CN116778162B - 基于几何特征引导的弱监督大飞机外形点云语义分割方法 - Google Patents
基于几何特征引导的弱监督大飞机外形点云语义分割方法 Download PDFInfo
- Publication number
- CN116778162B CN116778162B CN202310752079.2A CN202310752079A CN116778162B CN 116778162 B CN116778162 B CN 116778162B CN 202310752079 A CN202310752079 A CN 202310752079A CN 116778162 B CN116778162 B CN 116778162B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- appearance
- module
- large aircraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000011218 segmentation Effects 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000002372 labelling Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于几何特征引导的弱监督大飞机外形点云语义分割方法，属于三维点云模型检测领域，方法包括：基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据，经过弱标签注释的点云数据作为预训练标签数据，构建弱监督点云语义网络模型，将训练标签数据输入弱监督点云语义网络模型中的编码器模块，对弱监督点云语义网络模型进行预训练得到每个点的伪标签，利用伪标签继续训练，直至交叉熵损失函数收敛，执行语义分割任务分类得到大型飞机外形的分类结果；本发明在小规模注释情况对大飞机外形进行分析，分析大飞机外形形变；该方法实现了大飞机外形的语义分割，并能够进行外形形变分析，减少人工标注成本，提高飞机服役寿命。
Description
技术领域
本发明涉及三维点云模型检测预测领域，具体而言涉及一种基于几何特征引导的弱监督大飞机外形点云语义分割方法。
背景技术
大型飞机的装配是按照设计和技术要求，将百万个飞机零件和连接件进行组合，逐步连接成组合件、部件、大部件以及整机的过程。由于大型飞机壁板的弱刚性和保形工装设计问题，使得在保形工装上加工大尺寸薄壁件时，会导致对接边缘出现形变。过大的形变会导致大型飞机蒙皮表面出现无规律的波纹现象，即机体表面出现起伏。如果过大的形变发生在机头空速管附近，将直接影响静压探头附近的流场，从而导致静压探头测得的高度、压力等数据出现偏差。当波纹现象严重时，将影响数据的准确性，进而可能导致飞行员误判，对飞行安全造成影响。因此，有必要对大型飞机的外形形变进行分析。然而，大型飞机的外形特征复杂，要求扫描和计算精度非常高。传统的几何分析和处理方法主要依赖手工定义的模型特征，只能处理单一对象，并且泛化能力较弱，仅在特定问题或条件下有效。此外，传统方法还受限于内存容量，难以处理大规模的三维数据。
近年来，随着计算机技术的不断发展，基于大数据和人工智能的新型方法和技术正在应用于飞机外形形变分析。这些方法利用先进的算法和高性能计算平台，能够处理复杂的大规模三维数据，并提供更精确和可靠的分析结果。点云语义分割任务根据给定点云的语义信息将相同类型的点分类为一个子集。与二维语义分割相比，点云语义分割能更仔细地区分空间对象。目前，三维点云的语义分割方法可分为体素化方法、多视图方法和点云方法。基于体素的方法和基于多视图的方法都需要对数据进行预处理，容易造成部分信息丢失，目前，主流的基于点云的方法直接学习点云信息，包括逐点MLP方法、基于点的卷积方法、RNN方法和基于图的方法，根据点云数据是否有标记，将三维点云语义分割方法分为有监督分割方法和弱监督分割方法；因此，基于目前的研究现状，本发明提出一种基于几何特征引导的弱监督大飞机外形点云语义分割方法来解决上述问题。
发明内容
为解决上述问题，提出一种基于几何特征引导的弱监督大飞机外形点云语义分割方法，以解决针对现有技术中依赖手工定义的模型特征只能处理单一对象泛化能力较弱以及传统方法还受限于内存容量难以处理大规模的三维数据的问题；本发明结合大型飞机外形的多种几何特征以及颜色特征，从单一小尺度到多重尺度提取有效的几何、颜色特征，并设计了边缘优化策略来提升分割效果，在小规模注释情况下实现了一种新型的弱监督飞机外形点云语义分割方法，对大飞机外形进行分析，分析大飞机外形形变。
为达成上述目的，本发明提供如下技术方案：本发明提出的一种基于几何特征引导的弱监督大飞机外形点云语义分割方法，包括以下步骤：
S1、基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据；
S2、经过弱标签注释的点云数据作为预训练标签数据；
S3、构建弱监督点云语义网络模型，所述弱监督点云语义网络模型包括编码器模块和语义分割模块；
