[发明专利]一种基于深度学习的大规模三维铆钉点云提取方法

说明书

本发明公开了一种基于深度学习的大规模三维铆钉点云提取方法，对待测飞机蒙皮点云逐点计算几何属性标量，将标量属性域映射到二维图像，得到点云的二维属性标量图；利用卷积神经网络对所述二维属性标量图进行处理，计算出每个点属于铆钉点的概率，根据计算出的概率通过阈值分割出铆钉点云；对分割出的铆钉点云采用欧式聚类，聚类出属于同一个铆钉的点云。该基于深度学习的大规模三维铆钉点云提取方法利用注意机制综合考虑了局部点云的多种几何属性，并利用基于图像的深度学习代替直接对点云进行深度学习，有效提升了神经网络对局部细微特征的识别能力，从而能够从大片飞机蒙皮点云中准确提取出单个铆钉的小片点云。

技术领域

本发明属于计算机视觉领域和航空制造技术领域，具体涉及一种基于深度学习的大规模三维铆钉点云提取方法。

背景技术

铆钉作为一种永久紧固件，因其具有的优良特性已广泛应用于飞机制造中。飞机蒙皮的铆接质量直接影响着飞机气动外形的可靠性，对飞机的飞行性能有着重要影响，对高速飞机的影响尤甚。此外，不良铆钉可能会通过增加雷达横截面来削弱隐形飞机的隐身性能。因此，飞机蒙皮表面铆钉的铆接质量检查是十分必要的。

然而，飞机蒙皮上铆钉蒙皮数目非常多，超过数千个，现有方法很难逐个检测铆钉。基于图像处理的方法可以较好地识别出图像中的铆钉，但是图像缺乏三维信息，识别出铆钉之后无法进行后续诸如铆钉齐平度的测量。

随着三维扫描技术的发展，采用3D扫描仪可以直接获取带有铆钉的飞机蒙皮的表面3D信息。然而，飞机蒙皮表面的铆钉点和非铆钉点的差异非常细微，直接利用传统方法检测飞机表面蒙皮点云中的铆钉点的检测质量较差，利用深度学习方法直接从大片点云中提取铆钉将很难识别出点云中的铆钉，因为神经网络中的最大池化操作提取的是全局特征，忽视了局部细微特征。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种基于深度学习的大规模三维铆钉点云提取方法。

为实现上述技术目的，本发明采取的技术方案为：

一种基于深度学习的大规模三维铆钉点云提取方法，包括：

S1：对待测飞机蒙皮点云逐点计算几何属性标量，将标量属性域映射到二维图像，得到点云的二维属性标量图；

S2：利用卷积神经网络对所述二维属性标量图进行处理，计算出每个点属于铆钉点的概率，根据计算出的概率通过阈值分割出铆钉点云；

S3：对分割出的铆钉点云采用欧式聚类，聚类出属于同一个铆钉的点云。

为优化上述技术方案，采取的具体措施还包括：

上述的S1包括：

S1.1：对点云中的每个点p构造r-邻域P＝{p₁，p₂，...，p_n}，计算邻域中的几何属性作为邻域中心点的标量属性；

S1.2：将r-邻域标准化为一个单位球，根据单位球内点集利用主成分分析法(PCA)计算出投影平面Γ(p₀，v)；

S1.3：将投影平面划分成56×56的网格，将所述领域内的点投影到所述平面网格中，网格中的投影点的像素值设置为一种几何属性的标量值，得到点云的二维属性标量图。

上述的S1.1所述点云的几何属性包括：点到投影平面的高度、密度、平均曲率和高斯曲率；

其中，点到投影平面的高度：

其中，p_i为p的r-邻域中的点，v为投影平面的法向量。

密度：