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！

龙图腾网恭喜浙江点创信息科技有限公司申请的专利一种面向数字孪生场景的点云自动语义化建模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：CN116844004B 。

龙图腾网通过国家知识产权局官网在2025-03-11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：202310641174.5，技术领域涉及：G06V10/80；该发明授权一种面向数字孪生场景的点云自动语义化建模方法是由宋俊锋;梅浩;季苏华;胡斌帅;林振超;龚鑫铠;张统;范宏达;肖刚;陆佳炜设计研发完成，并于2023-06-01向国家知识产权局提交的专利申请。

本一种面向数字孪生场景的点云自动语义化建模方法在说明书摘要公布了：一种面向数字孪生场景的点云自动语义化建模方法，包括如下步骤：步骤一：构建点云数据集；步骤二：最远点下采样，通过最远点采样方式将原始点云数量下采样到固定值；步骤三：构建邻域集；步骤四：初级邻域特征；步骤五：编码局部形状特征；步骤六：构建多维度自适应卷积；步骤七：提取多维度形状语义特征；步骤八：自适应注意力机制；步骤九：编码器模块；步骤十：解码器模块；步骤十一：跳跃连接；步骤十二：计算分类结果；步骤十三：定义损失函数，方法的分割精度可以通过对比预测结果和真实结果之间的误差来反映，所述误差利用损失函数进行计算。本发明提高点云语义分割的效率和准确性。

