基于点云目标检测算法的船体分段合拢面构件识别方法

在船体分段合拢面精度检测方面,三维激光扫描仪相比全站仪具有高效、高精度和操作便捷等优势。但扫描点云往往数据量庞大且会包含大量与设计模型无关的周围空间点,不仅增加运算时间而且影响配准精度。基于显著构件的点云配准方法能解决该问题,但实现显著构件的智能识别,还需要一种针对船体分段合拢面构件的智能识别算法。采用深度学习方法,构建一种基于点的、无锚点单阶段目标检测神经网络模型,其适用于船体分段合拢面点云数据,基本实现了对船体分段合拢面上构件的智能识别。使用ADAM优化器对网络进行优化训练,在测试集上获得了平均精确度均值P_(A-m)为64.36%的效果。研究成果可用于改进点云粗配准方法,为实现船体分段合拢面精度的智能高效检测提供帮助。

基于PointNet++的船体分段合拢面智能识别方法

船体分段合拢面的精度检测是分段总组合拢过程中的重要环节。在船体分段合拢面的精度检测方面,三维扫描仪相对全站仪有着巨大优势,但三维扫描仪在扫描过程中会记录很多与合拢面无关的点。文章对三维扫描仪扫描出的点云数据进行合拢面的智能识别;采用深度学习理论对PointNet++点云网络进行改进,使用CAD模型导出的点云数据构建有标注的船体分段点云数据集,进而使用Adam优化算法对网络进行优化训练。最终,网络模型对分段合拢面的识别在验证集上获得精确率73%、召回率90%的效果。