[发明专利]一种基于语义的激光条纹中心线提取及拟合方法

说明书

本发明公开了一种基于语义的激光条纹中心线提取及拟合方法，涉及三维测量与识别领域。该方法包括以下步骤：数据预处理；使用深度学习卷积神经网络进行语义分割的条纹语义分类；模糊填补以及语义表征。该方法在获取已知Z轴向空间坐标信息的激光条纹中心线后，将该条纹划分为至少一个单元，使用深度学习卷积神经网络预测所含全部单元在预设的语义类别中，所属的n个条纹段语义类别及各语义类别所对应的表征函数。再以条纹的单向封闭性为准则，填充任两单元间的空白区域即模糊区的语义信息。该方法可将三维空间内的激光条纹赋予各类语义特征，进而实现高精度的激光点云拟合与表征。

技术领域

本发明涉及三维测量与识别领域，尤其涉及一种基于语义的激光条纹中心线提取及拟合方法。

背景技术

高精度三维测量不止在工业制造进程中发挥着重要作用，同时也被广泛应用于光学精密工程、航空航天、机器人、芯片制造、汽车制造、水下探测等领域，成为越来越多的工业应用领域中功能实现、设备数据获取、零件数据获取、精度分析、质量检测等必不可少的环节。

随着制造精度的越来越高，非接触式测量逐渐成为主流趋势。其中，基于线结构光的高精度三维测量方法逐渐成为热点。该方法具有非接触、高精度、高速度、适用性广等突出的优势，成为三维测量的主流趋势。由于被测目标的多样性，物体轮廓中会包含多个分段，对于这种复杂测量的情况，要进一步分析物体的三维信息，必须先对复杂目标进行分段与提取。然而，现有的激光三维测量中存在着精度低、效率差、条纹边界模糊等问题。

因此，本领域的技术人员致力于开发一种基于语义的激光条纹中心线提取及拟合方法。

发明内容

有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是如何使测量条纹的边界图像更清晰。

为实现上述目的，本发明提供了一种基于语义的激光条纹中心线提取及拟合方法，其特征在于，包括以下步骤：

步骤1、数据预处理；

步骤2、使用深度学习卷积神经网络进行语义分割的条纹语义分类；

步骤3、模糊填补；

步骤4、语义表征。

进一步地，所述步骤1包括：在光刀法三维重建系统中获取原始数据，将三维空间点云分割为以帧为载体的待语义识别与表征的单元，并将所述单元保存为数据帧；所述数据帧还具有时间戳及光切法中的位移信息，所述时间戳及光切法中的位移信息作为三维空间中的z轴向基准；所述数据帧处于帧平面空间中；将各所述数据帧中的条纹划分为至少一个待语义识别与表征的单元。

进一步地，所述步骤2包括：以各所述数据帧所含的所述单元的特征信息为输入，利用深度学习卷积神经网络进行语义分割，得到各所述单元的预测结果；所述预测结果包括：预测出的多个语义类别，以及所述多个语义类别中每一个语义类别所对应的表征函数。

进一步地，所述步骤3包括：以所述条纹的单向封闭性为准则，填充任意两个所述单元间的空白区域的语义信息，所述语义信息至少包括训练后的神经网络的输出。

进一步地，所述步骤4包括：以所述条纹的所述语义信息为基准，同时结合所述数据帧所具有的空间特征向量信息，将所述语义信息与所述空间特征向量信息赋予三维空间中的各点，得到所述各点在三维空间中的语义表征信息。

进一步地，所述帧平面空间具有光切法的最小分辨力为基准的单元厚度。

进一步地，所述多个语义类别包括：包含直角、锐角、钝角等三类的角特征点；直线段；包含凸曲线、凹曲线等两类连续的分段曲线；阶跃处(或近似阶跃处)由于线结构光源特点显示为渐变曲线的局部线段。