[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

说明书

本发明公开了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，用于钢铁库区内自动化装卸钢卷作业。通过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，分离出包含车厢平面、钢卷、鞍座的点云团；通过随机采样一致性算法分离出车厢平面与钢卷，通过边缘检测与Meanshift聚类分割算法将黏连的多个钢卷点云团分割为单个独立的钢卷点云数据；通过结合多尺度特征提取方法的Pointnet神经网络对钢卷点云进行分类，本方法通过数据预处理避免了含有杂物的原始三维点云数据对于钢卷识别的影响，提高了识别的效率，通过利用多尺度网络特征提取，增强了Pointnet网络对于点云局部特征信息的提取能力，提高了分类的精度。

技术领域

本发明涉及钢铁厂无人化行车系统控制，具体涉及一种结合了多尺度特征提取与Pointnet神经网络对目标钢卷进行识别与分类的方法。

背景技术

为提高钢铁厂库区钢卷装卸的作业效率，同时为避免库区高危作业环境产生的操作风险，钢铁厂库区的无人化操作管理正逐渐成为自动化领域的重要研究趋势。其中通过识别钢卷以正确执行自动装卸钢卷作业，更是整个钢厂无人化操作系统中极为关键的工序之一。目前的方法主要是利用三维扫描仪扫描载钢卷卡车，通过生成三维点云数据进行传统的手工点云属性判别与分类处理。此方法直接基于圆柱体拟合算法进行钢卷识别，由于采集的三维点云数据存在较多无用点云区域，如卡车车厢平面与地面点云，且鞍座与钢卷互相遮挡程度较大，所以此方法对于钢卷的有效识别与分类精度低，效率差，具有一定的局限性。

发明内容

发明目的：针对现有的钢铁库区三维激光扫描系统无法自主预知钢卷点云块的属性，仍需进行传统的手工点云属性判别的问题，本发明提出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，有效提高了钢卷识别的效率和分类的精度。

技术方案：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，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。

其中，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。

进一步地，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。

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。