加工面点云数据深度学习的加工特征自动识别

加工特征识别是实现CAD/CAPP/CAM系统集成的关键技术.针对传统基于符号推理加工特征识别模式存在鲁棒性问题,提出一种基于加工面点云数据深度学习的加工特征自动识别方法;基于PointNet点云识别框架,构建了一个面向加工面点云数据的加工特征自动识别卷积神经网络;通过收集CAD模型中的加工特征面集和采样点云,构建了适...     

用变长度染色体遗传算法优化加工路径的方法

加工路径优化问题属于一类特殊的旅行商问题（TSP）,针对此问题将加工路径细分为点、线段、曲线段及闭合曲线等加工要素,并提出一种基于变长度染色体遗传算法的优化方法。该方法将每个点编码为一个二元组用以表示各种加工要素,其交叉和变异操作能对一些线进行分割和合并,使加工路径能得到更大程度的优化。仿真结果表明,该方法具有良好的优化效果,可以显著地缩短辅助运动路径的长度。     

面向任意分布点云数据的二维Delaunay快速构网算法

为了更好地提高对二维点云数据的Delaunay构网效率,并充分考虑点云数据规模庞大、分布多样的特点,提出一种Hilbert曲线与多重网格划分相结合的算法.首先通过多重网格划分解决规则网格对非均匀点集划分程度无法统一的问题;其次通过添加控制点和采用Hilbert曲线顺序遍历网格的方式,避免逐行遍历网格时产生大量需要重复创建和删除的狭长三角形的情况;最后通过调整相邻网格间Hilbert曲线遍历顺序,避免遍历过程的"跳跃"现象,降低相邻网格插入点的点定位搜索步长.实验结果表明,与CGAL、规则网格和多重网格划分算法相比,该算法的构网效率对于分布均匀和非均匀的点云数据都有明显提升.     

基于自适应遗传算法的点云曲线重建

由于用无序离散点集来重建出曲线曲面模型，在反求工程与计算机视觉中都有着广泛的应用，为此根据实际采样中离散点分布相对集中的特点，提出了一个基于自适应遗传算法的多维无序点集曲线重建算法。该算法针对无序带噪声的空间曲线重建问题，先把点云分布空间网格化，然后在每个网格中用自适应遗传算法搜索出最能代表该网格中点集的特征点，由于每个网格区域中点集分布的不均匀性，因此可根据搜索出来的特征点，利用改进的自适应的SIG（sphere-of-influence graph）图来对每个特征点进行进一步调整，以便能使得到待重建曲线的型值点，最后利用测地距离函数来确定型值点的拓扑结构，并利用B样条函数来重建曲线。实例证明，无论是2维平面点云还是3维空间点云，该点云重建方法简单可行，特别是对于存在自交情况以及点云具有明显角点的情况亦可以获得满意的结果。     

面向点云三维重建的空间感知对抗神经网络

为了解决由原始点云数据局部密度稀疏、不均匀或者法向量错误等制约因素引起的重建网格质量问题,利用对抗神经网络中权重共享的特性和对抗的训练过程,提出一种基于对抗网络的点云三维重建方法。首先,利用预测器对网格模型边的偏移量进行预测,从而得到每一个顶点的位移,并进行拓扑保持的顶点重定向,得到新的网格模型。然后,利用判别器中的点云分类器,提取原始点云数据和网格模型表面采样点集的高维特征,并基于高维特征进行空间感知的判别,用于区分原始点云与采样点集数据。最后,使用对抗的训练方式将预测器与判别器的输出数据关联起来,通过多次迭代优化网络模型,从而得到满足点云空间特征的三维网格模型。在不同的点云数据集上进行实验,并使用MeshLab软件进行效果展示,结果表明,该方法能够重建出满足点云空间信息的三维网格模型,同时能够解决粗劣的点云数据引起的网格质量问题。     

