一种基于高斯过程迁移学习的复杂曲面高效测量系统技术方案

本发明专利技术涉及一种基于高斯过程迁移学习的复杂曲面高效测量系统，主要针对形貌随机复杂的2.5D连续曲面，由于训练数据集和测试数据存在的分布上的差异，利用高斯过程在低维隐空间对测试数据进行操作，使其分布逼近训练数据集，该系统包括点云自适应采样模块、曲面配准和稀疏误差重建模块、误差像素化和归一化模块、编码器模块、高斯过程处理模块、解码器模块、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基于深度学习的超分辨技术，完成对稀疏测量数据的高精度加密，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。曲面细节还原性高的优点。曲面细节还原性高的优点。

【技术实现步骤摘要】
一种基于高斯过程迁移学习的复杂曲面高效测量系统


[0001]本专利技术属于计算机视觉、图形图像处理领域，涉及一种基于高斯过程迁移学习的复杂曲面高效测量系统。

技术介绍

[0002]点云精度和密度直接关系到曲面重建的质量，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，但是点云精度较差，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获取点云的效率较低，因此通常采用较为稀疏的采样方法，然后通过插值等技术对点云进行加密，但是加密精度往往较低，检测效率和点云加密方法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，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，利用图像上采样技术不失为一种有效手段。图像超分辨率网络就是一种针对图像像素的上采样技术，可以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，在图像增强领域已经得到了广泛的应用，并取得了不错的效果。然而图像超分网络需要大量已有的数据对进行训练，而实际场景下往往缺少这种数据对，通过退化模型生成的数据对和推理阶段的输入数据往往存在分布上的差别，泛化性能较差。