S4、将训练标签数据输入弱监督点云语义网络模型中的编码器模块中进行编码，提取到大型飞机外形的几何特征以及RGB颜色特征；
S5、对弱监督点云语义网络模型进行预训练得到每个点的伪标签；
S6、利用得到的伪标签继续训练，直至交叉熵损失函数收敛；
S7、基于所述语义分割模块执行语义分割任务分类得到大型飞机外形的分割结果。
进一步地，步骤S1中基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据，具体包括以下步骤：
S101、使用三维激光扫描仪从多个角度采集激光点云数据；
S102、使用点云拼接技术拼接得到完整的大飞机外形点云数据；
S103、生成大量具有三维坐标及RGB颜色信息的点云数据。
进一步地，步骤S2中经过弱标签注释的点云数据作为预训练标签数据，具体包括以下步骤：
S201、对于点云中的每一个点进行标签注释，标记每一个点所属于大飞机外形的分类信息作为真实标签数据；
S202、随机删除90％的真实标签数据而获得的点云数据作为训练标签数据。
进一步地，步骤S3中的编码器模块包含残差几何特征模块、特征值模块以及RGB颜色表示模块。
进一步地，残差几何特征模块具体包括：通过残差几何特征模块计算获得每个点的相对距离和角度，提取到具有对旋转和平移具有鲁棒性的几何特征，每个点的相对距离的计算公式分别为：
其中:是笛卡尔坐标系中所选点pi的坐标，i表示第i个点，k表示第i个点的第k近邻个点；
每个点的角度值的计算公式为：
其中：表示y坐标与x坐标之间夹角的角度值，表示z坐标与斜边之间夹角的角度值。
进一步地，特征值模块具体包括：
特征值模块使用LDLT分解法，首先对于每一个点云中的点，我们将其K近邻个点与其本身的相对坐标表示为一个正定矩阵C＝MMT，其中 为每个k近邻点的相对三维坐标，式中，为k近邻点的相对三维坐标，pi为选中的点的三维坐标，M为输入网络的三维张量，代表的是一个三维向量；
通过分解矩阵Cvi＝λivi,i∈{1,2,3}，分别获得其特征值 和特征向量(v1,v2,v3)，无论整个点云如何平移，相对三维坐标及其特征值都不会被转换，保证得到的几何特征是一个对于旋转及平移都较为鲁棒的特征。
进一步地，RGB颜色表示模块具体包括：RGB颜色表示模块通过设计多尺度RGB颜色特征分析模块，计算点云中每个点的K近邻个点的RGB颜色特征的方差作为每个点的聚集特征，其式如下：
其中是点pi的K近邻个点的RGB颜色特征，而fi是pi的RGB颜色特征。
进一步地，步骤S5中具体包括：在预训练阶段，通过多尺度感知网络模块将多个尺度的几何特征和RGB颜色特征进行解码相加，通过卷积操作和softmax激活函数，得到每个点在四个类别：机身、机翼、起落架、水平尾翼及垂直尾翼上的预测概率，并对预测进行平滑，得到每个点的伪标签。
进一步地，步骤S6中利用得到的伪标签继续训练，直至交叉熵损失函数收敛，具体包括以下步骤：
S601、利用得到的伪标签，对多尺度感知进行初始化，利用解码器输出真实标签数据10％的有标签点的类别预测分布；
S602、通过交叉熵损失函数对剩余10％的有标签点的类别预测分布与真实标签数据进行训练，得到分割损失L1，使得预训练模型得到优化，以此来训练弱监督点云语义网络；
S603、在预训练阶段结束后，重复上述S601-S602步骤，最终得到每个点真正的最终预测结果，并使用软投票策略，选取信赖值最高的伪标签。
进一步地，步骤S7中还包括：语义分割模块按大型飞机外形特征将整机分割为机头、机身、机翼、平尾、垂尾各大部件，继而对机头的波纹度、机翼和起落架的轮廓度、水平尾翼的水平度以及垂直尾翼的对称度进行几何指标评估。
由上述技术方案，本发明提供了一种基于几何特征引导的弱监督大飞机外形点云语义分割方法。至少具备以下有益效果：
本发明结合大型飞机外形的多种几何特征以及颜色特征，从单一小尺度到多重尺度提取有效的几何、颜色特征，并设计了边缘优化策略来提升分割效果，在小规模注释情况下实现了一种新型的弱监督飞机外形点云语义分割方法，弱监督学习可以克服标注难度高或噪声大的问题，提高模型泛化能力，对大飞机外形进行分析，分析大飞机外形形变；该方法实现了大飞机外形的语义分割，并能够进行外形形变分析，减少人工标注成本，提高飞机服役寿命。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1是本发明基于几何特征引导的弱监督大飞机外形点云语义分割方法的流程图；
图2是本发明中大型飞机外形在弱监督点云语义分割网络中的残差几何特征示意图；
图3是本发明中按大飞机特征分割整机的示意图；
图4是本发明中大飞机外形的弱监督点云语义网络模型结构示意图；
图5是本发明弱监督大飞机外形点云语义分割装置的原理框图。
图中：100点云数据获取模块；200数据处理模块；300网络模型构建模块；400编码特征提取模块；500伪标签获取模块，600损失函数收敛模块，700获取分割结果模块。
具体实施方式
为使本发明的上述目的、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发明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。
