[發明專利]一種基于點云語義分割的加工特征智能識別方法

在審

• 申請號: 202010647445.4
• 申請日: 2020-07-07
• 公開（公告）號: CN111914480A
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 周光輝;胡君生;張超
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F30/17;G06K9/34;G06K9/62
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 高博

1.一種基于點云語義分割的加工特征智能識別方法，其特征在于，包括以下步驟：

S1、建立三維零件的零件CAD模型庫；

S2、將步驟S1建立的零件CAD模型轉換為標準三維點云模型；

S3、對步驟S2的標準三維點云模型中的不同加工特征點進行標簽加注，通過多次無放回-均勻采樣將三維點云模型采樣為標準點云模型；

S4、將步驟S3的標準點云模型進行歸一化、旋轉和抖動操作；

S5、將步驟S4處理后的標準點云模型輸入到改進的PointNet點云語義分割網絡中進行訓練；

S6、將步驟S5語義分割網絡的訓練結果保存為.h5文件；

S7、對待識別的零件CAD點云模型進行預處理和標準化；

S8、將步驟S7處理后的零件CAD點云模型輸入到步驟S6的.h5文件中，得到各類加工特征的語義分割結果；

S9、通過檢測模塊核定加工特征的類型和數量，完成智能識別。

2.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S2中，零件的原始CAD模型以PRT、STEP和STL等多種格式存在，通過初始格式→OBJ格式→PCD格式的轉換步驟，將所有零件CAD模型轉換為標準三維點云模型，并以PCD格式保存。

3.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S3中，通過點云標注系統對三維點云模型的加工特征部分和非加工特征部分進行統一標注，針對復合特征根據工業應用需要進行拆分標注或統一標注，對于不同類零件的同類別加工特征標注為一類。

4.根據權利要求3所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟將單個由10萬點組成的原始點云模型轉換成15個由2048個點組成的點云模型。

5.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S4中，通過遍歷每個點的三維坐標值(X,Y,Z)，以X、Y和Z坐標值中的最大值F_max和最小值F_min作為基數進行坐標歸一化處理；設置隨機數a∈[0,1]，使得模型在X，Y和Z軸方向上隨意轉動角度a*2Π，在X，Y和Z軸上是否轉動由01隨機生成數b確定；通過給坐標點增加高斯噪聲實現點云的抖動。

6.根據權利要求5所述的基于點云語義分割的加工特征智能識別方法，其特征在于，高斯噪聲增量p(z)具體為：

其中，z為坐標值，μ，σ²分別為高斯分布的期望和方差，c為決定模型是否增加噪聲的01隨機數。

7.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S5中，改進的PointNet語義分割網絡中的兩個T-net結構均由k*k的輸入得到k*k的輸出，k為輸入維度，T-net網絡結構的每一層單元為：64-128-1024-512-256，通過利用1*1的卷積實現全連接，將mlp得到的256維度特征進行處理，通過定義權重輸出k*k的旋轉矩陣；分割任務中，將1024維的全局信息附在n*64的局部信息后面，形成1088維的網絡結構實現每個點的分類。

8.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S7中，將多種格式的CAD模型轉換成三維點云模型，通過均勻采樣實現數據標準化，然后經歸一化將坐標值統一到[-1，1]區間，保持零件點云模型的三維空間結構和比例不變。

9.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S6和步驟S8中，將改進的PointNet語義分割網絡和權重保存為.h5文件，新的三維點云模型通過log_softmax函數得到各點屬于加工特征類別的概率，實現零件點云模型的語義分割。

10.根據權利要求1所述的基于點云語義分割的加工特征智能識別方法，其特征在于，步驟S9中，針對各類加工特征的語義分割結果依次進行異常點和離群點檢測，核驗加工特征類別，通過DBSCAN聚類算法確定各類加工特征的數量。