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！

申请/专利权人：西南石油大学

摘要：本发明公开了基于多视角三维重建的PDC钻头磨损检测方法及系统，该方法包括如下步骤：S1：获取已磨损的PDC钻头图像；S2：采用深度学习多视图立体匹配方法获得PDC钻头的深度数据，并融合图片多尺度特征生成初步PDC钻头特征点云；S3：通过模拟PDC钻头特征点云到二维图像像素的特征映射，得到最终PDC钻头点云模型；S4：采用神经网络对PDC钻头点云模型进行切削齿的区域定位；S5：将磨损PDC钻头切削齿点云和未磨损PDC钻头切削齿点云进行配准并计算磨损度，最后输出切削齿磨损位置信息和磨损等级。本发明有效解决了目前PDC钻头磨损检测不精确的技术问题，提出的多视角三维重建方法可提高三维重建模型的重建效果。

主权项：1.一种基于多视角三维重建的PDC钻头磨损检测方法，其特征在于，包括如下步骤：S1：获取已磨损的PDC钻头图像；S2：采用深度学习多视图立体匹配方法获得PDC钻头的深度数据，并融合图片多尺度特征生成初步PDC钻头特征点云；S3：通过模拟PDC钻头特征点云到二维图像像素的特征映射，得到最终PDC钻头点云模型；步骤S3包括如下子步骤：S31：将获得的PDC钻头特征点云作为输入，表示为： ；其中代表生成的若干个点云，代表点i在三维空间中的位置,表示该点对应的特征向量，代表点p的表面置信度；S32：从相机视角方向d发射光线，将采样射线表示为N个连续区间，沿着采样射线采样N个采样点，以采样点x为中心、距离R为半径寻找该采样点的k个邻近特征点云，输入采样点的3d坐标和光线的方向d以及k个邻近特征点云，得到采样点的颜色r和密度，表达式为： ；其中x为采样点的位置，d为光线的方向，为最近邻点k的位置、特征向量以及表面置信度；具体的，步骤S32为：S321:将最近邻点的特征向量以及该最近邻点与采样点的距离，传入多层感知机F，根据最近邻点与采样点的距离关系，得到采样点的分特征向量，表达式如下： ；其中为采样点x的分特征向量，F为多层感知机，为最近邻点的特征向量，x为采样点，为最近邻点，代表采样点到最近邻点的距离；S322：将最近邻点到采样点的距离作为权重，对采样点k个分特征向量进行加权求和，得到最终采样点x的特征向量： ；其中x为采样点，是最近邻点到采样点x的距离，为点云对于采样点x的特征向量；S323：将采样点x的特征向量和光线方向d输入到新的多层感知机R中，输出采样点x的颜色值r： ；其中为采样点x的特征向量，为光线方向；S324：输入采样点x周围k个最近邻点的表面置信度，将采样点与最近邻点的距离作为权重，进行加权求和，得到采样点的密度，计算式如下： ；其中为最近邻点的表面置信度，是最近邻点到采样点的距离；S33：输入采样点的颜色r和密度，采用体素渲染公式，将射线光线N个区间的辐射进行累加，即从光线起点处开始积分，输出预测的PDC钻头图像像素值，计算式如下： ； ；其中C是预测的像素值，表示表示射线从光线起点到i点时沿射线累积透射率，表示点i的密度,表示i到i-1区间的长度；S34：随机挑选m条光线作为一组，将这组光线的预测像素集合和真实像素集合之间的相似性作为训练的损失正则，加入到预测的PDC钻头图像像素值和真实的PDC钻头图像像素值的L2损失中，采用混合监督的方法来来训练神经点云的辐射场，输出最终的PDC钻头磨损点云数据，表达式如下： ； ； ；其中表示颜色损失，表示相似度正则损失，N表示射线的数量，表示预测的颜色值，表示真实的颜色值，m是挑选重复的次数，和是挑选出来的该组光线对应的预测像素集合和真实值集合；S4：采用神经网络对PDC钻头点云模型进行切削齿的区域定位；S5：将磨损PDC钻头切削齿点云和未磨损PDC钻头切削齿点云进行配准并计算磨损度，最后输出切削齿磨损位置信息和磨损等级。

全文数据：

权利要求：

百度查询： 西南石油大学 基于多视角三维重建的PDC钻头磨损检测方法及系统