一种基于点云语义分割的加工特征智能识别方法技术

本发明专利技术公开了一种基于点云语义分割的加工特征智能识别方法，将零件CAD模型的加工特征智能识别问题转换为三维点云模型的语义分割问题，通过建立三维零件CAD模型库并进行预处理得到训练数据集，进一步将数据集输入改进的PointNet语义分割网络，此网络以PointNet语义分割网络为基础框架，通过引入ResNet网络的残差块结构提升分割精度。最后将各类加工特征输入到检测模块，通过异常点检测和DBSCAN聚类算法核验加工特征类别、确定加工特征数量。本发明专利技术提出的加工特征智能识别方法实现了跨零件种类‑跨特征类别的加工特征提取，解决了异型加工特征、自由曲面和复合加工特征难识别的问题，有助于企业重用加工特征的全生命周期信息和制造业计算机辅助软件的系统集成。

【技术实现步骤摘要】
一种基于点云语义分割的加工特征智能识别方法
本专利技术属于先进制造技术智能化信息
，具体涉及一种基于点云语义分割的加工特征智能识别方法。
技术介绍
CAD、CAPP和CAM系统在产品设计、工艺规划和加工仿真等领域发挥着重要作用，然而系统之间的数据难以转换、传递和共享，因此实现CAD、CAPP和CAM系统的集成变得非常重要，这将减少小批量-定制化零件产品的设计、制造时间，使得企业在竞争激烈的市场中有更强的敏捷制造能力。加工特征是指机械零件上特定的形状，包括孔、自由曲面、台阶和键槽等，加工特征的自动识别技术成为了CAD和CAPP系统集成的桥梁。在过去的三十年里，研究人员提出了不同类型的特征识别技术来识别加工特征，包括基于图形的方法、基于神经元网络的方法，基于体积分解的方法、基于单元的方法、基于提示的方法、基于规则的方法和基于混合的方法，这些方法普遍需要建立大量的复杂规则，同时在面对不同类型的加工特征时方法通用性差，对于复合加工特征、异型加工特征和自由曲面特征的识别存在困难；最近出现了以三维体素为输入，通过3D-CNN来识别加工特征的方法，但是仅在单个特征和简单零件模型的识别中取得一定效果。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于点云语义分割的加工特征智能识别方法，通过将加工特征的识别转换成三维点云的语义分割问题，能够很好的解决针对异型加工特征、复合加工特征和自由曲面特征的识别难题，实现零件的跨类型-多特征精准识别，有效提升工业企业计算机辅助系统的集成能力。本专利技术采用以下技术方案：一种基于点云语义分割的加工特征智能识别方法，包括以下步骤：S1、建立三维零件的零件CAD模型库；S2、将步骤S1建立的零件CAD模型转换为标准三维点云模型；S3、对步骤S2的标准三维点云模型中的不同加工特征点进行标签加注，通过多次无放回-均匀采样将三维点云模型采样为标准点云模型；S4、将步骤S3的标准点云模型进行归一化、旋转和抖动操作；S5、将步骤S4处理后的标准点云模型输入到改进的PointNet点云语义分割网络中进行训练；S6、将步骤S5的训练结果保存为.h5文件；S7、对待识别的零件CAD点云模型进行预处理和标准化；S8、将步骤S7处理后的零件CAD点云模型输入到步骤S6的.h5文件中，得到各类加工特征的语义分割结果；S9、通过检测模块核定加工特征的类型和数量，完成智能识别。具体的，步骤S2中，零件的原始CAD模型以PRT、STEP和STL等多种格式存在，通过初始格式→OBJ格式→PCD格式的转换步骤，将所有零件CAD模型转换为标准三维点云模型，并以PCD格式保存。具体的，步骤S3中，通过点云标注系统对三维点云模型的加工特征部分和非加工特征部分进行统一标注，针对复合特征根据工业应用需要进行拆分标注或统一标注，对于不同类零件的同类别加工特征标注为一类。进一步的，步骤将单个由10万点组成的原始点云模型转换成15个由2048个点组成的点云模型。具体的，步骤S4中，通过遍历每个点的三维坐标值(X,Y,Z)，以X、Y和Z坐标值中的最大值Fmax和最小值Fmin作为基数进行坐标归一化处理；设置随机数a∈[0,1]，使得模型在X，Y和Z轴方向上随意转动角度a*2Π，在X，Y和Z轴上是否转动由01随机生成数b确定；通过给坐标点增加高斯噪声实现点云的抖动。进一步的，高斯噪声增量p(z)具体为：其中，z为坐标值，μ，σ2分别为高斯分布的期望和方差，c为决定模型是否增加噪声的01随机数。具体的，步骤S5中，改进的PointNet语义分割网络中的两个T-net结构均由k*k的输入得到k*k的输出，k为输入维度，T-net网络结构的每一层单元为：64-128-1024-512-256，通过利用1*1的卷积实现全连接，将mlp得到的256维度特征进行处理，通过定义权重输出k*k的旋转矩阵；分割任务中，将1024维的全局信息附在n*64的局部信息后面，形成1088维的网络结构实现每个点的分类。具体的，步骤S7中，将多种格式的CAD模型转换成三维点云模型，通过均匀采样实现数据标准化，然后经归一化将坐标值统一到[-1，1]区间，保持零件点云模型的三维空间结构和比例不变。具体的，步骤S6和步骤S8中，将改进的PointNet语义分割网络和权重保存为.h5文件，新的三维点云模型通过log_softmax函数得到各点属于加工特征类别的概率，实现零件点云模型的语义分割。具体的，步骤S9中，针对各类加工特征的语义分割结果依次进行异常点和离群点检测，核验加工特征类别，通过DBSCAN聚类算法确定各类加工特征的数量。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术提出了一种基于点云语义分割的加工特征智能识别方法，实现跨零件种类-跨特征类别的加工特征提取，无须针对不同类型的加工特征建立复杂的描述符和推理规则，具有良好的通用性和泛化性；可以有效识别异型特征和自由曲面等非规则加工特征；解决了复合特征难以表征，识别精度低的问题；实现针对小批量定制化零件的加工特征提取，面对加工特征空间结构、尺寸和位置的变动有良好适应性。进一步的，三维点云则仅表征零件的表面，相同的表面精度下于减少了内部点的表示，三维点云占用的存储空间可以减少数十倍，因此通过点云语义分割可以真正实现复杂零件多特征的高精度识别。进一步的，通过无放回-均匀采样对每个零件的三维点云模型采样，得到多个由2048个组成的点云模型，可以减小单个点云模型的存储规模，加速网络的训练速度。多次采样三维点云模型通过2048个点获得更加完整的加工特征信息，同时实现训练集规模的扩充。进一步的，采用改进的PointNet进行点云的语义分割，通过T-net解决了点云的旋转性问题，通过maxpooling解决了三维点云语义分割的无序性问题，适用于零件加工特征的自动识别问题。在原网络基础上，借鉴ResNet网络中的残差块结构，加深分割阶段的网络深度，可以提高PointNet的分割精度，因此本专利技术采样改进的PointNet点云语义分割网络实现加工特征的识别。进一步的，通过检测模块核定异常点和离群点，可以核验语义分割得到的加工特征类别，基于密度的DBSCAN聚类算法通过对各类加工特征语义分割结果的分析，得到各类加工加工特征的数量。综上所述，本专利技术通过将改进的PointNet语义分割网络应用到加工特征智能识别的领域，实现了跨零件种类-跨特征类别的加工特征提取，在异型特征、复合特征和自由曲面等非标准加工特征的识别中取得了良好的效果。改进的PointNet语义分割网络可以有效解决零件建模和格式转换过程中产生的点云旋转性和无序性问题，最后检测模块核验加工特征的类别、确认加工特征的数量。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。附图说明图1为本专利技术基于点云语义本文档来自技高网...

