CN116704137B - 一种海上石油钻井平台点云深度学习逆向建模方法 - Google Patents

一种海上石油钻井平台点云深度学习逆向建模方法 Download PDF

Info

Publication number
CN116704137B
CN116704137B CN202310927121.XA CN202310927121A CN116704137B CN 116704137 B CN116704137 B CN 116704137B CN 202310927121 A CN202310927121 A CN 202310927121A CN 116704137 B CN116704137 B CN 116704137B
Authority
CN
China
Prior art keywords
point
point cloud
cloud data
points
drilling platform
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
CN202310927121.XA
Other languages
English (en)
Other versions
CN116704137A (zh
Inventor
张晓波
冉春晴
王郑阳
俞昊
张倩然
魏峥嵘
王胜利
周兴华
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.)
Shandong University of Science and Technology
Original Assignee
Shandong University of Science and Technology
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 Shandong University of Science and Technology filed Critical Shandong University of Science and Technology
Priority to CN202310927121.XA priority Critical patent/CN116704137B/zh
Publication of CN116704137A publication Critical patent/CN116704137A/zh
Application granted granted Critical
Publication of CN116704137B publication Critical patent/CN116704137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T19/00—Manipulating 3D models or images for computer graphics
    • G06T19/20—Editing of 3D images, e.g. changing shapes or colours, aligning objects or positioning parts
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Graphics (AREA)
  • Architecture (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)
  • Image Generation (AREA)

Abstract

本发明属于三维点云数据处理技术领域，具体公开了一种海上石油钻井平台点云深度学习逆向建模方法。包括以下步骤：（1）采集点云数据。（2）构建点云数据集。（3）对点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型。（4）选取已经分割好的点云数据，使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，对选取的点云数据进行去噪处理。（5）利用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型。本发明能够有效提高平台升级改造的效率，以保证海上石油钻井平台的安全和高效运行。

