发明内容
针对现有技术的不足，本发明提供了一种大型复合材料构件三维测量点云质量优化方法，解决了三维测量系统中实测的点云数据中存在大量噪声的技术问题，本发明可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
为解决上述技术问题，本发明提供了如下技术方案：一种大型复合材料构件三维测量点云质量优化方法，该方法包括以下步骤：
S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；
S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；
S3、基于PointNet神经网络搭建点云循环优化网络模型，并将每一个点相应的多尺度邻域的多尺度几何结构深度特征输入至点云循环优化网络模型中；
S4、通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征；
S5、通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征；
S6、采用倒角距离损失函数L对若干个同尺度深度特征进行监督；
S7、点云循环优化网络模型输出优化后的无噪声点云数据。
进一步地，在步骤S2中，对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征，具体过程包括以下步骤：
S21、将有噪声的点云模型数据归一化至以原点为中心的单位球体内，然后为每一个点通过球邻域建立多尺度邻域；
S22、在多尺度邻域中根据采样点数量以搜索半径进行搜索得到每一个点的每个尺度局部邻域；
当多尺度邻域内点数小于采样点数量时，缺少点皆补充为原点；
当多尺度邻域中点数多于采样点数量时，则进行随机采样；
S23、将每个点的每个尺度局部邻域视为一个点云数据，然后通过PointNet神经网络提取每个尺度局部邻域的全局特征作为当前点的多尺度几何结构深度特征。
进一步地，采样点数量分别为 32、48、64和128，对应的搜索半径分别为0.2、0.4、0.6和0.8。
进一步地，在步骤S3中，点云循环优化网络模型包括以PointNet神经网络为基础，分别嵌入一个双向循环RNN的特征融合模块和一个带有注意力编码器RNN的特征循环传播层；
特征融合模块包括两个LSTM单元，LSTM单元包括遗忘门、更新门和输出门。
进一步地，在步骤S4中，通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征，具体过程包括以下步骤：
S41、将若干个多尺度邻域按照采样点数量分别建立两个输入向量，采样点数量分别为32、48、64、128和128、64、48、32；
S42、将两种输入向量分别输入两个LSTM单元中向前推算，沿着小尺度到大尺度的输入顺序正向计算一遍，得到并保存每个顺序向前隐含层的输出，沿着大尺度到小尺度的输入顺序反向计算一遍，得到并保存每个顺序向后隐含层的输出；
S43、将正向和反向的输出值按顺序排列，将排列结果组成特征向量得到最终输出，即得到融合后的多尺度几何结构自适应深度特征。
进一步地，在步骤S5中，通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征，具体过程包括以下步骤：
S51、对融合后的多尺度几何结构自适应深度特征生成的优化点云进行多尺度邻域采样；
S52、通过一个带有注意力编码器RNN的特征循环传播层分别对每个尺度特征进行相应的同尺度的多尺度几何结构自适应深度特征进行融合；
S53、对每个点相应的多尺度邻域的多尺度几何结构深度特征，采用特征融合模块，将每个点的多尺度几何结构深度特征进行融合；
S54、多次重复步骤S51-步骤S53，得到若干个融合后的同尺度深度特征。
进一步地，在步骤S6中，采用倒角距离损失函数L对若干个同尺度深度特征进行监督，具体过程包括以下步骤：
S61、将每个点特征感知权重
引入到倒角距离损失函数中建立特征感知的倒角距离损失函数
；
S62、建立分布均匀项的损失函数
；
S63、根据特征感知的倒角距离损失函数
和分布均匀项的损失函数
建立总体损失函数的倒角距离损失函数L；
S64、通过点云循环优化网络模型的两个全连接层根据倒角距离损失函数L回归残差坐标得到残差坐标，然后将输入点的原始三维坐标与残差坐标累加输出去噪得到优化后的点坐标。
借由上述技术方案，本发明提供了一种大型复合材料构件三维测量点云质量优化方法，至少具备以下有益效果：
1、本发明适用于三维测量系统中实测的点云数据噪声去除和几何特征恢复，可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
2、本发明可以很好去除大型复合材料构件原始三维测量点云数据中的误差，并恢复不规则轮廓边界特征，为后续大型复合材料构件的三维建模、装配特征提取以及对缝协调分析等处理提供高质量数据基础。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明点云质量优化方法的流程图；
图2为本发明点云循环优化网络模型的网络结构图；
图3为本发明特征融合模块的网络结构图；
图4为本发明特征循环传播层的网络结构图。
具体实施方式