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令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图5，示出了本实施例的一种具体实施方式，本实施例中本发明结合大型飞机外形的多种几何特征以及颜色特征，从单一小尺度到多重尺度提取有效的几何、颜色特征，并设计了边缘优化策略来提升分割效果，在小规模注释情况下实现了一种新型的弱监督飞机外形点云语义分割方法，解决了针对现有技术中依赖手工定义的模型特征只能处理单一对象泛化能力较弱以及传统方法还受限于内存容量难以处理大规模的三维数据的问题。
请参照图1，一种基于几何特征引导的弱监督大飞机外形点云语义分割方法，包括如下步骤：
S1、基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据；
具体的，步骤S1中基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据具体包括以下步骤：
S101、使用三维激光扫描仪从多个角度采集激光点云数据；
S102、使用点云拼接技术拼接得到完整的大飞机外形点云数据；
S103、生成大量具有三维坐标及RGB颜色信息的点云数据。
S2、经过弱标签注释的点云数据作为预训练标签数据；
具体的，步骤S2中经过弱标签注释的点云数据作为预训练标签数据，包括以下步骤：
S201、对于点云中的每一个点进行标签注释，标记每一个点所属于大飞机外形的分类信息作为真实标签数据；
S202、随机删除90％的真实标签数据而获得的点云数据作为训练标签数据。
S3、构建弱监督点云语义网络模型，所述弱监督点云语义网络模型包括编码器模块和语义分割模块；
具体的，步骤S3中的编码器模块包含残差几何特征模块、特征值模块以及RGB颜色表示模块，如图4所示。
具体的，残差几何特征模块具体包括：通过残差几何特征模块计算获得每个点的相对距离和角度，提取到具有对旋转和平移具有鲁棒性的几何特征；
每个点的相对距离的计算公式分别为：
其中:是笛卡尔坐标系中所选点pi的坐标，i表示第i个点，k表示第i个点的第k近邻个点；
每个点的角度值的计算公式为：
其中：表示y坐标与x坐标之间夹角的角度值，表示z坐标与斜边之间夹角的角度值；如图2所示，图2是本发明本实施例中大型飞机外形在弱监督点云语义分割网络中的残差几何特征示意图，这两个夹角对于z轴来说具有旋转不变性，也就是说，无论对整片点云进行特征增强时按照Z轴进行怎样的旋转，这两个夹角的角度值都不变。
具体的，特征值模块具体包括：
特征值模块使用LDLT分解法，首先对于每一个点云中的点，我们将其K近邻个点与其本身的相对坐标表示为一个正定矩阵C＝MMT，其中 为每个k近邻点的相对三维坐标；式中，为k近邻点的相对三维坐标，pi为选中的点的三维坐标，M为输入网络的三维张量，代表的是一个三维向量，其包括了(x,y,z)三个维度，利用相对三维坐标来进行特征值的计算，无论整个点云如何平移，相对三维坐标都不会变换，因此，计算出的特征值在特征值模块中具有平移不变性的性质；
通过分解矩阵Cvi＝λivi,i∈{1,2,3}，分别获得其特征值 和特征向量(v1,v2,v3)，无论整个点云如何平移，相对三维坐标及其特征值都不会被转换，保证得到的几何特征是一个对于旋转及平移都较为鲁棒的特征。
具体的，RGB颜色表示模块具体包括：RGB颜色表示模块通过设计多尺度RGB颜色特征分析模块，计算点云中每个点的K近邻个点的RGB颜色特征的方差作为每个点的聚集特征，其式如下；
其中是点pi的K近邻个点的RGB颜色特征，而fi是pi的RGB颜色特征。
S4、将训练标签数据输入弱监督点云语义网络模型的编码器模块中进行编码，提取到大型飞机外形的几何特征以及RGB颜色特征。
S5、对弱监督点云语义网络模型进行预训练得到每个点的伪标签；
具体的，步骤S5中具体包括：在预训练阶段，通过多尺度感知网络模块将多个尺度的几何特征和RGB颜色特征进行解码相加，通过卷积操作和softmax激活函数，如图4所示，得到每个点在四个类别：机身、机翼、起落架、水平尾翼及垂直尾翼上的预测概率，并对预测进行平滑，得到每个点的伪标签。
S6、利用得到的伪标签继续训练，直至交叉熵损失函数收敛；
具体的，步骤S6中利用得到的伪标签继续训练，直至交叉熵损失函数收敛，具体包括以下步骤：
S601、利用得到的伪标签，对多尺度感知进行初始化，利用解码器输出真实标签数据10％的有标签点的类别预测分布；
S602、通过交叉熵损失函数对剩余10％的有标签点的类别预测分布与真实标签数据进行训练，得到分割损失L1，如图4所示，使得预训练模型得到优化，以此来训练弱监督点云语义网络；
S603、在预训练阶段结束后，重复上述S601-S602步骤，最终得到每个点真正的最终预测结果，并使用软投票策略，选取信赖值最高的伪标签。
S7、基于所述语义分割模块执行语义分割任务分类得到大型飞机外形的分割结果；
具体的，步骤S7还包括：语义分割模块按大型飞机外形特征将整机分割为机头、机身、机翼、平尾、垂尾各大部件，继而对机头的波纹度、机翼和起落架的轮廓度、水平尾翼的水平度以及垂直尾翼的对称度进行几何指标评估；如图3所示，图3是本发明本实施例中按大飞机特征分割整机的示意图。