Description

一种海上石油钻井平台点云深度学习逆向建模方法
技术领域
本发明属于三维点云数据处理技术领域，尤其涉及一种海上石油钻井平台点云深度学习逆向建模方法。
背景技术
随着海洋石油资源的不断开发，石油钻井平台设备在海上石油开采中起着至关重要的作用。近年来，由于平台规模以及海上石油平台复杂程度的不断提升，对海上石油钻井平台的各种海上结构物进行维护检修、优化升级已成为保障其安全运行的重要工作。常规的海上石油钻井平台测量及维护方法主要依靠手工测量和绘制，难以精确地还原实际结构物的形态和细节，无法满足实际工程需要，并且目前石油钻井平台上的管线铺设需要把原始钢材与管件运输至平台后，由相关技术人员现场测量管径、长度等信息，然后进行定制，需要耗费大量的运输成本、人力成本以及时间成本。
由于三维激光扫描技术的快速发展，使得点云数据在获取物体表面结构信息方面展现巨大的潜力。利用三维激光扫描仪对海上石油钻井平台进行三维数字化扫描，可以获取表面三维点云数据信息。基于点云数据可以提供管道长度、管径、走向等属性信息，为工艺管线“陆地预制，海上安装”提供数据支撑，减少运输成本、人力成本及时间成本损耗，优化海洋工程作业模式。
基于三维点云数据信息，逆向工程技术是通过对物体的三维数据进行采集、分析和重建，从而实现对物体形状、结构和性能的快速复制。点云逆向建模方法是逆向工程技术中的一种重要方法，主要包括点云数据采集、滤波处理和三维重建等过程。本发明涉及一种海上石油钻井平台点云深度学习逆向建模方法，具体包括数据采集、数据集制作、点云数据语义分割、点云数据去噪处理和三维重建五个部分。
目前，在海上石油钻井平台三维点云数据采集中，考虑到作业环境、采集效率等因素，固定式三维激光扫描系统是便于作业且效益最高的数据获取手段。其工作原理主要基于激光的时间飞行原理或者相位差原理。通过发射激光脉冲并测量返回信号的时间或者相位差，计算目标物体表面的距离，得到点云数据，并对点云数据进行可视化、点云数据拼接以及生成最终点云数据的存储格式。
数据集是用于训练和测试深度学习模型的样本集合，它用于提供模型所需的输入和输出数据，是深度学习算法的重要组成部分，也是实现深度学习网络训练与测试的基础。目前，尚未有公开的适用于深度学习网络训练及测试的海工装备场景数据集，本发明基于某海域石油钻井平台实测中采集的海上石油钻井平台三维点云数据制作了相应的数据集，以便于后续使用。
点云数据语义分割在逆向建模中发挥关键作用，其目标是分类提取有用信息。存在多种方法：一是基于几何特征，分析曲面法线方向进行分割，但易受噪声、环境和设备条件影响；二是基于颜色特征，利用红、绿、蓝值进行分类，虽在某些场景有效，但准确性受光照和反射等因素影响。近年来，基于深度学习的方法，如PointNet和动态图卷积神经网络等，通过端到端的学习和局部全局特征提取，进一步提高了语义分割的准确性。这类方法具有强大的泛化和鲁棒性，对于处理复杂的点云数据具有潜力。尽管取得了一定的进展，但由于噪声敏感性、环境和设备的影响等挑战，发展更为精确的语义分割技术仍有着重大意义。
点云数据在海上石油钻井平台的应用中常受噪声影响，导致数据质量损害。此类噪声源于多方面因素，包括采集过程中传感器或平台微震导致的干扰、户外环境风力对测量设备的影响、环境光照变化对光学传感器的冲击以及设备本身误差。为增强点云数据的质量和精度，常进行点云滤波处理，去除噪声和异常点，提高点云数据的质量和精度。点云滤波方法的研究对于点云数据的应用和发展具有重要意义。目前，多种点云噪点处理方法已被提出，如基于统计学、几何学、机器学习的去噪方法和基于形态学的滤波算法。然而，很多算法计算复杂度高、滤波程度调节困难，且可能导致边缘和细节信息模糊，影响清晰度和准确性，不适用于处理大量离群点和孤立点的数据。因此，针对不同噪点原因，开发更有效的处理方法，以满足点云数据处理需求，成为了迫切的需求。
海上石油钻井平台设备三维重建通过生成模型复制设备。传统的三维重建方法，如基于曲面拟合、基于网格和基于体素的方法，在处理平台设备点云数据时，存在计算复杂度高，实时性差等问题。然而，基于深度学习的三维重建方法能自动学习点云数据的复杂结构和特征，实现高质量和高效的三维重建。例如，将点云数据映射到体素空间，或通过端到端的学习实现高质量重建。还有基于网格的方法如Pixel2Mesh和AtlasNet，通过对点云逐像素分析和局部参数化图学习，实现高质量重建。这些方法为海工平台设备点云数据的三维重建提供了新可能性，但也存在提高实时性、处理大规模点云数据等挑战。因此，研究和优化基于深度学习的三维重建方法具有重要的理论和实际价值。
发明内容
本发明的目的在于提供一种海上石油钻井平台点云深度学习逆向建模方法，在处理了海上石油钻井平台数字化全流程这一实际问题的同时，有效解决当前点云数据语义分割技术不够精确、点云数据去噪处理不够有效或点云数据的三维重建不适合处理大规模点云数据等问题。
为解决上述技术问题，本发明采用的技术方案是：
一种海上石油钻井平台点云深度学习逆向建模方法，包括以下步骤：
S1，采集点云数据。
S2，构建海上石油钻井平台设备的点云数据集。
S3，对点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型。
S4，选取已经分割好的点云数据，使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，对选取的点云数据进行去噪处理。
S5，使用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型。
进一步地，在步骤S2中，首先，裁切所述点云数据，去除无关的数据，只保留海工装备所在的井口区域，井口区域的甲板看作平整的地面，利用基于地面滤波算法去除井口区域的甲板点云，构建点云数据集。
然后，将所述点云数据集裁切为M 个场景数据，其中M表示裁切场景的数量，并且 每个场景需要包含多种不同种类的海上石油钻井平台设备，之后利用手工标记的方式依次 将各个场景数据进行类别标记，共包括管道、法兰、工业架、弯管、阀门和采油树6个类别，其 类别标签数值分别对应1、2、3、4、5和6，将包含M个场景数据的点云数据集划分为训练样本、 验证样本和测试样本三部分，其中训练样本个数为，验证样本个数为，测试样本 个数为。
进一步地，步骤S3中，所述基于深度学习的海上石油钻井平台点云精确语义分割算法包括以下步骤：
（1）点云数据预处理。
首先读取步骤S2得到的点云数据集，然后对点云数据进行下采样，再将采样后的点云数据映射到规范化空间中，使所有的点云数据都具有相同的范围和比例，最后通过旋转、平移、缩放操作，增加点云数据的多样性和丰富性。
（2）网络训练。
第一、前向传播，将步骤（1）中预处理后的点云数据输入到网络中，计算网络输出结果；
在前向传播过程中，点云数据经过卷积、池化、全连接操作，得到包含其局部升维后特征的稀疏点云，再对稀疏点云进行局部点特征升维处理后，传递进解码层，并将稀疏点云包含的升维后特征逐渐传递至输入点云样本的每个点中；完成解码后，通过激活函数进行非线性变换，获取点云中每个点的分类类别概率，取概率最大值作为该点对应的预测标签值，最终输出预测结果。
第二、反向传播，根据网络输出结果和真实标签计算误差和网络梯度，并将计算后的结果反向传播到网络中。
第三、网络参数更新，根据反向传播得到的梯度信息，更新网络的参数，并在更新参数的过程中，使用Adam优化算法，在参数空间中搜索最优解，以最小化损失函数，得到最优的网络模型。
（3）网络模型测试。
在获得最优的网络模型参数后，对原始点云数据进行划分，将步骤S2中获得的个测试样本数据输入到已经训练好的网络中，经过前向传播过程获得各点预测标签， 根据真实标签计算总体分割精度及各类别分割精度，作为精度评估依据，从而实现海上石 油钻井平台设备点云数据的高精度语义分割。
进一步地，步骤（2）中，所述局部点特征升维包括以下步骤：
以第i层采样点中任意一点为例进行说明，其中表示第i层采样点的个数，其 中lay表示下采样的总层数，表示第i层采样点中的任意一点，R表示实数范围。
