基于图卷积网络的点云形状分类与零件识别.docxVIP

PAGE2

基于图卷积网络的点云形状分类与零件识别

摘要

随着工业4.0时代的到来，智能制造对工件分拣环节的自动化与智能化水平提出了更高要求。传统的工件识别方法在面对散乱堆放、遮挡严重及姿态各异的点云数据时，往往难以兼顾识别精度与处理速度。本课题针对这一现实痛点，设计并实现了一套基于图卷积网络（GCN）的点云形状分类与零件识别系统。该系统创新性地将无序点云构建为图结构，利用EdgeConv动态图卷积算子提取局部几何特征，有效解决了点云数据无序性与特征提取困难的问题，实现了对散乱工件的精准分类与分拣引导。

本文首先分析了工业分拣场景下的具体需求，明确了系统需具备点云预处理、图结构构建、特征提取与分类识别等核心功能。在总体设计阶段，确立了以数据流为核心的分层架构，将系统划分为数据输入层、算法处理层与应用交互层。详细设计阶段重点阐述了基于K近邻（K-NN）的图构建算法与EdgeConv特征提取网络的实现逻辑，设计了适应工件点云特性的网络结构。系统实现阶段基于PyTorch深度学习框架，完成了从数据加载、模型训练到推理预测的全流程开发，并针对内存消耗与推理速度进行了优化。

测试结果表明，本系统在公开数据集与自建工件数据集上均取得了较高的分类准确率，推理速度满足工业分拣的实时性要求。相较于传统的PointNet等方法，本设计在处理复杂局部几何特征时表现出更强的鲁棒性。本文的研究成果不仅