本发明结合大型飞机外形的多种几何特征以及颜色特征，从单一小尺度到多重尺度提取有效的几何、颜色特征，并设计了边缘优化策略来提升分割效果，在小规模注释情况下实现了一种新型的弱监督飞机外形点云语义分割方法，对大飞机外形进行分析，分析大飞机外形形变，该方法实现了大飞机外形的语义分割，并能够进行外形形变分析，减少人工标注成本，提高飞机服役寿命。
请参照图5，本实施例还提供了一种弱监督大飞机外形点云语义分割方法的装置，包括：
点云数据获取模块100，点云数据获取模块100用于基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据；
数据处理模块200，数据处理模块200用于经过弱标签注释的点云数据作为预训练标签数据；
网络模型构建模块300，网络模型构建300模块用于构建弱监督点云语义网络模型，弱监督点云语义网络模型包括编码器模块和语义分割模块；
编码特征提取模块400，编码提取模块400用于将训练标签数据输入弱监督点云语义网络模型的编码器模块中进行编码，提取到大型飞机外形的几何特征以及RGB颜色特征；
伪标签获取模块500，伪标签获取模块500用于对弱监督点云语义网络模型进行预训练得到每个点的伪标签；
损失函数收敛模块600，损失函数收敛模块600用于利用得到的伪标签继续训练，直至交叉熵损失函数收敛；
获取分割结果模块700，获取分割结果模块700用于基于语义分割模块执行语义分割任务分类得到大型飞机外形的分割结果。
本实施例还提供了一种弱监督大飞机外形点云语义分割方法的系统，包括：
处理器；
存储器；
以及一个或多个程序，其中一个或多个程序被存储在存储器中，并且被配置成由处理器执行，程序用于计算机执行飞机长桁平面特征的提取方法。
本发明在小规模注释情况下实现了一种新型的弱监督飞机外形点云语义分割方法，弱监督学习可以克服标注难度高或噪声大的问题，提高模型泛化能力，对大飞机外形进行分析，分析大飞机外形形变；该方法实现了大飞机外形的语义分割，并能够进行外形形变分析，减少人工标注成本，提高飞机服役寿命。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (6)
1.基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,包括以下步骤：
S1、基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据；
S2、经过弱标签注释的点云数据作为预训练标签数据；
S3、构建弱监督点云语义网络模型，所述弱监督点云语义网络模型包括编码器模块和语义分割模块；所述编码器模块包含残差几何特征模块、特征值模块以及RGB颜色表示模块；其中，通过残差几何特征模块计算获得每个点的相对距离和角度，提取到具有对旋转和平移具有鲁棒性的几何特征，每个点的相对距离的计算公式分别为：
；
其中:是笛卡尔坐标系中所选点 的坐标， i表示第i个点，k表示第i个点的第k近邻个点；
每个点的角度值的计算公式为：
；
；
其中：表示y坐标与x坐标之间夹角的角度值，表示坐标与斜边之间夹角的角度值；
特征值模块使用分解法，首先对于每一个点云中的点，我们将其k近邻个点与其本身的相对坐标表示为一个正定矩阵，其中为每个k近邻点的相对三维坐标，式中，为k近邻点的相对三维坐标，为选中的点的三维坐标，M为输入网络的三维张量，代表的是一个三维向量；
通过分解矩阵，分别获得其特征值和特征向量 ，无论整个点云如何平移，相对三维坐标及其特征值都不会被转换，保证得到的几何特征是一个对于旋转及平移都较为鲁棒的特征；
RGB颜色表示模块通过设计多尺度RGB颜色特征分析模块，计算点云中每个点的K近邻个点的RGB颜色特征的方差作为每个点的聚集特征，其计算公式如下：
；
其中 是点的K近邻个点的RGB颜色特征，而是的RGB颜色特征；
S4、将预训练标签数据输入弱监督点云语义网络模型的编码器模块中进行编码，提取到大型飞机外形的几何特征以及RGB颜色特征；
S5、对弱监督点云语义网络模型进行预训练得到每个点的伪标签；
S6、利用得到的伪标签继续训练，直至交叉熵损失函数收敛；
S7、基于所述语义分割模块执行语义分割任务分类得到大型飞机外形的分割结果。
2.根据权利要求1所述的基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,步骤S1中基于激光扫描仪生成大量具有三维坐标及RGB颜色信息的点云数据，具体包括以下步骤：
S101、使用三维激光扫描仪从多个角度采集激光点云数据；
S102、使用点云拼接技术拼接得到完整的大飞机外形点云数据；
S103、生成大量具有三维坐标及RGB颜色信息的点云数据。
3.根据权利要求1所述的基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,步骤S2中经过弱标签注释的点云数据作为预训练标签数据，具体包括以下步骤：
S201、对于点云中的每一个点进行标签注释，标记每一个点所属于大飞机外形的分类信息作为真实标签数据；
S202、随机删除90%的真实标签数据而获得的点云数据作为预训练标签数据。
