買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網獲悉北京航空航天大學;北京工商大學申請的專利一種航空發動機卡箍的細粒度三維識別方法獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN113936218B 。

龍圖騰網通過國家知識產權局官網在2025-09-23發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202111251325.3，技術領域涉及：G06V20/10；該發明授權一種航空發動機卡箍的細粒度三維識別方法是由孫軍華;張潔;孫正茂設計研發完成，并于2021-10-26向國家知識產權局提交的專利申請。

本一種航空發動機卡箍的細粒度三維識別方法在說明書摘要公布了：一種航空發動機卡箍的細粒度三維識別方法，包括：采集標準航空發動機三維點云數據，以其中卡箍點云數據作為卡箍形狀和位置標準，并為每個卡箍定義型號標準；對待測航空發動機三維點云數據，首先進行卡箍場景的語義分割，通過語義分割網絡學習每個點的局部幾何結構，生成逐點語義特征；進行卡箍實例化，結合聚類算法，得到完整的卡箍實例；進行卡箍細粒度識別，得到每個卡箍的型號類別；最終得到每個卡箍的點云數據及其型號。本發明相比面向二維圖像數據的航空發動機檢測技術，可以獲取完整的檢測數據，無需進行圖像拼接，從而保證檢測的一致性與高效性；不受光照不均、陰影遮擋、卡箍姿態變化和尺度變化等因素的影響。

