[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

说明书

本发明公开了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，包括：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；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；对完整飞机点云模型进行自监督语义分割。本发明利用光学三维检测系统测量技术，对采集到的3D数据进行处理分析，可以准确有效的进行大飞机上的外形语义分割，且构思合理，实践中可在飞机安全巡检等场景中实现自动化应用。

技术领域

本发明涉及深度学习、计算机视觉和图形学技术领域，具体而言涉及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。

背景技术

随着服役年限逐渐增大，大量飞机的抗腐蚀性能随之下降。大量飞机的使用情况显示，飞机的主要故障形式是由结构件的裂纹、腐蚀等损伤导致的结构故障，严重的结构故障必须停飞进行严格全面的检修。因此，为保障在役飞机的正常使用和安全性，飞机的无损检测非常重要，而飞机蒙皮表面检测又是飞机无损检测的重点。飞机蒙皮通过铆钉固定在机身，随着飞机的升空和降落，机舱蒙皮承受着外部气压周期性的骤变，这种正常飞行期间的气压变化会导致铆钉连接处的疲劳损伤。此外，由于飞机长期处于自然环境中，铝材质的蒙皮和加强筋结构的铆接处在与环境中的某些物质接触后产生腐蚀损伤，进而导致损伤区域出现材料损失，该区域的应力集中会加快疲劳裂纹的扩展。这些蒙皮损伤的产生会使飞机蒙皮的结构强度下降，最终影响飞机的安全系数。

几何形变分析是航空维修、数控加工、虚拟装配、有限元分析的重要基础。例如，飞机表面的制造偏差会造成蒙皮无规律的起伏,即机体表面的波纹现象。在机头空速管附近,这将直接影响静压探头附近的流场,造成静压探头测得的高度、压力等数据出现偏差,当波纹较严重时,将较大的影响数据的准确性,造成飞行员的误判,影响飞行的安全。航空制造工业中，飞机机翼等复杂型面的零件都需要进行高精度数控加工，然后通过使用数字化测量方法，来进行质量控制。随着科学技术与飞机制造业的飞速发展，飞机的传统水平测量方法已经无法适应目前飞机制造和维修的发展趋势。

发明内容

本发明目的在于提供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，利用光学三维检测系统采集到的数据完成对大飞机外形语义分割，是基于全局测量场提出的一种几何形变分析方法，具备高精度、高效率、工作量小等优势，对于大尺寸飞机检修其应用前景十分广阔，不但解决了传统水平测量效率低、精度低等缺点，而且其理论应用和实际工程应用价值也非常大。

为达成上述目的，结合图1，本发明提出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，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。

作为其中的一种优选例，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。

作为其中的一种优选例，所述A和B满足以下关系：AB≥3(A+B)。

作为其中的一种优选例，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；