1.一种海上石油钻井平台点云深度学习逆向建模方法，其特征在于，包括以下步骤：S1，采集点云数据；

S2，构建海上石油钻井平台设备的点云数据集；

S3，对点云数据集使用基于深度学习的海上石油钻井平台点云精确语义分割算法，训练出基于深度学习的点云语义分割网络模型；

S4，选取已经分割好的点云数据，使用基于距离判定的点搜索滤波和双曲线函数加权混合滤波的组合算法，对选取的点云数据进行去噪处理；

S5，使用基于深度学习的海上石油钻井平台点云三维重建算法进行三维重建，生成海上石油钻井平台的三维重建模型。

2.根据权利要求1所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，在步骤S2中，首先，裁切所述点云数据，去除无关的数据，只保留海工装备所在的井口区域，井口区域的甲板看作平整的地面，利用基于地面滤波算法去除井口区域的甲板点云，构建点云数据集；

然后，将所述点云数据集裁切为M 个场景数据，其中M表示裁切场景的数量，并且每个场景需要包含多种不同种类的海上石油钻井平台设备，之后利用手工标记的方式依次将各个场景数据进行类别标记，共包括管道、法兰、工业架、弯管、阀门和采油树6个类别，其类别标签数值分别对应1、2、3、4、5和6，将包含M个场景数据的点云数据集划分为训练样本、验证样本和测试样本三部分，其中训练样本个数为 ，验证样本个数为 ，测试样本个数为。

3.根据权利要求2所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤S3中，所述基于深度学习的海上石油钻井平台点云精确语义分割算法包括以下步骤：（1）点云数据预处理；

首先读取步骤S2得到的点云数据集，然后对所述点云数据集中的点云数据进行下采样，再将采样后的点云数据映射到规范化空间中，使所有的点云数据都具有相同的范围和比例，最后通过旋转、平移、缩放操作，增加点云数据的多样性和丰富性；

（2）网络训练；

第一、前向传播，将步骤（1）中预处理后的点云数据输入到网络中，计算网络输出结果；

在前向传播过程中，点云数据经过卷积、池化、全连接操作，得到包含其局部升维后特征的稀疏点云，再对稀疏点云进行局部点特征升维处理后，传递进解码层，并将稀疏点云包含的升维后特征逐渐传递至输入点云样本的每个点中；完成解码后，通过激活函数进行非线性变换，获取点云中每个点的分类类别概率，取所述分类类别概率中的概率最大值作为相应点对应的预测标签值，最终输出预测结果；

第二、反向传播，根据网络输出的所述预测结果和真实标签计算误差和网络梯度，并将计算后的结果反向传播到网络中；

第三、网络参数更新，根据反向传播得到的梯度信息，更新网络的参数，并在更新参数的过程中，使用Adam优化算法和最小化损失函数，得到网络模型；

（3）网络模型测试；

在获得所述网络模型的参数后，对原始点云数据进行划分，将步骤S2中获得的 个测试样本数据输入到已经训练好的网络中，经过前向传播过程获得各点预测标签，根据真实标签计算总体分割精度及各类别分割精度。

4.根据权利要求3所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤（2）中，所述局部点特征升维包括以下步骤：以第i层采样点 中任意一点 为例进行说明，其

中 表示第i层采样点的个数 ，其中lay表示下采样的总层数， 表示第i层采样点中的任意一点，R表示实数范围；

Pi由i‑1层点Pi‑1下采样得到，以 为中心点在Pi‑1中进行搜索，得到k个最近邻点坐标及近邻点的特征 ， 为第i‑1层下采样点云特征维度，并利用式（a）对近邻点与中心点的相关位置信息进行逐点计算，然后将相关位置信息与近邻点特征通过映射函数 得到局部近邻特征 ，为第i层下采样点云进行相关位置信息与近邻点特征映射处理后的特征维度，如式（b）所示，式中 表示第i层采样点中的任意一点，k表示使用基于距离判定的点搜索算法取的k个点， 表示 的第u个近邻点的坐标，其中 ，表示 的第u个近邻点的特征，其中 ， 表示 的第u个近邻点的相关位置信息，其中 ，表示连接操作，MLP表示多层共享感知机， 表示第u点局部近邻特征，其中 ， 表示对 做多层共享感知机计算，其中 ；

； （a）

； （b）

在得到中心点 的局部邻近特征 后，再对其进行池化操作得到单点聚合特征 ，采用自适应池化策略进行特征升维，即在每一个中心点的局部特征池化计算中，基于共享感知机为每一个近邻特征计算相应的注意力分数 ，其中 ，的计算公式如式（c）所示，其中 表示第u个近邻点的注意力分数，w表示共享多层感知机的学习权重系数，softmax表示对多层共享感知机结果进行归一化计算；

