[发明专利]基于CNN的无标定曲面所包含拼接曲面个数识别方法

权利要求书

1.一种基于CNN的无标定曲面所包含拼接曲面个数识别方法，其特征在于，包括：

CNN拼接曲面个数识别器训练过程：

步骤A，在目标曲面的表面均匀采集n个目标曲面点云，并根据椭球曲面的拟合方法计算每个所述目标曲面点云对应的两个主曲率，然后选取每个所述目标曲面点云的三维坐标值及两个主曲率作为代表所述目标曲面点云的五个特征，从而获得所述目标曲面五维点云组；

步骤B，利用主元分析PCA方法将所述目标曲面五维点云组降维至二维，从而获得目标曲面二维点云组；

步骤C，预先通过人工标定方式找出所述目标曲面所包含拼接曲面个数，并对所述目标曲面二维点云组进行标定，构成一组已标定训练数据；

步骤D，对X个不同的所述目标曲面重复步骤A至步骤C，获得X组所述已标定训练数据，从X组所述已标定训练数据中随机选取m组构成训练集P，剩余的所述已标定训练数据构成测试集S，通过所述训练集P和所述测试集S对CNN拼接曲面个数识别器进行训练，直至所述CNN拼接曲面个数识别器训练成功为止；

待识别目标曲面所包含拼接曲面个数识别过程：

步骤E，在待识别目标曲面的表面均匀采集n个待识别目标曲面点云，并根据椭球曲面的拟合方法计算每个所述待识别目标曲面点云对应的两个主曲率，然后选取每个所述待识别目标曲面点云的三维坐标值及两个主曲率作为代表所述待识别目标曲面点云的五个特征，从而获得待识别目标曲面五维点云组；

步骤F，利用主元分析PCA方法将所述待识别目标曲面五维点云组降维至二维，从而获得待识别目标曲面二维点云组，并将该待识别目标曲面二维点云组作为一组待识别目标曲面数据；

步骤G，将步骤F获得的所述待识别目标曲面数据输入已训练成功的所述CNN拼接曲面个数识别器中以输出所述待识别目标曲面所包含拼接曲面个数；

其中，n、X、m均为正整数，且m小于X。

2.根据权利要求1所述的方法，其特征在于，所述CNN拼接曲面个数识别器训练方法具体包括：

创建所述CNN拼接曲面个数识别器的CNN模型，所述CNN模型采用LENET结构并且最后3层使用MLP，所述CNN模型中所有激活函数采用ReLU函数；随机初始化所述CNN模型中所有权值和阈值，根据用户需要分别初始化所述CNN模型的学习率、批量训练样本数目及最小误差Nm；

对所述训练集P中各组所述已标定训练数据进行归一化处理，并从所述训练集P中依次选取一组所述已标定训练数据输入到所述CNN模型，按照前向传播的公式计算相应的模型输出；按照误差公式计算出该组已标定训练数据输入到所述CNN模型后的模型输出和所述人工标定方式得到的结果之间的误差，并按照反向传播算法调节所述CNN模型所有权值和阈值；

一次训练完成后，计算整体误差N，若整体误差N最小误差Nm，则所述CNN模型训练结束，否则按照上述训练步骤继续训练所述CNN模型，直至整体误差N最小误差Nm则结束训练；

将所述测试集S进行归一化处理，并从所述测试集S中依次选取一组已标定训练数据输入到已完成训练的所述CNN模型中，按照前向传播的公式计算相应的模型输出，并与所述人工标定方式得到的结果进行对比，计算所述测试集S的整体错误率M，若所述整体错误率M满足要求，则所述CNN模型训练成功，否则所述CNN模型训练失败，需再次不断循环重复步骤A至步骤C以增加所述训练集P的已标定训练数据组数，按照所述CNN模型训练步骤继续训练，直至所述整体错误率M满足要求。

3.根据权利要求1所述的方法，其特征在于，所述获得所述目标曲面五维点云组的方法包括：

定义所述目标曲面点云的第一特征为所述目标曲面点云的x轴坐标值，第二特征为上述目标曲面点云的y轴坐标值，第三特征为所述目标曲面点云的z轴坐标值，第四特征为两个主曲率中的最大曲率r1，第五特征为两个主曲率中的最小曲率r2。