采用深度级联卷积神经网络的三维点云识别与分割

三维目标识别和模型语义分割在自动驾驶、机器人导航、3D打印和智能交通等领域均有着广泛应用。针对PointNet++未能结合三维模型的上下文几何结构信息的问题,提出一种采用深度级联卷积神经网络的三维点云识别与分割方法。首先,通过构建深度动态图卷积神经网络捕捉点云的深层语义几何特征;其次,通过将深度动态图卷积神经网络作为深度级联卷积神经网络的子网络递归地应用于输入点集的嵌套分区,以充分挖掘三维模型的深层细粒度几何特征;最后,针对点集特征学习中的点云采样不均匀问题,构建一种密度自适应层,利用循环神经网络编码每个采样点的多尺度邻域特征以捕捉上下文细粒度几何特征。实验结果表明,本算法在三维目标识别数据集ModelNet40和MoelNet10上的识别准确率分别为91.9%和94.3%,在语义分割数据集ShapeNet Part,S3DIS和vKITTI上的平均交并比分别为85.6%,58.3%和38.6%。该算法能够提高三维点云目标识别和模型语义分割的准确率,且具有较高的鲁棒性。     

面向点云识别网络的显著图生成

点云结构上的特殊性质，导致解释其深度模型学习特征的结果存在困难。提出了一种获得点云目标识别模型显著图的方法，首先在点云空间中随机释放若干自由因子并输入到模型中，然后根据设计的贡献度评价指标，基于梯度下降使骨干网络输出的池化特征尽可能偏离目标点云识别过程中输出的池化特征并更新因子位置。迭代后的因子无法参与识别过程，其对模型的预测“零贡献”，将目标点云中的点移动到这些因子的位置后对识别结果的影响与丢弃该点完全相同。点的移动过程可微，最后可根据梯度信息获得显著图。本文的方法在ModelNet40数据集上生成PointNet模型的显著图，相较于用点云中心生成显著图的方法，理论依据更强且适用的数据集更多。移动点至“零贡献”因子位置后对模型的影响较移动点至点云中心与丢弃点更相似。按本文的方法丢弃点使模型精度下降得更快，在仅丢弃100个点的情况下，模型的OA(overall accuracy)由90.4%下降至81.1%。同时经DGCNN和PointMLP评估，该显著性结果具有良好的通用性。该方法生成的显著性分数精度更高，且由模型驱动不含任何假设，适用于绝大多数点云识别模型和数据集，其显著性分析结果...     

三维点云特征的工件识别与位姿估计

针对工业机器人在抓取工件过程中需要识别和定位工件的问题,提出了一种基于改进法矢计算的点云局部描述符SHOT的三维物体识别与位姿估计的方法.首先,对三维扫描仪获取工件表面点云进行预处理和分割,得到用于匹配的工件点云模板数据集;其次,采用均匀采样算法提取特征点集,通过SHOT特征描述符对场景点云与模板点云提取的特征点进行点...     

缸体类零件加工特征识别方法

针对发动机缸体零件的加工特征识别问题,提出一种基于图分解与特征因子聚类的混合式加工特征识别方法。对零件STEP AP203模型数据进行预处理,获得特征加工面,构建零件加工面扩展属性邻接图;通过分解获得最小属性邻接图,并与预定义的特征元匹配,获得特征因子;为满足特征识别结果工艺性的要求,对特征因子聚类,构造复合加工特征。通过具体实例验证了所提方法的有效性和可行性,表明该方法能有效解决现有缸体零件相交特征识别困难和特征解释NP问题。     

基于体分解的MBD工序模型快速生成方法

为了实现基于模型定义的工序模型的快速生成,提出一种基于体分解的最大加工特征识别及工艺路线生成方法。将零件加工特征分为简单特征、复杂特征、简单相交特征和复杂相交特征。首先从加工方向上对切削体进行分层简化;然后检索复杂相交特征的凹边,生成分割面并按照分割顺序将其分解为简单特征和复杂特征;再根据组合规则合并所有特征、得到最大加工特征;最后根据各特征的位置关系及类型制定工艺路线,以生成基于模型定义的工序模型。通过实例验证,结果表明:所提方法能够有效减少分割次数和单元体数量,提高相交特征的识别效率,实现基于模型定义的工序模型的快速生成。     

