【技术实现步骤摘要】
本申请涉及计算机，尤其涉及一种基于深度学习的三维点云语义分割方法、装置、设备、存储介质以及计算机程序产品。
技术介绍
1、随着激光雷达等3d传感器在无人驾驶、机器人项目中的应用，三维数据越来越受到学术界和工业界的重视。点云是一种重要的三维数据表示形式，它通过直接测量获取，与人类观察世界的方式相仿，能够最大程度地保留物体的真实三维结构信息。
2、而这其中，三维点云语义分割正是自动驾驶导航、工业自动控制以及产品缺陷检测等计算机视觉任务中的基础任务，也是目前三维计算机视觉、深度学习中的研究热点。
3、具体的，三维点云指的是某个坐标系下的点的数据集。点云数据除了具有三维的几何位置以外，还可能包含了其它丰富的信息，例如颜色、分类值、强度值以及时间等。而点云的语义分割指的是根据输入点云的三维空间坐标、rgb值等数据，输出输入点云中每个点的类别值。
4、然而，在实际应用中，由于实际获取的点云包含大量噪声，导致会降低针对点云语义分割的精确度；另外一方面，点云数据通常体量庞大，每个扫描可能产生数百万甚至数十亿的点，因而导致在针对海量数据进行训练时，将耗费大量的计算资源。
5、由此可见，如何提高针对三维点云的语义分割任务的分割精度以及处理效率，成为目前亟待解决的技术问题。
技术实现思路
1、本申请实施例提供一种基于深度学习的三维点云语义分割方法，用以解决现有三维点云语义分割任务存在的分割精度较低，且分割效率较差的问题。
2、本申请实施例还提供
3、本申请实施例还提供一种基于深度学习的三维点云语义分割设备，用以解决现有三维点云语义分割任务存在的分割精度较低，且分割效率较差的问题。
4、本申请实施例还提供一种计算机可读存储介质，用以解决现有三维点云语义分割任务存在的分割精度较低，且分割效率较差的问题。
5、本申请实施例还提供一种计算机程序产品，用以解决现有三维点云语义分割任务存在的分割精度较低，且分割效率较差的问题。
6、本申请实施例采用下述技术方案：
7、一种基于深度学习的三维点云语义分割方法，包括：获取待检测物体对应的深度图；根据所述深度图，生成所述待检测物体对应的点云数据；将所述深度图输入预先训练好的目标检测模型，通过所述目标检测模型，确定所述待检测物体对应的候选检测区域；根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据；将所述候选点云数据输入预先训练好的点云语义分割模型，根据所述点云语义分割模型，得到所述候选点云数据对应的语义分割结果；将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测。
8、一种基于深度学习的三维点云语义分割装置，包括：深度图获取单元，用于获取待检测物体对应的深度图；深度图转换单元，用于根据所述深度图，生成所述待检测物体对应的点云数据；候选区域识别单元，用于将所述深度图输入预先训练好的目标检测模型，通过所述目标检测模型，确定所述待检测物体对应的候选检测区域；候选区域转换单元，用于根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据；语义分割单元，用于将所述候选点云数据输入预先训练好的点云语义分割模型，根据所述点云语义分割模型，得到所述候选点云数据对应的语义分割结果；预测单元，用于将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测。
9、一种基于深度学习的三维点云语义分割设备，包括：
10、处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行以下操作：获取待检测物体对应的深度图；根据所述深度图，生成所述待检测物体对应的点云数据；将所述深度图输入预先训练好的目标检测模型，通过所述目标检测模型，确定所述待检测物体对应的候选检测区域；根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据；将所述候选点云数据输入预先训练好的点云语义分割模型，根据所述点云语义分割模型，得到所述候选点云数据对应的语义分割结果；将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测。
11、一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行以下操作：获取待检测物体对应的深度图；根据所述深度图，生成所述待检测物体对应的点云数据；将所述深度图输入预先训练好的目标检测模型，通过所述目标检测模型，确定所述待检测物体对应的候选检测区域；根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据；将所述候选点云数据输入预先训练好的点云语义分割模型，根据所述点云语义分割模型，得到所述候选点云数据对应的语义分割结果；将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测。
12、一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现：获取待检测物体对应的深度图；根据所述深度图，生成所述待检测物体对应的点云数据；将所述深度图输入预先训练好的目标检测模型，通过所述目标检测模型，确定所述待检测物体对应的候选检测区域；根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据；将所述候选点云数据输入预先训练好的点云语义分割模型，根据所述点云语义分割模型，得到所述候选点云数据对应的语义分割结果；将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测。
13、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
14、采用本申请实施例提供的基于深度学习的三维点云语义分割方法，在通过执行三维点云语义分割任务对物体进行缺陷检测时，首先可以获取待检测物体对应的深度图，并根据获取到的深度图，生成待检测物体对应的点云数据；进而将深度图输入预先训练好的目标检测模型，通过目标检测模型，确定待检测物体对应的候选检测区域，以实现第一阶段在灰度图上进行对待检测物体缺陷的初步定位；接下来，根据待检测物体对应的点云数据，确定在第一阶段初步定位的候选检测区域所对应的候选点云数据，并将候选点云数据输入预先训练好的点云语义分割模型，根据点云语义分割模型，得到候选点云数据对应的语义分割结果，最后将语义分割结果映射至点云数据，实现对待检测物体的缺陷检测。采用本申请实施例所提供的基于深度学习的三维点云语义分割方法，一方面，通过目标检测以及点云语义分割两个阶段，能够精确识别和分割出待检测物体中所存在的细小缺陷，极大地提高了三维点云语义分割任务的准确度；另外一方面，通过在二维层面上进行的目标检测操作，可以快速地对三维点云语本文档来自技高网...
【技术保护点】
1.一种基于深度学习的三维点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述深度图，生成所述待检测物体对应的点云数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，预先训练所述目标检测模型，具体包括：
4.根据权利要求1所述的方法，其特征在于，预先训练所述点云语义分割模型，具体包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据，具体包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述语义分割结果映射至所述点云数据，实现对所述待检测物体的缺陷检测，具体包括：
7.一种基于深度学习的三维点云语义分割装置，其特征在于，包括：
8.一种基于深度学习的三维点云语义分割设备，包括：
9.一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行如权利要
10.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于深度学习的三维点云语义分割方法。
...【技术特征摘要】
1.一种基于深度学习的三维点云语义分割方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述根据所述深度图，生成所述待检测物体对应的点云数据，具体包括：
3.根据权利要求1所述的方法，其特征在于，预先训练所述目标检测模型，具体包括：
4.根据权利要求1所述的方法，其特征在于，预先训练所述点云语义分割模型，具体包括：
5.根据权利要求2所述的方法，其特征在于，所述根据所述待检测物体对应的点云数据，确定所述候选检测区域在所述待检测物体对应的点云数据中对应的候选点云数据，具体包括：
6.根据权利要求1所述的方法，其特征在于，所述将...
【专利技术属性】
技术研发人员：高红超，田桂，赵辉，李鑫，
申请(专利权)人：广东奥普特科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。