买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：四川大学

摘要：本发明公开了一种基于深度学习的航发叶片多视场点云型线数据拼合方法，该方法通过提取视场和相邻视场的重叠部分点集，同时学习重叠部分点集的特征；然后通过注意力机制增强得到增强后的特征；然后构造稀疏姿态图，通过在图的每条边关联一个边缘权重来表现每条边的可靠性，通过对这些边权重迭代细化，使其包含更少的离群值，并且通过迭代后的边权重迭代地估计姿态，随着图中的边权重在迭代细化中逐渐稳定，最终收敛到正确的姿态，最后通过旋转同步算法计算旋转矩阵，然后通过平移同步算法计算平移向量，通过旋转矩阵和平移向量拼合叶片型面；本发明通过实验结果证明了本发明在航发叶片多视场型线数据的全局拼合上具有良好的精度和鲁棒性。

主权项：1.一种基于深度学习的航发叶片多视场点云型线数据拼合方法，包括如下步骤：步骤1：测量某一叶截面，且相邻两个测量视场的扫描数据包含重叠区域，获得一组包含N个测量视场的未对齐的扫描数据；获取相邻视场的重叠区源点云Si′和重叠区目标点云Sj′，提取重叠区源点云Si′和重叠区目标点云Sj′中特征Fij和Fji，Fij为Si中两视场的重叠部分的特征，Fji为Sj中两视场的重叠部分的特征，Si、Sj为相邻两个视场的扫描数据；步骤2：采用注意力机制来对特征Fij和Fji进行增强；步骤3：通过增强特征F′ij和F′ji以及重叠区域点云Si′和Sj′计算特征匹配矩阵式中，为点和点的特征相似度匹配矩阵，e为指数函数，一对点的特征距离；α＞0为离群参数，β＞0为退火参数，α，β＝MLPconcatSi′，Sj′，MLP为一个三层的全连接网络，concat为拼接函数；点云Si理想匹配点云通过对Si和其理想匹配点云进行奇异值分解求得预测的相对变换矩阵[Rij，tij]；其特征在于，还包括如下步骤：步骤4：重复步骤1～步骤3获得特征F＝{Fij′|i，j＝1，...，N}以及相邻视场之间的相对变换矩阵T＝{Tij＝Rij，tij|i，j＝1，...，N}；然后构造多视图配准的稀疏姿态图V是所有扫描视场的集合，V中元素vi为视场i上的扫描数据Si的点云数据，表示姿态图上的一个顶点，姿态图的每条边εij∈E，表示扫描数据Si和Sj之间的相对变换矩阵Tij；步骤5：通过边缘权重wij和相对变换矩阵Tij＝Rij，tij求解全局姿态{Ti＝Ri，ti，Rij为相邻视场点云Si，Sj的坐标系下的相对旋转矩阵，tij为平移向量；其中，首先通过旋转同步算法计算旋转矩阵，然后通过平移同步算法计算平移向量。

全文数据：

权利要求：

百度查询： 四川大学 基于深度学习的航发叶片多视场点云型线数据拼合方法