[发明专利]基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法

权利要求书

1.一种基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法，其特征在于，包括以下步骤：

S1、利用扫描仪对载钢卷卡车车厢进行扫描，对扫描获得的原始三维点云数据进行坐标转换与直通滤波处理，分离出仅包含车厢平面、钢卷、鞍座的点云团；

S2、基于仅包含车厢平面、钢卷、鞍座的点云团，通过随机采样一致型算法进行平面模型拟合与圆柱体模型拟合，剔除车厢平面点云，得到含钢卷和鞍座的点云团；

S3、基于步骤S2所得点云团，通过边缘检测与聚类分割算法将黏连的多个目标点云团分割为彼此独立的单个目标的点云数据；

S4、将彼此独立的单个目标点云数据输入到结合多尺度特征提取的Pointnet神经网络模型中进行分类，通过选取三个不同尺度，对输入进的单个目标点云数据中的每个点云选取邻域，利用Pointnet神经网络提取邻域特征作为每个点的局部特征，将不同尺度下的局部特征通过全连接层组合，并与利用Pointnet神经网络提取的全局特征结合，给出特征分类结果。

2.如权利要求1所述的基于多尺度特征提取与Pointnet神经网络的钢卷点云识别与分类方法，其特征在于，所述步骤S1具体包括：

S11、启动库区中卡车通道区域上方的三维激光扫描仪，获取卡车车厢点云的原始极坐标数据；

S12、将原始极坐标数据通过立体几何换算还原成笛卡尔坐标系的三维点云数据；

S13、对三维点云数据进行直通滤波，滤除车厢外的无关区域平面，仅保留车厢平面、钢卷、鞍座的点云数据。

3.如权利要求1所述的基于多尺度特征提取与Pointnet神经网络的钢卷点云识别与分类方法，其特征在于，所述步骤S3中边缘检测包括：基于剔除车厢平面点云后的点云团，对点云进行边缘检测，检测并分离各个黏连状态的目标点云间的边缘点云，得到彼此分离的目标点云团。

4.如权利要求3所述的基于多尺度特征提取与Pointnet神经网络的钢卷点云识别与分类方法，其特征在于，所述步骤S3中聚类分割算法实施如下：基于彼此分离的目标点云团，根据扫描仪安装高度、扫描密度，设置点云团聚类半径和聚类阈值，对目标点云团进行Meanshift聚类分割，将多个彼此分离的目标点云团分割成彼此独立的单个目标的有效点云。

5.如权利要求4所述的基于多尺度特征提取与Pointnet神经网络的钢卷点云识别与分类方法，其特征在于，所述对目标点云团进行Meanshift聚类分割，将多个彼此分离的目标点云团分割成彼此独立的单个目标的有效点云包括以下步骤：

S31、遍历彼此分离的目标点云团，随机选取某个点作为聚类中心c；

S32、根据目标点云团密度设置聚类半径r，聚类阈值r₁，找出聚类中心的聚类半径内所有点，并把点云集中的其他点对该聚类中心的访问频率加1；

S33、计算Meanshift向量MS(x)，执行一次目标点云的聚类过程，把所有待处理的点对该聚类中心点的访问频率加1，通过迭代使算法收敛于一点，该点密度函数梯度为0；

S34、判断如果收敛时当前集合点c与其他集合点c₁的中心距离小于r₁，则合并这两个集合点，否则把c当做新的聚类中心点，至此完成一次Meanshift迭代；

S35、重复S32-S34，直到所有点被标记访问，根据每个聚类中心对每个点的访问频率，取访问频率最大的中心点为该点的归属聚类中心。