基于点云深度学习的加工特征识别方法.docxVIP

基于点云深度学习的加工特征识别方法 0 引言加工特征是具有一定工程意义的几何形状。CAD几何模型通常只有顶点、面片等低级几何信息，缺少加工特征等高级语义信息。在产品的数字化设计和制造过程中，不同的组件或产品所使用的CAD建模软件可能各不相同，且CAD系统与CAM系统的三维模型数据格式也不同，在异构模型转换时会丢失加工特征信息。因此，特征识别的关键是从各类CAD模型共有的低级几何特征中识别出与设计意图和制造过程相关的加工特征国内外学者对加工特征自动识别技术进行了很多研究，其研究方法可以分为基于推理的方法和基于学习的方法两类。在基于推理的方法中，主要有基于规则的方法点云是空间中用于表示三维几何形状的一组数据点，点集中的点可以只包含坐标，也可以含有法向量等属性。由于三维点云相比于二维图像，可以获得更多的空间信息，且点云深度学习网络的训练速度比体素化方法快，因此基于点云数据的深度学习算法被广泛应用于分类、分割、目标检测等三维物体的处理任务鉴于上述原因，本文通过CAD模型的点云数据来识别加工特征。提出了一种融入几何先验知识的点云分类网络，并在加工特征表面进行均匀点采样，构建加工特征的点云数据集。由复杂的三维模型采样得到的点云，加工特征间并不是自然分离的，且三维空间上加工特征的标注难度大，因此本文结合点云数据的几何性质和深度学习方法，从整体点云中提取加工特征点集，并通过训练好的点云分类网络对分离后的加工特征点集进行特征识别。1 CAD模型的加工特征识别方法由于加工特征的类型多样、形状复杂，且实际CAD模型中常常会出现特征的相交现象，加工特征识别一直是一个难题。机器学习方法具有自学习能力和可扩展性，无需制定复杂的特征识别规则，仅需相应特征的数据和标签，就能训练出识别效果良好的分类模型。本文基于点云深度学习，提出了一种CAD模型中加工特征的提取与识别方法。如图1所示，本文的方法主要由两个部分组成：多特征模型的加工特征提取与单特征识别网络。对于一个CAD模型，首先将其转化为三维点云数据，然后提取点云中的加工特征，最后依次将这些分离后的加工特征点云输入到训练好的单特征识别网络中，即可得到各个特征的类别。1.1单特征识别网络加工特征识别问题即三维对象的分类问题，本文将加工特征表示为均匀分布的点云，然后通过点云分类网络对其进行识别。如图1所示，网络的输入为由N个点组成的三维点云，每个点的属性为坐标和顶点法向量。对于点云中的每个点，获取其K个邻近点后构建局部特征，然后通过特征提取网络提取点云的高维度特征，经过池化后得到全局特征，接着将全局特征输入到由三个全连接层构成的分类器中，生成不同加工特征类别的分类得分，最后通过softmax得到特征的类别。1.1.1 点云局部特征的构建如果只是独立地学习各个点的特征，会丢失点云的局部信息，因此本文在局部区域中构造邻近点之间的几何结构信息，如图2所示。给定一个点集（1）旋转不变特征为了使点云深度学习网络具有旋转鲁棒性，研究人员提出了许多方法。PointNet本文在局部区域构造旋转不变特征，使网络具有旋转鲁棒性。对于（2）边特征已知拼接旋转不变特征和边特征后得到点的局部特征1.1.2特征提取网络图神经网络是一种适用于处理点云的方法,因为它可以忽略点的输入顺序且不受旋转的影响,并通过提取边特征来学习不同点之间的关系信息。DGCNN将图神经网络应用于点云，提出了EdgeConv在点云中构造局部特征后，通过深度学习网络将特征提取到更高的维度，特征提取网络如图4所示。首先通过共享的多层感知机对上一节中提到的局部区域1.2多特征模型的加工特征提取方法一个CAD模型由许多平面和曲面组成，本文将加工特征的表面定义为特征面，其余面为非特征面。特征面上的采样点定义为特征点，非特征面上的点定义为非特征点。在CAD模型中，不同制造特征通过非特征面连接在一起。为了分离不同加工特征的点云，需要从整体点云中剔除非特征点。本文首先对点云进行区域分割，将点云划分为多个表面点集，这些表面点集为平面点集或曲面点集；然后判断各个点集是否为非特征表面点集，将非特征表面点集从点云中剔除；去除非特征点后，将不同的加工特征分离并输入单特征识别网络，进行加工特征的识别。算法如下所示。1.2.1非特征点的移除策略基于聚类的区域分割算法是将具有较高相似性质的数据点聚合在一起的方法，该方法可以将初始点云分割成多个点云簇，从而实现不同区域之间的分离。在CAD模型中，面与面之间有着明显的分界线，边界点的法向量和曲率会发生突变。本文通过SPSO-FCM算法将原始点云划分为多个表面点集后，对这些表面点集进行特征面与非特征面的判定：若表面为非特征面，则将其从初始点云中移除，否则保