【技術實現步驟摘要】
本申請涉及計算機，尤其涉及一種基于深度學習的三維點云語義分割方法、裝置、設備、存儲介質以及計算機程序產品。
技術介紹
1、隨著激光雷達等3d傳感器在無人駕駛、機器人項目中的應用，三維數據越來越受到學術界和工業界的重視。點云是一種重要的三維數據表示形式，它通過直接測量獲取，與人類觀察世界的方式相仿，能夠最大程度地保留物體的真實三維結構信息。
2、而這其中，三維點云語義分割正是自動駕駛導航、工業自動控制以及產品缺陷檢測等計算機視覺任務中的基礎任務，也是目前三維計算機視覺、深度學習中的研究熱點。
3、具體的，三維點云指的是某個坐標系下的點的數據集。點云數據除了具有三維的幾何位置以外，還可能包含了其它豐富的信息，例如顏色、分類值、強度值以及時間等。而點云的語義分割指的是根據輸入點云的三維空間坐標、rgb值等數據，輸出輸入點云中每個點的類別值。
4、然而，在實際應用中，由于實際獲取的點云包含大量噪聲，導致會降低針對點云語義分割的精確度；另外一方面，點云數據通常體量龐大，每個掃描可能產生數百萬甚至數十億的點，因而導致在針對海量數據進行訓練時，將耗費大量的計算資源。
5、由此可見，如何提高針對三維點云的語義分割任務的分割精度以及處理效率，成為目前亟待解決的技術問題。
技術實現思路
1、本申請實施例提供一種基于深度學習的三維點云語義分割方法，用以解決現有三維點云語義分割任務存在的分割精度較低，且分割效率較差的問題。
2、本申請實施例還提供
3、本申請實施例還提供一種基于深度學習的三維點云語義分割設備，用以解決現有三維點云語義分割任務存在的分割精度較低，且分割效率較差的問題。
4、本申請實施例還提供一種計算機可讀存儲介質，用以解決現有三維點云語義分割任務存在的分割精度較低，且分割效率較差的問題。
5、本申請實施例還提供一種計算機程序產品，用以解決現有三維點云語義分割任務存在的分割精度較低，且分割效率較差的問題。
6、本申請實施例采用下述技術方案：
7、一種基于深度學習的三維點云語義分割方法，包括：獲取待檢測物體對應的深度圖；根據所述深度圖，生成所述待檢測物體對應的點云數據；將所述深度圖輸入預先訓練好的目標檢測模型，通過所述目標檢測模型，確定所述待檢測物體對應的候選檢測區域；根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據；將所述候選點云數據輸入預先訓練好的點云語義分割模型，根據所述點云語義分割模型，得到所述候選點云數據對應的語義分割結果；將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測。
8、一種基于深度學習的三維點云語義分割裝置，包括：深度圖獲取單元，用于獲取待檢測物體對應的深度圖；深度圖轉換單元，用于根據所述深度圖，生成所述待檢測物體對應的點云數據；候選區域識別單元，用于將所述深度圖輸入預先訓練好的目標檢測模型，通過所述目標檢測模型，確定所述待檢測物體對應的候選檢測區域；候選區域轉換單元，用于根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據；語義分割單元，用于將所述候選點云數據輸入預先訓練好的點云語義分割模型，根據所述點云語義分割模型，得到所述候選點云數據對應的語義分割結果；預測單元，用于將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測。
9、一種基于深度學習的三維點云語義分割設備，包括：
10、處理器；以及被安排成存儲計算機可執行指令的存儲器，所述可執行指令在被執行時使所述處理器執行以下操作：獲取待檢測物體對應的深度圖；根據所述深度圖，生成所述待檢測物體對應的點云數據；將所述深度圖輸入預先訓練好的目標檢測模型，通過所述目標檢測模型，確定所述待檢測物體對應的候選檢測區域；根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據；將所述候選點云數據輸入預先訓練好的點云語義分割模型，根據所述點云語義分割模型，得到所述候選點云數據對應的語義分割結果；將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測。