【技术保护点】
1.一种基于点云语义分割的加工特征智能识别方法，其特征在于，包括以下步骤：/nS1、建立三维零件的零件CAD模型库；/nS2、将步骤S1建立的零件CAD模型转换为标准三维点云模型；/nS3、对步骤S2的标准三维点云模型中的不同加工特征点进行标签加注，通过多次无放回-均匀采样将三维点云模型采样为标准点云模型；/nS4、将步骤S3的标准点云模型进行归一化、旋转和抖动操作；/nS5、将步骤S4处理后的标准点云模型输入到改进的PointNet点云语义分割网络中进行训练；/nS6、将步骤S5语义分割网络的训练结果保存为.h5文件；/nS7、对待识别的零件CAD点云模型进行预处理和标准化；/nS8、将步骤S7处理后的零件CAD点云模型输入到步骤S6的.h5文件中，得到各类加工特征的语义分割结果；/nS9、通过检测模块核定加工特征的类型和数量，完成智能识别。/n

【技术特征摘要】
1.一种基于点云语义分割的加工特征智能识别方法，其特征在于，包括以下步骤：
S1、建立三维零件的零件CAD模型库；
S2、将步骤S1建立的零件CAD模型转换为标准三维点云模型；
S3、对步骤S2的标准三维点云模型中的不同加工特征点进行标签加注，通过多次无放回-均匀采样将三维点云模型采样为标准点云模型；
S4、将步骤S3的标准点云模型进行归一化、旋转和抖动操作；
S5、将步骤S4处理后的标准点云模型输入到改进的PointNet点云语义分割网络中进行训练；
S6、将步骤S5语义分割网络的训练结果保存为.h5文件；
S7、对待识别的零件CAD点云模型进行预处理和标准化；
S8、将步骤S7处理后的零件CAD点云模型输入到步骤S6的.h5文件中，得到各类加工特征的语义分割结果；
S9、通过检测模块核定加工特征的类型和数量，完成智能识别。


2.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S2中，零件的原始CAD模型以PRT、STEP和STL等多种格式存在，通过初始格式→OBJ格式→PCD格式的转换步骤，将所有零件CAD模型转换为标准三维点云模型，并以PCD格式保存。


3.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S3中，通过点云标注系统对三维点云模型的加工特征部分和非加工特征部分进行统一标注，针对复合特征根据工业应用需要进行拆分标注或统一标注，对于不同类零件的同类别加工特征标注为一类。


4.根据权利要求3所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤将单个由10万点组成的原始点云模型转换成15个由2048个点组成的点云模型。


5.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S4中，通过遍历每个点的三维坐标值(X,Y,Z)，以X、Y和Z坐标值中的最大值Fmax和最小值Fm...

【专利技术属性】
技术研发人员：周光辉，胡君生，张超，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：陕西;61