本發明授權一種航空發動機卡箍的細粒度三維識別方法在權利要求書中公布了：1.一種航空發動機卡箍的細粒度三維識別方法，其特征在于，包括如下步驟：采集標準航空發動機三維點云數據，以其中卡箍點云數據作為卡箍形狀和位置標準，并為每個卡箍定義型號標準； 對于待測航空發動機三維點云數據，首先進行卡箍場景的語義分割，通過語義分割網絡學習每個點的局部幾何結構，生成逐點語義特征，并將點云分為兩類：卡箍點與背景點； 進行卡箍實例化，通過卡箍點的語義特征預測出每個卡箍點相對于該卡箍中心的偏移量，結合聚類算法，得到完整的卡箍實例； 進行卡箍細粒度識別，依據細粒度分類網絡，根據不同型號卡箍之間的細粒度特征差異，得到每個卡箍的型號類別；最終得到每個卡箍的點云數據及其型號； 所述“采集標準航空發動機三維點云數據，以其中卡箍點云數據作為卡箍形狀和位置標準，并為每個卡箍定義型號標準”的步驟包括： 選取一個無卡箍錯漏裝的標準航空發動機體S，采用三維傳感器對S掃描采集標準航空發動機體的三維點云數據MS，并對其中的卡箍點云進行標注：將所述卡箍點云用于卡箍形狀和位置的定義，并對每個卡箍定義型號標準；所述“對于待測航空發動機三維點云數據，首先進行卡箍場景的語義分割，通過語義分割網絡學習每個點的局部幾何結構，生成逐點語義特征，并將點云分為兩類：卡箍點與背景點”的步驟包括： 線上檢測時，采用三維傳感器對待測航空發動機T進行整機掃描，獲得待測航空發動機的三維點云數據MT； 卡箍場景語義分割：通過語義分割網絡，基于編碼和反編碼過程，根據包括鄰域空間位置關系、法向量信息、相對角度信息在內的每個點的鄰域幾何結構生成逐點語義特征其中：D為特征向量維度，n為MT的點數，編碼過程包括隨機采樣、特征升維及注意力加權聚合，反編碼過程通過最近鄰上采樣恢復點云維度；然后通過多層感知機MLP將語義特征轉換為逐點類別標簽，將點云分為卡箍點和背景點，從而得到每個卡箍點的三維坐標其中nc表示卡箍點的總個數； 在編碼過程中，采樣操作使用隨機采樣方法，在第i層隨機無重復的選取個采樣點，ni表示第i層點云的點數；特征升維操作通過搜索每個點pi的鄰域，與每個鄰域點生成特征向量然后對特征向量進行聚合得到該點的特征向量ri；特征向量主要由三部分構成：上一層網絡學到的語義特征空間幾何特征法向量特征語義特征的計算方法參見公式1： （1） 其中，表示對應的法向量，i表示層數； 空間幾何特征的計算方法參見公式2： （2） 其中，表示向量的串聯操作，||·||表示向量模長； 在計算法向量特征時，首先對于中心點構建點對計算得到兩個輔助變量和參見公式3： （3） 其中，ni和分別為中心點和第k個鄰域點的法向量； 接下來使用表示中心點與鄰域點的法向量夾角余弦，表示法向量與兩點間距離向量的夾角余弦，并用表示分別向和ni投影的長度構成的夾角，計算方法參見公式4： （4） 最終以角度充分表達出中心點與鄰域點的法向量之間、法向量與距離向量之間的關系，得到法向量特征參見公式5： （5） 因此中心點與第k個鄰域點構成的特征向量參見公式6： （6） 在聚合時使用加權求和的方式，通過網絡為中的每個元素生成一個注意力得分參見公式7，其中的MLP是指多層感知機，然后將注意力得分作為權重乘到特征向量上后，實現加權求和，得到中心點pi的特征向量ri，計算方法參見公式8： （7） （8） 在反編碼過程中，每層的特征來自兩部分：第i+1層經過最近鄰上采樣的點特征、第i層的編碼特征，所以第i層的特征的計算公式參見公式9： （9） 其中NNU表示最近鄰上采樣，該方法能夠將點云維度由ni+1×D擴充至ni×D，注意，此處第i+1層點數小于第i層，故ni+1ni；新加入的點，共ni+1-ni個點的特征被賦予第i層點云中距離最近的點特征，因此的點數與ri的點數一致；再經過MLP得到反編碼后的點云特征最終輸出每個點的語義特征其中，“—”表示反編碼； 通過MLP將語義特征轉換為每個點的類別li＝MLPfi,此類別表示該點屬于卡箍點或背景點； 卡箍實例化：根據卡箍場景語義分割所生成的逐點語義特征fi，通過MLP將卡箍點的語義特征轉換為三維向量將其作為卡箍點朝向該卡箍實例中心的偏移量，的計算方法參見公式10： ； 式中，mean表示取平均；然后將每個卡箍點三維坐標xi加上對應的偏移量oi，得到偏移卡箍點三維坐標，再進行聚類算法；聚類算法使用廣度優先搜索策略，該策略根據每個點的r為半徑球鄰域點數與閾值th1做出判斷：若鄰域點數小于th1，將該點歸為噪聲點；若大于th1，則將該點歸為實例上的點，然后對該點鄰域重復當前操作，直到鄰域點數小于th1，此時該點已到達實例邊界，并將該點歸為實例邊界點，得到完整的實例；在得到完整的實例后，將每個實例點的偏移坐標x′i減去對應的偏移量oi，得到無偏移的卡箍實例，m是無偏移的卡箍的個數； 所述“進行卡箍實例化，通過卡箍點的語義特征預測出每個卡箍點相對于該卡箍中心的偏移量，結合聚類算法，得到完整的卡箍實例”的步驟包括： 根據卡箍場景語義分割所生成的逐點語義特征fi，通過MLP將卡箍點的語義特征轉換為三維向量，將其作為卡箍點朝向該卡箍實例中心的偏移量，其中為第j個卡箍實例的中心點三維坐標，mj表示該實例點云的點數；然后將每個卡箍點三維坐標xi與其對應的偏移量oi相加，得到向卡箍中心坍縮后的卡箍點三維坐標，此處，將這些點定義為移位卡箍點；然后對所有移位卡箍點進行聚類操作，最終得到多個完整的實例，其中m為實例個數，mj為第j個實例點云的點數；然后將每個移位卡箍實例的三維坐標減去對應的偏移量后，得到完整的、無偏移的卡箍實例。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人北京航空航天大學;北京工商大學，其通訊地址為：100083 北京市海淀區學院路37號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。