本发明授权一种面向数字孪生场景的点云自动语义化建模方法在权利要求书中公布了：1.一种面向数字孪生场景的点云自动语义化建模方法，其特征在于，所述方法包括如下步骤：步骤一：构建点云数据集，过程如下：步骤1.1定义数据集倾斜摄影技术通过三维重建算法构建室外场景下的数字孪生模型，从而使用三维点云数据来表示现实场景的三维孪生模型；倾斜摄影技术通过无人机对室外场景进行多视角航拍，同时根据多视图中的相似点来还原出物体在三维空间中坐标；点云数据由一组密集的三维坐标构成，每个坐标点包含点云在三维空间中的坐标信息x,y,z以及反映点云数据纹理特征的外表信息f；将包含M个点的点云数据集记作P＝{pi|i＝1,…,M}，其中pi为表征第i个点的坐标信息，P对应的纹理特征集记作F＝{fi|i＝1,…,M}，fi为表征第i个点的颜色信息；步骤1.2点云数据预处理将点云数据集P进行随机旋转、缩放、加噪预处理操作，用于生成在不同情况下的点云数据集，从而增强方法对数据变化的抗干扰能力；步骤二：最远点下采样，通过最远点采样方式将原始点云数量下采样到固定值；步骤三：构建邻域集三维立体几何的形状是通过一组按照位置顺序排列的密集三维坐标表示，同一目标几何体内的点云数据在空间特征表示和高级语义表达上具有高度相似性；因此，在点云语义分割任务中，目标几何体的语义信息提取依赖于每个点与周围邻域点之间的关联性；基于传统搜索算法中的KNN方法计算出步骤二中点云的最近N个邻域点，点pi的邻域集记为Ni＝{ni,1,...,ni,N}，其中ni,k为第i个点pi的第k个邻域点，N为邻域点数量；步骤四：初级邻域特征根据中心点pi和邻域集Ni的三维空间坐标，通过相对位置计算将邻域集内的初级几何邻域特征表示为pi,ni,k，pi,ni,k是邻域集Ni在几何空间上的基础特征表达，提取了邻域空间中低级几何信息，可以作为提取高级语义特征的输入数据；同时，低级特征可以和高级特征进行融合，用于增强特征在空间表达上的丰富度，其表达式为： 其中pi-ni,k为点pi和邻域点ni,k的相对坐标，pi、ni,k分别为中心点和邻域点的三维坐标，表示沿相同维度对特征进行拼接；步骤五：编码局部形状特征；步骤六：构建多维度自适应卷积通过对卷积核空间进行多维度、全方面地建模来构建多维度形状自适应卷积，从而灵活地模拟几何体的空间结构变化，增强方法对点云本质语义结构的适应能力；所述步骤六的过程如下：步骤6.1定义多维度自适应卷积自适应卷积是多个加权静态卷积核的线性组合，其中每个卷积核的加权序数根据邻域集Ni的空间结构进行自适应调整，自适应卷积的计算公式MD_AdaptConv如下： 其中Wi表示第i个静态卷积核，每一个卷积核具有C_Win个输入通道，C_Wout个输出通道，WN为静态卷积核的个数，input为当前自适应卷积的输入数据，为分配给静态卷积核Wi的权重序数，并且所有静态卷积核系数的和为1，即满足如下公式： ηi,j、λi,j分别为第i个静态卷积核Wi在第j个输入通道和输出通道的序数权重，同样也满足所有通道权重系数的和为1； 步骤6.2权重学习网络为了实现自适应卷积对点云空间信息的捕捉，将步骤五中对邻域区Ni编码的局部形状特征Xpi作为自适应卷积中权重学习网络的输入数据input，同时，为了增强特征的丰富度，将Xpi和邻域区Ni内的初级几何信息进行融合，其表示为： 其中||||为欧式距离计算公式，Ii,j为中心点pi与第j个邻域点之间的特征表示；权重学习网络基于自学习的方式对输入数据的几何形状进行模拟，通过多层卷积网络的特征提取能力对邻域区内的隐式表达进行建模；多层卷积网络中的每层结构相同，由二维卷积ψ、归一化BN以及Relu激活函数组成，输入数据首先经过二维卷积的特征计算，其次通过BN和Relu函数用于处理计算后的特征值，权重学习网络通过三个并行的多层卷积网络同时计算卷积核个数、输入通道、输出通道的权重，其表达式为： ni,j＝Ψ2pi＝ReluBnψ2Ii,jλi,j＝Ψ3pi＝ReluBnψ3Ii,j其中Ψ用于表示多层卷积网络结构，Ψi表示第i个多层卷积网络结构；步骤6.3组合多维度自适应卷积根据步骤6.1中定义的多维度自适应卷积公式以及步骤6.2中计算出权重序数，依次对WN个静态卷积进行组合，从而得到适应邻域Ni的多维度自适应卷积： 步骤七：提取多维度形状语义特征步骤六中构建的多维度自适应卷积MD_AdaptConv通过捕捉邻域集内点云空间结构中的关联性来自适应地调整卷积核参数，将适应邻域结构的自适应卷积MD_AdaptConvpi对pi进行语义特征提取，得到具有强表现力的高级语义特征FS，其表达式为：FS＝MD_AdaptConvpi·fi步骤八：自适应注意力机制随着网络模型的复杂化和特征维度的不断增加，高维度的语义范畴之间存在信息冗余以及相似的空间结构和语义特征，通过沿特征图的通道方向和空间方向推断出特征注意力图，并通过特征注意力图对输入特征进行自适应优化，进而得到更具有表征力的特征；步骤九：编码器模块步骤二到步骤八为高级语义特征提取过程，将其重复执行C1次，每执行一次记作一层编码模块，第t层的编码模块用Encodet表示；在步骤三中，输入点云经过最远点下采样处理，因此每层编码结构的输入点云数量在逐层递减；同时，在自适应卷积的特征提取过程中，每层编码器的高级语义特征维度在不断增加；步骤十：解码器模块解码器模块Decode由多层结构组成，每层结构首先通过点云上采样操作对点云数量进行扩展，将点云数量逐层恢复到降采样之前的量级，从而与解码器中的数量保持一致；其次，每层网络利用卷积结构对点云的高级特征描述符进行提取；步骤十一：跳跃连接将编码器模块与解码器模块的特征沿同一维度进行特征拼接，并将拼接后的特征作为下一层的输入，即第t层解码器Decodet的特征与第M_C+1-t层编码器EncodeM_C+1-t的特征进行拼接，并将其计算后作为下一层t+1的输入，其中，M_C为编码器模块中总层数；步骤十二：计算分类结果通过全连接层模块将步骤十一中得到的语义特征进行降维处理，同时输出每个点云对应的类别标签，全连接层模块由两个二维卷积和Dropout组成，其中第一个卷积的输入通道和输出通道与语义特征的维度保持一致，第二个卷积模块的输出通道数与点云类别的数量相同，而Dropout是基于概率模型在降维过程中丢弃一部分卷积网络之间的连接，从而防止学习过程中产生过拟合现象；步骤十三：定义损失函数方法的分割精度可以通过对比预测结果和真实结果之间的误差来反映，所述误差利用损失函数进行计算。

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浙江点创信息科技有限公司，其通讯地址为：323000 浙江省丽水市莲都区绿谷信息产业园3幢5楼；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”。