基于深度学习的孔特征可制造性分析方法

针对传统基于知识库及规则库的零件可制造性分析方法柔性差,以及现有基于深度学习的可制 造性分析方法无法给出零件具体不可制造原因的现状,提出一种基于深度学习的零件可制造性分析方法。首先, 通过数字化建模技术构建大量带有具体可制造性类别标签的三维 CAD 模型,并进行点云提取,从而构建深度 学习所需数据集;然后,基于 PointNet 网络结构搭建面向孔特征可制造性分析的深度学习网络,并完成网络的 调参及训练;之后通过与基于体素表示的三维卷积神经网络(3D-CNN)及已有方法进行对比,说明所搭建的点 云深度学习网络具有更好的鲁棒性和较低的算法时间复杂度;最后通过一个实例零件对网络的实际性能进行检 验,对孔特征进行可制造性分析,识别出不可制造的孔特征,并说明其原因。实验结果表明,该方法能够在保 证较高识别准确率同时得出特征不可制造的具体原因,具有更大的使用价值。     

Directional PointNet: 3D Environmental Classification for Wearable Robots

A subject who wears a suitable robotic device will be able to walk in complex environments with the aid of environmental recognition schemes that provide reliable prior information of the human motion intent. Researchers have utilized 1D laser signals and 2D depth images to classify environments, but those approaches can face the problems of self-occlusion. In comparison, 3D point cloud is more appropriate for depicting the environments. This paper proposes a directional PointNet to directly classify the 3D point cloud. First, an inertial measurement unit (IMU) is used to offset the orientation of point cloud. Then the directional PointNet can accurately classify the daily commuted terrains, including level ground, climbing up stairways, and walking down stairs. A classification accuracy of 98% has been achieved in tests. Moreover, the directional PointNet is more efficient than the previously used PointNet because the T-net, which is utilized to estimate the transformation of the point cloud, is not used in the present approach, and the length of the global feature is optimized. The experimental results demonstrate that the directional PointNet can classify the environments in robust and efficient manner.     

基于PointECA网络的无序工件点云分割算法

针对无序、采样不均匀以及存在相互遮挡的工件点云分割效果不佳的问题,提出一种多尺度自适应通道维度注意力点云分割网络(PointECA)。该算法中的多尺度特征提取模块能够较好地融合不同尺度的局部邻域特征,得到较为丰富的全局特征信息;自适应性通道注意力模块能够对不同尺度局部特征的通道维度交互学习,实现较好的语义分割效果。此外,制作了用于语义分割实验的Workpieces数据集。大量实验数据表明：PointECA在无序且有相互遮挡场景下,对工件部件分割的平均交并比达到了95.42%,能够为无序工件的快速分拣提供较好的条件。     

基于3D视觉的车载雷达PCB焊点缺陷检测系统研究

本研究采用将焊点三维特征提取与人工神经网络模型两种检测方法相结合的方式进行车载雷达焊点缺陷检测,克服了基于三维特征提取检测方法准确率低、基于人工神经网络检测方法对样本质量和数量要求高的缺点,具有在样本数量较少的情况下达到较高的检测准确率以及随着样本数量的积累增加检测准确率不断提升的优点.     

一种基于改进 PointNet++网络的 三维手姿估计方法

针对 PointNet++网络处理点云局部特征时因分组范围区过大导致计算量较大的问题,提出一种改 进的 PointNet++网络的三维手姿估计方法。首先对手势点云进行基于 Delaunay 三角剖分算法与 K 中位数聚类算 法相结合的三角剖分,得到手势点云的三角网格模型,并计算三角网格模型的边长均值;然后以三角网格模型边 长均值为半径,对最远点采样(FPS)的采样点进行球查询搜索,再根据搜索到的采样点个数极值对采样点云进行 K 近邻分组,并最终输入 PointNet 网络,完成三维手姿的位置估计。改进后的 PointNet++网络可以根据不同的点云 密度自动调整网络分组区域的局部提取点个数。实验结果表明,在不影响三维手姿估计精度的情况下,该方法提 高了 PointNet++网络的模型训练速度,并在三维手姿估计中可有效减少特征提取的计算量,使计算机能够更快地 捕捉手姿状态。     

