(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210736353.2 (22)申请日 2022.06.27 (65)同一申请的已公布的文献号 申请公布号 CN 114820604 A (43)申请公布日 2022.07.29 (73)专利权人 四川大学 地址 610000 四川省成 都市一环路南 一段 24号 (72)发明人 谢罗峰　朱杨洋　王晗　殷鸣　 殷国富　 (74)专利代理 机构 成都环泰专利代理事务所 (特殊普通 合伙) 51242 专利代理师 李斌　李辉 (51)Int.Cl. G06T 7/00(2017.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G01B 11/00(2006.01) (56)对比文件 CN 107301619 A,2017.10.27 CN 104457569 A,2015.0 3.25 CN 109345 617 A,2019.02.15 CN 102768026 A,2012.1 1.07 CN 114425871 A,202 2.05.03 CN 113269673 A,2021.08.17 审查员 张楠霞 (54)发明名称 基于最邻近点距离损失的叶片型线数据拼 接方法及设备 (57)摘要 本发明公开了一种基于最邻近点距离损失 的叶片型线数据拼接方法及设备， 所述方法包括 通过获取在线激光器坐标系下测得的特定截面 的多视场型线数据， 将该数据统一到转动平台RT 坐标系下， 设定在视场0和视场1位置下采集的特 定截面型线数据通过转动平台RT中心坐标及运 动参数 进行拼接可以近似重合， 并 以转动平台 RT中心坐标作为可学习参数， 以最邻近点距离损 失函数损失最小原则迭代优化， 从而得到优化后 的值， 从而能够将多视场型线数据在转动平台RT 坐标系下进行集中体现， 实现对多个视场数据拼 接， 获得完整的叶片型线。 权利要求书3页 说明书7页 附图5页 CN 114820604 B 2022.09.09 CN 114820604 B 1.一种基于最邻近点距离损失的叶片型线数据拼接方法， 其特 征在于， 包括： 获取在线激光器坐标系OL‑XLYLZL下测得的特定截面的多视场型线数据V＝{Vi|i＝1, 2,...,n}， 其中， Vi＝{(xj,yj)|j＝1,2, …,mi}， 线激光器在采集多视场型线数据时的位置 参数为 线激光器在第i视场采集位置处时的旋转参数为 对应的旋转矩阵为 其中， n为视场数量， mi是关于i的变量， 且 且 将特定截面的型线 多视场数据统一到转动平台RT坐标系OT‑XTYTZT下， 存在转换关系： 其中， [Cx,Cy]表示转动平台RT的 中心坐标； V'＝{Vi'|i＝1,2, ...,n}表示线激光器 坐标系下测得的多视场型线数据V＝{Vi| i＝1,2,...,n}相对于转台 中心的坐标值； 设定从视场0到视场1的运动参数仅为转动平台RT旋转小角度 ξ， 此时在视场0和视场1位 置下采集的特定截面型线 数据通过转动平台RT中心坐标[ Cx,Cy]及运动参数ξ进行拼接可以 近似重合， 即 建立最邻近点距离损失函数如下： 其中m0表示视场0中的点数； v0i是视场0中一 点， v1j是视场1中距离v0i最近的点， 则(v0i,v1j)构成了一组对应点对； 将转动平台RT中心坐标[Cx,Cy]作为可学习参数， 以最邻近点距离损失函数损失最小原 则迭代优化[Cx,Cy]； 所述迭代优化[Cx,Cy]具体包括以下步骤： S1、 随机初 始化： 将中心坐标[Cx,Cy]初始化为待优化的随机数[C'x,C'y]， 在计算过程中 对可学习参数进行求梯度设置； S2、 正向传播： 沿着神经网络第一层到最后一层的顺序， 依次计算并存储网络的中间变 量及输出， 具体表示 为权　利　要　求　书 1/3 页 2 CN 114820604 B 2其中， V0′和V1′分别表示视场0和视场1数据整合到 转动平台RT坐标系OT‑XTYTZT下的结果； S3、 建立损失函数： 取V ′0中的一点v ′0i， 按距离最近原则在V ′1中找出与v ′0i距离最近的 点v′1j， 则(v′0i,v′ij)构成了一组对应点对； 当V0′和V1′达到理想情况下最佳重 合， 那么点对 之间距离之和应该最小， 即 其中， l表示计算V0'与V1'距离的函数； S4、 反向求导： 沿着从网络最后一层到第一层的顺序， 根据链式求导法则依次计算并存 储损失函数关于中间变量以及可 学习参数的梯度； 计算损失函数L ＝l(V0',V1')关于中间变量V1"的梯度： 计算中间变量V1"有关可学习参数[C'x,C'y]的梯度： 输出变量V0'有关可学习参数[C'x,C'y]的梯度： 最终得到可 学习参数[C'x,C'y]的梯度： S5、 优化算法： 随机生成可学习参数的一组初始值， 接着对参数进行多次优化， 在每次 优化中， 求得给定数目小批量样本的平均损失有关参数 的梯度， 然后将所获得的梯度与给 定学习率相乘作为可 学习参数在本次优化的减小量， 此时可 学习参数将作如下优化： 其中， η称作学习率， m0及 η均通过 人为设定 。 2.根据权利要求1所述的基于最邻近点距离损失的叶片型线数据拼接方法， 其特征在 于， 所述学习率 η 随着迭代次数的增 加逐步降低。 3.根据权利要求1所述的基于最邻近点距离损失的叶片型线数据拼接方法， 其特征在 于， 在步骤S1中， 在PyTorc h中通过requires_grad函数对所述可 学习参数进行求梯度设置 。 4.一种基于最邻近点距离损 失的叶片型线数据拼接设备， 其特征在于， 包括计算机存权　利　要　求　书 2/3 页 3 CN 114820604 B 3