技术实现思路

[0003]为了解决现有技术中存在的上述技术问题，本专利技术提供了一种基于高斯过程迁移学习的复杂曲面高效测量系统，通过在低维隐式空间将实测数据分布迁移到合成数据分布上，提升在实测数据上的泛化能力，最后仅仅利用较少的稀疏测量数据，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，其具体技术方案如下：一种基于高斯过程迁移学习的复杂曲面高效测量系统，包括：依次连接的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、编码器模块、高斯过程处理模块、解码器模块、解归一化模块、点云空间映射模块；所述点云自适应采样模块用于点云的自适应采样；所述曲面配准和稀疏误差重建模块用于将采样点云进行粗配准和精配准，比对点云与设计曲面，输出实际点云的误差，即点云的测量误差；所述像素化和归一化模块将点云的测量误差数据转化为图像的像素信息，得到稀疏的误差图，后进行归一化处理；所述编码器模块接收输入的稀疏误差图，提取特征信息，输出对应的隐式向量；所述高斯过程处理模块，将隐式向量转换到高斯分布空间，采用平方指数核函数建模，指导非成对数据训练；所述解码器模块输入编码器模块提取的特征信息，输出目标分辨率的误差图；所述解归一化模块和点云空间映射模块用于将增强后的基于像素的灰度图像信息重新映射到曲面空间中，从而获得经过上采样之后的高精度点云。
[0004]进一步的，所述点云自适应采样模块利用已有的设计曲面先验知识，选择高斯曲
率较大的区域进行优先采集，将采集的若干点云用于初始高斯过程模型的构建，然后根据模型输出的几何轮廓和设计曲面进行比较，得到重建误差，将重建误差和模型输出的不确定度作为采样准则进行后续点云的采集，目标采样点为重建误差和不确定度较大的区域，直到满足采样点数和误差后停止采样。
[0005]进一步的，所述曲面配准和稀疏误差重建模块，利用基于高斯曲率进行粗配准，然后计算这两组高斯曲率的互相关性并进行归一化处理，找到峰值点坐标，确定两组数据的对应位置，获得刚体变换矩阵，然后再结合最近点迭代方法进行精配准，最后将两组数据统一到同一个坐标系下，将测量点与设计曲面进行比对，输出实际测量点的误差。
[0006]进一步的，所述像素化和归一化模块将点云的测量误差数据转化为图像的像素信息，点云位置为像素位置，点云高度信息为图像的灰度信息，对于没有测量点云的位置，将该处的值设定为0，然后将稀疏的误差图进行归一化处理。
[0007]进一步的，所述编码器模块采用4个卷积模块，i=0,1,2,3，其中采用多个残差通道注意力模块，用于从稀疏的特征中提取有效的轮廓和纹理信息，由2个3
×3×
64
×
1卷积层和6个串联的残差通道注意力单元组成，所述3
×3×
64
×
1卷积层， 3
×
3表示卷积核尺寸，64表示卷积核个数，最后一位表示卷积核的运动步幅；每个残差通道注意力单元均包括残差单元和通道注意力单元，通过残差单元提取输入图像的特征，再将特征输入至通道注意力单元中获取通道校准系数向量β，将通道校准系数向量β与通道注意力单元的输入特征进行重新校准后作为残差通道注意力单元的输出；所述残差单元包括两个分支，其中一路将输入依次通过一个3
×3×
64
×
1卷积、一个LReLU非线性变换层和另一个3
×3×
64
×
1卷积，另一支路将输入不做任何变化，直接与第一个支路的输出进行相加操作；剩余的三个卷积模块，i=1,2,3，包括一个步长1的卷积层、激活层和一个步长2的卷积层，经过每个卷积模块，i=0,1,2,3，之后的特征为，i=0,1,2,3，最后得到一系列低维空间的隐式向量，，每一个稀疏数据输入都获得对应的一个隐式向量。
[0008]进一步的，所述通道注意力单元包括全局平均池化层、第一卷积层、ReLU非线性变换层、第二卷积层和Sigmoid非线性变换层。
[0009]进一步的，所述的解码器模块包括解码器，i=0,1,2,3，卷积模块提取的特征信息输入到解码器中，输出结果和卷积模块输出结果输入到解码器中，输出结果和卷积模块输出结果输入到解码器中，输出结果和卷积模块提取的特征信息输入到解码器中，最后得到目标分辨率的误差图。
[0010]进一步的，所述的解码器模块中的前三个解码器 i=0,1,2，依次包含一个3
×3×
64
×
1卷积层、一个LReLU非线性变换层、两个残差单元、一个2倍上采样的亚像素卷积层、一个LReLU非线性变换层，所述残差单元包括两个分支，其中一路将输入依次通过一个3
×3×
64
×
1卷积，一个LReLU非线性变换层和一个3
×3×
64
×
1卷积，另一支路将输入不做任何变化，直接与第一个支路的输出进行相加操作，最后一个解码器包含一个3
×3×3×
1的
卷积层。
[0011]一种用于所述的基于高斯过程迁移学习的复杂曲面高效测量系统的非成对数据训练方法，所述非成对数据训练的数据包括：根据实际加工的少量零件误差数据和引入分形布朗运动合成数据量较多的数据对；训练具体包括以下两个阶段：第一阶段，利用合成数据对进行训练，通过最小化损失函数获得优化参数，后将合成的稀疏数据输入到网络中，通过编码器模块获得隐式向量，用于后续的无监督学习，其中的损失函数表达式为：学习，其中的损失函数表达式为：表示内容感知损失，表示输入经过网络之后的输出，是对应的用来监督的真值信息，表示内容感知损失系数；第二阶段，输入本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯过程迁移学习的复杂曲面高效测量系统，其特征在于，包括：依次连接的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、编码器模块、高斯过程处理模块、解码器模块、解归一化模块、点云空间映射模块；所述点云自适应采样模块用于点云的自适应采样；所述曲面配准和稀疏误差重建模块用于将采样点云进行粗配准和精配准，比对点云与设计曲面，输出实际点云的误差，即点云的测量误差；所述像素化和归一化模块将点云的测量误差数据转化为图像的像素信息，得到稀疏的误差图，后进行归一化处理；所述编码器模块接收输入的稀疏误差图，提取特征信息，输出对应的隐式向量；所述高斯过程处理模块，将隐式向量转换到高斯分布空间，采用平方指数核函数建模，指导非成对数据训练；所述解码器模块输入编码器模块提取的特征信息，输出目标分辨率的误差图；所述解归一化模块和点云空间映射模块用于将增强后的基于像素的灰度图像信息重新映射到曲面空间中，从而获得经过上采样之后的高精度点云。2.如权利要求1所述的一种基于高斯过程迁移学习的复杂曲面高效测量系统，其特征在于，所述点云自适应采样模块利用已有的设计曲面先验知识，选择高斯曲率较大的区域进行优先采集，将采集的若干点云用于初始高斯过程模型的构建，然后根据模型输出的几何轮廓和设计曲面进行比较，得到重建误差，将重建误差和模型输出的不确定度作为采样准则进行后续点云的采集，目标采样点为重建误差和不确定度较大的区域，直到满足采样点数和误差后停止采样。3.如权利要求1所述的一种基于高斯过程迁移学习的复杂曲面高效测量系统，其特征在于，所述曲面配准和稀疏误差重建模块，利用基于高斯曲率进行粗配准，然后计算这两组高斯曲率的互相关性并进行归一化处理，找到峰值点坐标，确定两组数据的对应位置，获得刚体变换矩阵，然后再结合最近点迭代方法进行精配准，最后将两组数据统一到同一个坐标系下，将测量点与设计曲面进行比对，输出实际测量点的误差。4.如权利要求1所述的一种基于高斯过程迁移学习的复杂曲面高效测量系统，其特征在于，所述像素化和归一化模块将点云的测量误差数据转化为图像的像素信息，点云位置为像素位置，点云高度信息为图像的灰度信息，对于没有测量点云的位置，将该处的值设定为0，然后将稀疏的误差图进行归一化处理。5.如权利要求1所述的一种基于高斯过程迁移学习的复杂曲面高效测量系统，其特征在于，所述编码器模块采用4个卷积模块，i=0,1,2,3，其中采用多个残差通道注意力模块，用于从稀疏的特征中提取有效的轮廓和纹理信息，由2个3
×3×
64
×
1卷积层和6个串联的残差通道注意力单元组成，所述3
×3×
64
×
1卷积层， 3
×
3表示卷积核尺寸，64表示卷积核个数，最后一位表示卷积核的运动步幅；每个残差通道注意力单元均包括残差单元和通道注意力单元，通过残差单元提取输入图像的特征，再将特征输入至通道注意力单元中获取通道校准系数向量β，将通道校准系数向量β与通道注意力单元的输入特征进行重新校准后作为残差通道注意力单元的输出；所述残差单元包括两个分支，其中一路将输入依次通过一个3
×3×
64
×
1卷积、一个LReLU非线性变换层和另一个3
×3×
64
×
1卷积，另一支路将输入不做任何变化，直接与第一个支路的输出进行相加操作；剩余的三个卷积模块，i=1,2,3，包括一个步长1的卷积层、激活层和一个步长2的卷积
层，...

【专利技术属性】
技术研发人员：孙立剑，曹卫强，王军，徐晓刚，虞舒敏，
申请(专利权)人：之江实验室，
类型：发明
国别省市：