本发明专利技术公开了一种3D点云模型缺陷分布计算方法，包括：获取3D点云模型；根据重合度设置滑动窗口；所述重合度是两个相邻子区域重合部分体积与相邻子区域中较小的子区域体积的比值；移动滑动窗口遍历3D点云模型截取获得多个子区域数据；若相邻的两个子区域数据不存在交叉，则抛弃所述相邻的两个子区域的数据；基于深度学习的分类方法，将每个子区域分类成有异常和无异常；根据各子区域数据的关联重组3D点云模型，获得3D点云模型的缺陷分布。本发明专利技术不需要对3D点云模型数据进行复杂的预处理(基于聚类、降维、采样等预处理)，能够保留完整的原始信息。相对现有技术对硬件要求低，由于没有复杂的数据处理过程进而能够快速准确获得3D点云模型缺陷分布。点云模型缺陷分布。点云模型缺陷分布。
【技术实现步骤摘要】
3D点云模型缺陷分布计算方法、模块及存储介质
[0001]本专利技术涉及CT领域，特别是涉及一种用于工业CT的3D点云模型缺陷分布计算方法及模块。
技术介绍
[0002]CT是一种计算机X线断层技术简称，CT的工作原理是：根据被扫描物体对X线吸收的不同，应用高灵敏度换能器进行数据采集，由计算机进行图像重建被扫描物体断面层或三维立体图像，从而发现被扫描物体内的细小不同。
[0003]通过CT技术形成的3D点云模型通常数据量较大，在对3D点云模型数据进行异常区域识别时无法像常规识别方法一样将所有数据一次性处理，目前主要是用基于聚类、降维、采样、切片的处理方法先减少数据量，再进行后续处理。
[0004]基于聚类、降维、采样的处理方法是将原始数据预处理，再进行后续的缺陷识别，由于聚类、降维、采样伴随着信息损失(即无法保留所有原始信息)，而在一个3D点云模型中缺陷区域存在区域体积占比小、缺陷与正常区域区分度不大等特点，因此在进行聚类、降维、采样处理后会使得缺陷区域与正常区域更加难以区分。而切片则将3D结构当成2D结构处理，损失了3D结构信息。
[0005]现有技术主要采用下述两种方案对3D点云模型进行处理；
[0006]1、基于聚类、降维、采样的处理方法(以下统称为降维预处理)是改进降维预处理方法，如引入机器学习方法，尽量降低信息损失。而降维预处理目的就是降低数据量，信息损失是不可避免的，并且基于机器学习的方法面临训练样本不好构造等问题。例如中国专利：CN202210409033.6即采用上述方案。
[0007]2、基于切片方法由于完全没有保留3D结构信息，无法改进。
技术实现思路
[0008]在
技术实现思路
部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
[0009]本专利技术要解决的技术问题是提供一种能基于3D点云模型原始数据进行缺陷分布计算的方法。
[0010]以及，一种能基于3D点云模型原始数据进行缺陷分布计算的模块。
[0011]为解决上述技术问题，本专利技术提供的3D点云模型缺陷分布计算方法，包括：
[0012]S1，获取3D点云模型；
[0013]S2，根据重合度设置滑动窗口；所述重合度是两个相邻子区域重合部分体积与相邻子区域中较小的子区域体积的比值；
[0014]S3，移动滑动窗口遍历3D点云模型截取获得多个子区域数据；
[0015]S4，若相邻的两个子区域数据不存在交叉，则抛弃所述相邻的两个子区域的数据；
[0016]S5，基于深度学习的分类方法，将每个子区域分类成有异常和无异常；
[0017]S6，根据各子区域数据的关联重组3D点云模型，获得3D点云模型的缺陷分布。
[0018]可选择的，所述的3D点云模型缺陷分布计算方法，用于工业CT缺陷检测。
[0019]可选择的，所述的3D点云模型缺陷分布计算方法，滑动窗口的参数根据硬件设置；在保证所能容忍计算效率的前提下，滑动窗口的参数(滑动窗口大小与滑动步长)可以选择尽可能的小，进而获得更精密的缺陷分布；
[0020]或，滑动窗口的参数根据设计精度设置。
[0021]可选择的，所述的3D点云模型缺陷分布计算方法，所述重合度A的范围是0＜A＜1。