4.根据权利要求1所述的基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,步骤S5中具体包括：在预训练阶段，通过多尺度感知网络模块将多个尺度的几何特征和RGB颜色特征进行解码相加，通过卷积操作和softmax激活函数，得到每个点在四个类别：机身、机翼、起落架、水平尾翼及垂直尾翼上的预测概率，并对预测进行平滑，得到每个点的伪标签。
5.根据权利要求1所述的基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,步骤S6中利用得到的伪标签继续训练，直至交叉熵损失函数收敛，具体包括以下步骤：
S601、利用得到的伪标签，对多尺度感知进行初始化，利用解码器输出真实标签数据10%的有标签点的类别预测分布；
S602、通过交叉熵损失函数对剩余10%的有标签点的类别预测分布与真实标签数据进行训练，得到分割损失，使得预训练模型得到优化，以此来训练弱监督点云语义网络；
S603、在预训练阶段结束后，重复上述S601~S602步骤，最终得到每个点真正的最终预测结果，并使用软投票策略，选取信赖值最高的伪标签。
6.根据权利要求1所述的基于几何特征引导的弱监督大飞机外形点云语义分割方法，其特征在于,步骤S7中还包括：语义分割模块按大型飞机外形特征将整机分割为机头、机身、机翼、平尾、垂尾各大部件，继而对机头的波纹度、机翼和起落架的轮廓度、水平尾翼的水平度以及垂直尾翼的对称度进行几何指标评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752079.2A CN116778162B (zh) | 2023-06-25 | 2023-06-25 | 基于几何特征引导的弱监督大飞机外形点云语义分割方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310752079.2A CN116778162B (zh) | 2023-06-25 | 2023-06-25 | 基于几何特征引导的弱监督大飞机外形点云语义分割方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116778162A CN116778162A (zh) | 2023-09-19 |
| CN116778162B true CN116778162B (zh) | 2024-08-20 |
Family
ID=87989145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310752079.2A Active CN116778162B (zh) | 2023-06-25 | 2023-06-25 | 基于几何特征引导的弱监督大飞机外形点云语义分割方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778162B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187446A (zh) * | 2021-12-09 | 2022-03-15 | 厦门大学 | 一种跨场景对比学习的弱监督点云语义分割方法 |
| CN115421158A (zh) * | 2022-11-07 | 2022-12-02 | 中国人民解放军国防科技大学 | 自监督学习的固态激光雷达三维语义建图方法与装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114299285A (zh) * | 2021-11-26 | 2022-04-08 | 武汉大势智慧科技有限公司 | 三维点云半自动标注方法、系统、电子设备及存储介质 |
| CN114723949A (zh) * | 2022-04-18 | 2022-07-08 | 北京百度网讯科技有限公司 | 三维场景分割方法和用于训练分割模型的方法 |
| CN114926469B (zh) * | 2022-04-26 | 2024-10-01 | 中南大学 | 语义分割模型训练方法、语义分割方法、存储介质及终端 |
| CN116229079A (zh) * | 2023-03-30 | 2023-06-06 | 重庆邮电大学 | 一种基于视觉辅助和特征增强的三维点云语义分割方法及系统 |
-
2023
- 2023-06-25 CN CN202310752079.2A patent/CN116778162B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114187446A (zh) * | 2021-12-09 | 2022-03-15 | 厦门大学 | 一种跨场景对比学习的弱监督点云语义分割方法 |
