买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉北京航空航天大学;北京工商大学申请的专利一种航空发动机卡箍的细粒度三维识别方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN113936218B 。

龙图腾网通过国家知识产权局官网在2025-09-23发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202111251325.3，技术领域涉及：G06V20/10；该发明授权一种航空发动机卡箍的细粒度三维识别方法是由孙军华;张洁;孙正茂设计研发完成，并于2021-10-26向国家知识产权局提交的专利申请。

本一种航空发动机卡箍的细粒度三维识别方法在说明书摘要公布了：一种航空发动机卡箍的细粒度三维识别方法，包括：采集标准航空发动机三维点云数据，以其中卡箍点云数据作为卡箍形状和位置标准，并为每个卡箍定义型号标准；对待测航空发动机三维点云数据，首先进行卡箍场景的语义分割，通过语义分割网络学习每个点的局部几何结构，生成逐点语义特征；进行卡箍实例化，结合聚类算法，得到完整的卡箍实例；进行卡箍细粒度识别，得到每个卡箍的型号类别；最终得到每个卡箍的点云数据及其型号。本发明相比面向二维图像数据的航空发动机检测技术，可以获取完整的检测数据，无需进行图像拼接，从而保证检测的一致性与高效性；不受光照不均、阴影遮挡、卡箍姿态变化和尺度变化等因素的影响。

