(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211083410.8 (22)申请日 2022.09.06 (71)申请人 南京航空航天大 学 地址 210000 江苏省南京市秦淮区御道街 29号 (72)发明人 汪俊　曾航彬　单忠德　李子宽　 肖坤　 (74)专利代理 机构 合肥汇融专利代理有限公司 34141 专利代理师 王秀芳 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/24(2022.01) G06V 10/25(2022.01) G06V 10/40(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种基于点云的飞机长桁平面特征提取方 法、 装置及设备 (57)摘要 本发明涉及平 面特征提取技术领域， 解决了 现有技术中飞机长桁的平面特征提取的精度和 准确率低的技术问题， 尤其涉及一种基于点云的 飞机长桁平面特征提取方法， 包括以下过程： 获 取飞机长桁的点云数据， 采用三维扫描仪获取飞 机长桁的点 云数据； 根据所获取的点云数据构建 训练集和验证集， 选取比例为0.6 ‑1的点云数据 作为训练集， 剩余的点云数据作为验证集； 构建 深度学习和球谐算子点云特征提取网络； 设置训 练深度学习和球谐算子点云特征提取网络的损 失函数。 本发 明通过在深度学习网络中加入球谐 算子， 能够更好地提取飞机长桁的平面特征， 从 而提高飞机长桁的平面特征提取的精度和准确 率。 权利要求书2页 说明书8页 附图3页 CN 115147834 A 2022.10.04 CN 115147834 A 1.一种基于点云的飞机 长桁平面特 征提取方法， 其特 征在于， 包括以下 过程： 获取飞机 长桁的点云数据； 根据所获取的点云数据构建训练集和验证集， 选取比例为0.6 ‑1的点云数据作为训练 集， 剩余的点云数据作为验证集； 构建深度学习和球谐算子点云特 征提取网络； 设置训练深度学习和球谐算子点云特 征提取网络的损失函数； 对深度学习和球谐算子点云特 征提取网络进行训练； 根据多维度拼接的点云的融合特 征获取飞机 长桁平面特 征的提取 结果。 2.根据权利要求1所述的飞机长桁平面特征提取方法， 其特征在于： 所述深度 学习和球 谐算子点云特征提取网络由多层融合特征编码网络和Detection  Head网络构成， 其中， 多 层融合特征编码网络包括多个PointExt， PointExt包括采样层、 分组层、 点网层和球谐算子 层。 3.根据权利要求2所述的飞机长桁平面特征提取方法， 其特征在于： Detection  Head网 络由SSD网络构成。 4.根据权利要求1所述的飞机长桁平面特征提取方法， 其特征在于： 在对深度 学习和球 谐算子点云特 征提取网络进行训练这 一步骤中， 具体包括以下 过程： 将训练集数据输入多层融合特征编码网络进行预处理， 将点云数据统一转换为检测目 标的俯视角度； 采用多层融合特征编码网络对预处理过的训练集数据进行编码， 获得多维度拼接的点 云的融合特 征； 对训练集的数据进行标注， 得出点云数据中检测目标的分类标签及边界框的坐标作为 真实值； 将多维度 拼接的点云的融合特征输入Detection  Head网络， 得到点云数据中检测目标 的预测点云数据中检测目标的边界框坐标及置信度； 根据预测值和真实值构建损失函数， 通过随机梯度 下降算法优化多层融合特征编码网 络的参数， 得到训练后的深度学习和球谐算子点云特 征提取网络模型。 5.根据权利要求4所述的飞机长桁平面特征提取方法， 其特征在于： 预测值为预测点云 数据中检测目标的边界框坐标及置信度， 真实值为点云数据中检测目标的分类标签及边界 框坐标。 6.根据权利要求1所述的飞机长桁平面特征提取方法， 其特征在于： 在根据多维度拼接 的点云的融合特 征获取飞机 长桁平面特 征的提取 结果这一步骤中， 具体包括以下 过程： 将多维度 拼接的点云的融合特征输入Detection  Head网络， 根据感受野的映射关系找 到俯视角度下的多维度采样平面上的中心坐标； 在每个中心坐标 上设置三个不同角度的3D预设框； 将3D预设框与标注的检测目标的边界框计算IoU， 并与设置的阈值进行对比， 得到最大 的IoU的3D预设框即为3D候选 框； 筛选得到的3D候选 框进行边框回归， 得到 3D候选框的坐标修 正偏移量； 根据3D候选框的初始位置坐标和边框回归得到的3D候选框的坐标修正偏移量进行计 算， 得到检测目标的预测边界框的位置坐标输出与该 预测边界框的置信度；权　利　要　求　书 1/2 页 2 CN 115147834 A 2将检测目标的预测边界框的位置坐标输出与该预测边界框的置信度输入训练后的深 度学习和球谐算子点云特 征提取网络模型中， 获得飞机 长桁平面特 征的提取 结果。 7.一种用于实现上述权利要求1 ‑6任一项所述的飞机长桁平面特征提取方法的装置， 其特征在于， 包括： 点云数据获取模块 （100） ， 所述点云数据获取模块 （100） 用于采用三维扫描仪获取飞机 长桁的点云数据； 训练集和验证集构 建模块 （200） ， 所述训练集和验证集构 建模块 （200） 用于根据所获取 的点云数据构建训练集和验证 集， 选取比例为 的点云数据作为训练集， 剩余的点云数据 作为验证集； 特征提取网络构 建模块 （300） ， 所述特征提取网络构 建模块 （300） 用于构 建深度学习和 球谐算子点云特 征提取网络； 损失函数设置模块 （400） ， 所述损失函数设置模块 （400） 用于设置训练深度学习和球谐 算子点云特 征提取网络的损失函数； 训练模块 （500） ， 所述训练模块 （500） 用于对深度学习和球谐算子点云特征提取网络进 行训练； 提取结果获得模块 （600） ， 所述提取结果获得模块 （600） 用于根据多维度拼接的点云的 融合特征获取飞机 长桁平面特 征的提取 结果。 8.一种用于实现上述权利要求1 ‑6任一项所述的飞机长桁平面特征提取方法的设备， 其特征在于， 包括： 处理器； 存储器； 以及一个或多个程序， 其中所述一个或多个程序被存储在存储器中， 并且被配置成由 所述处理器执行， 所述程序用于计算机执 行如权利要求1 ‑6中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115147834 A 3