[0022]两个相邻子区域之间存在重合和不重合两种关系，为了保证两个子区域相邻处数据的完整性，本专利技术设计为相邻子区域必须重合部分，同时两个子区域数据要有足够的差异，即重合部分不能太大，因此本专利技术定义重合度，并对于任意两个相邻子区域进行约束。重合度大于0是为了保证两个子区域相交部分数据的完整性，即两个子区域一定要存在相交部分，否则会破坏数据完整性。
[0023]为解决上述技术问题，本专利技术提供一种计算机可读存储介质，其内部存储有一计算机程序，所述计算机程序被执行时，用于实现上述任意一项所述3D点云模型缺陷分布计算方法中的步骤。
[0024]计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD
‑
ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0025]为解决上述技术问题，本专利技术提供一种3D点云模型缺陷分布计算模块，包括：
[0026]获取单元，其自外部获取3D点云模型；
[0027]滑动窗口单元，其根据重合度设置滑动窗口；
[0028]所述重合度是两个相邻子区域重合部分体积与相邻子区域中较小的子区域体积的比值；
[0029]子区域划分单元，其移动滑动窗口遍历3D点云模型划分多个子区域数据并截取各子区域对应数据；
[0030]第一判断单元，其判断相邻的两个子区域数据是否在交叉数据，若不存在，则抛弃所述相邻的两个子区域的数据；
[0031]第二判断单元，其基于深度学习的分类方法，将每个子区域分类成有异常和无异常；
[0032]组合单元，其根据各子区域数据的关联重组3D点云模型，获得3D点云模型的缺陷分布。
[0033]可选择的，所述的3D点云模型缺陷分布计算模块，能集成于工业CT的控制器中。
[0034]可选择的，所述的3D点云模型缺陷分布计算模块，滑动窗口单元根据硬件设置滑动窗口的参数；
[0035]或，滑动窗口单元根据设计精度设置滑动窗口的参数。
[0036]可选择的，所述的3D点云模型缺陷分布计算模块，所述重合度A的范围是0＜A＜1。
[0037]本专利技术不需要对3D点云模型数据进行复杂的预处理(基于聚类、降维、采样等预处理)，能够保留完整的原始信息。对于移动窗口划分的子区域，每个子区域数据量较小，能够直接处理，适用于目前各种缺陷检测，最后根据3D点云模型数据的关联性(移动窗口划分的子区域)进行重组即可获得3D点云模型数据的缺陷分布。本专利技术不需要大量数据处理，相对现有技术对硬件要求低，没有复杂的数据处理过程进而能够快速准确的获得3D点云模型缺陷分布。
附图说明
[0038]本专利技术附图旨在示出根据本专利技术的特定示例性实施例中所使用的方法、结构和/或材料的一般特性，对说明书中的描述本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种3D点云模型缺陷分布计算方法，其特征在于，包括：S1，获取3D点云模型；S2，根据重合度设置滑动窗口；所述重合度是两个相邻子区域重合部分体积与相邻子区域中较小的子区域体积的比值；S3，移动滑动窗口遍历3D点云模型截取获得多个子区域数据；S4，若相邻的两个子区域数据不存在交叉，则抛弃所述相邻的两个子区域的数据；S5，基于深度学习的分类方法，将每个子区域分类成有异常和无异常；S6，根据各子区域数据的关联重组3D点云模型，获得3D点云模型的缺陷分布。2.如权利要求1所述的3D点云模型缺陷分布计算方法，其特征在于:用于工业CT缺陷检测。3.如权利要求1所述的3D点云模型缺陷分布计算方法，其特征在于:滑动窗口的参数根据硬件设置；或，滑动窗口的参数根据设计精度设置。4.如权利要求1所述的3D点云模型缺陷分布计算方法，其特征在于:所述重合度A的范围是0＜A＜1。5.一种计算机可读存储介质，其特征在于：其内部存储有一计算机程序，所述计算机程序被执行时，用于实现权利要求1
‑
4任意一项所述3D点云模型...
【专利技术属性】
技术研发人员：丁傲冬，
申请(专利权)人：上海福柯斯智能科技有限公司，
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。