基于样本加权PointNet++的输电通道点云分类研究

输电通道内地物要素复杂，机载LiDAR获取的电力线、杆塔、植被等地物点云密度差异大、空间分布不规则，实际应用中“所见即所得”的应用需求对点云的高效自动化分类带来挑战。将深度学习中的PointNet++算法用于输电通道机载点云自动分类研究，分析样本加权对不同密度点云数据分类精度的影响，利用两组实验数据验证算法的精度和效率，并与随机森林分类算法进行比较。结果表明：基于样本加权PointNet++的方法在输电通道点云自动化分类方面适用性更强，平均F1值87.14%，且分类精度和效率均优于随机森林方法。     

融合配准的多站室外大场景激光点云分割

针对室外场景范围广、分割难度大、识别效果不显著等问题,提出了一种融合多站点云配准的室外大场景分割方法.首先,根据室外场景视野大、点云数据量庞大特点,选取多个视角下重叠区域较多的建筑场景点集,结合SAC-IA和ICP方法进行点云自动配准,从而构建出点云密度相对均匀的室外大场景完整结构;然后,选用公共数据集Semantic...     

基于多信息深度学习的3D点云语义分割

点云语义分割是三维点云数据处理的基础步骤,是三维场景理解分析、重建和目标识别的关键环节。针对目前对三维点云进行语义分割使用的点云信息少和精度不高的问题,本文在利用点云三维坐标信息的基础上,增加了点云RGB信息和所属房间的归一化坐标信息,从而丰富了神经网络输入端的信息量,进一步提高了模型的分割精度,最后利用PointNet++对改进后的三维点云语义分割效果进行检验,实验表明:在丰富了网络输入端的数据信息后,模型的总体准确度提高了6.65 %。     

基于改进PointNet网络的三维手姿估计方法

针对单幅深度图像三维手姿估计中由于手部复杂结构捕捉困难导致的精度低和鲁棒性较差的问题,提出一种基于改进PointNet网络的三维手姿估计方法。该方法首先采用边界框定位网络预测三维边界框,从而准确裁剪手部区域。然后将手部深度图像表示为点云,模拟手部可见表面,有效地利用深度图像中的三维信息。最后将手部点云数据输入改进的PointNet网络,准确地进行三维手姿估计。改进的PointNet网络通过引入跳跃连接,充分利用不同层次的特征,更好地捕捉手部的复杂结构。在NYU手姿数据集上进行验证,实验结果表明,提出的方法优于现有的大部分方法,并且网络结构简单、易于训练,运行速度快。     

基于显著性图的点云替换对抗攻击

目的 传统针对对抗攻击的研究通常集中于2维图像领域,而对3维物体进行修改会直接影响该物体的3维特性,生成令人无法察觉的扰动是十分困难的,因此针对3维点云数据的对抗攻击研究并不多。点云对抗样本,如点云物体分类、点云物体分割等的深度神经网络通常容易受到攻击,致使网络做出错误判断。因此,提出一种基于显著性图的点云替换对抗攻击方法。方法 由于现有点云分类网络通常需要获取点云模型中的关键点,该方法通过将点移动到点云中心计算点的显著性值,从而构建点云显著性图,选择具有最高显著性值的采样点集作为关键点集,以确保对网络分类结果造成更大的影响;利用Chamfer距离衡量点云模型之间的差异性,并选择与点云模型库中具有最近Chamfer距离的模型关键点集进行替换,从而实现最小化点云扰动并使得人眼难以察觉。结果 使用ModelNet40数据集,分别在点云分类网络PointNet和PointNet++上进行对比实验。在PointNet网络上,对比FGSM （fast gradient sign method）、I-FGSM （iterative fast gradient sign method）和JSMA （Jacobian-based saliency map attack）方法,本文方法攻击成功率分别提高38.6%、7.3%和41%;若扰动100个采样点,本文方法将使网络准确率下降到6.2%。在PointNet++网络上,对比FGSM和JSMA,本文方法的攻击成功率分别提高58.6%和85.3%;若扰动100个采样点,本文方法将使网络准确率下降到12.8%。结论 本文提出的点云对抗攻击方法,不仅考虑到对抗攻击的效率,而且考虑了对抗样本的不可察觉性,能够高效攻击主流的点云深度神经网络。