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。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图4，示出了本实施例的一种具体实施方式，本实施例所提供的方法可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
请参照图1，本实施例提出了一种大型复合材料构件三维测量点云质量优化方法，该方法包括以下步骤：
S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据，具体的可通过三维激光扫描仪对大型复合材料构件进行扫描获取其相应的点云模型数据，也可以通过其他设备进行采集。
S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征。
在步骤S2中，具体过程包括以下步骤：
S21、将有噪声的点云模型数据归一化至以原点为中心的单位球体内，然后为每一个点通过球邻域建立多尺度邻域；
具体的通过下述公式将点云模型数据归一化至以原点为中心的单位球体内：
上式中，
表示第i个点云模型数据，
表示第i个点云模型数据的最小值，
表示第i个点云模型数据的最大值。
S22、在多尺度邻域中根据采样点数量以搜索半径进行搜索得到每一个点的每个尺度局部邻域；
当多尺度邻域内点数小于采样点数量时，缺少点皆补充为原点；
当多尺度邻域中点数多于采样点数量时，则进行随机采样；
示例性的在该步骤中，在多尺度邻域中设置K=4种尺度，对于这四种尺度邻域，采样点数量分别为 32、48、64和128，对应的搜索半径分别为0.2、0.4、0.6和0.8。当多尺度邻域内点数小于设定的采样点数量时，缺少点皆补充为原点，当多尺度邻域中点数多于设定的采样点数量时，则进行随机采样。
S23、将每个点的每个尺度局部邻域视为一个点云数据，然后通过PointNet神经网络提取每个尺度局部邻域的全局特征作为当前点的多尺度几何结构深度特征。
具体的，通过PointNet神经网络的多层感知器和最大池化操作来提取该邻域的全局特征作为当前点的深度特征向量，即为当前点的多尺度几何结构深度特征。
S3、基于PointNet神经网络搭建点云循环优化网络模型，并将每一个点相应的多尺度邻域的多尺度几何结构深度特征输入至点云循环优化网络模型中。
请参照图2，点云循环优化网络模型包括以PointNet神经网络为基础，分别嵌入一个双向循环RNN的特征融合模块和一个带有注意力编码器RNN的特征循环传播层；
特征融合模块包括两个LSTM单元，LSTM单元包括遗忘门、更新门和输出门；
遗忘门的表达式为：
上式中，
为Sigmoid激活函数，
表示遗忘门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示遗忘门激活值，其中，
更新门的表达式为：
上式中，
为Sigmoid激活函数，
表示输入门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示输入门激活值，
为遗忘门，
为输入门，
为t时刻单元状态，
为t时刻单元中间状态，
为t-1时刻单元状态。
输出门的表达式为：
上式中，
为输出门，
为Sigmoid激活函数，
表示输出门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示输入门激活值，
为t时刻单元状态。
S4、通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征，即若干个点形成一个特征向量。
请参照图3，在步骤S4中，具体过程包括以下步骤：
S41、将若干个多尺度邻域按照采样点数量分别建立两个输入向量，采样点数量分别为32、48、64、128和128、64、48、32；
具体的，根据采样点数量分别按照从小尺度到大尺度的输入顺序和从大尺度到小尺度的输入顺序建立两个输入向量，即32、48、64、128和128、64、48、32。
S42、将两种输入向量分别输入两个LSTM单元中向前推算，沿着小尺度到大尺度的输入顺序正向计算一遍，得到并保存每个顺序向前隐含层的输出，沿着大尺度到小尺度的输入顺序反向计算一遍，得到并保存每个顺序向后隐含层的输出；
S43、将正向和反向的输出值按顺序排列，将排列结果组成特征向量得到最终输出，即得到融合后的多尺度几何结构自适应深度特征。
该步骤所提供的方法设计了一个双向循环RNN的特征融合模块，将提取的四个特征分别从顺序和逆序依次输入两个LSTM单元，最终输出由连接两个LSTM单元输出合成得到，以此将每个点的多尺度几何结构深度特征进行融合，克服现有方法对局部邻域的敏感性，为循环去噪生成自适应特征。
S5、通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征；
请参照图4，在步骤S5中，具体过程包括以下步骤：
S51、对融合后的多尺度几何结构自适应深度特征生成的优化点云进行多尺度邻域采样，采样过程与步骤S2相同，为避免重复描述，在此不再详细赘述；
S52、通过一个带有注意力编码器RNN的特征循环传播层分别对每个尺度特征进行相应的同尺度的多尺度几何结构自适应深度特征进行融合；
S53、对每个点相应的多尺度邻域的多尺度几何结构深度特征，采用特征融合模块，将每个点的多尺度几何结构深度特征进行融合，具体融合过程与步骤S4相同，为避免重复描述，在此不再详细赘述；
S54、多次重复步骤S51-步骤S53，得到若干个融合后的同尺度深度特征，使点云循环优化网络模型可以为具有不同噪声和细节特征的相同邻域学习更鲁棒的特征。