Pi由i-1层点Pi-1下采样得到，以为中心点在Pi-1中进行搜索，得到k个最近邻点 坐标及近邻点的特征， 为第i-1层下采样点云特征维度，并利用式 （a）对近邻点与中心点的相关位置信息进行逐点计算，然后将相 关位置信息与近邻点特征通过映射函数得到局部近邻特征，为第i层下采样点云进行相关位置信息与近邻点 特征映射处理后的特征维度，如式（b）所示，式中表示第i层采样点中的任意一点，k表示 使用基于距离判定的点搜索算法取的k个点，表示的第u个近邻点的坐标，其中，表示的第u个近邻点的特征，其中，表示的 第u个近邻点的相关位置信息，其中，表示连接操作，MLP表示多层共享感 知机，表示第u点局部近邻特征，其中，表示对做多层共 享感知机计算，其中。
； （a）
； （b）
在得到中心点的局部邻近特征后，再对其进行池化操作得到单点聚合特征，采用自适应池化策略进行特征升维，即在每一个中心点的局部特征池化计算中，基于 共享感知机为每一个近邻特征计算相应的注意力分数，其中，的计算公式如式（c）所示，其中表示第u个近邻点的注意力分数，w表示 共享多层感知机的学习权重系数，softmax表示对多层共享感知机结果进行归一化计算。
； （c）
； （d）
然后将作为标记关键特征的掩码，与局部近邻特征进行加权求和，并将结 果利用共享多层感知机映射至更高维度，从而得到式（d）所示的池化结果；最后经过逐 点计算，得到采样后点云的几何特征，并将其作为第 i层中各点的特征。
进一步地，步骤S4中，所述基于距离判定的点搜索滤波和基于双曲线函数的加权混合滤波的组合算法包括以下步骤：首先，用基于距离判定的点搜索滤波算法，对需要去噪的数据进行第一步滤波，目的是去除数据中的离群点和孤立点；其次，用基于双曲线函数的加权混合滤波算法，对需要去噪的数据进行第二步滤波，目的是去除数据中的表面噪点。
进一步地，所述基于距离判定的点搜索滤波算法包括以下步骤：
A1、创建一个二叉树数据结构，用于在点云中查找最近邻点。
A2、对于点云中的每个点，将使用二叉树查找个最近邻点，其中表示查找每 个点的邻近点的个数，以中心点为例，其个最近邻点集合为并 使用公式（e）计算与最近邻点的欧氏距离，其中分别表示的三维点坐标，分别表示的三维点坐标。
；（e）
A3、对于每个点，计算到其个最近邻点的平均距离，从而反映点周围局部结构的 紧密程度，其中，表示需要滤波设备的总点数。
A4、计算所有点的平均距离之后，使用基于定位数排序的算法，即找到要排序所有 点的平均距离中最大的数，并记录其位数，再从最低的有效位 开始，根据每个数在该位上的数值进行从大到小排序，然后继续向更高位移动，重复查找平 均距离最大的数，并不断调整位置，直至所有的数都在位上被排序，则按此 排序完成；排序后，删除距离较大的前per%点，其中per表示应删除数据占全部数据的百分 比。
进一步地，所述基于双曲线函数的加权混合滤波算法包括以下步骤：
B1、创建一个新的点云数据文件，将输入点云的强度信息复制到这个新的点云文件中。
B2、确定点云中每个点的权重，需要计算点云中每个点的局部密度，所述局部密度 通过计算每个点到其最近邻点的平均距离来估计；使用基于二叉树的算法进行最近邻搜 索，找到每个点周围个最近邻点的索引和平方距离，其中表示第i点与周围 个最近邻点的距离。
B3、定义一个双曲线函数，所述双曲线函数是一个在定义域内具有两个极限值的 函数，用于在这两个极限值之间进行插值；使用公式（f）计算点云中点的权重因子，并 接受一个参数，其中与的取值范围分别为，。
； （f）
B4、将所述双曲线函数计算出的权重因子，赋予每个点，并对每个点的位置和强度信息进行加权平均，计算出新点的位置和强度值。
B5、将新的点加入到过滤后的点云中，同时用这些新的点替换原始点云中的点，从而使点云数据更加平滑且降低噪声。
进一步地，步骤S5中所述基于深度学习的海上石油钻井平台点云三维重建算法包括以下步骤：
C1、数据预处理；
将步骤S4去噪处理后的点云数据进行预处理，将每个点的三维空间坐标和索引信息共同作为海上石油钻井平台点云深度学习逆向建模方法的输入。
C2、训练；
使用无监督学习方法估计出水平集函数值，并将估计出地水平集函数值作为监督 学习网络中的真实值。
使用一种基于监督学习结构的海上钻井平台点云三维重建网络进行逆向建模，首 先对每个点周围的空间进行采样，生成一系列的查询点，其中 表示第j点进行空间采样生成的查询点集合，nr表示生成查询点的总数。
将点输入到基于监督学习结构的海上钻井平台点云三维重建网络中，其中代表网络的权重参数，代表输入的查询点；然后设 置N个不同尺度的卷积层，对不同的尺度使用多尺度关键点抽象化方法进行扩张搜索；这一 方法是对每个卷积层都通过编码器捕获到不同尺度的特征，然后通过协方差矩阵的方式融 合这些特征，旨在得到更为丰富和准确的特征。
使用一种基于监督学习结构的海上钻井平台点云三维重建这一网络，首先要学习 函数，用损失函数实现尽可能接近，估算出更为准 确的水平集函数值，其中，计算损失函数的表达式如式（g）所示，所述损失函数定义为预测 值和真实值的均方误差，其中表示参数为时点的三维重建网络目标学习函 数，表示第点的真实水平函数集值，表示所有点的函数值进行求 和。
； （g）
再根据权重参数为时，计算出的损失函数值，使用公式（h）所示的权重衰减函数 求，以达到防止过拟合的目的，其中表示点的权重衰减函数值，表示已知参数，表示点的权重。
； （h）
并得出关于此网络在参数下的梯度，然后根据所述梯度更新参数；所述梯度 的计算通过反向传播来完成，所述参数的更新通过梯度下降法来完成，所述参数的更新公 式如（i）所示，其中是学习率，控制了参数更新的步长。
； （i）
将以上步骤反复执行，每次迭代都会随机选择一组查询位置，并将所述查询位置 拉到其在表面上的最近邻处；然后，使用所述查询位置和它们在表面上的邻居之间的距离 作为损失函数的一部分，并通过反向传播算法，更新神经网络参数，以此降低损失函数值， 直至达到预设的最大迭代次数。
C3、验证；
对于查询点，使用最优的网络计算预测的水平集函数 值：，其中距离为正值表示点在表面外部，距离为负值表示点在 表面的内部，距离为零表示点在表面上。
将预测值与真实地水平集函数值进行比较，使用公式（p）计算绝 对误差，对所有验证数据的绝对误差，使用公式（q）求平均，得到平均绝对误差MAE。
； （p）
； （q）
使用平均绝对误差评估模型性能，调整模型参数或超参数以优化性能，选择验证集上精度值和平均交并比值最大的模型作为最终模型。
C4、测试；
将查询点输入到所述最终模型中，预测其在表面上最邻 近的有符号的距离值和梯度；然后根据查询点的水平集函数值的符号，将 查询位置沿着或者是反梯度方向移动，并以预测水平集函数值为步长，通过这种方式，增加 3D形状的表达能力。
C5、表面重建；
通过所述基于监督学习结构的海上钻井平台点云三维重建网络预测出的水平集 函数值，用立方体等值面提取算法重建三维表面，并用Grid集合表示为，，其中ng表示立方体单元的个数，在立方体单元 中寻找零值等值面，在网格中，点坐标的集合为， 表示网格中的总点数， 其中网格中的点所对应的水平集函数值为，零等值面 指的是满足的点集合，如公式所示，然后连接所述零等值面来生成三维形 状的表面。
进一步地，步骤C2中所述无监督学习方法估计水平集函数值的步骤如下：
D1、在自编码网络中，编码器的任务是将点云数据的坐标编码成一个高维的特征向量，解码器的 任务是将这个特征向量解码成水平集函数值。
D2、训练自编码器网络，找到一组参数，使得网络的输出值尽可 能为真实值，需要通过最小化损失函数不断优化，所述最小化损失函数的算式如式（o）所 示，并由梯度下降算法，不断更新网络参数，其中表示最小化损失函数，表 示为时无监督网络中的参数。
； （o）
D3、使用自编码器网络，将点云数据输入编码器中，得到 水平集函数值的集合。
进一步地，步骤C2中所述多尺度关键点抽象化方法的步骤如下：
E1、将输入的数据分为s个不同的尺度；
