[發(fā)明專利]基于CNN的無標(biāo)定曲面所包含拼接曲面?zhèn)€數(shù)識(shí)別方法

有效

• 申請?zhí)枺?/td>: 201710774046.2
• 申請日: 2017-08-31
• 公開（公告）號(hào): CN107578448B
• 公開（公告）日: 2020-08-11
• 發(fā)明（設(shè)計(jì)）人: 陳達(dá)權(quán);黃運(yùn)保;李海艷
• 申請（專利權(quán)）人: 廣東工業(yè)大學(xué)
• 主分類號(hào): G06T7/80
• 分類號(hào): G06T7/80;G06N3/04
• 代理公司: 北京集佳知識(shí)產(chǎn)權(quán)代理有限公司 11227
• 代理人: 羅滿

1.一種基于CNN的無標(biāo)定曲面所包含拼接曲面?zhèn)€數(shù)識(shí)別方法，其特征在于，包括：

CNN拼接曲面?zhèn)€數(shù)識(shí)別器訓(xùn)練過程：

步驟A，在目標(biāo)曲面的表面均勻采集n個(gè)目標(biāo)曲面點(diǎn)云，并根據(jù)橢球曲面的擬合方法計(jì)算每個(gè)所述目標(biāo)曲面點(diǎn)云對應(yīng)的兩個(gè)主曲率，然后選取每個(gè)所述目標(biāo)曲面點(diǎn)云的三維坐標(biāo)值及兩個(gè)主曲率作為代表所述目標(biāo)曲面點(diǎn)云的五個(gè)特征，從而獲得所述目標(biāo)曲面五維點(diǎn)云組；

步驟B，利用主元分析PCA方法將所述目標(biāo)曲面五維點(diǎn)云組降維至二維，從而獲得目標(biāo)曲面二維點(diǎn)云組；

步驟C，預(yù)先通過人工標(biāo)定方式找出所述目標(biāo)曲面所包含拼接曲面?zhèn)€數(shù)，并對所述目標(biāo)曲面二維點(diǎn)云組進(jìn)行標(biāo)定，構(gòu)成一組已標(biāo)定訓(xùn)練數(shù)據(jù)；

步驟D，對X個(gè)不同的所述目標(biāo)曲面重復(fù)步驟A至步驟C，獲得X組所述已標(biāo)定訓(xùn)練數(shù)據(jù)，從X組所述已標(biāo)定訓(xùn)練數(shù)據(jù)中隨機(jī)選取m組構(gòu)成訓(xùn)練集P，剩余的所述已標(biāo)定訓(xùn)練數(shù)據(jù)構(gòu)成測試集S，通過所述訓(xùn)練集P和所述測試集S對CNN拼接曲面?zhèn)€數(shù)識(shí)別器進(jìn)行訓(xùn)練，直至所述CNN拼接曲面?zhèn)€數(shù)識(shí)別器訓(xùn)練成功為止；

待識(shí)別目標(biāo)曲面所包含拼接曲面?zhèn)€數(shù)識(shí)別過程：

步驟E，在待識(shí)別目標(biāo)曲面的表面均勻采集n個(gè)待識(shí)別目標(biāo)曲面點(diǎn)云，并根據(jù)橢球曲面的擬合方法計(jì)算每個(gè)所述待識(shí)別目標(biāo)曲面點(diǎn)云對應(yīng)的兩個(gè)主曲率，然后選取每個(gè)所述待識(shí)別目標(biāo)曲面點(diǎn)云的三維坐標(biāo)值及兩個(gè)主曲率作為代表所述待識(shí)別目標(biāo)曲面點(diǎn)云的五個(gè)特征，從而獲得待識(shí)別目標(biāo)曲面五維點(diǎn)云組；

步驟F，利用主元分析PCA方法將所述待識(shí)別目標(biāo)曲面五維點(diǎn)云組降維至二維，從而獲得待識(shí)別目標(biāo)曲面二維點(diǎn)云組，并將該待識(shí)別目標(biāo)曲面二維點(diǎn)云組作為一組待識(shí)別目標(biāo)曲面數(shù)據(jù)；

步驟G，將步驟F獲得的所述待識(shí)別目標(biāo)曲面數(shù)據(jù)輸入已訓(xùn)練成功的所述CNN拼接曲面?zhèn)€數(shù)識(shí)別器中以輸出所述待識(shí)別目標(biāo)曲面所包含拼接曲面?zhèn)€數(shù)；

其中，n、X、m均為正整數(shù)，且m小于X。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述CNN拼接曲面?zhèn)€數(shù)識(shí)別器訓(xùn)練方法具體包括：

創(chuàng)建所述CNN拼接曲面?zhèn)€數(shù)識(shí)別器的CNN模型，所述CNN模型采用LENET結(jié)構(gòu)并且最后3層使用MLP，所述CNN模型中所有激活函數(shù)采用ReLU函數(shù)；隨機(jī)初始化所述CNN模型中所有權(quán)值和閾值，根據(jù)用戶需要分別初始化所述CNN模型的學(xué)習(xí)率、批量訓(xùn)練樣本數(shù)目及最小誤差Nm；

對所述訓(xùn)練集P中各組所述已標(biāo)定訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，并從所述訓(xùn)練集P中依次選取一組所述已標(biāo)定訓(xùn)練數(shù)據(jù)輸入到所述CNN模型，按照前向傳播的公式計(jì)算相應(yīng)的模型輸出；按照誤差公式計(jì)算出該組已標(biāo)定訓(xùn)練數(shù)據(jù)輸入到所述CNN模型后的模型輸出和所述人工標(biāo)定方式得到的結(jié)果之間的誤差，并按照反向傳播算法調(diào)節(jié)所述CNN模型所有權(quán)值和閾值；

一次訓(xùn)練完成后，計(jì)算整體誤差N，若整體誤差N最小誤差Nm，則所述CNN模型訓(xùn)練結(jié)束，否則按照上述訓(xùn)練步驟繼續(xù)訓(xùn)練所述CNN模型，直至整體誤差N最小誤差Nm則結(jié)束訓(xùn)練；

將所述測試集S進(jìn)行歸一化處理，并從所述測試集S中依次選取一組已標(biāo)定訓(xùn)練數(shù)據(jù)輸入到已完成訓(xùn)練的所述CNN模型中，按照前向傳播的公式計(jì)算相應(yīng)的模型輸出，并與所述人工標(biāo)定方式得到的結(jié)果進(jìn)行對比，計(jì)算所述測試集S的整體錯(cuò)誤率M，若所述整體錯(cuò)誤率M滿足要求，則所述CNN模型訓(xùn)練成功，否則所述CNN模型訓(xùn)練失敗，需再次不斷循環(huán)重復(fù)步驟A至步驟C以增加所述訓(xùn)練集P的已標(biāo)定訓(xùn)練數(shù)據(jù)組數(shù)，按照所述CNN模型訓(xùn)練步驟繼續(xù)訓(xùn)練，直至所述整體錯(cuò)誤率M滿足要求。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述獲得所述目標(biāo)曲面五維點(diǎn)云組的方法包括：

定義所述目標(biāo)曲面點(diǎn)云的第一特征為所述目標(biāo)曲面點(diǎn)云的x軸坐標(biāo)值，第二特征為上述目標(biāo)曲面點(diǎn)云的y軸坐標(biāo)值，第三特征為所述目標(biāo)曲面點(diǎn)云的z軸坐標(biāo)值，第四特征為兩個(gè)主曲率中的最大曲率r1，第五特征為兩個(gè)主曲率中的最小曲率r2。