其中，特征循环传播层的隐状态计算公式为：
特征循环传播层的输出层计算公式为：
上式中，
是t时刻的输入，U是输入层到隐藏层的权重矩阵，
是t时刻的隐藏层的值，W是上一时刻的隐藏层的值传入到下一时刻的隐藏层时的权重矩阵，V是隐藏层到输出层的权重矩阵，
是t时刻RNN网络的输出。
注意力输出向量序列为：
注意力权重计算方法为：
上式中，
为encoder j处的隐状态，
为decoder i处的隐状态，
表示表示第i个输出在第j个输入上分配的注意力权值，
表示encoder i处隐状态和decoder j-1处的隐状态之间的匹配。
通过在PointNet神经网络中嵌入了一个特征循环传播层来充分利用循环过程中的多尺度几何结构自适应深度特征，避免了几何特征被过度平滑，实现自适应保留和恢复几何特征。
S6、采用倒角距离损失函数L对若干个同尺度深度特征进行监督；
在步骤S6中，具体过程包括以下步骤：
S61、将每个点特征感知权重
引入到倒角距离损失函数中建立特征感知的倒角距离损失函数
；
上式中，
是无噪声点云
中的第j个点，
是第i循环阶段的第j个去噪后的点。特征感知权重
定义为无噪声点
的平滑度。
S62、建立分布均匀项的损失函数
；
上式中，
是点
的k邻近点索引号集合，
是高斯权重函数，
是是惩罚过近点的递减函数。
S63、根据特征感知的倒角距离损失函数
和分布均匀项的损失函数
建立总体损失函数的倒角距离损失函数L；
倒角距离损失函数L的计算公式为：
上式中，
表示分布均匀项的损失函数的权重。
S64、通过点云循环优化网络模型的两个全连接层根据倒角距离损失函数L回归残差坐标得到残差坐标，然后将输入点的原始三维坐标与残差坐标累加输出去噪得到优化后的点坐标。
S7、点云循环优化网络模型输出优化后的无噪声点云数据。
本实施例所提供的方法可以很好去除大型复合材料构件原始三维测量点云数据中的误差，并恢复不规则轮廓边界特征，为后续大型复合材料构件的三维建模、装配特征提取以及对缝协调分析等处理提供高质量数据基础。
以上实施方式对本发明进行了详细介绍，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 (6)
1.一种大型复合材料构件三维测量点云质量优化方法，其特征在于，该方法包括以下步骤：
S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；
S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；
S3、基于PointNet神经网络搭建点云循环优化网络模型，并将每一个点相应的多尺度邻域的多尺度几何结构深度特征输入至点云循环优化网络模型中；
点云循环优化网络模型包括以PointNet神经网络为基础，分别嵌入一个双向循环RNN的特征融合模块和一个带有注意力编码器RNN的特征循环传播层；
特征融合模块包括两个LSTM单元，LSTM单元包括遗忘门、更新门和输出门；
遗忘门的表达式为：
上式中，
为Sigmoid激活函数，
表示遗忘门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示遗忘门激活值，其中，
更新门的表达式为：
上式中，σ(z)为Sigmoid激活函数，
表示输入门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示输入门激活值，
为遗忘门，
为输入门，
为t时刻单元状态，
为t时刻单元中间状态，
为t-1时刻单元状态；
输出门的表达式为：
上式中，
为输出门，σ(z)为Sigmoid激活函数，
表示输出门权重，
表示t-1时刻输出信息，
表示t时刻输入信息，
表示输入门激活值，
为t时刻单元状态；
S4、通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征；
S5、通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征；
S6、采用倒角距离损失函数L对若干个同尺度深度特征进行监督；
S7、点云循环优化网络模型输出优化后的无噪声点云数据。
2.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S2中，对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征，具体过程包括以下步骤：
S21、将有噪声的点云模型数据归一化至以原点为中心的单位球体内，然后为每一个点通过球邻域建立多尺度邻域；
S22、在多尺度邻域中根据采样点数量以搜索半径进行搜索得到每一个点的每个尺度局部邻域；
当多尺度邻域内点数小于采样点数量时，缺少点皆补充为原点；
当多尺度邻域中点数多于采样点数量时，则进行随机采样；
S23、将每个点的每个尺度局部邻域视为一个点云数据，然后通过PointNet神经网络提取每个尺度局部邻域的全局特征作为当前点的多尺度几何结构深度特征。
3.根据权利要求2所述的点云质量优化方法，其特征在于：采样点数量分别为 32、48、64和128，对应的搜索半径分别为0.2、0.4、0.6和0.8。
4.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S4中，通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征，具体过程包括以下步骤：
S41、将若干个多尺度邻域按照采样点数量分别建立两个输入向量，采样点数量分别为32、48、64、128和128、64、48、32；
S42、将两种输入向量分别输入两个LSTM单元中向前推算，沿着小尺度到大尺度的输入顺序正向计算一遍，得到并保存每个顺序向前隐含层的输出，沿着大尺度到小尺度的输入顺序反向计算一遍，得到并保存每个顺序向后隐含层的输出；
S43、将正向和反向的输出值按顺序排列，将排列结果组成特征向量得到最终输出，即得到融合后的多尺度几何结构自适应深度特征。
5.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S5中，通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征，具体过程包括以下步骤：
S51、对融合后的多尺度几何结构自适应深度特征生成的优化点云进行多尺度邻域采样；
S52、通过一个带有注意力编码器RNN的特征循环传播层分别对每个尺度特征进行相应的同尺度的多尺度几何结构自适应深度特征进行融合；
S53、对每个点相应的多尺度邻域的多尺度几何结构深度特征，采用特征融合模块，将每个点的多尺度几何结构深度特征进行融合；
S54、多次重复步骤S51-步骤S53，得到若干个融合后的同尺度深度特征。
6.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S6中，采用倒角距离损失函数L对若干个同尺度深度特征进行监督，具体过程包括以下步骤：
S61、将每个点特征感知权重
引入到倒角距离损失函数中建立特征感知的倒角距离损失函数
；
S62、建立分布均匀项的损失函数
；
S63、根据特征感知的倒角距离损失函数
和分布均匀项的损失函数
建立总体损失函数的倒角距离损失函数L；
S64、通过点云循环优化网络模型的两个全连接层根据倒角距离损失函数L回归残差坐标得到残差坐标，然后将输入点的原始三维坐标与残差坐标累加输出去噪得到优化后的点坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036356.XA CN115731372B (zh) | 2023-01-10 | 2023-01-10 | 一种大型复合材料构件三维测量点云质量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310036356.XA CN115731372B (zh) | 2023-01-10 | 2023-01-10 | 一种大型复合材料构件三维测量点云质量优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115731372A CN115731372A (zh) | 2023-03-03 |
| CN115731372B true CN115731372B (zh) | 2023-04-14 |
Family
ID=85302041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310036356.XA Active CN115731372B (zh) | 2023-01-10 | 2023-01-10 | 一种大型复合材料构件三维测量点云质量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115731372B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113205466A (zh) * | 2021-05-10 | 2021-08-03 | 南京航空航天大学 | 一种基于隐空间拓扑结构约束的残缺点云补全方法 |
| CN114882494A (zh) * | 2022-03-09 | 2022-08-09 | 南京航空航天大学 | 一种基于多模态注意力驱动的三维点云特征提取方法 |
| CN114998638A (zh) * | 2022-04-14 | 2022-09-02 | 上海理工大学 | 基于动静态卷积融合神经网络的多视图三维点云分类方法 |
| WO2022194883A2 (en) * | 2021-03-17 | 2022-09-22 | Robovision | Improved visual servoing |
| CN115327568A (zh) * | 2022-07-19 | 2022-11-11 | 哈尔滨工程大学 | 基于PointNet网络的无人机集群实时目标识别方法、系统和地图构建方法 |
-
2023
- 2023-01-10 CN CN202310036356.XA patent/CN115731372B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022194883A2 (en) * | 2021-03-17 | 2022-09-22 | Robovision | Improved visual servoing |
| CN113205466A (zh) * | 2021-05-10 | 2021-08-03 | 南京航空航天大学 | 一种基于隐空间拓扑结构约束的残缺点云补全方法 |
