一种大型复合材料构件三维测量点云质量优化方法技术

本发明专利技术涉及三维数据处理技术领域，解决了三维测量系统中实测的点云数据中存在大量噪声的技术问题，尤其涉及一种大型复合材料构件三维测量点云质量优化方法，该方法包括以下步骤：S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；S3、基于PointNet神经网络搭建点云循环优化网络模型。本发明专利技术可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。恢复尖锐特征结构。恢复尖锐特征结构。

【技术实现步骤摘要】
一种大型复合材料构件三维测量点云质量优化方法


[0001]本专利技术涉及三维数据处理
，尤其涉及一种大型复合材料构件三维测量点云质量优化方法。

技术介绍

[0002]三维精密测量技术可实现复杂零件的精度检测、关键特征提取，为后续制造、装配工艺优化提供重要基础数据，是保证复杂零件成形、装配精度的关键技术。
[0003]但实际应用时尚存在以下问题：工业现场工况复杂，测量环境微小震动、工装遮挡、测量对象自身遮挡往往造成测量数据存在局部噪声、背景噪声和局部数据残缺；大型复合材料构件结构复杂，变厚度多曲率结构表面分布横纵加强筋，其外形三维数据需要多次测量拼接完成，误差累计严重，导致测量数据中存在分层噪声；再加上复合材料材质特殊，表面反射率变化范围大，使得大型复合材料构件表面局部区域测量数据严重失真，表面存在噪声和特征扭曲等，极大影响了数据自动处理的精度与稳定性，后续装配协调分析的有效性难以保证。因此，对大型复合材料构件三维测量点云数据进行质量优化是后续高精度协调的必要条件。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供了一种大型复合材料构件三维测量点云质量优化方法，解决了三维测量系统中实测的点云数据中存在大量噪声的技术问题，本专利技术可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
[0005]为解决上述技术问题，本专利技术提供了如下技术方案：一种大型复合材料构件三维测量点云质量优化方法，该方法包括以下步骤：S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；S3、基于PointNet神经网络搭建点云循环优化网络模型，并将每一个点相应的多尺度邻域的多尺度几何结构深度特征输入至点云循环优化网络模型中；S4、通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征；S5、通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征；S6、采用倒角距离损失函数L对若干个同尺度深度特征进行监督；S7、点云循环优化网络模型输出优化后的无噪声点云数据。
[0006]进一步地，在步骤S2中，对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征，具体过程
包括以下步骤：S21、将有噪声的点云模型数据归一化至以原点为中心的单位球体内，然后为每一个点通过球邻域建立多尺度邻域；S22、在多尺度邻域中根据采样点数量以搜索半径进行搜索得到每一个点的每个尺度局部邻域；当多尺度邻域内点数小于采样点数量时，缺少点皆补充为原点；当多尺度邻域中点数多于采样点数量时，则进行随机采样；S23、将每个点的每个尺度局部邻域视为一个点云数据，然后通过PointNet神经网络提取每个尺度局部邻域的全局特征作为当前点的多尺度几何结构深度特征。
[0007]进一步地，采样点数量分别为 32、48、64和128，对应的搜索半径分别为0.2、0.4、0.6和0.8。
[0008]进一步地，在步骤S3中，点云循环优化网络模型包括以PointNet神经网络为基础，分别嵌入一个双向循环RNN的特征融合模块和一个带有注意力编码器RNN的特征循环传播层；特征融合模块包括两个LSTM单元，LSTM单元包括遗忘门、更新门和输出门。
[0009]进一步地，在步骤S4中，通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征，具体过程包括以下步骤：S41、将若干个多尺度邻域按照采样点数量分别建立两个输入向量，采样点数量分别为32、48、64、128和128、64、48、32；S42、将两种输入向量分别输入两个LSTM单元中向前推算，沿着小尺度到大尺度的输入顺序正向计算一遍，得到并保存每个顺序向前隐含层的输出，沿着大尺度到小尺度的输入顺序反向计算一遍，得到并保存每个顺序向后隐含层的输出；S43、将正向和反向的输出值按顺序排列，将排列结果组成特征向量得到最终输出，即得到融合后的多尺度几何结构自适应深度特征。
