本发明专利技术涉及平面特征提取技术领域，解决了现有技术中飞机长桁的平面特征提取的精度和准确率低的技术问题，尤其涉及一种基于点云的飞机长桁平面特征提取方法，包括以下过程：获取飞机长桁的点云数据，采用三维扫描仪获取飞机长桁的点云数据；根据所获取的点云数据构建训练集和验证集，选取比例为0.6
【技术实现步骤摘要】
一种基于点云的飞机长桁平面特征提取方法、装置及设备
[0001]本专利技术涉及平面特征提取
，尤其涉及一种基于点云的飞机长桁平面特征提取方法、装置及设备。
技术介绍
[0002]飞机装配是整个飞机制造环节中至关重要的组成部分。它是指将飞机上众多的零部件、成品等组件或标准件等按照图样或三维模型、匹配相关技术条件而在专用的设备上进行飞机机体相关结构的铆接装配、系统安装、调试及试飞的全过程。由于飞机装配过程中，相关零部件尺寸大、数量多、形状复杂，导致飞机装配劳动量占飞机制造劳动总量的比重较大。而飞机装配技术是一项综合性技术，技术难度相对较高，因而飞机最终的生产质量、生产成本及周期在很大程度上是由相关的装配技术所决定的。
[0003]机身对接是飞机装配最终且十分重要的阶段，传统机身对接装配使用专用型架配合人工辅助的方式进行装配，由于人工操作误差、型架制造误差，机翼位姿精度难以保证，而机翼连接结构间隙狭小，装配过程中产品易发生变形、碰撞和磨损。为了提高装配质量，使用由数字测量系统、数字定位装置、控制系统组成的数字化调姿定位系统来提高调姿定位精度。数字化调姿定位系统进行调姿对接时需要提取对接面上明显的特征进行调资参数的计算，从而快速完成调姿定位，准确地完成机身的对接。
[0004]而目前针对飞机长桁平面特征的提取方式较为单一，并没有相应且相吻合的特定提取方法，导致在提取对接面上明显的特征时的针对性较弱，无法保证生飞机长桁的平面特征提取的精度和准确率。
技术实现思路
[0005]针对现有技术的不足，本专利技术提供了一种基于点云的飞机长桁平面特征提取方法、装置及设备，解决了现有技术中飞机长桁的平面特征提取的精度和准确率低的技术问题，本专利技术在深度学习网络中加入球谐算子，能够更好地提取飞机长桁的平面特征，从而提高飞机长桁的平面特征提取的精度和准确率。
[0006]为解决上述技术问题，本专利技术提供了如下技术方案：一种基于点云的飞机长桁平面特征提取方法，包括以下过程：获取飞机长桁的点云数据，采用三维扫描仪获取飞机长桁的点云数据；根据所获取的点云数据构建训练集和验证集，选取比例为0.6
‑
1的点云数据作为训练集，剩余的点云数据作为验证集；构建深度学习和球谐算子点云特征提取网络；设置训练深度学习和球谐算子点云特征提取网络的损失函数；对深度学习和球谐算子点云特征提取网络进行训练；根据多维度拼接的点云的融合特征获取飞机长桁平面特征的提取结果。
[0007]进一步地，所述深度学习和球谐算子点云特征提取网络由多层融合特征编码网络
和Detection Head网络构成，其中，多层融合特征编码网络包括多个PointExt，PointExt包括采样层、分组层、点网层和球谐算子层；进一步地，Detection Head网络由SSD网络构成。
[0008]进一步地，在对深度学习和球谐算子点云特征提取网络进行训练这一步骤中，具体包括以下过程：将训练集数据输入多层融合特征编码网络进行预处理，将点云数据统一转换为检测目标的俯视角度，选取检测目标此方向上变化不大的坐标轴，多层融合特征编码网络对训练集数据进行处理，将点云数据统一转换为检测目标的俯视角度；采用多层融合特征编码网络对预处理过的训练集数据进行编码，获得多维度拼接的点云的融合特征，在多层融合特征编码网络中，点云数据每经历过一个PointExt则得到一个特征图，将多个特征图进行上采样进行维度上的统一再进行拼接，得到多维度拼接的点云的融合特征；对训练集的数据进行标注，得出点云数据中检测目标的分类标签及边界框的坐标作为真实值，真实值作为初始训练集对深度学习和球谐算子点云特征提取网络进行训练，，选取较多的数据进行标注作为训练集，能够更好地获得深度学习和球谐算子点云特征提取网络模型，少量的数据作为验证集来验证训练好的模型的精度； 将多维度拼接的点云的融合特征输入Detection Head网络，得到点云数据中检测目标的预测点云数据中检测目标的边界框坐标及置信度。
[0009]根据预测值和真实值构建损失函数，通过随机梯度下降算法优化多层融合特征编码网络的参数，得到训练后的深度学习和球谐算子点云特征提取网络模型。
[0010]进一步地，预测值为预测点云数据中检测目标的边界框坐标及置信度，真实值为点云数据中检测目标的分类标签及边界框坐标。
