[發明專利]一種針對核電廠房內核設施的自動重構方法

有效

• 申請號: 202010632666.4
• 申請日: 2020-07-02
• 公開（公告）號: CN111882658B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 黃卓;丁杰雄;田從劍;孟國棟;李昊卿;余思佳;呂強;曹航;王嘉文;胡翀;劉躍
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T17/00
• 分類號: G06T17/00;G06N3/04;G06N3/08
• 代理公司: 成都虹盛匯泉專利代理有限公司 51268
• 代理人: 王偉

1.一種針對核電廠房內核設施的自動重構方法，其特征在于，包括以下步驟：

S1、通過基于飛越時間的大區域激光掃描儀與結構光雙目掃描儀組合掃描的方式，獲得核電廠房點云數據；

S2、利用卷積神經網絡模型PointNet對核電廠房點云數據進行處理，識別出所有核設施的點云數據；包括以下子步驟：

S2.1、通過結構光雙目掃描儀對每一個需要重構的核設施種類進行掃描，以獲得需要重構的核設施種類的點云數據Device_PointCloud，用Device_PointCloud[j]表示第j個需要重構的核設施種類，其中1≤j≤m，m為需要重構的核設施的種類類別總數；

S2.2、遍歷所述Device_PointCloud[j]的點云數據，得到Device_PointCloud[j]中的X向最值、Y向最值、Z向最值，分別記為Xmin、Xmax、Ymin、Ymax、Zmin、Zmax，以點(Xmax，Ymax，Zmax)、點(Xmin，Ymin，Zmax)、點(Xmax，Ymin，Zmax)、點(Xmin，Ymax，Zmax)、點(Xmax，Ymax，Zmin)、點(Xmin，Ymin，Zmin)、點(Xmax，Ymin，Zmin)和點(Xmin，Ymax，Zmin)為頂點構成一個長方體，該長方體即為Device_PointCloud[j]的最小軸對齊包圍盒minBox[j]；

以點(1.1Xmax-0.1Xmin，1.1Ymax-0.1Ymin，1.1Zmax-0.1Zmin)、點(1.1Xmin-0.1Xmax，1.1Ymin-0.1Ymax，1.1Zmax-0.1Zmin)、點(1.1Xmax-0.1Xmin，1.1Ymin-0.1Ymax，1.1Zmax-0.1Zmin)、點(1.1Xmin-0.1Xmax，1.1Ymax-0.1Ymin，1.1Zmax-0.1Zmin)、點(1.1Xmax-0.1Xmin，1.1Ymax-0.1Ymin，1.1Zmin-0.1Zmax)、點(1.1Xmin-0.1Xmax，1.1Ymin-0.1Ymax，1.1Zmin-0.1Zmax)、點(1.1Xmax-0.1Xmin，1.1Ymin-0.1Ymax，1.1Zmin-0.1Zmax)和點(1.1Xmin-0.1Xmax，1.1Ymax-0.1Ymin，1.1Zmin-0.1Zmin)為頂點構成一個長方體，該長方體即為Device_PointCloud[j]的最大軸對齊包圍盒maxBox[j]；

S2.3、對Device_PointCloud[j]的點云數據添加隨機噪聲；所述隨機噪聲在最小軸對齊包圍盒minBox[j]與最大軸對齊包圍盒maxBox[j]之間；隨機噪聲的點云數量在Device_PointCloud[j]的點云數量的1/20～1/40之間；

將得到的帶有隨機噪聲的核設施點云數據作為神經網絡的一組訓練樣本TraningSample_1，TraningSample_1點云數據中的屬于核設施的點云數據標記為1，屬于隨機噪聲的點云標記為0；

S2.4、重復執行步驟S2.3一百次，獲得一百個訓練樣本，分別記為TraningSample_1、TraningSample_2、TraningSample_3、……、TraningSample_100；

S2.5、將訓練樣本TraningSample_1、TraningSample_2，……，TraningSample_100送入卷積神經網絡模型PointNet中完成神經網絡的訓練；

S2.6、通過完成訓練的PointNet神經網絡模型對核電廠房點云數據PointCloud進行處理，識別出核電廠房中所有需要進行重構的核設施點云數據NuclearFacility，以NuclearFacility[k]表示在核電廠房中識別到的第k個需要進行重構的核設施，其中，1≤k≤l，l為在廠房的點云數據PointCloud中識別到的需要進行重構的核設施總數量；

S3、采用RANSAC算法對核設施的點云數據進行形面識別，得到組成核設施的所有形面的點云數據，以及所有形面的位置參數和尺寸參數；

S4、基于NURBS曲面對所有形面的點云數據進行形面重構。