[發明專利]基于卷積神經網絡的點云數據去噪方法

有效

• 申請號: 202011538245.1
• 申請日: 2020-12-23
• 公開（公告）號: CN112669230B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 李樹國;郭萬峰
• 申請（專利權）人: 天津博邁科海洋工程有限公司
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06V10/774;G06V10/82;G06K9/62;G06N3/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李素蘭

1.一種基于卷積神經網絡的點云數據去噪方法，其特征在于包括以下步驟：

步驟一、獲取原始三維點云數據：采用三維激光掃描技術掃描實際工程中需要獲得三維構型的第一油氣平臺，獲得第一油氣平臺的三維點云數據作為待去噪的點云數據并獲得待去噪的點云數據的幾何空間信息，同時使用三維激光掃描作為樣本物體的第二油氣平臺得到第二油氣平臺的三維點云數據作為用于后續訓練模型的點云數據并獲得用于后續訓練模型的點云數據的幾何空間信息；

步驟二、對于原始數據進行預處理，步驟為：

第一步，異常值的篩除：通過離群點分析，利用三維點云數據的幾何空間信息分別去掉待去噪的點云數據和后續訓練模型的點云數據中的離群點；

第二步，數據格式的規范化，具體步驟為：將需要去噪的點云數據和后續訓練模型的點云數據各自按照掃描的方向依次進行切塊得到多個標準化后的需要去噪的點云數據塊方陣以及后續訓練模型的點云數據塊方陣，每一個數據塊方陣大小為A*B*C，其中A代表數據塊的長度方向所包含的數據個數，B代表數據塊寬度方向所包含的數據個數，C代表數據塊高度方向所包含的數據個數，相鄰的兩個點云數據塊方陣存在重合區域，重合區域的大小由設定的重合參數α確定，重合區域大小為(A*α)*B*C；

步驟三、構建卷積神經網絡模型，具體過程如下：

第一步，通過sklearn中的函數設置卷積神經網絡模型A的超參數搭建卷積神經網絡模型A，所述的超參數包括：卷積神經網絡模型A輸入層大小設置為通過切塊得到的標準化后的數據塊方陣的大小，即A*B*C，卷積神經網絡內部采用卷積層、池化層相互交替的結構，所述的卷積層-池化層的深度均設置為10，每個卷積層使用64個卷積核，卷積層和輸出層的激活函數均選用relu激活函數，使用平方誤差損失作為損失函數，采用適應學習率的方式，根據訓練進行的階段自動調整學習率，最終輸出層為卷積神經網絡提取到的切塊后每一個數據塊方陣大小為A*B*C的數據塊方陣中所包含的多種高斯噪聲類別，用特征數字i代表不同類別的高斯噪聲，i＝1,2,3………n；

第二步，采用第一步的方法再建立和第一步中結構完全相同的n個卷積神經網絡模型B_i，i＝1～n，最終每個卷積神經網絡模型B_i為對在輸入層的數據塊方陣中加入與i值相同的特征數字類別的高斯噪聲訓練后得到的去噪模型，每個卷積神經網絡模型B_i的輸出層輸出的結果為去除與特征數字相對應的高斯噪聲類別后的數據塊方陣；

步驟四、訓練卷積神經網絡模型，具體過程為：

第一步、訓練數據準備：

將后續訓練模型的點云數據塊方陣進行數據增強，同時將每個特征數字代表的不同水平的高斯噪聲均單獨疊加到后續訓練模型的點云數據進行切塊標準化后得到的所有數據塊方陣中；

第二步，訓練卷積神經網絡模型A，具體方法為：利用第一步得到的經過數據增強和噪聲疊加后的所有數據塊方陣，先輸入卷積神經網絡模型A，以輸入數據塊方陣中包含的噪聲類別為輸出，對卷積神經網絡A進行訓練，得到訓練后的卷積神經網絡A；

第三步，訓練每一個卷積神經網絡模型B_i，具體方法為：

第一步，在后續訓練模型的所有數據塊方陣中分別疊加某一類別的高斯噪聲，然后分別輸入到i值與該類別的高斯噪聲的特征數字相同的卷積神經網絡模型B_i中，將疊加高斯噪聲前的后續訓練模型的所有數據塊方陣作為每一個卷積神經網絡模型B_i的輸出，對卷積神經網絡模型B_i進行訓練，得到訓練后的卷積神經網絡B_i；

第二步，不斷重復第一步，直至完成全部卷積神經網絡模型B_i的訓練；

步驟五、利用卷積神經網絡模型去噪，具體過程如下：

第一步，將待去噪的點云數據的所有標準化方陣數據分別輸入到訓練后的卷積神經網絡模型A中，利用卷積神經網絡A對待去噪的點云數據的標準化方陣數據所含高斯噪聲類別分類；

第二步，將噪聲類別分類的特征數字相同的所有待去噪的點云數據的標準化數據塊方陣分別輸入到i值與該類別的高斯噪聲的特征數字相同的訓練后的卷積神經網絡模型B_i中，卷積神經網絡模型B_i輸出去除與噪聲類別分類的特征數字相對應的噪聲后的所有數據塊方陣；

步驟六、去噪數據的還原，具體方法如下：

第一步，隨機選取一個去噪后的第一數據塊方陣；

第二步，利用查詢算法，匹配到與第一數據塊方陣的邊緣數據重合的第二數據塊方陣；

第三步，將第一數據塊方陣與第二數據塊方陣數據重合的部分進行拼接；

第四步，重復第二步和第三步，利用循環算法不斷拼接當前數據塊方陣的相鄰數據塊方陣，最終將所有數據塊方陣拼接得到去噪后的與輸入的原始含噪數據結構相同的點云數據。