11、一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執行時，使得所述電子設備執行以下操作：獲取待檢測物體對應的深度圖；根據所述深度圖，生成所述待檢測物體對應的點云數據；將所述深度圖輸入預先訓練好的目標檢測模型，通過所述目標檢測模型，確定所述待檢測物體對應的候選檢測區域；根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據；將所述候選點云數據輸入預先訓練好的點云語義分割模型，根據所述點云語義分割模型，得到所述候選點云數據對應的語義分割結果；將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測。
12、一種計算機程序產品，包括計算機程序，所述計算機程序被處理器執行時實現：獲取待檢測物體對應的深度圖；根據所述深度圖，生成所述待檢測物體對應的點云數據；將所述深度圖輸入預先訓練好的目標檢測模型，通過所述目標檢測模型，確定所述待檢測物體對應的候選檢測區域；根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據；將所述候選點云數據輸入預先訓練好的點云語義分割模型，根據所述點云語義分割模型，得到所述候選點云數據對應的語義分割結果；將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測。
13、本申請實施例采用的上述至少一個技術方案能夠達到以下有益效果：
14、采用本申請實施例提供的基于深度學習的三維點云語義分割方法，在通過執行三維點云語義分割任務對物體進行缺陷檢測時，首先可以獲取待檢測物體對應的深度圖，并根據獲取到的深度圖，生成待檢測物體對應的點云數據；進而將深度圖輸入預先訓練好的目標檢測模型，通過目標檢測模型，確定待檢測物體對應的候選檢測區域，以實現第一階段在灰度圖上進行對待檢測物體缺陷的初步定位；接下來，根據待檢測物體對應的點云數據，確定在第一階段初步定位的候選檢測區域所對應的候選點云數據，并將候選點云數據輸入預先訓練好的點云語義分割模型，根據點云語義分割模型，得到候選點云數據對應的語義分割結果，最后將語義分割結果映射至點云數據，實現對待檢測物體的缺陷檢測。采用本申請實施例所提供的基于深度學習的三維點云語義分割方法，一方面，通過目標檢測以及點云語義分割兩個階段，能夠精確識別和分割出待檢測物體中所存在的細小缺陷，極大地提高了三維點云語義分割任務的準確度；另外一方面，通過在二維層面上進行的目標檢測操作，可以快速地對三維點云語本文檔來自技高網...
【技術保護點】
1.一種基于深度學習的三維點云語義分割方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述根據所述深度圖，生成所述待檢測物體對應的點云數據，具體包括：
3.根據權利要求1所述的方法，其特征在于，預先訓練所述目標檢測模型，具體包括：
4.根據權利要求1所述的方法，其特征在于，預先訓練所述點云語義分割模型，具體包括：
5.根據權利要求2所述的方法，其特征在于，所述根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據，具體包括：
6.根據權利要求1所述的方法，其特征在于，所述將所述語義分割結果映射至所述點云數據，實現對所述待檢測物體的缺陷檢測，具體包括：
7.一種基于深度學習的三維點云語義分割裝置，其特征在于，包括：
8.一種基于深度學習的三維點云語義分割設備，包括：
9.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲一個或多個程序，所述一個或多個程序當被包括多個應用程序的電子設備執行時，使得所述電子設備執行如權利要
10.一種計算機程序產品，其特征在于，包括計算機程序，所述計算機程序被處理器執行時實現如權利要求1-6任一項所述的基于深度學習的三維點云語義分割方法。
...【技術特征摘要】
1.一種基于深度學習的三維點云語義分割方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述根據所述深度圖，生成所述待檢測物體對應的點云數據，具體包括：
3.根據權利要求1所述的方法，其特征在于，預先訓練所述目標檢測模型，具體包括：
4.根據權利要求1所述的方法，其特征在于，預先訓練所述點云語義分割模型，具體包括：
5.根據權利要求2所述的方法，其特征在于，所述根據所述待檢測物體對應的點云數據，確定所述候選檢測區域在所述待檢測物體對應的點云數據中對應的候選點云數據，具體包括：
6.根據權利要求1所述的方法，其特征在于，所述將...
【專利技術屬性】
技術研發人員：高紅超，田桂，趙輝，李鑫，
申請(專利權)人：廣東奧普特科技股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。