首先，以步骤S4中去噪后的点云数据作为输入数据，在所述基于监督学习结构的 海上钻井平台点云三维重建网络的训练过程中，输入的单个样本点的个数为，设输入的 坐标集合为，将的集合表示为，其中表示第一个尺度的样本集中第点的三维空间坐标。
对原始输入的数据进行s-1次随机下采样稀疏化，第一次稀疏化后的点的个数为 n1，其坐标集合为，将的集合表示为，其中表示第二个尺度样本集中的第g1个点的三维空间坐标；第二次稀 疏化后的点的个数为n2，其坐标集合为，将的集合表示为，其中表示第三个尺度样本集中 的第个点的三维空间坐标。
E2、建立三个不同尺度的独立编码器进行特征提取，所述三个不同尺度的独立编码器是同一个结构，但是所述三个不同尺度的独立编码器的参数是相互独立的，能学习到不同尺度下的特征。
设置一个维的输入层，a个卷积层和b个全连接层，作为局部特征编码层，在 每层中都使用函数，其中a表示卷积层的层数，b表示全连接层的层数，表示输 入层的维度；再通过分别有个节点和有个节点的全连接层，使用自适应池 化策略进行注意力池化，以特征升维的目的，最后再使用多层共享感知机计算和ReLU激活 函数；经过整个编码层结构，最终生成对应的特征值集合表示为，其中表示第cd尺度 经过编码层最终输出的特征值集合，其中out代表输出。
E3、将不同尺度下的特征进行融合；
经过编码层，不同尺度的输入生成不同的特征值集合，其中，所述特征值集合有相同的维度。
首先，使用公式（j）计算每个特征值集合的均值，然后，使用公式（k）计算每个 特征的偏差，再使用公式（l）计算每个特征值集合的协方差矩阵；通过公 式（m）协方差矩阵的方式融合这些特征，并在融合不同特征的同时进行权重学习，其中，权 重值由公式（n）得出。
； （j）
； （k）
； （l）
； （m）
； （n）
E4、构建解码器，将编码和融合后的特征向量转换成点云数据；
首先将解码器最后融合的特征作为输入，通过维和维的全 连接层；再通过重塑层，将全连接层的输出转换成高维度的点云数据。
本发明的有益技术效果是：
（1）本发明提供了一套全面、精准、高效的处理海上石油钻井平台点云数据的方法，有效帮助更好的对海工平台实施改造，以保证海上石油钻井平台的安全和高效运行。通过基于深度学习的语义分割算法，实现高精度的海上石油钻井平台语义分割，并使用了组合滤波提升点云质量，为三维重建奠定基础。
（2）本发明通过基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，与现有的滤波方式相比，有更好的适用性、更强的去噪能力和更高的鲁棒性，能够更优的去除海工平台数据中的噪点，以达到减少点云数据中的错误信息、提高数据质量的效果，为后续特征提取、点云配准、三维重建等点云处理任务提供了更好的准确性和稳定性。
（3）本发明通过在基于深度学习的海上石油钻井平台点云三维重建网络模型中使用水平集函数， 从而相比其他的符号函数在海上石油钻井平台点云数据中，有更高的重建精度，也能够更加有效地处理复杂的几何形状，特别是对于那些有复杂拓扑结构的形状，有更好的处理效果。
（4）本发明通过在三维重建阶段采用无监督学习方法，从而在没有真实水平集函数的点云数据的情况下，也能够精准的预测。通过估计水平集函数值，并利用多尺度关键点抽象化机制，提升了重建的精度和质量，这个过程也减少了手动计算的工作量，而且能够有效的处理复杂的集合形状和结构。
附图说明
下面将结合附图和具体实施方式对本发明进一步详细说明。
图1是本发明的逆向建模方法技术流程图；
图2是实施例1预处理后的海上石油钻井平台示意图；
图3是实施例1基于监督学习结构的海上钻井平台点云三维重建网络模型的架构示意图；
图4是实施例1的部分海上石油钻井平台设备三维重建结果图。
具体实施方式
实施例1：一种海上石油钻井平台点云深度学习逆向建模方法，参照图1，包括以下步骤：
S1，采集点云数据；
S2，构建海上石油钻井平台设备的点云数据集；
S3，对点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型；
S4，选取已经分割好的点云数据，使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，对选取的点云数据进行去噪处理；
S5，使用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型。
下面将对各步骤的实施过程进行详细介绍。
S1，采集点云数据。
根据前期制定的测量方案，利用固定式三维激光扫描仪开展数据采集工作，获取石油钻井平台海上石油钻井平台原始点云数据，基于采集到的原始点云数据进行数据预处理，包括点云数据组织及可视化、点云拼接、点云存储格式等工作。预处理后的海上石油钻井平台如图2所示。
S2，构建海上石油钻井平台设备的点云数据集。
本实施例中将采集到的10个海上石油钻井平台上的数据，共采集了1752站，并将这些站的数据进行点云数据配准。对数据粗略的去噪预处理，剔除的数据点为扫描数据中的杂乱物和行走、施工的人。由于石油钻井平台整体扫描数据量较大，而目标设备多分布于井口区域，因此，首先，裁切所述点云数据，去除无关的数据，如楼梯、走廊等，只保留海工装备所在的井口区域，井口区域的甲板看作平整的地面，为提高非甲板点云的分割效果，本实施例在点云数据集建立过程中，利用基于地面滤波算法去除井口区域的甲板点云，构建点云数据集。
然后，将所述点云数据集裁切为19个场景数据，并且每个场景需要包含多种不同种类的海上石油钻井平台设备，之后利用手工标记的方式依次将各个场景数据进行类别标记，共包括管道、法兰、工业架、弯管、阀门和采油树共6个类别，其类别标签数值分别对应1、2、3、4、5和6；将以上建立的包含19个场景数据的点云数据集划分为训练样本、验证样本和测试样本三部分，其中训练样本个数为12，验证样本个数为3，测试样本个数为4。从而完成点云数据集的建立。
S3，对步骤S2建立的点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型；
进一步地，所述基于深度学习的海上石油钻井平台点云精确语义分割算法包括以下步骤：
（1）点云数据预处理；
首先读取步骤S2得到的点云数据集，然后对点云数据进行下采样，以降低点云数据的密度。再将采样后的点云数据映射到规范化空间中，使所有的点云数据都具有相同的范围和比例，最后通过旋转、平移、缩放等操作，增加点云数据的多样性和丰富性，提高网络的泛化能力，以达到点云数据增强的目的。
（2）网络训练；
第一、前向传播，将步骤（1）中预处理后的点云数据输入到网络中，计算网络输出结果；
在前向传播过程中，点云数据经过卷积、池化、全连接操作，得到包含其局部升维后特征的稀疏点云，再对稀疏点云进行局部点特征升维处理后，传递进解码层，并将稀疏点云包含的升维后特征逐渐传递至输入点云样本的每个点中；完成解码后，通过激活函数进行非线性变换，获取点云中每个点的分类类别概率，取概率最大值作为该点对应的预测标签值，最终输出预测结果。
第二、反向传播，根据网络输出结果和真实标签计算误差和网络梯度，并将计算后的结果反向传播到网络中。
第三、网络参数更新，根据反向传播得到的梯度信息，更新网络的参数，并在更新参数的过程中，使用Adam优化算法，在参数空间中搜索最优解，以最小化损失函数，得到最优的网络模型。
步骤（2）中，所述局部点特征升维包括以下步骤：
以第i层采样点中任意一点为例进行说明，其中表示第i层采样点的个数，其 中lay表示下采样的总层数，表示第i层采样点中的任意一点，R表示实数范围。
Pi由i-1层点Pi-1下采样得到，以为中心点在Pi-1中进行搜索，得到k个最近邻点 坐标及近邻点的特征， 为第i-1层下采样点云特征维度，并利用式 （a）对近邻点与中心点的相关位置信息进行逐点计算，然后将相 关位置信息与近邻点特征通过映射函数得到局部近邻特征，dl为第i层下采样点云进行相关位置信息与近邻点特 征映射处理后的特征维度，如式（b）所示。