； （c）

； （d）

然后将 作为标记关键特征的掩码，与局部近邻特征 进行加权求和，并将结果利用共享多层感知机映射至更高维度，从而得到式（d）所示的池化结果 ；最后经过逐点计算，得到采样后点云的几何特征 ，并将其作为第i层中各点的特征。

5.根据权利要求4所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤S4中，所述基于距离判定的点搜索滤波和基于双曲线函数的加权混合滤波的组合算法包括以下步骤：首先，用基于距离判定的点搜索滤波算法，对需要去噪的数据进行第一步滤波，目的是去除数据中的离群点和孤立点；其次，用基于双曲线函数的加权混合滤波算法，对需要去噪的数据进行第二步滤波，目的是去除数据中的表面噪点。

6.根据权利要求5所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，所述基于距离判定的点搜索滤波算法包括以下步骤：A1、创建一个二叉树数据结构，用于在点云中查找最近邻点；

A2、对于点云中的每个点，将使用二叉树查找 个最近邻点，其中 表示查找每个点的邻近点的个数，以中心点 为例，其 个最近邻点集合为 并使用公式（e）计算 与最近邻点 的欧氏距离 ，其中 分别表示 的三维点坐标， 分别表示 的三维点坐标；

；（e）

A3、对于每个点，计算到其 个最近邻点的平均距离，从而反映点周围局部结构的紧密程度，其中 ， 表示需要滤波设备的总点数；

A4、计算所有点的平均距离之后，使用基于定位数排序的算法，即找到要排序所有点的平均距离中最大的数 ，并记录其位数 ，再从最低的有效位开始，根据每个数在所述有效位上的数值进行从大到小排序，然后继续向更高位移动，重复查找平均距离最大的数，并不断调整位置，直至所有的数都在 位上被排序，则按此排序完成；排序后，删除 位上的前per%点，其中per表示应删除数据占全部数据的百分比 。

7.根据权利要求6所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，所述基于双曲线函数的加权混合滤波算法包括以下步骤：B1、创建一个新的点云数据文件，将输入点云的强度信息复制到所述新的点云文件中；

B2、确定点云中每个点的权重，需要计算点云中每个点的局部密度，所述局部密度通过计算每个点到其最近邻点的平均距离来估计；使用基于二叉树的算法进行最近邻搜索，找到每个点周围 个最近邻点的索引和平方距离 ，其中 表示第i点与周围 个最近邻点的距离；

B3、定义一个双曲线函数，所述双曲线函数是一个在定义域内具有两个极限值的函数，用于在这两个极限值之间进行插值；使用公式（f）计算点云中点的权重因子 ，并接受一个参数 ，其中 与 的取值范围分别为 ， ；

； （f）

B4、将所述双曲线函数计算出的权重因子，赋予每个点，并对每个点的位置和强度信息进行加权平均，计算出新点的位置和强度值；

B5、将新的点加入到过滤后的点云中，替换原始点云中的点。

8.根据权利要求7所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤S5中所述基于深度学习的海上石油钻井平台点云三维重建算法包括以下步骤：C1、数据预处理；

将步骤S4去噪处理后的点云数据进行预处理，将每个点的三维空间坐标和索引信息共同作为海上石油钻井平台点云深度学习逆向建模方法的输入；

C2、训练；

使用无监督学习方法估计出水平集函数值，并将估计出地水平集函数值作为监督学习网络中的真实值 ；

使用基于监督学习结构的海上钻井平台点云三维重建网络进行逆向建模，首先对每个点周围的空间进行采样，生成一系列的查询点 ，其中 表示第j点进行空间采样生成的查询点集合，nr表示生成查询点的总数；

将点输入到基于监督学习结构的 海上钻井平台 点云三维重建网 络中，其中 代表网络的权重参数， 代表输入的查询点；然后设置N个不同尺度的卷积层，对不同的尺度使用多尺度关键点抽象化方法进行扩张搜索；

使用基于监督学习结构的海上钻井平台点云三维重建网络，首先要学习函数 ，用损失函数 使得 逼近 ，其中，计算损失函数的表达式如式（g）所示，所述损失函数定义为预测值和真实值的均方误差，其中 表示参数为 时点 的三维重建网络目标学习函数， 表示第 点的真实水平函数集值， 表示所有点的函数值进行求和； ； （g）再根据权重参数为 时，计算出的损失函数值，使用公式（h）所示的权重衰减函数求，以达到防止过拟合的目的，其中 表示 点的权重衰减函数值，表示已知参数， 表示点 的权重；

； （h）

并得出关于所述基于监督学习结构的海上钻井平台点云三维重建网络在参数 下的梯度 ，然后根据所述梯度更新参数；所述梯度的计算通过反向传播来完成，所述参数的更新通过梯度下降法来完成，所述参数的更新公式如（i）所示，其中 是学习率，控制了参数更新的步长；