本发明授权一种航空发动机卡箍的细粒度三维识别方法在权利要求书中公布了：1.一种航空发动机卡箍的细粒度三维识别方法，其特征在于，包括如下步骤：采集标准航空发动机三维点云数据，以其中卡箍点云数据作为卡箍形状和位置标准，并为每个卡箍定义型号标准； 对于待测航空发动机三维点云数据，首先进行卡箍场景的语义分割，通过语义分割网络学习每个点的局部几何结构，生成逐点语义特征，并将点云分为两类：卡箍点与背景点； 进行卡箍实例化，通过卡箍点的语义特征预测出每个卡箍点相对于该卡箍中心的偏移量，结合聚类算法，得到完整的卡箍实例； 进行卡箍细粒度识别，依据细粒度分类网络，根据不同型号卡箍之间的细粒度特征差异，得到每个卡箍的型号类别；最终得到每个卡箍的点云数据及其型号； 所述“采集标准航空发动机三维点云数据，以其中卡箍点云数据作为卡箍形状和位置标准，并为每个卡箍定义型号标准”的步骤包括： 选取一个无卡箍错漏装的标准航空发动机体S，采用三维传感器对S扫描采集标准航空发动机体的三维点云数据MS，并对其中的卡箍点云进行标注：将所述卡箍点云用于卡箍形状和位置的定义，并对每个卡箍定义型号标准；所述“对于待测航空发动机三维点云数据，首先进行卡箍场景的语义分割，通过语义分割网络学习每个点的局部几何结构，生成逐点语义特征，并将点云分为两类：卡箍点与背景点”的步骤包括： 线上检测时，采用三维传感器对待测航空发动机T进行整机扫描，获得待测航空发动机的三维点云数据MT； 卡箍场景语义分割：通过语义分割网络，基于编码和反编码过程，根据包括邻域空间位置关系、法向量信息、相对角度信息在内的每个点的邻域几何结构生成逐点语义特征其中：D为特征向量维度，n为MT的点数，编码过程包括随机采样、特征升维及注意力加权聚合，反编码过程通过最近邻上采样恢复点云维度；然后通过多层感知机MLP将语义特征转换为逐点类别标签，将点云分为卡箍点和背景点，从而得到每个卡箍点的三维坐标其中nc表示卡箍点的总个数； 在编码过程中，采样操作使用随机采样方法，在第i层随机无重复的选取个采样点，ni表示第i层点云的点数；特征升维操作通过搜索每个点pi的邻域，与每个邻域点生成特征向量然后对特征向量进行聚合得到该点的特征向量ri；特征向量主要由三部分构成：上一层网络学到的语义特征空间几何特征法向量特征语义特征的计算方法参见公式1： （1） 其中，表示对应的法向量，i表示层数； 空间几何特征的计算方法参见公式2： （2） 其中，表示向量的串联操作，||·||表示向量模长； 在计算法向量特征时，首先对于中心点构建点对计算得到两个辅助变量和参见公式3： （3） 其中，ni和分别为中心点和第k个邻域点的法向量； 接下来使用表示中心点与邻域点的法向量夹角余弦，表示法向量与两点间距离向量的夹角余弦，并用表示分别向和ni投影的长度构成的夹角，计算方法参见公式4： （4） 最终以角度充分表达出中心点与邻域点的法向量之间、法向量与距离向量之间的关系，得到法向量特征参见公式5： （5） 因此中心点与第k个邻域点构成的特征向量参见公式6： （6） 在聚合时使用加权求和的方式，通过网络为中的每个元素生成一个注意力得分参见公式7，其中的MLP是指多层感知机，然后将注意力得分作为权重乘到特征向量上后，实现加权求和，得到中心点pi的特征向量ri，计算方法参见公式8： （7） （8） 在反编码过程中，每层的特征来自两部分：第i+1层经过最近邻上采样的点特征、第i层的编码特征，所以第i层的特征的计算公式参见公式9： （9） 其中NNU表示最近邻上采样，该方法能够将点云维度由ni+1×D扩充至ni×D，注意，此处第i+1层点数小于第i层，故ni+1ni；新加入的点，共ni+1-ni个点的特征被赋予第i层点云中距离最近的点特征，因此的点数与ri的点数一致；再经过MLP得到反编码后的点云特征最终输出每个点的语义特征其中，“—”表示反编码； 通过MLP将语义特征转换为每个点的类别li＝MLPfi,此类别表示该点属于卡箍点或背景点； 卡箍实例化：根据卡箍场景语义分割所生成的逐点语义特征fi，通过MLP将卡箍点的语义特征转换为三维向量将其作为卡箍点朝向该卡箍实例中心的偏移量，的计算方法参见公式10： ； 式中，mean表示取平均；然后将每个卡箍点三维坐标xi加上对应的偏移量oi，得到偏移卡箍点三维坐标，再进行聚类算法；聚类算法使用广度优先搜索策略，该策略根据每个点的r为半径球邻域点数与阈值th1做出判断：若邻域点数小于th1，将该点归为噪声点；若大于th1，则将该点归为实例上的点，然后对该点邻域重复当前操作，直到邻域点数小于th1，此时该点已到达实例边界，并将该点归为实例边界点，得到完整的实例；在得到完整的实例后，将每个实例点的偏移坐标x′i减去对应的偏移量oi，得到无偏移的卡箍实例，m是无偏移的卡箍的个数； 所述“进行卡箍实例化，通过卡箍点的语义特征预测出每个卡箍点相对于该卡箍中心的偏移量，结合聚类算法，得到完整的卡箍实例”的步骤包括： 根据卡箍场景语义分割所生成的逐点语义特征fi，通过MLP将卡箍点的语义特征转换为三维向量，将其作为卡箍点朝向该卡箍实例中心的偏移量，其中为第j个卡箍实例的中心点三维坐标，mj表示该实例点云的点数；然后将每个卡箍点三维坐标xi与其对应的偏移量oi相加，得到向卡箍中心坍缩后的卡箍点三维坐标，此处，将这些点定义为移位卡箍点；然后对所有移位卡箍点进行聚类操作，最终得到多个完整的实例，其中m为实例个数，mj为第j个实例点云的点数；然后将每个移位卡箍实例的三维坐标减去对应的偏移量后，得到完整的、无偏移的卡箍实例。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京航空航天大学;北京工商大学，其通讯地址为：100083 北京市海淀区学院路37号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。