CN116596939B 一种基于线激光扫描的三文鱼智能分割方法 （大连工业大学）

一种基于线激光扫描的三文鱼智能分割方法一种基于线激光扫描的三文鱼智能分割方割网络为基于PointNet++并结合Transformer改并生成方案，其通过去除异常点优化粗分割模云处理和深度学习进行点云分割，同时引入Transformer改善特征，通过异常点去除及三维2待传送带平稳运行，采用触发模式采集三文鱼表面数据，线激光方向的数据根据传送带速度进行补充；点云采集模块中ICP点云拼接算法用于拼接传送带步骤3：点云分割模块中设计一种基于PointNet++并结合Tran取效果的三文鱼点云分割网络模型，即在原网络特征传递层SA中引入Transformer模型提三文鱼点云分割网络模型的主干网络为PointNet++，其包括层征传播；在层次化特征学习中引入Transformer模型对点云局部特征与全局特征的提取进征层，在集合抽象层SA1引入Transformer模型对三文鱼点云模型的原始点集特征进行优步骤3.1.1设定采样层使用最远点采样从三文鱼点云模型的原始点集中选取点云簇的步骤3.1.2设定分组层按照球型检索选取采样中心点的邻域点，将选出的各个邻域点步骤3.1.3设定特征层使用PointNet提取各个子点云局部特征信息，PointNet提取采步骤3.2.1将集合抽象层SA1和集合抽象层SA2获取到特征基于反距离加权插值生成插3步骤4：分割规划模块中将步骤2中生成的三文鱼点云模型利用滚球法进行表面重建，分割规划模块中基于标签判别的异常点去除方法如下步骤2.1将线激光采集得到的三文鱼表面点云数据步骤2.4利用ICP算法拼接传送带空载运行点云及三步骤2.5利用阈值分割法去除原料两侧传送带表面形成的干扰数据，形成完整三文鱼4特征规划切割路径的方法及系统》(CN112669336A)中提出一种基于图像数据分割与深度学习的鱼体规划切割路径的方法，该方法将待分割鱼体图像数据输入到深度学习模型中，引入Transformer模型改进的原料点云分割网络并生成点云粗分割模型；设计了一种基于[0005]针对现有技术的不足，本发明提供一种基于线激光扫描5征提取效果的三文鱼点云分割网络模型，即在原网络特征传递层SA(SetAbstractionlayers)中引入Transformer模型提取特征，在第一次特征提取阶段利用Transformer再进[0013]三文鱼点云分割网络模型的主干网络为PointNet++，其包括层次化特征学习在层次化特征学习中引入Transformer模型对点云局部特征与全局特征的提取进行优化，[0014]步骤3.1.1设定采样层使用最远点采样(FPS)从三文鱼点云模型的原始点集中选[0018]设定步骤3.1.1中的采样点为集合抽象层SA2的原始点集，依次重复上述步骤[0020]步骤3.2.1将集合抽象层SA1和集合抽象层SA2获取到特征基于反距离加权插值生6[0031]步骤2.5利用阈值分割法去除原料两侧[0034](2)点云分割任务需要回归原始点集特征，而PointNet++由于多层次下采样不可7输送带1/2处的支撑架上，采集到的原料表面数据信息通过以太网连接方式传输给计算机8[0059]步骤A3利用移动最小二乘法进行点云平滑处理，设置用于拟合的K近邻半径为[0073]S2搭建主干网络为PointNet++，利用Transformer特征提取模块进行改进的深度[0074]S2.1.1设定采样层使用最远点采样(FPS)从原始点集中选取512个点作为点云簇9[0080]S2.2.1将SA1和SA2获取到特征基于反距离加权插值生成插值特征，利用skip_[0086]所述Transformer是一个基于多头注意力机制的模型，其本质上是一个Encoder_[0093]步骤1将点云采集模块生成的点云模型进行三维重构生成网格模型，本步骤中使[0095]步骤3将点云分割模块中生成的点云标签分类映射于对应的三维网格模型，对不中对比数据可以看出，本发明的方法与原分割结果的差异性更小，本发明提出的基于Transformer改进的PointNet++网络性能相较于原网络Point