[发明专利]一种基于语义学习的整机点云数据的下采样方法

权利要求书

1.一种基于语义学习的整机点云数据的下采样方法，其特征在于，包括：

步骤S1、根据点云语义学习原理构建基于特征学习的多输入编码器；

所述多输入编码器分别将整机点云数据和特征点数据作为输入，进行数据特征融合，然后通过解码器进行解码，解码数据即为待测量；

步骤S2、构建并训练基于语义学习的点云特征权重计算网络，计算得到待测量每个点的特征权重；

步骤S3、对步骤S2得到的权重结果进行空间加权采样，基于高斯分布的空间采样原理进行下采样。

2.根据权利要求1所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述步骤S1包括：

步骤S101、根据整机点云和关键特征点进行同步输入的需求，设计多输入编码器，通过编码器的特征升维后融合，实现数据结构的统一，完成多输入特征数据的融合；

步骤S102、对S101得到的多输入特征融合后的数据，进行解码器操作。

3.根据权利要求2所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述解码器有4个卷积层构成，经过解码器解码的编码器数据与融合前的数据在结构上维度统一，保证编码信息的完整性。

4.根据权利要求1所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述步骤S2包括：

步骤S201、设计基于语义学习的点云特征值计算网络；

步骤S202、根据整机点云和特征点的标准数据集进行训练，训练若干次得到一个标准值的训练权重，将其设置为网络的参数；

再输入待测量的整机点云和特征点，完成数据各个点的特征权重值预测。

5.根据权利要求4所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述步骤S2还包括：

步骤S203、将预测得到的特征权重值储存成label，将label在标量场中显示，得到每个点的特征权重分布图。

6.根据权利要求4所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述步骤S202具体为：

步骤S20201、根据生产过程的整机测量点云数据库，收集大量整机测量数据，用人工的方法分割出关键特征点，并以飞机不同部位的重要程度为标准，按照重要程度设置不同的权重值，权重值由0到1分别代表最不重要和最重要，构建整机点云和特征点的标准数据集；

步骤S20202、对基于语义学习的点云特征权重计算网络进行训练；

训练的第一阶段为前向传播，分别从整机点云和特征点云中选择一个点云样本；

训练的第二阶段为反向传播，通过实际输出与理想输出之间的差值，按照梯度下降的极小化目标函数的方法进行反向传播调整卷积核的内参，完成训练过程；

步骤S20203、将待预量的整机点云和特征点数据输入权重计算网络中测试，得到预测的各个点的特征权重值。

7.根据权利要求1所述的一种基于语义学习的整机点云数据的下采样方法，其特征在于，所述步骤S3包括：

步骤S301、设置采样器，采样器拾取到步骤S2的输出结果，进行采样操作，通过标签记录的权重值，进行空间加权采样；

步骤S302、基于高斯分布的空间采样原理进行下采样：

将S301采样得到的权重结果按照最大值和最小值分别对应到高斯曲线的最高值和最低值，对最高值的地方进行最小的空间降采样，对最低值的地方进行最大的空间降采样。