基于支持向量机的点云曲面刀具路径规划

针对单值散乱点云曲面刀具路径规划问题,提出了一种基于最小二乘支持向量机的计算方法。在计算过程中,将点云数据向平面投影,得到二维点集。应用网格划分和边界网格内测量点高斯映射技术,提取平面区域内的边界特征点。用边界特征点定义点云曲面的实际加工区域,在此区域内规划平行等间距刀具路径。应用最小二乘支持向量机拟合点云数据,求得被加工曲面的连续表达模型,经此模型将二维刀具路径数据向三维空间映射,求出刀触点数据。将刀触点经法向偏置计算,求得刀位点。实例验证证明,该方法能较好地解决信息不完备散乱点云曲面刀具路径生成问题。      

基于STEP-NC的相交特征识别技术

为有效识别2.5维相交特征,提出一种新的基于图和痕迹的相交特征识别算法。该算法首先对零件模型进行处理,提取加工特征面,识别时只考虑加工特征面,降低了零件图的搜索空间且不影响特征识别的正确率;通过建立相交特征拆分因子队列,并采用自动计算和交互式相结合的方式确定最优依赖特征面,能够比较准确地分离相交特征;根据特征基面对STEP-NC定义的制造特征进行编码,相对于子图匹配和规则匹配,该方法能够快速和有效地匹配特征。通过具体实例验证了算法的有效性和可行性。     

改进UNet与DBSCAN融合的车道线检测方法

室内外标记线和车道线检测是移动作业机器人研究的难点这一。针对现有方法效率低、精度差等问题，提出了改进UNet与DBSCAN融合的车道线检测方法。基于分布式融合结构，将图像输入嵌有并行融合注意力模块的UNet,通过注意力机制加大车道线权重，并抑制干扰信息，以获得更好的识别结果。三维激光雷达的点云数据通过随机抽样一致算法和自适应邻域DBSCAN获得车道线原始点云，经过最小二乘拟合得到点云车道线。在像素坐标系上引入匈牙利算法匹配决策判断，实现车道线拟合。基于KITTI数据集和真实数据集进行试验验证，识别结果优于UNet和LaneNet,检测时间平均约为0.5 s,相比纯视觉方法具有较好的鲁棒性和准确性。     

数据与模型混合驱动的箱体零件加工能耗预测

箱体零件是机械产品与部件的载体和安装基础件,其制造过程耗费大量的资源和能源。加工能耗预测作为能效评估与优化的前置技术,具有积极的意义。然而,由于箱体零件往往具有复杂的加工特征,且特征间耦合关系复杂,导致现有基于加工特征的方法难以准确预测其加工能耗。基于此,提出一种数据与模型混合驱动的箱体零件加工能耗预测方法。首先,基于箱体零件结构组成,对其加工特征及其间耦合关系、以及加工能耗特性进行分析;其次,针对箱体零件加工特征的相交与非相交关系,分别构建数据驱动的非相交特征加工能耗预测模型与模型驱动的相交特征加工能耗预测模型,进而实现箱体零件加工能耗的准确预测;最后,以某箱体零件加工为例对所提方法的有效性进行验证,并通过与纯数据驱动和纯模型驱动能耗预测方法的横向对比,说明所提方法的优越性。     

工件四特征点的粗配准方法研究

工件自动配准在柔性生产装配中至关重要,其中装配工件CAD模型数据和实测点云数据的配准是关键技术之一。针对装配工件和CAD模型的配准问题,提出了一种基于工件四特征点的粗配准算法。获得配准物体CAD模型数据和实测点云数据后,该方法包含四步:点云数据取样,特征四点集提取,特征一致四点集寻找,计算变换一致性矩阵。以正方体为模型的仿真实验结果显示该配准方法正确可行,以维纳斯石膏像作为实验对象进行配准实验,当点云数据为80000点时,点到点的误差均值为0.0622mm。该算法稳定,配准结果可以作为精确配准算法ICP(Iterative Closest Point)等的叠代初值。     

利用迁移学习的机载激光雷达点云分类

为解决现有机载激光雷达点云分类方法存在难以在获得较高精度的点云分类结果的同时降低分类过程所需时间等问题,提出了一种利用迁移学习的机载激光雷达点云分类方法。首先,计算点云的归一化高程、强度和法向量三个特征,通过设置不同邻域大小,利用所提出的点云特征图生成策略生成多尺度点云特征图;然后,利用预训练的深度残差网络从每个点的多尺度点云特征图提取其多尺度深度特征;最后,为了实现快速地训练,构建仅包含两层全连接神经网络模型,再利用训练好的模型对点云进行分类。两组ISPRS提供的标准点云数据集的试验结果表明:提出的方法所需训练时间少,分类结果的整体精度为89.6%,较ISPRS官网上所报道的最佳点云方法分类精度高4.4%。分类结果可为机载激光雷达点云的后续处理与应用提供可靠的信息。     

基于特征矩阵的大型舱体类构件毛坯模型复杂特征分层识别方法

大型舱体类构件是大飞机、火箭等航空航天飞行器型号的重要部件,具有众多复杂内部相交特征,给其内部特征的准确识别带来极大挑战,毛坯模型内部特征的有效识别是实现加工余量确定、切削参数优化及刀具路径规划的重要基础.提出了一种基于特征矩阵的大型复杂构件毛坯模型相交特征分层识别算法,实现基于毛坯模型几何拓扑信息的多层次复杂相交特征识别.首先使用阈值分割法识别和剔除大型复杂构件毛坯模型伪特征及其数据,进行毛坯模型优化.然后构建该优化毛坯模型的属性邻接图,采用分层识别方法对构件的优化毛坯模型相交特征进行分层处理,得到单一特征并计算其特征矩阵.将多类型单一特征均转换为特征矩阵,建立特征匹配库.最后将特征矩阵与特征库进行匹配,以进行模型相交特征准确识别.对具有多种特征的舱体零件毛坯模型进行实例验证,通过准确识别多类型特征分别验证了该算法的可行性和有效性.     

基于动态图注意力机制的秦俑点云鲁棒配准

针对目前的点云配准方法在处理秦俑等文物模型时不能很好地解决分辨率不匹配、点云部分重叠、噪声点较多等问题,提出一种基于动态图注意力机制的ResUNet配准模型。该模型将残差模块融入U-Net网络中,使用三维稀疏体素卷积计算点云特征,并引入一种新的归一化技术：批邻域归一化（Batch-Neighborhood Normalization,BNHN）,来提高特征对于点密度变化的鲁棒性;为了进一步提高配准性能,该模型通过自注意力机制和交叉注意力机制聚合局部特征和上下文特征,最后结合随机抽样一致性算法来估计源点云与目标点云之间的变化矩阵,完成秦俑文物模型的鲁棒配准。为了验证本文方法的有效与鲁棒,使用四组数据集（3DMatch、3DLoMatch、分辨率不匹配的3DMatch数据集以及两组秦俑数据）对配准模型进行测试,实验结果表明,该算法在3DMatch数据集和3DLoMatch数据集上的配准召回率分别达到90.1%和61.0%;在分辨率不匹配的3DMatch数据集,相比与基于特征学习的配准算法,该算法在配准召回率上提升了5%～20%;在秦俑数据集上,相对旋转误差均小于0.071,相对平移误差均小...     

三维不变矩特征估计的点云拼接

点云拼接是点云模型获取和重建的关键问题。提出一种新的三维不变矩特征估计的点云拼接方法,该方法将二维不变矩扩展到三维,用于描述点云的局部特征,设计实现了用该特征查找对应点的ICP算法。该算法先计算点云的特征描述子,由其中一个点云的点查找在另一片点云的最近邻域且特征描述子最相似的点作为这点的对应点,并建立对应点点集,其次将点集变换到以质心为原点的坐标下,然后根据对应点对集合建立协方差矩阵并对它奇异值分解,得到旋转矩阵和平移矩阵,最后迭代上述步骤直到收敛。通过人脸数据拼接的结果表明,该方法是可行有效的。     

面向薄壁多腔类结构件加工特征识别方法

针对薄壁多腔类结构件加工特征识别效率低下、相交特征识别困难的问题,提出基于规则、层与特征抑制的混合并行识别方法。该方法以腔分组和加工特征分类为基础、以腔为单元对各类加工特征进行并行识别,以提高识别效率,并及时在三维模型中抑制已识别的各特征来简化相交特征的识别。首先给出了加工特征的分类及腔分组的方法;然后详细给出了特征识别流程:利用边的属性和规则识别各个腔中的完整孔、独立筋、相交筋,将各个腔采用层与特征抑制的方法识别层特征与相交孔特征,当所有腔内的特征识别完成后回到主线程进行剩余特征的识别;最后通过实例分析了算法效率,验证了所提方法的有效性。     

滚动轴承数字孪生几何模型精细建模

针对滚动轴承数字孪生几何模型构建过程中，因被赋予理想的光滑表面而缺乏表面形貌信息，导致模型配合面与物理实体一致性差的问题，提出滚动轴承数字孪生几何模型精细建模方法，基于分形理论、点云变换和点云重建技术构建了带有表面形貌特征的滚动轴承数字孪生精细几何模型。通过对滚动轴承的数字孪生精细几何模型和光滑几何模型进行仿真分析，并与实验采集的滚动轴承振动数据在时频域参数上进行对比验证，表明相比传统的光滑几何模型，滚动轴承的数字孪生精细几何模型更符合实际运行情况。     

基于特征面分割的自动特征识别

相交特征的识别是自动特征识别的难点,提出一种新的基于图的特征识别算法,首先构造加工面邻接图(MFAG),然后通过特征匹配快速识别出孤立特征,通过特征面的延拓、求交与分割,主动找出特征痕迹,分解出基本特征子图,从而识别出相交特征.该算法使孤立特征和相交特征的识别模式统一,同时有利于与交互特征定义集成.     

航空发动机外形点云的保特征去噪方法

三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。     

基于特征融合的改进型PointPillar点云目标检测

针对PointPillar在自动驾驶道路场景下对点云稀疏小目标检测效果差的问题,通过引入一种多尺度特征融合策略和注意力机制,提出一种点云目标检测网络Pillar-FFNet。针对网络中的特征提取问题,设计了一种基于残差结构的主干网络;针对馈入检测头的特征图没有充分利用高层特征的语义信息和低层特征的空间信息的问题,设计了一种简单有效的多尺度特征融合策略;针对主干网络提取的特征图中信息冗余的问题,提出了一种卷积注意力机制。为验证所提算法的性能,在KITTI和DAIR-V2X-I数据集上进行实验。实验结果表明,所提出的算法在KITTI数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.84%,2.13%和4.02%;在DAIR-V2X-I数据集上与PointPillar相比,汽车、行人和骑行者的平均精度最大提高分别为0.33%,2.09%和4.71%,由此证明了所提方法对点云稀疏小目标检测的有效性。     

基于物理模型和神经网络融合的表面粗糙度预测方法

当前表面粗糙度预测的单一建模方法都存在一定的局限性，物理建模方法无法表征实际加工动态过程，机器学习模型需要大量训练数据且解释性较差。提出了一种物理模型与神经网络深度耦合的融合模型，通过训练卷积自编码器作为特征提取器构建数据集，然后训练融合模型，实现对表面粗糙度的精确预测，通过高温合金侧铣实验建立的数据集进行了验证，上述模型在训练集上预测相对误差为4.48%,测试集上的平均预测相对误差为5.67%。以10%为允差范围，则预测的准确率为84.29%,有较高的精准度。