； （i）

将以上步骤反复执行，每次迭代都会随机选择一组查询位置，并将所述查询位置拉到其在表面上的最近邻处；然后，使用所述查询位置和所述查询位置在表面上的邻居之间的距离作为损失函数的一部分，并通过反向传播算法，更新神经网络参数，以此降低损失函数值，直至达到预设的最大迭代次数 ；

C3、验证；

对于查询点 ，使用经步骤C2训练得到的基于监督学习结构的海上钻井平台点云三维重建网络计算预测的水平集函数值： ，其中距离为正值表示点在表面外部，距离为负值表示点在表面的内部，距离为零表示点在表面上；

将预测值与真实地水平集函数值 进行比较，使用公式（p）计算绝对误差，对所有验证数据的绝对误差，使用公式（q）求平均，得到平均绝对误差MAE；

； （p）

； （q）

使用平均绝对误差评估模型性能，调整模型参数或超参数以优化性能，选择验证集上精度值和平均交并比值最大的模型作为最终模型；

C4、测试；

将查询点 输入到所述最终模型中，预测其在表面上最邻近的有符号的距离值和梯度；然后根据查询点的水平集函数值 的符号，将查询位置沿着或者是反梯度方向移动，并以预测水平集函数值为步长，增加3D形状的表达能力；

C5、表面重建；

将所述水平集函数值用立方体等值面提取算法重建三维表面，并用Grid集合表示为，，其中ng表示立方体单元的个数，在立方体单元中寻找零值等值面，在 网格中，点坐标的集合为

， 表示 网格中的总点数，其中网格中

的点所对应的水平集函数值为 ，零等值面指的是满足

的点集合，如公式 所示，然后连接所述零

等值面来生成三维形状的表面。

9.根据权利要求8所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤C2中所述无监督学习方法估计水平集函数值的步骤如下：D1、在自编码网络中，编码器的任务是将点云数据的坐标 编码成一个高维的特征向量 ，解码器的任务是将所述特征向量

解码成水平集函数值 ；

D2、训练自编码器网络，需要通过最小化损失函数不断优化，所述最小化损失函数的算式如式（o）所示，并由梯度下降算法，不断更新网络参数，其中 表示最小化损失函数，表示为 时无监督网络中的参数；

； （o）

D3、使用自编码器网络，将点云数据 输入编码器中，得到水平集函数值的集合 。

10.根据权利要求9所述的海上石油钻井平台点云深度学习逆向建模方法，其特征在于，步骤C2中所述多尺度关键点抽象化方法的步骤如下：E1、将输入的数据分为s个不同的尺度；

首先，以步骤S4中去噪后的点云数据作为输入数据，在所述基于监督学习结构的海上钻井平台点云三维重建网络的训练过程中，输入的单个样本点的个数为 ，设输入的坐标集合为 ，将 的集合表示为 ，其中表示第一个尺度的样本集中第 点的三维空间坐标；

对原始输入的数据进行s‑1次随机下采样稀疏化，第一次稀疏化后的点的个数为n1，其坐标集合为 ，将 的集合表示为 ，其中 表示第二个尺度样本集中的第g1个点的三维空间坐标；第二次稀疏化后的点的个数为n2，其坐标集合为 ，将 的集合表示为 ，其中 表示第三个尺度样本集中的第 个点的三维空间坐标；

E2、建立三个不同尺度的独立编码器进行特征提取，所述三个不同尺度的独立编码器是同一个结构，但是所述三个不同尺度的独立编码器的参数是相互独立的，能学习到不同尺度下的特征；

设置一个 维的输入层，a个卷积层和b个全连接层，作为局部特征编码层，在每层中都使用 函数，其中a表示卷积层的层数，b表示全连接层的层数， 表示输入层的维度；再通过分别有 个节点和有 个节点的全连接层，使用自适应池化策略进行注意力池化，以特征升维的目的，最后再使用多层共享感知机计算和ReLU激活函数；经过整个编码层结构，最终生成对应的特征值集合表示为，其中 表示第cd尺度经过编码层

最终输出的特征值集合，其中out代表输出；

E3、将不同尺度下的特征进行融合；

经过编码层，不同尺度的输入生成不同的特征值集合，其中，所述特征值集合有相同的维度；

首先，使用公式（j）计算每个特征值集合的均值 ，然后，使用公式（k）计算每个特征的偏差 ，再使用公式（l）计算每个特征值集合的协方差矩阵 ；通过公式（m）协方差矩阵的方式融合所述特征，并在融合不同特征的同时进行权重学习，其中，权重值由公式（n）得出；

； （j）

； （k）

； （l）

； （m）

； （n）

E4、构建解码器，将编码和融合后的特征向量转换成点云数据；

首先将解码器最后融合的特征 作为输入，通过 维和 维的全连接层；再通过重塑层，将全连接层的输出转换成高维度的点云数据。