[0011]进一步地，在根据多维度拼接的点云的融合特征获取飞机长桁平面特征的提取结果这一步骤中，具体包括以下过程：将多维度拼接的点云的融合特征输入Detection Head网络，根据感受野的映射关系找到俯视角度下的多维度采样平面上的中心坐标；在每个中心坐标上设置三个不同角度的3D预设框，3D预设框的大小和训练集中标注的检测目标的边界框平均大小相同；将3D预设框与标注的检测目标的边界框计算IoU，并与设置的阈值进行对比，得到最大的IoU的3D预设框即为3D候选框，标注的检测目标的边界框为步骤S53中标注训练集中数据得到的检测目标的边界框；筛选得到的3D候选框进行边框回归，得到3D候选框的坐标修正偏移量；根据3D候选框的初始位置坐标和边框回归得到的3D候选框的坐标修正偏移量进行计算，得到检测目标的预测边界框的位置坐标输出与该预测边界框的置信度；将检测目标的预测边界框的位置坐标输出与该预测边界框的置信度输入训练后的深度学习和球谐算子点云特征提取网络模型中，获得飞机长桁平面特征的提取结果。
[0012]该技术方案还提供了一种用于实现所述的飞机长桁平面特征提取方法的装置，包括：点云数据获取模块，所述点云数据获取模块用于采用三维扫描仪获取飞机长桁的
点云数据；训练集和验证集构建模块，所述训练集和验证集构建模块用于根据所获取的点云数据构建训练集和验证集，选取比例为的点云数据作为训练集，剩余的点云数据作为验证集；特征提取网络构建模块，所述特征提取网络构建模块用于构建深度学习和球谐算子点云特征提取网络；损失函数设置模块，所述损失函数设置模块用于设置训练深度学习和球谐算子点云特征提取网络的损失函数；训练模块，所述训练模块用于对深度学习和球谐算子点云特征提取网络进行训练；提取结果获得模块，所述提取结果获得模块用于根据多维度拼接的点云的融合特征获取飞机长桁平面特征的提取结果。
[0013]该技术方案还提供了一种用于实现上述飞机长桁平面特征提取方法的设备，包括：处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行飞机长桁平面特征的提取方法。
[0014]借由上述技术方案，本专利技术提供了一种基于点云的飞机长桁平面特征提取方法、装置及设备，至少具备以下有益效果：本专利技术通过在深度学习网络中加入球谐算子，能够更好地提取飞机长桁的平面特征，从而提高飞机长桁的平面特征提取的精度和准确率，解决了现有技术中飞机长桁的平面特征提取的精度和准确率低的技术问题。
附图说明
[0015]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于点云的飞机长桁平面特征提取方法，其特征在于，包括以下过程：获取飞机长桁的点云数据；根据所获取的点云数据构建训练集和验证集，选取比例为0.6
‑
1的点云数据作为训练集，剩余的点云数据作为验证集；构建深度学习和球谐算子点云特征提取网络；设置训练深度学习和球谐算子点云特征提取网络的损失函数；对深度学习和球谐算子点云特征提取网络进行训练；根据多维度拼接的点云的融合特征获取飞机长桁平面特征的提取结果。2.根据权利要求1所述的飞机长桁平面特征提取方法，其特征在于：所述深度学习和球谐算子点云特征提取网络由多层融合特征编码网络和Detection Head网络构成，其中，多层融合特征编码网络包括多个PointExt，PointExt包括采样层、分组层、点网层和球谐算子层。3.根据权利要求2所述的飞机长桁平面特征提取方法，其特征在于：Detection Head网络由SSD网络构成。4.根据权利要求1所述的飞机长桁平面特征提取方法，其特征在于：在对深度学习和球谐算子点云特征提取网络进行训练这一步骤中，具体包括以下过程：将训练集数据输入多层融合特征编码网络进行预处理，将点云数据统一转换为检测目标的俯视角度；采用多层融合特征编码网络对预处理过的训练集数据进行编码，获得多维度拼接的点云的融合特征；对训练集的数据进行标注，得出点云数据中检测目标的分类标签及边界框的坐标作为真实值；将多维度拼接的点云的融合特征输入Detection Head网络，得到点云数据中检测目标的预测点云数据中检测目标的边界框坐标及置信度；根据预测值和真实值构建损失函数，通过随机梯度下降算法优化多层融合特征编码网络的参数，得到训练后的深度学习和球谐算子点云特征提取网络模型。5.根据权利要求4所述的飞机长桁平面特征提取方法，其特征在于：预测值为预测点云数据中检测目标的边界框坐标及置信度，真实值为点云数据中检测目标的分类标签及边界框坐标。6.根据权利要求1所述的飞机长桁平面特征提取方法，其特征在于：在根据多维度拼接的点云的融合特征获取飞机长桁平面特征的提取结果这一步骤中，具体包括以下过程：将多维度拼接的...
【专利技术属性】
技术研发人员：汪俊，曾航彬，单忠德，李子宽，肖坤，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。