基于曲率法线流的树点云骨架提取方法

针对树木点云拓扑结构复杂、特征细节繁多等问题,提出一种基于点云收缩提取曲线骨架的算法。首先,为了在点云表面直接应用网格收缩算法,对点云进行局部主成分分析和Delaunay三角剖分;其次,针对树木点云拓扑结构复杂和末枝细节繁多等问题,用曲率法线流算子对点云进行收缩,针对树木枝条细长且弯曲幅度平缓等特点,利用改进后的QEM网格简化方法将三角网格折叠成一维曲线骨架;最后,将得到的曲线骨架进行连通和居中处理。该算法直接在点云上进行操作,不需要额外的信息和预处理操作,对噪声和残缺点云有良好的鲁棒性。实验证明,该算法提取的树木点云骨架充分表达了树木在自然环境下的生物性结构和特征,相对于rosa、L1-中轴等经典算法,在树木点云的骨架提取速度上提高3倍以上,枝条重建度提高25%。     

基于特征分离的飞机结构件特征识别技术研究

为了有效识别并分离出飞机结构件的加工特征,论文通过定义飞机结构件的加工特征面,利用CAA二次开发技术,将加工特征定义为加工特征与辅助特征两种类型。利用邻接矩阵面节点间连接弧的凹凸性定义加工特征与辅助特征,并进行分离;将加工特征离散为点云数据,并采用DBSCAN算法对加工特征进行区分,得到单一特征与相交特征点云数据;输入点云数据至DGCNN模型的分类分割网络,实现单一特征的分类与相交特征的分割。开发CATIA应用插件对该方法进行验证,结果表明该方法能够准确识别出结构件中的复杂特征。     

基于RBF神经网络的点云数据曲面重建快速算法

在分析现有重构方法局限性的基础上,给出了一种基于神经网络的点云数据重构三维网格形状的快速算法。首先对点云数据进行归一化处理;然后进行特征线提取,并以特征线为基础对曲面进行分割。该方法能直接从神经网络的权值矩阵得到曲线的控制顶点或曲面的控制网格,通过神经网络的权值约束实现曲线段或曲面片之间的连接。实验结果表明,使用该方法能快速获得形状良好的网格曲面。     

基于人体身型曲线特征的身份鉴定技术

研究人体身型特征的身份识别,提高身份准确性问题。针对传统的人体身份识别技术,都是用直线距离近似表示人体身型的几何特征,但是人体身型中的大部分真实几何特征距离都是空间曲线距离,会导致测量的身型几何特征结果不够精确,造成后期的身份识别准确性不高的问题。为了解决上述问题,提出一种基于近似曲线几何特征的身份鉴定方法,运用近似曲面分割逼近技术,求出人体身型几何特征点之间的最短近似路径,运用多个最短路径逼近方法,准确获得人体真实的身型几何特征信息。实验结果表明,改进的方法能够准确提取三维人体身型几何特征,使得身份识别准确率大幅增加。     

三角网格特征边识别的一种有效方法

三角网格特征边识别在数字几何处理和计算机辅助制造(CAM)的模具加工中都有 着广泛的应用,该文指出了近年来有关网格特征边识别算法的各种弊端及原因,给出了一种鲁 棒的网格特征边识别新算法。该算法以网格特征点的识别为基础,能够识别以往算法常遗漏的 一些二面法向夹角比较小的网格边,增强了对C1 不连续网格边的识别能力。众多数值例子支 持了这个结论。     

工业CT三维图像曲面面积与内腔体积的测量

三维工件尺寸参数的测量,是从工件出发获得设计图纸的逆向工程的基础。但工件内部结构特别是封闭内腔的测量用传统测量方法难于实现。研究了基于工业CT的三维图像曲面面积与内腔体积测量的算法,针对工业CT断层图像,用C-V方法分割,在得到目标区轮廓点的基础上,计算面积与体积。为了使得到的曲面平滑,计算曲面上点到形心的距离并用高斯卷积进行轮廓滤波再测量。实验结果表明：该方法与传统的先图像去噪再分割测量的方法相比,有较好的测量精度。     

基于图像轮廓曲线的拐点检测算法

拐点是图像很重要的特征,包含图像的主要结构信息，拐点检测对图像配准、目标识别和三维重建等任务的处理都有着非常重要的作用。从研究轮廓上点的曲率出发，针对传统基于轮廓的拐点检测算法对噪声和局部变化敏感而造成检测结果不稳定的问题，提出一种间接反映轮廓曲率特性的方法，记为APTD(Accumulation of Point to Tangent Distance)。使用高斯函数对轮廓曲线进行平滑处理，轮廓上点的曲率越大则该点附近的点到该点处切线的距离也越大，根据这一思想，将轮廓上点附近支撑域内的点到该点所对应切线相对距离的累加和作为拐点的判别函数，从而实现轮廓拐点的检测。经由数学推导表明所提出的算法具有合理性和可行性，对比实验分析表明该算法精度高、运算量小、定位准确。     

基于轮廓线与特征融合的电网变电设备三维自动化运检方法

因工作环境的复杂性,变电设备成为智能电网中故障频率最高的装置之一,易发生设备接地故障、保险熔断故障、绝缘材料老化等问题,为提高电网变电设备三维自动化运检精度,提出基于轮廓线与特征融合的电网变电设备三维自动化运检方法研究。采集电网变电设备三维图像,获取电网变电设备三维图像初始轮廓点,筛选变电设备轮廓点,依照顺序连接提取出的关键轮廓点,得到变电设备三维图像轮廓线,结合形态学滤波算法,对图像进行开、闭运算,依据轮廓线的闭合情况,分割出目标图像与背景图像,提取包括HOG特征与LBP特征的变电设备目标图像特征,经过特征融合后,构造最优分类超平面,制定电网变电设备三维自动化运检规则,判定变电设备运维情况,最终实现变电设备的三维自动化运检。实验数据显示：该方法识别出变电设备的正常与异常状态,在不同实验工况背景下,应用提出方法获得的变电设备运检精度达到了96%。提高了变电设备的自动化运检的识别及运检精度,满足现今变电设备的运检需求。     

基于距离比上下文的形状描述与识别方法

基于形状轮廓上的采样点到形状质心的距离,提出了一种距离比上下文形状描述符,用于形状识别和检索。该描述符计算简单,能有效区分不同形状,本质上具有平移、缩放不变性,且在一定程度上能杭部分遮挡和形变。用动态规划算法度量形状比上下文之间的距离,解决了对起始轮廓点的选择问题。在kimia' s-99形状图像数据库中的实验结果表明,该方法在单目标封闭轮廓的形状图像检索中取得了良好的效果。     

基于特征点提取的三维点云模型水印算法

为了有效提高三维水印的透明性、抗噪能力和水印提取准确度,针对三维网格中不固定点云数据,提出一种基于局部特征点提取的三维点云模型水印算法。根据协方差分析提取出三维模型初始特征点,以初始特征点为核心,在它K近邻邻域中,构建不跨越区域最小三角形为嵌入单元的底面,将剩余顶点按照升序排列,寻找合适的嵌入顶点,构建局部嵌入单元,通过改变嵌入顶点信息来嵌入水印。其中通过顶点在平面投影产生的夹角确定水印索引值,实现盲水印。算法通过保留特征点信息,改变非特征点嵌入水印信息能有效提高透明性和抗噪能力,通过限制嵌入单元区域提高水印提取准确率,同时实现了盲水印检测。     

基于卷积神经网络的左心室超声图像特征点定位

针对传统级联卷积神经网络（CNN）在左心室超声图像中定位准确度较低的问题，提出一种融合更快速区域卷积神经网络（Faster-RCNN）模型提取区域的级联卷积神经网络，实现对超声图像中左心室心内膜和心外膜轮廓特征点的定位。首先，采用两级级联的方式改进传统级联卷积神经网络的网络结构，第一级网络利用一个改进的卷积网络粗略定位左心室心内膜和心外膜联合的特征点，第二级网络使用四个改进的卷积网络分别对心内膜特征点和心外膜特征点进行位置微调，之后定位输出左心室心内膜和心外膜联合的轮廓特征点位置；然后，将改进的级联卷积神经网络与目标区域提取融合，即利用Faster-RCNN模型提取包含左心室的目标区域并将目标区域送入改进的级联卷积神经网络；最后，由粗到细对左心室轮廓特征点进行定位。实验结果表明，与传统级联卷积神经网络相比，所提方法在左心室超声图像上的定位效果更好，更逼近真实值，在均方根误差的评价标准下，特征点定位准确度提升了32.6个百分点。     

三维图匹配算法

目的 现有的图匹配算法大多应用于二维图像,对三维图像的特征点匹配存在匹配准确率低和计算速度慢等问题。为解决这些问题,本文将分解图匹配算法扩展应用在了三维图像上。方法 首先将需要匹配的两个三维图像的特征点作为图的节点集;再通过Delaunay三角剖分算法,将三维特征点相连,则相连得到的边就作为图的边集,从而建立有向图;然后,根据三维图像的特征点构建相应的三维有向图及其邻接矩阵;再根据有向图中的节点特征和边特征分别构建节点特征相似矩阵和边特征相似矩阵;最后根据这两个特征矩阵将节点匹配问题转化为求极值问题并求解。结果 实验表明,在手工选取特征点的情况下,本文算法对相同三维图像的特征点匹配有97.56%的平均准确率;对不同三维图像特征点匹配有76.39%的平均准确率;在三维图像有旋转的情况下,有90%以上的平均准确率;在特征点部分缺失的情况下,平均匹配准确率也能达到80%。在通过三维尺度不变特征变换（SIFT）算法得到特征点的情况下,本文算法对9个三维模型的特征点的平均匹配准确率为98.78%。结论 本文提出的基于图论的三维图像特征点匹配算法,经实验结果验证,可以取得较好的匹配效果。     

基于Kinect v4的牛体尺测量方法

针对基于机器视觉的牛体尺测量方法中图像背景复杂、特征点提取难度大的问题,提出了一种基于Kinect v4传感器的牛体尺测量方法来采集彩色和深度图像,并结合目标检测、Canny边缘检测、三点圆弧曲率等算法提取体征特征点进而计算体尺数据。首先,制作了牛体尺特征部位图像数据集,并利用深度学习YOLOv5目标检测算法检测牛体尺特征部位信息,以减少牛体其他部位和背景对体尺测点提取的干扰;其次,借助OpenCV图像处理库中的Canny边缘检测、轮廓提取等图像处理算法获取牛体尺测点所在的关键轮廓;然后,对关键轮廓采用多项式拟合和三点圆弧曲率等算法从而在二维图像中提取牛体尺测点;最后,利用深度信息将二维图像中的测点信息转换到三维坐标系下,并结合随机抽样一致（RANSAC）算法在三维坐标系下设计牛体尺测量方法。经过在复杂环境下传感器和牛体侧面成不同偏角时的实验测量结果和人工测量结果的比较得出,牛体尺数据中鬐甲高的平均相对误差为0.76%,体斜长的平均相对误差为1.68%,体直长的平均相对误差为2.14%,臀端高的平均相对误差为0.76%。实验结果表明,所提方法在复杂环境下具有较高的测量精度。     

三维破碎物体多尺度拼接技术

在分析三维物体碎片轮廓曲线的特征和表示的基础上,研究多尺度小波轮廓描述符的计算,提出了一种多尺度下轮廓曲线特征提取及基于多尺度分析的三维物体碎片拼接方法.轮廓曲线经多尺度小波变换平滑后,提取曲率和挠率构成特征矢量;在选择了基于小波轮廓描述符的三维曲线匹配起点后,比较2条轮廓曲线的特征矢量以判断轮廓的相似性,并将轮廓匹配的2块相邻物体碎片拼接,实现破碎物体复原.最后通过实验验证了该方法的有效性.     

基于双目视觉的板材平面测量研究

针对传统人工测量板材尺寸精度较低、工作量大、易导致板材表面受损等局限,基于双目视觉技术设计了一种板材尺寸视觉测量系统;通过双目相机采集棋盘格图像,采用MATLAB进行相机标定和图像校正,拍摄左右图像并通过半全局立体匹配算法(SGM,semi global matching)进行特征点立体匹配,重建出目标三维点云模型;为提高目标特征点坐标获取的准确性,提出基于HARRIS的亚像素检测方法;采用区域生长算法结合膨胀和腐蚀操作提取板材表面轮廓,根据三角测量原理计算出板材轮廓上各点的三维坐标从而实现板材的尺寸测量,并进行点云重建增强三维展示效果;实践结果表明亚像素检测方法在角点提取上存在优势,在实际板材测量应用中实现了高精度尺寸测量,满足了工业测量需求。