申请/专利权人：南京航空航天大学

申请日：2024-02-18

公开（公告）日：2024-04-26

公开（公告）号：CN117726885B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/82;G06V10/80;G06V10/422;G06V10/44;G06N3/0455;G06N3/0499;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于三维几何自注意力机制的车身缝隙分类方法，包括：S1、构建车身缝隙分类数据集，该数据集包含车身缝隙点云数据及其对应的分类标签；S2、构建基于三维几何自注意力机制的车身缝隙点云分类网络模型，该模型包括几何结构嵌入模块、自注意力模块、几何特征解码器以及3个相互独立的邻域特征提取模块；S3、利用车身缝隙分类数据集对缝隙点云分类网络模型进行训练；S4、将待分类的车身缝隙点云数据输入训练后网络模型，得到缝隙分类结果。本发明有效提高了分类网络模型对于车身缝隙几何特征的提取能力，提升了分类网络模型对于车身缝隙数据的分类识别性能，解决了现有技术难以对车身缝隙点云数据进行高效精确分类的难题。

主权项：1.一种基于三维几何自注意力机制的车身缝隙分类方法，其特征在于，包括：S1、构建车身缝隙分类数据集，该数据集包含车身缝隙点云数据及其对应的分类标签；S2、构建基于三维几何自注意力机制的车身缝隙点云分类网络模型，该模型包括几何结构嵌入模块、自注意力模块、几何特征解码器以及3个相互独立的邻域特征提取模块；S3、利用车身缝隙分类数据集对车身缝隙点云分类网络模型进行训练；S4、将待分类的车身缝隙点云数据输入训练后的网络模型，得到分类结果；S2中，一个所述邻域特征提取模块，用于对输入的车身缝隙点云数据进行下采样，并对下采样后的每一个点构建邻域，提取得到邻域特征向量；所述几何结构嵌入模块，用于对下采样后的车身缝隙点云进行车身缝隙点云的位置编码，得到几何结构嵌入编码矩阵；所述自注意力模块，用于基于邻域特征向量，以所述几何结构嵌入编码矩阵作为位置编码，得到每一个点位的几何注意力特征向量；另外两个所述邻域特征提取模块，用于将所有点位的几何注意力特征向量压缩为全局几何特征感知向量；所述几何特征解码器，用于解析全局几何特征感知向量，得到车身缝隙类型概率分布向量；所述邻域特征提取模块具体包括下采样单元、邻域构建单元，特征提取单元；其中，下采样单元对车身缝隙点云C进行最远点采样得到下采样后的车身缝隙点云C1；邻域构建单元对C1中的每一个点构建其邻域点集；特征提取单元包括3层多层感知器MLP，对C1中的每个点的邻域点集进行特征提取，并进行最大池化，得到C1的邻域特征向量；所述几何结构嵌入模块具体包括角度编码单元与距离编码单元；从下采样后的车身缝隙点云C1中任意选择两点：pi,pj，角度编码单元以pi与其邻域内点pk连线与pi,pj连线之间的夹角θi,j,k作为角度编码矩阵中的元素，得到角度编码矩阵；距离编码单元计算pi,pj之间的距离di,j，构建距离编码矩阵；将角度编码矩阵与距离编码矩阵融合，得到几何结构嵌入编码矩阵；θi,j,k的计算公式为： 其中，Ki代表点pi的邻域，∥·∥2为L2范数值；di,j的计算公式为：di,j＝||pi-pj||2其中，||·||2为L2范数值；所述几何结构嵌入编码矩阵中的元素为δi,j，其计算公式为： 其中ω1，ω2为超参数，maxk代表在k的维度上进行最大池化；所述自注意力模块包括多头注意力模块，以几何结构嵌入编码矩阵作为位置编码，对邻域特征向量进行自注意力感知编码，得到每一个点位的几何注意力特征向量，公式为： 其中，yi为自注意力模块输出的几何注意力特征向量；δi,j为几何结构嵌入编码矩阵中的元素；N为下采样后的车身缝隙点云C1的点数，dc为自注意力模块中提取的特征维度，xi、xj为输入特征向量，T表示转置，softmax表示将多头注意力模块中提取的注意力分数值转化为概率分布；WQ、WK、WV、WE为多头注意力模块中对应的映射矩阵。

全文数据：

权利要求：

百度查询： 南京航空航天大学 一种基于三维几何自注意力机制的车身缝隙分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD