[发明专利]一种基于三维点云分割的高炉原燃料粒度检测方法及系统

说明书

本发明提出了一种基于三维点云分割的高炉原燃料粒度检测方法，包括：获取原燃料的三维点云数据作为数据集，对数据集进行标注，并将标注后的数据集对PointNet++神经网络模型进行训练和测试，得到训练好的PointNet++神经网络模型；其中，所述PointNet++神经网络模型通过在不同降采样阶段进行对比边界学习进行边界特征的识别；将待识别的原燃料的三维点云数据输入到PointNet++神经网络模型中进行分类。采用对比边界学习的神经网络框架以帮助优化边界上的分割性能，实现粒度检测和分类，识别速度快，准确率高，鲁棒性强。

技术领域

本发明属于高炉燃料相关技术领域，尤其涉及一种基于三维点云分割的高炉原燃料粒度检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

高炉料柱透气性即煤气通过料柱时的阻力大小，紧密关系着高炉的冶炼，能耗和生铁质量，是高炉冶炼中得非常重要的因素。原燃料粒度大小及分布对高炉料柱的透气性具有深远影响，空隙度越大，则阻力越小，炉料透气性越好。实时了解原燃料粒度大小及分布变化趋势对把控高炉炉况趋势非常重要。目前，高炉原燃料粒度主要通过机械筛分的方法获取原燃料粒度大小及分布。

目前国内外有通过2D相机通过图像分割的方法实现粒度检测，但是2D相机采集的视频或图像数据中的原燃料尺寸即使经过标定也与实际物体尺寸存在较大误差，只能大约估计一个相对较准确的粒度值。

高炉原燃料粒度检测的关键在于单个原料边界点云分割，现有的各种点云分割方法中，并未注重3D点云的边界检测，然而这些边界上的准确分割是非常重要的。首先，干净的边界估计可能有利于整体分割性能。例如，在2D图像分割中，准确的边界分割是生成高保真掩码的关键。其次，与通常具有大部分3D点的大块的原燃料相比，错误的边界分割可能会在更大程度上影响对具有更少点的小块原燃料的识别，使得检测到的原燃料粒度值偏差较大。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于三维点云分割的高炉原燃料粒度检测方法及系统，采用在原燃料传输皮带上加装3D线扫结构光相机，实时采集经过的原燃料点云数据，采用对比边界学习的神经网络框架以帮助优化边界上的分割性能，实现粒度检测和分类，识别速度快，准确率高，鲁棒性强。

为实现上述目的，第一个方面，本发明的一个或多个实施例提供了如下技术方案：一种基于三维点云分割的高炉原燃料粒度检测方法，包括：

获取原燃料的三维点云数据并进行预处理；

将预处理后的原燃料的三维点云数据输入到训好的PointNet++神经网络模型中进行分类；其中，所述PointNet++神经网络模型通过在不同降采样阶段进行对比边界学习进行边界特征的识别。

第二个方面，一种基于三维点云分割的高炉原燃料粒度检测系统，包括：

获取模块：获取原燃料的三维点云数据并进行预处理；

粒度分类模块：将预处理后的原燃料的三维点云数据输入到训练好的PointNet++神经网络模型中进行粒度分类；其中，所述PointNet++神经网络模型通过在不同降采样阶段进行对比边界学习进行边界特征的识别。

第三方面，本发明实施例提供一种计算机设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当计算机设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述一种基于三维点云分割的高炉原燃料粒度检测方法的步骤。

第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行如上述一种基于三维点云分割的高炉原燃料粒度检测方法的步骤。

以上一个或多个技术方案存在以下有益效果：