| CN115421158A (zh) * | 2022-11-07 | 2022-12-02 | 中国人民解放军国防科技大学 | 自监督学习的固态激光雷达三维语义建图方法与装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116778162A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Multifeature fusion-based object detection for intelligent transportation systems | |
| US11853903B2 (en) | SGCNN: structural graph convolutional neural network | |
| Dai et al. | Aircraft seam feature extraction from 3D raw point cloud via hierarchical multi-structure fitting | |
| KR102352942B1 (ko) | 객체 경계정보의 주석을 입력하는 방법 및 장치 | |
| Xiu et al. | Diffusion unit: Interpretable edge enhancement and suppression learning for 3d point cloud segmentation | |
| CN116778162B (zh) | 基于几何特征引导的弱监督大飞机外形点云语义分割方法 | |
| CN113538472B (zh) | 一种基于编码-解码网络的向量场引导精细化分割方法 | |
| Cao | Face recognition robot system based on intelligent machine vision image recognition | |
| Jia et al. | Diffmap: Enhancing map segmentation with map prior using diffusion model | |
| CN117788472A (zh) | 一种基于dbscan算法的飞机蒙皮表面铆钉腐蚀程度判断的方法 | |
| Tang et al. | Design and implementation of improved CNN activation function | |
| Islam et al. | Image-based Deep Learning for Smart Digital Twins: a Review | |
| Lejemble et al. | Persistence Analysis of Multi‐scale Planar Structure Graph in Point Clouds | |
| CN111461130B (zh) | 一种高精度图像语义分割算法模型及分割方法 | |
| CN103793720A (zh) | 一种眼睛定位方法和系统 | |
| Ghadai et al. | Learning and visualizing localized geometric features using 3d-cnn: An application to manufacturability analysis of drilled holes | |
| Zhao et al. | Online assembly inspection integrating lightweight hybrid neural network with positioning box matching | |
| Wu et al. | An object detection method for catenary component images based on improved Faster R-CNN | |
| Xu et al. | A Road Crack Segmentation Method Based on Transformer and Multi-Scale Feature Fusion | |
| CN118569847B (zh) | 基于无人机的接触网全自动智能巡检方法及系统 | |
| Wei et al. | Wall segmentation in house plans: fusion of deep learning and traditional methods | |
| EP4095795B1 (en) | Automated optical guide | |
| Li et al. | A boundary-aware point clustering approach in Euclidean and embedding spaces for roof plane segmentation | |
| CN115034069A (zh) | 一种由图像文件自动生成Simulink控制系统模型的快速建模方法 | |
| DUa et al. | Handwritten English Character Recognition Method Based on Deep Learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |