[发明专利]一种基于语义分割的三维物体特征区域识别方法

权利要求书

1.一种基于实例分割的三维物体特征区域识别方法，具体步骤为：

步骤1：将原始三维模型置于14面体中，投影之后得到二维数据集；

步骤2：对步骤1制作的数据集进行数据增强，得到多种通道变换的复合数据集；

步骤3：针对步骤2生成的复合数据集，基于原有的语义分割算法进行改进优化，原有的语义分割算法包含ResNet-FPN，RPN(Region Proposal Network),ROIAlign以及最后的三条分支(mask分支，reg回归分支，cls分类分支)四部分，针对第一部分ResNet-FPN改进与优化；

步骤4：利用步骤3生成的语义分割架构，将ResNet-FPN改进，加深网络结构，生成新的FPN架构，更好地提取模型特征信息与局部特征；

步骤5：利用步骤4获得的语义分割架构，训练数据集的特征区域，生成对应的特征权重模型，共计5类特征；

步骤6：利用步骤5得到的二维模型的局部区域特征，结合AdaBoost算法映射回原有的三维模型，完成在三维模型上的局部特征显示。

2.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，将原始三维模型置于14面体中，投影之后得到二维数据集，具体为：

将每一个待训练的三维模型至于14面体中，获取每个面经过投影之后的二维图形信息。

3.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，对制作的二维模型数据进行数据增强，得到多种通道变换的复合数据集，具体为：

步骤21：对二维模型数据采用水平旋转，垂直旋转，平移变换，仿射变换；

步骤22：对上述步骤所生成的二维模型数据进行高斯噪声模糊处理。

4.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，基于原有的语义分割算法，原有的语义分割算法框架可以分为，ResNet-FPN，RPN,ROIAlign以及最后的三条分支(mask分支，reg回归分支，cls分类分支)四部分，现将第一部分ResNet-FPN改进与优化，保持其它部分的原创性，具体处理过程为：

步骤31：保持原有语义分割架构里面的RPN,ROIAlign以及最后的三条分支(mask分支，reg回归分支，cls分类分支)三部分架构。

5.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，将ResNet-FPN改进，加深网络结构，生成新的FPN架构，更好地提取模型特征信息与局部特征，具体为：

步骤41：基于原有提取图片的不同深度特征信息的FPN(Feature Pyramid Network)架构，使用三个ResNet-FPN模块，模块之间经过卷积与池化，将原有的架构P₂,P₃,P₄,P₅分别与conv1,conv2,conv3,conv4进行concat拼接，生成新的多尺度检测方法；

步骤42：利用步骤41生成的新型多尺度检测方法的输出作为两部分的输入，对featuremap中的每一点设定预定个的ROI(region ofinterest)，从而获得多个候选ROI；

步骤43：利用步骤42的输出传入到RPN架构中，利用二分类Softmax损失函数进行分类，选择出其中是特征区域的样本；

步骤44：利用步骤43生成的候选ROI进行ROIAlign操作；

步骤45：最后，利用平均二值交叉熵损失函数对这些ROI进行分类(N类别分类)，回归以及Mask分支生成。

6.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，获得的语义分割架构，训练数据集的特征区域，生成对应的特征权重模型，共计5类特征区域，球状区域，方形区域，尖角形区域，薄壁区域与局部封闭区域，具体为：

利用步骤45生成的语义分割的架构，对步骤22生成的复合数据模型进行训练，生成权重模型，完成二维模型的特征训练。

7.根据权利要求1所述的基于语义分割网络的三维物体特征区域识别方法，其特征在于，利用得到的二维模型的局部区域特征，结合AdaBoost算法映射到原有的三维模型，完成在三维模型上的局部特征显示，具体为：

获取二维物体模型经过14面体投影之后的特征信息，利用AdaBoost算法生成对应的三维物体模型局部对应的特征权重信息，完成三维物体特征区域识别与语义分割工作。