[发明专利]基于深度学习的大飞机点云模型自监督语义分割方法

权利要求书

1.一种基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，所述语义分割方法包括以下步骤：

S1，利用激光跟踪仪从多个站位分别采集大尺寸飞机点云，生成若干组3D点云数据；

S2，构建全局测量场，基于全局测量场对若干组3D点云数据进行初始配准，再基于图优化对初始配准后的点云数据进行精配准，获取完整飞机点云模型；

S3，对完整飞机点云模型进行自监督语义分割。

2.根据权利要求1所述的基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，步骤S1中，所述利用激光跟踪仪从多个站位分别采集大尺寸飞机点云包括：

S1，在大尺寸飞机邻近处分布设置A个跟踪仪站点和B个标靶点，A和B均为大于等于1的正整数；

S2，采用激光跟踪仪从多个站位分别采集大尺寸飞机点云，每组所述3D点云数据均包含与自身测量坐标系对应的部分大尺寸飞机外形点云数据和至少一个标靶点信息。

3.根据权利要求2所述的基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，所述A和B满足以下关系：AB≥3(A+B)。

4.根据权利要求2所述的基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，步骤S2中，所述构建全局测量场的过程包括以下步骤：

S201，通过跟踪仪在不同站点视角对所有标靶点的测距数值，测量得到每个跟踪仪站点与所有标靶点之间的距离；

S202，选择A1个标靶点和B₁个跟踪仪站点；

S203，以任意一个跟踪仪站点的测量坐标系为基准，结合其他跟踪仪站点依次建立X轴、XOY平面和全局坐标系；

S204，将每个标靶点和跟踪仪站点的坐标视为未知参数，标靶点和跟踪仪站点之间的距离视为已知参数，构建方程组，将跟踪仪全局测量场构建问题转化为线性方程组求解问题，计算得到标靶点的坐标和对应的转站参数，构建全局测量场。

5.根据权利要求4所述的基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，步骤S2中，所述构建全局测量场的过程还包括以下步骤：

S205，利用多余的标靶点和跟踪仪站点，通过整体平差的方法对全局测量场进行优化。

6.根据权利要求1所述的基于深度学习的大飞机点云模型自监督语义分割方法，其特征在于，步骤S2中，所述基于全局测量场对若干组3D点云数据进行初始配准的过程包括以下步骤：

S211，用p_i表示全局坐标系下标靶点的坐标，q_i表示激光跟踪仪局部坐标系下的所述标靶点的坐标，生成集合P＝{p₁，P₂，...，p_n}和Q＝{q₁，q₂，...，q_n}，将P作为目标点云，Q作为源点云，p_i为点云P中的点，q_i为点云Q中的点，n为点云的点数，利用最小二乘法确定两点云的刚体定向关系：

式中，R、t分别为目标点云和源点云对应的旋转矩阵和平移矩阵；

S212，对上式中的t求偏导可得平移矩阵其中分别为两组点集P，Q的重心，n≥i≥1；

通过平移，两组点云中点的新坐标分别表示为：

将上述公式简化为：

S213，计算得到最佳旋转矩阵：

S2131，最小化目标函数：

S2132，进行SVD分解片＝UAV^T，U为奇异向量组成的矩阵，V为U的逆矩阵，Λ为奇异值组成的对角矩阵；

S2133，设R＝VU^T，目标函数取得最小值，得到最佳旋转矩阵，式中，T代表矩阵转置；

S214，利用所述最佳旋转矩阵，完成点云P和Q的粗配准。