式（b）中表示第i层采样点中的任意一点，k表示使用基于距离判定的点搜索算 法取的k个点，表示的第u个近邻点的坐标，其中，表示的第u个 近邻点的特征，其中，表示的第u个近邻点的相关位置信息，其中，表示连接操作，MLP表示多层共享感知机，表示第u点局部近邻特征， 其中，表示对做多层共享感知机计算，其中。
； （a）
； （b）
在得到中心点的局部邻近特征后，再对其进行池化操作得到单点聚合特征，采用自适应池化策略进行特征升维，即在每一个中心点的局部特征池化计算中，基于 共享感知机为每一个近邻特征计算相应的注意力分数，其中，的计算公式如式（c）所示，其中表示第u个近邻点的注意力分数，w表示 共享多层感知机的学习权重系数，softmax表示对多层共享感知机结果进行归一化计算。
； （c）
； （d）
然后将作为标记关键特征的掩码，与局部近邻特征进行加权求和，并将结 果利用共享多层感知机映射至更高维度，从而得到式（d）所示的池化结果；最后经过逐 点计算，得到采样后点云的几何特征，并将其作为第 i层中各点的特征。
（3）网络模型测试；
在获得最优的网络模型参数后，对原始点云数据进行划分，将步骤S2中获得的4个测试样本数据输入到已经训练好的网络中，经过前向传播过程获得各点预测标签，根据真实标签计算总体分割精度及各类别分割精度，作为精度评估依据，从而实现海上石油钻井平台设备点云数据的高精度语义分割。
S4，海上石油钻井平台设备的点云数据集经过深度学习语义分割后，被划分为不同的标签类别，但是分割后的点云数据仍然存在一些离群点，从而会导致后续工作的误差传导，所以要使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，去除离群点和表面噪点。
所述基于距离判定的点搜索滤波和基于双曲线函数的加权混合滤波的组合算法包括以下步骤：首先，用基于距离判定的点搜索滤波算法，对需要去噪的数据进行第一步滤波，目的是去除数据中的离群点和孤立点。
所述基于距离判定的点搜索滤波算法包括以下步骤：
A1、创建一个二叉树数据结构，用于在点云中高效查找最近邻点。二叉树是一种特殊的树，用于对三维空间中的数据点进行分区，因为点云中的每个点都有x、y和z坐标。
A2、对于点云中的每个点，将使用二叉树查找90个最近邻点，以中心点为例，其个最近邻点集合为并使用公式（e）计算与最近邻点的欧氏 距离，其中分别表示的三维点坐标，分别表示的三维点坐标。
； （e）
A3、对于每个点，计算到其90个最近邻点的平均距离，从而反映点周围局部结构的紧密程度。
A4、计算所有点的平均距离之后，使用基于定位数排序的算法进行排序，再将排序后的数字，删除距离较大的前pre=0.5%的点，因为这些点被认为是噪声点。
其次，用基于双曲线函数的加权混合滤波算法，对需要去噪的数据进行第二步滤波，目的是去除数据中的表面噪点。该滤波算法基于加权平均的概念，其中对每个邻近点的权重由双曲线函数计算。该算法在点云数据平滑和降表面噪点方面表现良好，特别是在噪声较强的情况下。
所述基于双曲线函数的加权混合滤波算法包括以下步骤：
B1、创建一个新的点云数据文件，将输入点云的强度信息复制到这个新的点云文件中。
B2、确定点云中每个点的权重。为了实现这一点，需要计算点云中每个点的局部密 度。所述局部密度通过计算每个点到其最近邻点的平均距离来估计。使用基于二叉树的算 法进行最近邻搜索，找到每个点周围20个最近邻点的索引和平方距离，其中表示 第i点与周围20个最近邻点的距离。
B3、定义一个双曲线函数，所述双曲线函数是一个在定义域内具有两个极限值的 函数，用于在这两个极限值之间进行插值。在这个情况下，我们将使用一个简单的双曲线函 数，它接受一个参数为0.1，使用公式（f）计算点云中点的权重因子。
； （f）
B4、将所述双曲线函数计算出的权重因子，赋予每个点，并对每个点的位置和强度信息进行加权平均，计算出新点的位置和强度值；
B5、将新的点加入到过滤后的点云中，同时用这些新的点替换原始点云中的点，从而使点云数据更加平滑且降低噪声。
S5，使用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型。
所述基于深度学习的海上石油钻井平台点云三维重建算法包括以下步骤：
C1、数据预处理；
将步骤S4滤波后的点云数据进行预处理，将每个点表示为其在三维空间中的坐标，并将其与其点云中的索引信息一起作为海上石油钻井平台点云深度学习逆向建模方法的输入。
C2、训练；
由于点云数据没有可用于监督学习的网络模型中的真实的水平集函数值，因此， 使用无监督学习方法估计出水平集函数值，并将估计出地水平集函数值作为监督学习网络 中的真实值。
使用一种基于监督学习结构的海上钻井平台点云三维重建网络进行逆向建模，首 先对每个点周围的空间进行采样，生成一系列的查询点，其中 表示第j点进行空间采样生成的查询点集合，nr表示生成查询点的总数；
将点输入到基于监督学习结构的海上钻井平台点云三维重建网络中，其中代表网络的权重参数，代表输入的查询点。然后设 置6个不同尺度的卷积层，不同的尺度使用多尺度关键点抽象化方法进行扩张搜索；这一方 法是对每个卷积层都通过编码器捕获到不同尺度的特征，然后通过协方差矩阵的方式融合 这些特征，旨在得到更为丰富和准确的特征。
使用一种基于监督学习结构的海上钻井平台点云三维重建这一网络，首先要学习 函数，用损失函数实现尽可能接近，估算出更为准 确的水平集函数值，其中，计算损失函数的表达式如式（g）所示，所述损失函数定义为预测 值和真实值的均方误差，其中表示参数为时点的三维重建网络目标学习函 数，表示第点的真实水平函数集值，表示所有点的函数值进行求 和；
； （g）
再根据权重参数为时，计算出的损失函数值，使用公式（h）所示的权重衰减函数 求，以达到防止过拟合的目的，其中表示点的权重衰减函数值，表示已知参数，表示点的权重；
； （h）
并得出关于此网络在参数下的梯度，然后根据所述梯度更新参数；所述梯度 的计算通过反向传播来完成，所述参数的更新通过梯度下降法来完成，所述参数的更新公 式如（i）所示，其中是学习率，控制了参数更新的步长；
； （i）
将以上步骤反复执行，每次迭代都会随机选择一组查询位置，并将所述查询位置 拉到其在表面上的最近邻处；然后，使用所述查询位置和它们在表面上的邻居之间的距离 作为损失函数的一部分，并通过反向传播算法，更新神经网络参数，以此降低损失函数值， 直至达到预设的最大迭代次数。
图3示出了基于监督学习结构的海上钻井平台点云三维重建网络模型的架构示意，具体为：将经过点云组合滤波后的数据，输入到海上钻井平台三维重建网络的全连接层中，再经过第一次特征提取和第一次下采样，并对第一次下采样的结果进行第二次特征提取和第二次下采样，对第二次下采样的结果进行第三次特征提取，然后将第一次特征提取后的特征与第二次特征提取后的特征进行连接，再将连接后的结果进行第一次softmax归一化，进而将第一次softmax归一化结果与第三次特征提取的特征进行连接，并进行第二次softmax归一化，至此完成整个多尺度关键点抽象化的过程。其中特征提取的步骤包括两个局部特征编码层和两个注意力池化层，用来提取高维特征，并将高维特征经过多层共享感知机计算后，进行ReLU激活。将多尺度关键点抽象化后的特征和水平集函数值，共同输入到解码层中，再经过第一次形变获取要三维重建设备的轮廓，而后经过三次上采样和第二次形变&不池化、第三次形变&不池化和第四次形变&不池化过程，模型经过一步一步的修正，使得三维重建的结果更加精准。
在步骤C2中，所述无监督学习方法估计水平集函数值的步骤如下：
D1、在自编码网络中，编码器的任务是将点云数据的坐标编 码成一个高维的特征向量，解码器的任务是将这个特征向量解码成水平集函数值。
D2、训练自编码器网络，找到一组参数，使得网络的输出值尽可能 为真实值，需要通过最小化损失函数不断优化，所述最小化损失函数的算式如式（o）所示， 并由梯度下降算法，不断更新网络参数，其中表示最小化损失函数，表示为时无监督网络中的参数。
； （o）
D3、使用自编码器网络，将点云数据输入编码器中，得到 水平集函数值的集合。
在步骤C2中，所述多尺度关键点抽象化方法的步骤如下：
E1、将输入的数据分为3个不同的尺度；
首先，以步骤S4中去噪后的点云数据作为输入数据，在所述基于监督学习结构的 海上钻井平台点云三维重建网络的训练过程中，输入的单个样本点的个数为，设输入的 坐标集合为，将的集合表示为，其中表示第一个尺度的样本集中第点的三维空间坐标；
然后，对原始输入的数据进行s-1次随机下采样稀疏化，第一次稀疏化后的点的个 数为n1，其坐标集合为，将的集合表示为，其中表示第二个尺度样本集中的第g1个点的三维空间坐标；第二次稀 疏化后的点的个数为n2，其坐标集合为，将的集合表示为，其中表示第三个尺度样本集中 的第个点的三维空间坐标；
E2、建立三个不同尺度的独立编码器进行特征提取，所述三个不同尺度的独立编码器是同一个结构，但是所述三个不同尺度的独立编码器的参数是相互独立的，能学习到不同尺度下的特征；
设置一个维的输入层，a个卷积层和b个全连接层，作为局部特征编码层，在 每层中都使用函数，其中a表示卷积层的层数，b表示全连接层的层数，表示输 入层的维度；再通过分别有个节点和有个节点的全连接层，使用自适应池 化策略进行注意力池化，以特征升维的目的，最后再使用多层共享感知机计算和ReLU激活 函数。经过整个编码层结构，最终生成对应的特征值集合表示为，其中表示第cd尺度 经过编码层最终输出的特征值集合，其中out代表输出；
E3、将不同尺度下的特征进行融合；
经过编码层，不同尺度的输入生成不同的特征值集合，其中，所述特征值集合有相同的维度；
首先，使用公式（j）计算每个特征值集合的均值，然后，使用公式（k）计算每个 特征的偏差，再使用公式（l）计算每个特征值集合的协方差矩阵；通过公 式（m）协方差矩阵的方式融合这些特征，并在融合不同特征的同时进行权重学习，其中，权 重值由公式（n）得出；
； （j）
； （k）
； （l）
； （m）
； （n）
E4、构建解码器，将编码和融合后的特征向量转换成点云数据；
首先将解码器最后融合的特征作为输入，通过维和维的全 连接层；再通过重塑层，将全连接层的输出转换成高维度的点云数据。
这一步骤详细阐述了如何在不同层级的编码层中计算和处理点云数据的特征和坐标信息。通过执行此操作，我们能够在每个编码层上捕捉到不同尺度的特征信息，从而为后续解码层提供丰富且有效的输入数据，以实现更精确的点云重建。
C3、验证；
对于查询点，使用最优的网络计算预 测的水平集函数值：，其中距离为正值表示点在表面外部，距离 为负值表示点在表面的内部，距离为零表示点在表面上。
将预测值与真实地水平集函数值进行比较，使用公式（p）计算绝 对误差，对所有验证数据的绝对误差，使用公式（q）求平均，得到平均绝对误差。
； （p）
； （q）
使用MAE或其他评估指标来评估模型性能，调整模型参数或超参数以优化性能，选择验证集上表现最好的模型作为最终模型。
C4、测试；
将查询点输入到所述最终模型中，预 测其在表面上最邻近的有符号的距离值和梯度；然后根据查询点的水平集函数值的符号，将查询位置沿着或者是反梯度方向移动，并以预测水平集函数值 为步长，通过这种方式，增加3D形状的表达能力。
C5、表面重建；
通过所述基于监督学习结构的海上钻井平台点云三维重建网络预测出的水平集 函数值，用立方体等值面提取算法重建三维表面，并用Grid集合表示为，，其中ng表示立方体单元 的个数，在立方体单元中寻找零值等值面，在网格中，点坐标的集合为，表示网格中的总点数，其中网格中的点所对应的水平集函数值为，零等值 面指的是满足的点集合，如公式（r）所示，然后连接所述零等值面来生 成三维形状的表面。
。 （r）
对比例1：为了进一步说明本发明的优越性，进行了如下对比实验。
本对比例所用硬件平台为RTX 4000显卡，开发环境为Anaconda3，编译环境为PyCharm，并完成了从海上石油钻井平台点云数据预处理，到基于深度学习的语义分割，再到基于距离判定的点搜索点云数据滤波与基于双曲线函数混合滤波的组合方法的数据处理，最后通过实施例1所使用的一种基于监督学习结构的海上钻井平台点云三维重建深度学习网络进行设备三维重建这一系列处理，并分别对于以上过程进行对比分析。
（1）在海上石油钻井平台点云数据语义分割的深度学习方法中，CUDA版本为10.1，深度学习架构为tensorflow1.13.1，共有19个场景，其中训练样本个数为12，验证样本个数为3，测试样本个数为4。经过500个训练周期得到最优模型参数，然后利用最优模型对测试集进行预测分割，得到分割精度，并进行了与目前可用于海上石油钻井平台点云数据语义分割的PointCNN、SPG、RandLA-Net 网络方法的精度对比，其不同方法的对比所采用的指标是公式（s）所示的交并比，其中：G表示真实值；P表示预测值；N表示样本总数； VTP表示真正，即正确预测的值的样本数；VFN表示假负，即将该类别判别为其他类别的样本数；VFP表示假正，即将其他类别判别为该类别的样本数。VTP、VFN、VFP通过混淆矩阵计算所得。
； （s）
在实施例1的方法中，所采用高效的特征学习方式使其分割效果更佳，特别是在法兰（99.40%）、弯管（73.40%）等数量较少、分布杂乱的类别上，由于采用了局部特征点升维算法，由表1中实验结果可知实施例1相较于现有技术在各个类别及总体分割精度上均有较大提升。
表1 不同方法的点云分割处理精度。
。
（2）单一滤波方法与实施例1中组合滤波方法效果对比。
在实施例1中，基于语义分割后的海上石油钻井平台点云数据进行组合滤波，先使 用基于距离判定的点搜索滤波方法对偏离主体点云较远的点进行粗剔除，KDTree参数范围 设置为90，筛选距离最远百分比参数设置为0.005；然后在半径滤波的基础上，再用基于双 曲线函数加权混合滤波算法对混杂在点云主体内，但与点云数据模型无关联的点进行进一 步剔除，附近近邻点数设置为20，双曲线函数参数设置为0.1，并与使用单个半径滤波和 统计滤波算法进行对比。
通过去噪率和保真性值作为点云滤波的评价指标。其中去噪率是指滤波算法成功去除噪声点的比例，使用公式（t）计算得出，设去噪率为Vd，去除噪声点数为K，原始点云噪声点数为Nz。保真性值是指滤波算法对于点云数据形态的保留程度，设保真性值为Vf，其计算公式如（u）所示，其中VRMSE为均方根误差，表示滤波后点云与原始点云之间的距离误差，D表示点云直径。
； （t）
； （u）
在实施例1中，所采用的基于距离判定的点搜索滤波与基于双曲线函数加权混合滤波组合方法，对于海上复杂环境所产生的离群噪点和表面噪点适用性较强，而且算法的稳定性更好。由表2中实验结果可知，实施例1的组合滤波方法相较于单个滤波方法，去噪率有较大提升，稳定性也有所增加。
表2 组合滤波方法与单个滤波方法的滤波效果。
。
注：“”表示使用了该方法，“/”表示未使用该方法。
（3）实施例1中基于深度学习的点云三维重建方法与常规的深度学习方法结果对比。
实施例1中基于深度学习的点云三维重建方法的训练过程中网络模型的超参数设定包括：Epoch数值为30000，Batch_Size数值为1000，优化器为Adam，动量和初始学习率分别为0.9和0.001，衰减率为0.0001。
这里比较了常规方法与实施例1中基于监督学习结构的海上钻井平台点云三维重建网络算法，对基于滤波后海上石油平台的设备点云数据进行三维重建的结果对比。其中所使用的对比指标为计算点到表面距离的平均值和标准差，平均距离可以反映点云与重建模型之间的整体一致性，而标准差则反映距离分布的离散程度，较低的平均距离和标准差通常表示较好的一致性。
如图4和表3所示，实施例1中基于监督学习结构的海上钻井平台点云三维重建网络算法对海上石油钻井平台点云数据重建效果优于常规方法，且在法兰中的螺丝等细节处也有精细的模型纹理效果，对点云数据的缺失和噪声具有更好的鲁棒性。
表3不同方法的三维重建精度对比。
。
当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (7)

1.一种海上石油钻井平台点云深度学习逆向建模方法，其特征在于，包括以下步骤：
S1，采集点云数据；
S2，构建海上石油钻井平台设备的点云数据集，将点云数据集划分为训练样本、验证样本和测试样本三部分；
S3，对点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型；
在步骤S3中，所述基于深度学习的海上石油钻井平台点云精确语义分割算法包括以下步骤：
（1）点云数据预处理；
首先读取步骤S2得到的点云数据集，然后对所述点云数据集中的点云数据进行下采样，再将采样后的点云数据映射到规范化空间中，使所有的点云数据都具有相同的范围和比例，最后通过旋转、平移、缩放操作，增加点云数据的多样性和丰富性；
（2）网络训练；
第一、前向传播，将步骤（1）中预处理后的点云数据输入到网络中，计算网络输出结果；
在前向传播过程中，点云数据经过卷积、池化、全连接操作，得到包含其局部升维后特征的稀疏点云，再对稀疏点云进行局部点特征升维处理后，传递进解码层，并将稀疏点云包含的升维后特征逐渐传递至输入点云样本的每个点中；完成解码后，通过激活函数进行非线性变换，获取点云中每个点的分类类别概率，取所述分类类别概率中的概率最大值作为相应点对应的预测标签值，最终输出预测结果；
第二、反向传播，根据网络输出的所述预测结果和真实标签计算误差和网络梯度，并将计算后的结果反向传播到网络中；
第三、网络参数更新，根据反向传播得到的梯度信息，更新网络的参数，并在更新参数的过程中，使用Adam优化算法和最小化损失函数，得到网络模型；
（3）网络模型测试；
在获得所述网络模型的参数后，对原始点云数据进行划分，将步骤S2中获得的测试样本数据输入到已经训练好的网络中，经过前向传播过程获得各点预测标签，根据真实标签计算总体分割精度及各类别分割精度；
S4，选取已经分割好的点云数据，使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，对选取的点云数据进行去噪处理；
在步骤S4中，所述基于距离判定的点搜索滤波和基于双曲线函数的加权混合滤波的组合算法包括以下步骤：首先，用基于距离判定的点搜索滤波算法，对需要去噪的数据进行第一步滤波，目的是去除数据中的离群点和孤立点；其次，用基于双曲线函数的加权混合滤波算法，对需要去噪的数据进行第二步滤波，目的是去除数据中的表面噪点；
S5，使用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型；
在步骤S5中，所述基于深度学习的海上石油钻井平台点云三维重建算法包括以下步骤：
C1、数据预处理；
将步骤S4去噪处理后的点云数据进行预处理，将每个点的三维空间坐标和索引信息共同作为海上石油钻井平台点云深度学习逆向建模方法的输入；
C2、训练；
使用无监督学习方法估计出水平集函数值，并将估计出地水平集函数值作为监督学习网络中的真实值；
使用基于监督学习结构的海上钻井平台点云三维重建网络进行逆向建模，首先对每个点周围的空间进行采样，生成一系列的查询点，其中/>表示第j点进行空间采样生成的查询点集合，nr表示生成查询点的总数；
将点输入到基于监督学习结构的海上钻井平台点云三维重建网络中，其中/>代表网络的权重参数，/>代表输入的查询点；然后设置N个不同尺度的卷积层，对不同的尺度使用多尺度关键点抽象化方法进行扩张搜索；
使用基于监督学习结构的海上钻井平台点云三维重建网络，首先要学习函数，用损失函数/>使得/>逼近/>，其中，计算损失函数的表达式如式（g）所示，所述损失函数定义为预测值和真实值的均方误差，其中/>表示参数为/>时点/>的三维重建网络目标学习函数，/>表示第/>点的真实水平函数集值，表示所有点的函数值进行求和；
； （g）
再根据权重参数为时，计算出的损失函数值，使用公式（h）所示的权重衰减函数求，以达到防止过拟合的目的，其中/>表示/>点的权重衰减函数值，/>表示已知参数，/>表示点/>的权重；
； （h）
并得出关于所述基于监督学习结构的海上钻井平台点云三维重建网络在参数下的梯度/>，然后根据所述梯度更新参数；所述梯度的计算通过反向传播来完成，所述参数的更新通过梯度下降法来完成，所述参数的更新公式如（i）所示，其中/>是学习率，控制了参数更新的步长；
； （i）
将以上步骤反复执行，每次迭代都会随机选择一组查询位置，并将所述查询位置拉到其在表面上的最近邻处；然后，使用所述查询位置和所述查询位置在表面上的邻居之间的距离作为损失函数的一部分，并通过反向传播算法，更新神经网络参数，以此降低损失函数值，直至达到预设的最大迭代次数；
C3、验证；
对于查询点，使用经步骤C2训练得到的基于监督学习结构的海上钻井平台点云三维重建网络计算预测的水平集函数值：/>，其中距离为正值表示点在表面外部，距离为负值表示点在表面的内部，距离为零表示点在表面上；
将预测值与真实地水平集函数值进行比较，使用公式（p）计算绝对误差，对所有验证数据的绝对误差，使用公式（q）求平均，得到平均绝对误差MAE；
； （p）
； （q）
使用平均绝对误差评估模型性能，调整模型参数或超参数以优化性能，选择验证集上精度值和平均交并比值最大的模型作为最终模型；
C4、测试；
将查询点输入到所述最终模型中，预测其在表面上最邻近的有符号的距离值和梯度；然后根据查询点的水平集函数值/>的符号，将查询位置沿着或者是反梯度方向移动，并以预测水平集函数值为步长，增加3D形状的表达能力；
C5、表面重建；
将所述水平集函数值用立方体等值面提取算法重建三维表面，并用Grid集合表示为，，其中ng表示立方体单元的个数，在立方体单元中寻找零值等值面，在/>网格中，点坐标的集合为
， />表示/>网格中的总点数，其中网格中的点所对应的水平集函数值为/>，零等值面指的是满足/>的点集合，如公式所示，然后连接所述零等值面来生成三维形状的表面。
2.根据权利要求1所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，在步骤S2中，首先，裁切所述点云数据，去除无关的数据，只保留海工装备所在的井口区域，井口区域的甲板看作平整的地面，利用基于地面滤波算法去除井口区域的甲板点云，构建点云数据集；
然后，将所述点云数据集裁切为M 个场景数据，其中M表示裁切场景的数量，并且每个场景需要包含多种不同种类的海上石油钻井平台设备，之后利用手工标记的方式依次将各个场景数据进行类别标记，共包括管道、法兰、工业架、弯管、阀门和采油树6个类别，其类别标签数值分别对应1、2、3、4、5和6，将包含M个场景数据的点云数据集划分为训练样本、验证样本和测试样本三部分，其中训练样本个数为，验证样本个数为/>，测试样本个数为/>。
3.根据权利要求2所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤（2）中，所述局部点特征升维包括以下步骤：
以第i层采样点中任意一点/>为例进行说明，其中/>表示第i层采样点的个数/>，其中lay表示下采样的总层数，/>表示第i层采样点中的任意一点，R表示实数范围；
Pi由i-1层点Pi-1下采样得到，以为中心点在Pi-1中进行搜索，得到k个最近邻点坐标及近邻点的特征/>， 为第i-1层下采样点云特征维度，并利用式（a）对近邻点与中心点的相关位置信息进行逐点计算，然后将相关位置信息与近邻点特征通过映射函数得到局部近邻特征/>，/>为第i层下采样点云进行相关位置信息与近邻点特征映射处理后的特征维度，如式（b）所示，式中/>表示第i层采样点中的任意一点，k表示使用基于距离判定的点搜索算法取的k个点，/>表示/>的第u个近邻点的坐标，其中/>，/>表示/>的第u个近邻点的特征，其中，/>表示/>的第u个近邻点的相关位置信息，其中/>，/>表示连接操作，MLP表示多层共享感知机，/>表示第u点局部近邻特征，其中/>，表示对/>做多层共享感知机计算，其中/>；
； （a）
； （b）
在得到中心点的局部近邻特征/>后，再对其进行池化操作得到单点聚合特征/>，采用自适应池化策略进行特征升维，即在每一个中心点的局部特征池化计算中，基于共享感知机为每一个近邻特征计算相应的注意力分数/>，其中/>，的计算公式如式（c）所示，其中/>表示第u个近邻点的注意力分数，w表示共享多层感知机的学习权重系数，softmax表示对多层共享感知机结果进行归一化计算；
； （c）
； （d）
然后将作为标记关键特征的掩码，与局部近邻特征/>进行加权求和，并将结果利用共享多层感知机映射至更高维度，从而得到式（d）所示的池化结果/>；最后经过逐点计算，得到采样后点云的几何特征/>，并将其作为第i层中各点的特征。
4.根据权利要求3所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，所述基于距离判定的点搜索滤波算法包括以下步骤：
A1、创建一个二叉树数据结构，用于在点云中查找最近邻点；
A2、对于点云中的每个点，将使用二叉树查找个最近邻点，其中/>表示查找每个点的邻近点的个数，以中心点/>为例，其/>个最近邻点集合为/>并使用公式（e）计算/>与最近邻点/>的欧氏距离/>，其中/>分别表示/>的三维点坐标，/>分别表示/>的三维点坐标；
；（e）
A3、对于每个点，计算到其个最近邻点的平均距离，从而反映点周围局部结构的紧密程度，其中/>，/>表示需要滤波设备的总点数；
A4、计算所有点的平均距离之后，使用基于定位数排序的算法，即找到要排序所有点的平均距离中最大的数，并记录其位数/>，再从最低的有效位开始，根据每个数在所述有效位上的数值进行从大到小排序，然后继续向更高位移动，重复查找平均距离最大的数，并不断调整位置，直至所有的数都在/>位上被排序，则按此排序完成；排序后，删除/>位上的前per%点，其中per表示应删除数据占全部数据的百分比/>。
5.根据权利要求4所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，所述基于双曲线函数的加权混合滤波算法包括以下步骤：
B1、创建一个新的点云数据文件，将输入点云的强度信息复制到所述新的点云文件中；
B2、确定点云中每个点的权重，需要计算点云中每个点的局部密度，所述局部密度通过计算每个点到其最近邻点的平均距离来估计；使用基于二叉树的算法进行最近邻搜索，找到每个点周围个最近邻点的索引和平方距离/>，其中/>表示第i点与周围/>个最近邻点的距离；
B3、定义一个双曲线函数，所述双曲线函数是一个在定义域内具有两个极限值的函数，用于在这两个极限值之间进行插值；使用公式（f）计算点云中点的权重因子，并接受一个参数/>，其中/>与/>的取值范围分别为/>，/>；
； （f）
B4、将所述双曲线函数计算出的权重因子，赋予每个点，并对每个点的位置和强度信息进行加权平均，计算出新点的位置和强度值；
B5、将新的点加入到过滤后的点云中，替换原始点云中的点。
6.根据权利要求5所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤C2中所述无监督学习方法估计水平集函数值的步骤如下：
D1、在自编码网络中，编码器的任务是将点云数据的坐标编码成一个高维的特征向量/>，解码器的任务是将所述特征向量解码成水平集函数值/>；
D2、训练自编码器网络，需要通过最小化损失函数不断优化，所述最小化损失函数的算式如式（o）所示，并由梯度下降算法，不断更新网络参数，其中表示最小化损失函数，表示为/>时无监督网络中的参数；
； （o）
D3、使用自编码器网络，将点云数据输入编码器中，得到水平集函数值的集合/>。
7.根据权利要求6所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤C2中所述多尺度关键点抽象化方法的步骤如下：
E1、将输入的数据分为s个不同的尺度；
首先，以步骤S4中去噪后的点云数据作为输入数据，在所述基于监督学习结构的海上钻井平台点云三维重建网络的训练过程中，输入的单个样本点的个数为，设输入的坐标集合为/>，将/>的集合表示为/>，其中
表示第一个尺度的样本集中第/>点的三维空间坐标；
对原始输入的数据进行s-1次随机下采样稀疏化，第一次稀疏化后的点的个数为n1，其坐标集合为，将/>的集合表示为/>，其中表示第二个尺度样本集中的第g1个点的三维空间坐标；第二次稀疏化后的点的个数为n2，其坐标集合为/>，将/>的集合表示为，其中/>表示第三个尺度样本集中的第/>个点的三维空间坐标；
E2、建立三个不同尺度的独立编码器进行特征提取，所述三个不同尺度的独立编码器是同一个结构，但是所述三个不同尺度的独立编码器的参数是相互独立的，能学习到不同尺度下的特征；
设置一个维的输入层，a个卷积层和b个全连接层，作为局部特征编码层，在每层中都使用/>函数，其中a表示卷积层的层数，b表示全连接层的层数，/>表示输入层的维度；再通过分别有/>个节点和有/>个节点的全连接层，使用自适应池化策略进行注意力池化，以特征升维的目的，最后再使用多层共享感知机计算和ReLU激活函数；经过整个编码层结构，最终生成对应的特征值集合表示为
，其中/>表示第cd尺度经过编码层最终输出的特征值集合，其中out代表输出；
E3、将不同尺度下的特征进行融合；
经过编码层，不同尺度的输入生成不同的特征值集合，其中，所述特征值集合有相同的维度；
首先，使用公式（j）计算每个特征值集合的均值，然后，使用公式（k）计算每个特征的偏差/>，再使用公式（l）计算每个特征值集合的协方差矩阵/>；通过公式（m）协方差矩阵的方式融合所述特征，并在融合不同特征的同时进行权重学习，其中，权重值由公式（n）得出；
； （j）
； （k）
； （l）
； （m）
； （n）
E4、构建解码器，将编码和融合后的特征向量转换成点云数据；
首先将解码器最后融合的特征作为输入，通过/>维和/>维的全连接层；再通过重塑层，将全连接层的输出转换成高维度的点云数据。
CN202310927121.XA 2023-07-27 2023-07-27 一种海上石油钻井平台点云深度学习逆向建模方法 Active CN116704137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310927121.XA CN116704137B (zh) 2023-07-27 2023-07-27 一种海上石油钻井平台点云深度学习逆向建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310927121.XA CN116704137B (zh) 2023-07-27 2023-07-27 一种海上石油钻井平台点云深度学习逆向建模方法

