基于卷积神经网络的点云数据去噪方法技术

本发明专利技术公开了一种基于卷积神经网络的点云数据去噪方法,首先获取原始三维点云数据，并对原始数据进行预处理，筛除异常值，规范化数据格式，构建卷积神经网络模型，通过sklearn中的函数设置卷积神经网络模型A的超参数搭建卷积神经网络模型A、Bi，准备训练数据，分别训练卷积神经网络模型A、Bi(i＝1～n)，利用卷积神经网络模型去噪，最后利用查询算法还原去噪数据。本方法既能满足电磁屏蔽要求，又能解决海洋电气间温度过高问题。本方法可以有效完成石油平台经三维扫描获取的含噪点云数据的去噪。噪。

【技术实现步骤摘要】
基于卷积神经网络的点云数据去噪方法


[0001]本专利技术属于处理点云数据所包含噪声的方法，尤其是涉及石油平台经三维扫描获取的点云数据去噪方法。

技术介绍

[0002]在对于南海地区深水资源的开采和开发过程中，需要采用一些规模较大的钻井平台。在大型石油及天然气的开采装备建造中，大型海洋工程模块采用分段合拢的方式建造完成的。在分层建造的过程中，需要保证建造安装过程的精度。为了保证安装时的精度，一般从两个方面入手进行控制：一是严格控制每层的制造精度，二是采用高精度的测量方法对结构安装位置进行监控，保证整体的安装精度。目前国内对于大型海洋工程模块的测量技术还没有发展出一套成熟完整的安装精度控制技术。同时，在使用三维激光扫描技术采集大型海洋工程石油平台的三维点云数据的过程中，扫描得到的大型海洋工程石油平台的三维点云数据由于传感器测量的误差以及平台本身可能包含的不确定性因素，因此不可避免地会存在噪声，噪声的存在会极大地影响高精度控制技术的实施，目前存在的去噪算法大多依赖点云数据的先验分布，而得到这种分布通常需要极高的专业水平，且针对不同的石油平台，噪声的先验分布可能存在差异，如果按照传统的去噪方式，对一个新的石油平台通过三维激光扫描技术得到的三维点云数据进行去噪时需要再次对得到的三维点云数据中的噪声进行评估，得到点云数据的先验分布，这些缺点使得目前的方法对于通过三维激光扫描技术得到的三维点云数据去噪的过程十分复杂且不具有可迁移性。

