(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 202210432576.X (22)申请日 2022.04.24 (65)同一申请的已公布的文献号 申请公布号 CN 114528950 A (43)申请公布日 2022.05.24 (73)专利权人 北京中超伟业信息安全技 术股份 有限公司 地址 102200 北京市昌平区科技园区超前 路甲1号10号楼3 02室 (72)发明人 罗远哲　王军亮　刘瑞景　张艺腾　 李连庚　任德旺　荆全振　尹贞　 靳晓栋　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 王爱涛 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06T 5/00(2006.01) G06T 5/20(2006.01) G06T 7/10(2017.01) G06F 21/62(2013.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (56)对比文件 CN 113469444 A,2021.10.01 CN 113435424 A,2021.09.24 CN 112287303 A,2021.01.2 9 US 20212 95522 A1,2021.09.23 US 20213 50183 A1,2021.1 1.11 AI算法修炼营.3D点云 | 基 于深度学习处 理点云数据入门经典： Po intNet、 Po intNet++. 《https://blog.csdn.net/si nat_1745 6165/ article/detai ls/106596332》 .2020, 审查员 杨佳玉 (54)发明名称 一种基于三维点云识别保密介质类型的销 毁方法与系统 (57)摘要 本发明涉及一种基于三维点云识别保密介 质类型的销毁方法和系统， 属于图像数据处理技 术领域。 本发 明通过采用包括有点云特征提取网 络和介质体量识别网络的保密介质销毁识别网 络模型， 可以对机械粉碎过程中的保密介质碎片 进行体量识别， 从而自动判断介质碎片的体积是 否满足销毁要求或需要进行二次粉碎， 显著提升 了介质销毁流程的工作效率和可靠性， 有效降低 了信息泄露的可能性， 填补了 保密介质机械粉碎 技术的漏洞。 权利要求书3页 说明书8页 附图2页 CN 114528950 B 2022.07.12 CN 114528950 B 1.一种基于三维点云识别保密 介质类型的销毁方法， 其特 征在于， 包括： 步骤1： 建立介质碎片点云 分割数据集； 步骤2： 构建保密介质销毁识别网络模型； 所述保密介质销毁识别 网络模型包括： 点云 特征提取网络和介质体量识别网络； 所述点云特征提取网络包括： 采样层、 成组层、 Pointnet网络层和坐标信息嵌入操作层； 所述介质体量识别网络包括： 体量计算支路和点 云分类支路； 步骤3： 采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网络模型， 得到 训练好的保密 介质销毁识别网络模型； 步骤4： 获取待识别介质碎片的点云数据， 并将所述待识别介质碎片的点云数据输入至 所述保密介质 销毁识别网络模型中， 得到介质碎片的类型和大体积介质碎片的数量； 大体 积介质碎片为超出 预设尺寸的介质碎片； 步骤5： 当所述大体积介质碎片的数量大于第 一预设阈值时， 对待识别介质碎片进行二 次粉碎后， 返回步骤4； 当所述大体积介质碎片的数量小于等于第一预设阈值时， 输出 “销毁成功 ”字样； 其中， 所述 点云特征提取网络中的特 征提取过程包括： 步骤11： 所述采样层和所述成组层 基于N1个采样中心点， 将第一点云数据划分N1个点云 团得到第二点云数据； 所述第一点云数据中点云的个数为N， 每一点云的特征包括x轴、 y轴 和z轴上的坐标值； 每一 点云团中点云的个数为K； 步骤12： 将所述第二点云数据输入至所述Pointnet网络层进行特征提取， 得到维度为 N1*F1的点云数据； 步骤13： 将所述维度为N1*F1的点云数据输入至所述坐标信息嵌入操作层， 嵌入采样中 心点的3个空间坐标值得到 输出维度为 N1* （3+F1） 的第三点云数据； 步骤14： 将所述第三点云数据作 为所述采样层和所述成组层的输入， 