Publications (2)

Publication Number Publication Date
CN116704137A CN116704137A (zh) 2023-09-05
CN116704137B true CN116704137B (zh) 2023-10-24

Family

ID=87831339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310927121.XA Active CN116704137B (zh) 2023-07-27 2023-07-27 一种海上石油钻井平台点云深度学习逆向建模方法

Country Status (1)

Country Link
CN (1) CN116704137B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117788962B (zh) * 2024-02-27 2024-05-10 南京信息工程大学 基于持续学习的可扩展点云目标识别方法
CN117911791B (zh) * 2024-03-15 2024-05-28 山东科技大学 一种海上油气平台点云数据处理方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111476893A (zh) * 2020-05-09 2020-07-31 中海油能源发展装备技术有限公司 基于海上油气田设备设施的三维实景建模方法及装置
CN112288857A (zh) * 2020-10-30 2021-01-29 西安工程大学 一种基于深度学习的机器人语义地图物体识别方法
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN112785694A (zh) * 2021-02-05 2021-05-11 希盟泰克(重庆)实业发展有限公司 一种基于深度学习的bim三维重建方法
WO2022088676A1 (zh) * 2020-10-29 2022-05-05 平安科技（深圳）有限公司 三维点云语义分割方法、装置、设备及介质
CN114743010A (zh) * 2022-06-13 2022-07-12 山东科技大学 基于深度学习的超高压输电线路点云数据语义分割方法
CN115147545A (zh) * 2022-06-27 2022-10-04 东南大学 一种基于bim和深度学习的场景三维智能重建系统及方法
WO2022252274A1 (zh) * 2021-05-31 2022-12-08 北京理工大学 基于PointNet网络点云分割及虚拟环境生成方法和装置
CN115761172A (zh) * 2022-10-10 2023-03-07 哈尔滨工程大学 一种基于点云语义分割与结构拟合的单体建筑三维重建方法
EP4174792A1 (en) * 2021-10-29 2023-05-03 Geosat Method for scene understanding and semantic analysis of objects

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112703457A (zh) * 2018-05-07 2021-04-23 强力物联网投资组合2016有限公司 用于使用工业物联网进行数据收集、学习和机器信号流传输实现分析和维护的方法和系统
CN111476893A (zh) * 2020-05-09 2020-07-31 中海油能源发展装备技术有限公司 基于海上油气田设备设施的三维实景建模方法及装置
WO2022088676A1 (zh) * 2020-10-29 2022-05-05 平安科技（深圳）有限公司 三维点云语义分割方法、装置、设备及介质
CN112288857A (zh) * 2020-10-30 2021-01-29 西安工程大学 一种基于深度学习的机器人语义地图物体识别方法
CN112785694A (zh) * 2021-02-05 2021-05-11 希盟泰克(重庆)实业发展有限公司 一种基于深度学习的bim三维重建方法
WO2022252274A1 (zh) * 2021-05-31 2022-12-08 北京理工大学 基于PointNet网络点云分割及虚拟环境生成方法和装置
EP4174792A1 (en) * 2021-10-29 2023-05-03 Geosat Method for scene understanding and semantic analysis of objects
CN114743010A (zh) * 2022-06-13 2022-07-12 山东科技大学 基于深度学习的超高压输电线路点云数据语义分割方法
CN115147545A (zh) * 2022-06-27 2022-10-04 东南大学 一种基于bim和深度学习的场景三维智能重建系统及方法
CN115761172A (zh) * 2022-10-10 2023-03-07 哈尔滨工程大学 一种基于点云语义分割与结构拟合的单体建筑三维重建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于深度神经网络的SAR建筑目标三维重建方法;陈健堃;彭凌霄;仇晓兰;丁赤飚;吴一戎;;中国科学:信息科学(第12期);全文 *
基于点云数据的分割方法综述;顾军华;李炜;董永峰;;燕山大学学报(第02期);全文 *
采用深度级联卷积神经网络的三维点云识别与分割;杨军;党吉圣;;光学精密工程(第05期);全文 *

Also Published As

Publication number Publication date
CN116704137A (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN112070779B (zh) 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法
CN116704137B (zh) 一种海上石油钻井平台点云深度学习逆向建模方法
CN111724478B (zh) 一种基于深度学习的点云上采样方法
CN109800863B (zh) 一种基于模糊理论和神经网络的测井相识别方法
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
CN110929696A (zh) 一种基于多模态注意与自适应融合的遥感图像语义分割方法
CN105787501A (zh) 输电线路走廊区域自动选择特征的植被分类方法
CN113838109B (zh) 一种低重合度点云配准方法
CN116229079A (zh) 一种基于视觉辅助和特征增强的三维点云语义分割方法及系统
CN113723715A (zh) 公交线网自动匹配道路网络方法、系统、设备及存储介质
CN115830179A (zh) 一种类别无关的遥感地物矢量拓扑结构提取方法
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
CN116452982A (zh) 一种基于改进YOLOv5的探地雷达地下排水管网图像检测方法
CN117237559A (zh) 面向数字孪生城市的三维模型数据智能分析方法及系统
CN115081719A (zh) 一种基于自注意力机制与u型结构结合的地震相自动化识别方法
CN114743010A (zh) 基于深度学习的超高压输电线路点云数据语义分割方法
CN114511787A (zh) 一种基于神经网络的遥感图像地物信息生成方法及其系统
CN116129118B (zh) 基于图卷积的城市场景激光LiDAR点云语义分割方法
CN116662468A (zh) 基于地理对象空间模式特征的城市功能区识别方法及系统
CN116386042A (zh) 一种基于三维池化空间注意力机制的点云语义分割模型
CN116030255A (zh) 一种三维点云语义分割的系统及方法
CN112634447B (zh) 一种露头岩层分层方法、装置、设备及存储介质
Mansour et al. Hierarchical SVM for Semantic Segmentation of 3D Point Clouds for Infrastructure Scenes
CN115147727A (zh) 一种遥感影像不透水面提取方法及系统
Satari et al. Extraction of linear structures from digital terrain models using deep learning

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