| CN114882494A (zh) * | 2022-03-09 | 2022-08-09 | 南京航空航天大学 | 一种基于多模态注意力驱动的三维点云特征提取方法 |
| CN114998638A (zh) * | 2022-04-14 | 2022-09-02 | 上海理工大学 | 基于动静态卷积融合神经网络的多视图三维点云分类方法 |
| CN115327568A (zh) * | 2022-07-19 | 2022-11-11 | 哈尔滨工程大学 | 基于PointNet网络的无人机集群实时目标识别方法、系统和地图构建方法 |
Non-Patent Citations (5)
| Title |
|---|
| Honghua Chen et al.RePCD-Net: Feature-Aware Recurrent Point Cloud Denoising Network.《International Journal of Computer Vision (2022)》.2022,第615-629页. * |
| Qi, C. R.et al.Pointnet: Deep learning on point sets for 3d classification and segmentation.《In Proceedings of the IEEE conference on computer vision and pattern recognition》.2017,第652–660页. * |
| 廖联军 等.融合时序特征约束与联合优化的点云 3 维人体姿态序列估计.《中国图像图形学报》.2022,第27卷(第12期),第3608-3621页. * |
| 杨军 ; 党吉圣 ; .基于上下文注意力CNN的三维点云语义分割.通信学报.2020,第41卷(第07期),第195-203页. * |
| 肖姜.基于深度学习的跨海大桥灾害救援研究.《中国优秀硕士学位论文全文数据库 工程科技II辑》.2021,(第8期),第C034-89页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115731372A (zh) | 2023-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111768388B (zh) | 一种基于正样本参考的产品表面缺陷检测方法及系统 | |
| CN109389057B (zh) | 一种基于多尺度高级语义融合网络的物体检测方法 | |
| CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
| CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
| CN117094999B (zh) | 一种跨尺度缺陷检测方法 | |
| CN114283120B (zh) | 一种基于领域自适应的端到端多源异质遥感影像变化检测方法 | |
| CN114022586B (zh) | 一种基于对抗生成网络的缺陷图像生成方法 | |
| CN113420590B (zh) | 弱纹理环境下的机器人定位方法、装置、设备及介质 | |
| CN109543693A (zh) | 基于正则化标签传播的弱标注数据降噪方法 | |
| CN106530330B (zh) | 基于低秩稀疏的视频目标跟踪方法 | |
| CN111931763A (zh) | 一种基于随机形态边缘几何建模的深度场景文本检测方法 | |
| CN114897738A (zh) | 一种基于语义不一致性检测的图像盲修复方法 | |
| CN115578574A (zh) | 一种基于深度学习和拓扑感知的三维点云补全方法 | |
| CN115731372B (zh) | 一种大型复合材料构件三维测量点云质量优化方法 | |
| CN116881996B (zh) | 基于鼠标操作的建模意图预测方法 | |
| CN117291898A (zh) | 一种表面缺陷检测方法、系统及设备 | |
| CN110188830B (zh) | 基于多核图割的sar图像变化检测方法 | |
| CN111915621B (zh) | 一种融合深度神经网络与cv模型的污损图像分割方法 | |
| Zhang et al. | CAD‐Aided 3D Reconstruction of Intelligent Manufacturing Image Based on Time Series | |
| CN117911662B (zh) | 基于深度霍夫投票的数字孪生场景语义分割方法及系统 | |
| CN116883417B (zh) | 基于机器视觉的工件质检方法及装置 | |
| CN116704268B (zh) | 面向动态变化复杂场景的强鲁棒目标检测方法 | |
| CN117422689B (zh) | 一种基于改进MS-PReNet和GAM-YOLOv7的雨天绝缘子缺陷检测方法 | |
| CN117473881A (zh) | 基于深度学习的核燃料组件胀接可靠性分析方法及系统 | |
| CN118568490A (zh) | 一种基于动态粒子数据增强的模型预训练方法 |
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 |