[0010]进一步地，在步骤S5中，通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征，具体过程包括以下步骤：S51、对融合后的多尺度几何结构自适应深度特征生成的优化点云进行多尺度邻域采样；S52、通过一个带有注意力编码器RNN的特征循环传播层分别对每个尺度特征进行相应的同尺度的多尺度几何结构自适应深度特征进行融合；S53、对每个点相应的多尺度邻域的多尺度几何结构深度特征，采用特征融合模块，将每个点的多尺度几何结构深度特征进行融合；S54、多次重复步骤S51
‑
步骤S53，得到若干个融合后的同尺度深度特征。
[0011]进一步地，在步骤S6中，采用倒角距离损失函数L对若干个同尺度深度特征进行监督，具体过程包括以下步骤：S61、将每个点特征感知权重引入到倒角距离损失函数中建立特征感知的倒角
距离损失函数；S62、建立分布均匀项的损失函数；S63、根据特征感知的倒角距离损失函数和分布均匀项的损失函数建立总体损失函数的倒角距离损失函数L；S64、通过点云循环优化网络模型的两个全连接层根据倒角距离损失函数L回归残差坐标得到残差坐标，然后将输入点的原始三维坐标与残差坐标累加输出去噪得到优化后的点坐标。
[0012]借由上述技术方案，本专利技术提供了一种大型复合材料构件三维测量点云质量优化方法，至少具备以下有益效果：1、本专利技术适用于三维测量系统中实测的点云数据噪声去除和几何特征恢复，可有效优化复杂实际装配现场复合材料零部件三维实测点云数据质量，抑制点云曲面噪声，恢复尖锐特征结构。
[0013]2、本专利技术可以很好去除大型复合材料构件原始三维测量点云数据中的误差，并恢复不规则轮廓边界特征，为后续大型复合材料构件的三维建模、装配特征提取以及对缝协调分析等处理提供高质量数据基础。
附图说明
[0014]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，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：图1为本专利技术点云质量优化方法的流程图；图2为本专利技术点云循环优化网络模型的网络结构图；图3为本专利技术特征融合模块的网络结构图；图4为本专利技术特征循环传播层的网络结构图。
具体实施方式
[0015] 为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本专利技术作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
[0016]本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种大型复合材料构件三维测量点云质量优化方法，其特征在于，该方法包括以下步骤：S1、获取三维测量大型复合材料构件得到的一个有噪声的点云模型数据；S2、对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征；S3、基于PointNet神经网络搭建点云循环优化网络模型，并将每一个点相应的多尺度邻域的多尺度几何结构深度特征输入至点云循环优化网络模型中；S4、通过特征融合模块对每一个点的多尺度几何结构深度特征进行融合得到若干个融合后的多尺度几何结构自适应深度特征；S5、通过特征循环传播层对具有相同尺度的若干个多尺度几何结构自适应深度特征进行融合得到若干个融合后的同尺度深度特征；S6、采用倒角距离损失函数L对若干个同尺度深度特征进行监督；S7、点云循环优化网络模型输出优化后的无噪声点云数据。2.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S2中，对点云模型数据中的每一个点构建多尺度邻域，并通过PointNet神经网络提取每一个点相应的多尺度邻域的多尺度几何结构深度特征，具体过程包括以下步骤：S21、将有噪声的点云模型数据归一化至以原点为中心的单位球体内，然后为每一个点通过球邻域建立多尺度邻域；S22、在多尺度邻域中根据采样点数量以搜索半径进行搜索得到每一个点的每个尺度局部邻域；当多尺度邻域内点数小于采样点数量时，缺少点皆补充为原点；当多尺度邻域中点数多于采样点数量时，则进行随机采样；S23、将每个点的每个尺度局部邻域视为一个点云数据，然后通过PointNet神经网络提取每个尺度局部邻域的全局特征作为当前点的多尺度几何结构深度特征。3.根据权利要求2所述的点云质量优化方法，其特征在于：采样点数量分别为 32、48、64和128，对应的搜索半径分别为0.2、0.4、0.6和0.8。4.根据权利要求1所述的点云质量优化方法，其特征在于：在步骤S3中，点云循环优化网络模型包括以PointNet神经网络为基础，分别嵌入一个双向循环RNN的特征融合模块和一个带有注意力编码器RNN的特征循环传播层；特征融合模块包括两个LSTM单元，LSTM单元包括遗忘门、更...

【专利技术属性】
技术研发人员：汪俊，单忠德，单鹏飞，陈红华，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：