返回执行步骤11， 直至达到预设处 理次数后得到 输出点云数据； 步骤15： 将所述输出点云数据输入至所述点云分类支路中的两层全连接层中得到点云 类别矩阵； 所述点云类别矩阵中每行的最大值对应的类别即为与所述最大值对应的点所属 的介质碎片的类型； 所述体量计算支路中的数据处 理过程包括： 步骤21： 确定所述输出点云数据中每 个点与其 他点间的特 征相关性关系； 步骤22： 基于所述特 征相关性关系构建点云 关系矩阵； 步骤23： 确定所述点云关系矩阵中每行小于第二预设阈值的数量， 得到点云体量表征 向量； 所述每行小于第二预设阈值的数量表示每 个点所属点云区域的体量； 步骤24： 当所述点云体量表征向量中的体量大于体量阈值时， 判定与所述体量对应的 点所属的介质碎片为大体积介质碎片； 步骤25： 确定所述点云体量表征向量中大于体量阈值r的体量的个数得到当前机械粉 碎设备中大体积介质碎片的数量。 2.根据权利要求1所述的基于三维点云识别保密介质类型的销毁方法， 其特征在于， 所 述建立介质碎片点云 分割数据集， 具体包括： 步骤31： 采用3D扫描设备获取不同类型和不同颗粒度下保密 介质碎片的点云数据；权　利　要　求　书 1/3 页 2 CN 114528950 B 2步骤32： 采用滤波算法滤除所述不同类型和不同颗粒度下保密介质碎片的点云数据中 的噪点和离群点， 得到去噪后的点云数据； 步骤33： 采用双标签对所述去噪后的点云数据进行 标注， 得到标注点云数据； 步骤34： 基于所述标注点云数据形成介质碎片点云 分割数据集。 3.一种基于三维点云识别保密 介质类型的销毁系统， 其特 征在于， 包括： 数据集建立模块， 用于建立介质碎片点云 分割数据集； 网络构建模块， 用于构建保密介质销毁识别网络模型； 所述保密介质销毁识别网络模 型包括： 点云特征提取网络和介质体量识别网络； 所述点云特征提取网络包括： 采样层、 成 组层、 Point net网络层和坐标信息嵌入操作层； 所述介质体量识别网络包括： 体量计算支路 和点云分类支路； 模型训练模块， 用于采用所述介质碎片点云分割数据集训练所述保密介质销毁识别网 络模型， 得到训练好的保密 介质销毁识别网络模型； 数量‑类型确定模块， 用于获取待识别介质碎片的点云数据， 并将所述待识别介质碎片 的点云数据输入至所述保密介质销毁识别网络模型中， 得到介质碎片的类型和大体积介质 碎片的数量； 大体积介质碎片为超出 预设尺寸的介质碎片； 返回执行模块， 用于当所述大体积介质碎片的数量大于第一预设阈值时， 对待识别介 质碎片进 行二次粉碎后， 返回步骤 “获取待识别 介质碎片的点云数据， 并将所述待识别介质 碎片的点云数据输入至所述保密介质销毁识别网络模型中， 得到介质碎片的类型和大体积 介质碎片的数量 ”； 输出模块， 用于当所述大体积介质碎片的数量小于等于第 一预设阈值 时， 输出“销毁成 功”字样； 其中， 所述 点云特征提取网络中的特 征提取过程包括： 步骤11： 所述采样层和所述成组层 基于N1个采样中心点， 将第一点云数据划分N1个点云 团得到第二点云数据； 所述第一点云数据中点云的个数为N， 每一点云的特征包括x轴、 y轴 和z轴上的坐标值； 每一 点云团中点云的个数为K； 步骤12： 将所述第二点云数据输入至所述Pointnet网络层进行特征提取， 得到维度为 N1*F1的点云数据； 步骤13： 将所述维度为N1*F1的点云数据输入至所述坐标信息嵌入操作层， 嵌入采样中 心点的3个空间坐标值得到 输出维度为 N1* （3+F1） 的第三点云数据； 步骤14： 将所述第三点云数据作 为所述采样层和所述成组层的输入， 返回执行步骤11， 直至达到预设处 理次数后得到 输出点云数据； 步骤15： 将所述输出点云数据输入至所述点云分类支路中的两层全连接层中得到点云 类别矩阵； 所述点云类别矩阵中每行的最大值对应的类别即为与所述最大值对应的点所属 的介质碎片的类型； 所述体量计算支路中的数据处 理过程包括： 步骤21： 确定所述输出点云数据中每 个点与其 他点间的特 征相关性关系； 步骤22： 基于所述特 征相关性关系构建点云 关系矩阵； 步骤23： 确定所述点云关系矩阵中每行小于第二预设阈值的数量， 得到点云体量表征 向量； 所述每行小于第二预设阈值的数量表示每 个点所属点云区域的体量；权　利　要　求　书 2/3 页 3 CN 114528950 B 3