[发明专利]一种基于非参数化和多注意力机制的复杂曲面测量系统

说明书

本发明公开了一种基于非参数化和多注意力机制的复杂曲面测量系统，主要针对形貌随机复杂的2.5D连续曲面，该系统包括依次连接的基于被测对象几何形状的曲面特定核函数设计模块、高斯过程（GP）点云自适应采样模块、曲面配准和稀疏误差重建模块、像素化和归一化模块、多尺度多注意力超分辨模块、解归一化模块、点云空间映射模块，最终将稀疏的点云数据进行增强得到高质量高密度的点云数据。该系统针对接触式形貌测量传感器测量效率较低的问题，通过结合高斯过程和多注意力机制的超分辨技术，利用较少的测量点即可以完成对连续复杂的2.5D曲面的高精度测量和重建，具有测量效率高、点云上采样精度高和曲面细节还原性高的优点。

技术领域

本发明属于计算机视觉、图形图像处理领域，尤其涉及一种基于非参数化和多注意力机制的复杂曲面高效测量系统。

背景技术

在逆向工程中通过测量仪器得到的产品外观表面的点数据集合也称之为点云，点云精度和密度直接关系到图像的质量，更高的点云密度意味着包含更多的细节信息，蕴含更大的应用潜能。然而在实际获取过程中，低精度的设备虽然能获得大量数据，但是点云质量较差，因此通常采用高精度设备，但是由于高精度设备本身的限制、环境因素的影响导致无法直接获取大量的点云数据，也不利于后续的重建，检测效率的问题阻碍高精度测量仪器的进一步应用。随着计算机视觉技术的不断发展，尤其是深度学习的发展，点云增强方法也越来越多，然后直接采用点云上采样网络计算量较为复杂，而大多数机械加工表面为2.5D曲面，将其投射到二维空间，利用图像超分辨技术不失为一种有效手段。图像超分辨率技术是将低分辨率的图像通过软件手段，将其上采样到高分辨率图像，与硬件方式相比，可以有效降低图像增强的成本，在卫星成像、安防监控、医学检测、刑事侦查、历史图像修复增强等多个领域都具有非常重要的应用价值。例如通过增强卫星图的分辨率，可以让目标检测识别网络更好地识别其中的目标。然而图像超分网络处理的是结构化像素数据，而点云是非结构化数据，因此需要首先通过其他模型将非结构点云数据处理为规则的数据。高斯过程作为一种基于统计学的非参数化方法，能够利用已有的先验知识进行回归分类处理，在点云处理，包括重建、采样和融合方面均取得了不错的效果，不仅能够处理带噪声的点云数据，而且能同时输出去噪后的连续曲面数据和对应的不确定度。因此，将其用于非结构点云数据的前处理是十分合适的。

目前有很多关于图像超分辨的网络，在处理各种各样的场景、物体方面都有了比较明显的提升，针对点云方面的超分辨网络较少，而且直接用图像超分技术不能直接适用于非结构的点云数据，而且缺少相关的具有实际应用价值的数据集，为了克服现有技术的不足，提升点云插值的效果，在网络方面融合高斯过程和多注意力超分辨网络的优势，在数据集方面融入实际加工和密集检测的小样本测量数据集，另外根据实测数据尺度和噪声规模，基于分形布朗运动来模拟加工误差数据，分形布朗运动与实际加工的误差数据分布非常接近，通过分形布朗运动生成仿真的数据对，结合小样本的实测数据对，能够有效提升网络的泛化性能。

发明内容

本发明的目的在于针对现有高精度接触式测量传感器测量效率较低的问题，提供了一种基于非参数化和多注意力机制的复杂曲面高效测量系统，利用较少的测量数据，通过上采样技术得到高密度高精度的点云数据，从而恢复出细节信息，达到重建精度的要求。

为实现上述目的，本发明采用如下技术方案：