技术实现思路

[0003]本专利技术的目的在于克服已有技术的缺陷，提供一种含噪点云数据的去噪工作的基于卷积神经网络的新型点云数据去噪算法。
[0004]为实现上述目的，本专利技术采用的技术方案为：
[0005]本专利技术的一种基于卷积神经网络的点云数据去噪算法，包括以下步骤：
[0006]步骤一、获取原始三维点云数据：采用三维激光扫描技术扫描实际工程中需要获得三维构型的第一油气平台，获得第一油气平台的三维点云数据作为待去噪的点云数据并获得待去噪的点云数据的几何空间信息，同时使用三维激光扫描作为样本物体的第二油气平台得到第二油气平台的三维点云数据作为用于后续训练模型的点云数据并获得用于后续训练模型的点云数据的几何空间信息；
[0007]步骤二、对于原始数据进行预处理，步骤为：
[0008]第一步，异常值的筛除：通过离群点分析，利用三维点云数据的几何空间信息分别去掉待去噪的点云数据和后续训练模型的点云数据中的离群点；
[0009]第二步，数据格式的规范化，具体步骤为：将需要去噪的点云数据和后续训练模型的点云数据各自按照扫描的方向依次进行切块得到多个标准化后的需要去噪的点云数据块方阵以及后续训练模型的点云数据块方阵，每一个数据块方阵大小为A*B*C，其中A代表
数据块的长度方向所包含的数据个数，B代表数据块宽度方向所包含的数据个数，C代表数据块高度方向所包含的数据个数，相邻的两个点云数据块方阵存在重合区域，重合区域的大小由设定的重合参数α确定，重合区域大小为(A*α)*B*C；
[0010]步骤三、构建卷积神经网络模型，具体过程如下：
[0011]第一步，通过sklearn中的函数设置卷积神经网络模型A的超参数搭建卷积神经网络模型A，所述的超参数包括：卷积神经网络模型A输入层大小设置为通过切块得到的标准化后的数据块方阵的大小，即A*B*C，卷积神经网络内部采用卷积层、池化层相互交替的结构，所述的卷积层
‑
池化层的深度均设置为10，每个卷积层使用64个卷积核，卷积层和输出层的激活函数均选用relu激活函数，使用平方误差损失作为损失函数，采用适应学习率的方式，根据训练进行的阶段自动调整学习率，最终输出层为卷积神经网络提取到的切块后每一个数据块方阵大小为A*B*C的数据块方阵中所包含的多种高斯噪声类别，用特征数字n代表不同类别的高斯噪声，n＝1,2,3
……
n；
[0012]第二步，采用第一步的方法再建立和第一步中结构完全相同的n个卷积神经网络模型B
i
， i＝1
‑
n，最终每个卷积神经网络模型B
i
为对在输入层的数据块方阵中加入与i值相同的特征数字类别的高斯噪声训练后得到的去噪模型，每个卷积神经网络模型B
i
的输出层输出的结果为去除与特征数字相对应的高斯噪声类别后的数据块方阵；
[0013]步骤四、训练卷积神经网络模型，具体过程为：
[0014]第一步、训练数据准备：
[0015]将每个特征数字代表的不同水平的高斯噪声均单独叠加到后续训练模型的点云数据进行切块标准化后得到的所有数据块方阵中；
[0016]第二步，训练卷积神经网络模型A，具体方法为：利用第一步得到的经过数据增强和噪声叠加后的所有数据块方阵，先输入卷积神经网络模型A，以输入数据块方阵中包含的噪声类别为输出，对卷积神经网络A进行训练，得到训练后的卷积神经网络A；
[0017]第三步，训练每一个卷积神经网络模型B
i
，具体方法为：
[0018]第一步，在后续训练模型的所有数据块方阵中分别叠加某一类别的高斯噪声，然后分别输入到i值与该类别的高斯噪声的特征数字相同的卷积神经网络模型B
i
中，将叠加高斯噪声前的后续训练模型的所有数据块方阵作为每一个卷积神经网络模型B
i
的输出，对卷积神经网络模型B
i
进行训练，得到训练后的卷积神经网络B
i
；
[0019]第二步，不断重复第一步，直至完成全部卷积神经网络模型B
i
的训练；
[0020]步骤五、利用卷积神经网络模型去噪，具体过程如下：
[0021]第一步，将待去噪的点云数据的所有标准化方阵数据分别输入到训练后的卷积神经网络模型A中，利用卷积神经网络A对待去噪的点云数据的标准化方阵数据所含高斯噪声类别分类；
[0022]第二步，将噪声类别分类的特征数字相同的所有待去噪的点云数据的标准化数据块方阵分别输入到i值与该类别的高斯噪声的特征数字相同的训练后的卷积神经网络模型B
i
中，卷积神经网络模型B
i
输出去除与噪声类别分类的特征数字相对应的噪声后的所有数据块方阵；
[0023]步骤六、去噪数据的还原，具体方法如下：
[0024]第一步，随机选取一个去噪后的第一数据块方阵；
[0025]第二步，利用查询算法，匹配到与第一数据块方阵的边缘数据重合的第二数据块方阵；
[0026]第三步，将第一数据块方阵与第二数据块方阵数据重合的部分进行拼接；
[0027]第四步，重复第二步和第三步，利用循环算法不断拼接当前数据块方阵的相邻数据块方阵，最终将所有数据块方阵拼接得到去噪后的与输入的原始含噪数据结构相同的点云数据。
[0028]本专利技术的有益效果：本方法可以有效完成石油平台经三维扫描获取的含噪点云数据的去噪，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的点云数据去噪算法，其特征在于包括以下步骤：步骤一、获取原始三维点云数据：采用三维激光扫描技术扫描实际工程中需要获得三维构型的第一油气平台，获得第一油气平台的三维点云数据作为待去噪的点云数据并获得待去噪的点云数据的几何空间信息，同时使用三维激光扫描作为样本物体的第二油气平台得到第二油气平台的三维点云数据作为用于后续训练模型的点云数据并获得用于后续训练模型的点云数据的几何空间信息；步骤二、对于原始数据进行预处理，步骤为：第一步，异常值的筛除：通过离群点分析，利用三维点云数据的几何空间信息分别去掉待去噪的点云数据和后续训练模型的点云数据中的离群点；第二步，数据格式的规范化，具体步骤为：将需要去噪的点云数据和后续训练模型的点云数据各自按照扫描的方向依次进行切块得到多个标准化后的需要去噪的点云数据块方阵以及后续训练模型的点云数据块方阵，每一个数据块方阵大小为A*B*C，其中A代表数据块的长度方向所包含的数据个数，B代表数据块宽度方向所包含的数据个数，C代表数据块高度方向所包含的数据个数，相邻的两个点云数据块方阵存在重合区域，重合区域的大小由设定的重合参数α确定，重合区域大小为(A*α)*B*C；步骤三、构建卷积神经网络模型，具体过程如下：第一步，通过sklearn中的函数设置卷积神经网络模型A的超参数搭建卷积神经网络模型A，所述的超参数包括：卷积神经网络模型A输入层大小设置为通过切块得到的标准化后的数据块方阵的大小，即A*B*C，卷积神经网络内部采用卷积层、池化层相互交替的结构，所述的卷积层
‑
池化层的深度均设置为10，每个卷积层使用64个卷积核，卷积层和输出层的激活函数均选用relu激活函数，使用平方误差损失作为损失函数，采用适应学习率的方式，根据训练进行的阶段自动调整学习率，最终输出层为卷积神经网络提取到的切块后每一个数据块方阵大小为A*B*C的数据块方阵中所包含的多种高斯噪声类别，用特征数字n代表不同类别的高斯噪声，n＝1,2,3
……
n；第二步，采用第一步的方法再建立和第一步中结构完全相同的n个卷积神经网络模型B
i
，i＝1
‑
n，最终每个卷积神经网络模型B
i
为对在输入层的数据块方阵中加入与i值相同的特征数字类别的高斯噪声训练后得...

【专利技术属性】
技术研发人员：李树国，郭万峰，
申请(专利权)人：天津博迈科海洋工程有限公司，
类型：发明
国别省市：