[发明专利]一种基于深度学习的航空零部件点云去噪方法

权利要求书

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；

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p_i，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C_pi；

其中，p_i表示点云数据中的任一点，p_i＝(x_i，y_i，z_i)，(x_i，y_i，z_i)表示p_i的坐标；p_j表示局部邻域中的任一点；Ψ表示p_i点的局部邻域；|Ψ|表示局部邻域中点的个数；

S13：记C_pi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-x_i)+S(y-y_i)+T(z-z_i)＝0； (2)

其中，(x，y，z)是平面P的任意一个点的坐标，(x_i，y_i，z_i)表示p_i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p_i的高度图；

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p_m，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C_pm；

其中，p_m表示实测点云数据中的任一点；p_n表示局部邻域中的任一点；Γ表示p_m点的局部邻域；|Γ|表示局部邻域中点的个数；

S33：记C_pm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p_m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p_m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p_m的法向量；

所述步骤S4中，根据公式(6)对实测点云数据中每个点进行位置更新；

其中，p_m表示实测点云数据中的任一点；p_n表示局部邻域中的任一点；α_m表示权重参数；Γ表示p_m点的局部邻域；n_n表示p_n点的法向量；n_m表示p_m点的法向量。