一种面向大型复杂曲面零件点云的语义分割方法技术

本发明专利技术涉及一种面向大型复杂曲面零件点云的语义分割方法。本方法核心关键在于将曲面零件点云根据其几何信息，离散成最小特征元素，再根据拓扑信息组合成所需特征元素，从而实现点云的语义分割。本发明专利技术通过融合三维几何信息规则的混合式聚类方式，分别经过以方向作为K

【技术实现步骤摘要】
一种面向大型复杂曲面零件点云的语义分割方法


[0001]本专利技术涉及一种点云语义分割方法。特别是涉及一种面向大型复杂曲面零件点云的语义分割方法。

技术介绍

[0002]在当下产业转型升级的关键阶段，多品种、小批量的生产模式逐渐成为市场上新的需求。智能化制造将是未来产业发展的趋势，尤其随着机器学习、神经网络等人工智能技术的出现，融合先进技术的制造装备使得企业在激烈的竞争环境下占据一定的优势。然而，这些新兴的先进技术在对零件进行操作之前，都离不开对零件进行感知这一关键步骤。因此，感知的结果将对后续的操作产生直接的影响。
[0003]目前，对于三维零件的感知通常采用激光传感器或者深度相机采集零件点云，并对其进行语义分割，其目的在于让计算机了解零件的结构特征以及不同区域的语义信息。一般，很多方法将神经网络作为点云语义分割的首选。如专利CN111914480A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。
[0004]虽然采用神经网络的方法能够取得较高的准确率，但是在实际的工业场景下，难以有足够的有效样本数量去支撑网络的训练，尤其是一些大型复杂曲面零件，其造型多变、品种多样为数据样本采集带来了不小的难度。并且当零件类别发生更换时，需要重新训练乃至修改网络结构，难以进行敏捷开发且可解释性较差。因此提出一种快速、稳定、应用范围广且具备良好可解释性的面向大型复杂曲面零件的点云语义分割方法成为了当下的当务之急。

技术实现思路

[0005]本专利技术要解决的技术问题是：针对目前在工业环境下，产品品种多、批量小、迭代更新速度快，受限于有效点云样本数量少，难以或无法使用机器学习人工智能的方法进行点云语义分割的现状，提供了一种面向大型复杂曲面零件点云的语义分割方法。本专利技术方法通过混合式的聚类方式，能够快速、准确、稳定地对曲面零件点云进行语义分割，并且分割的结果具备良好的可解释性，能够根据不同零件的真实情况做出针对性的修改。
[0006]为达到上述目的，本专利技术采用的构思是：
[0007]一种面向大型复杂曲面零件点云的语义分割方法，针对工业场景中采集的曲面零件点云数据，采用融合点云族几何信息的混合式聚类方法，将其解构为单独的最小特征元素，再根据特征结构的拓扑信息，将特征元素组合成所需结构，从而完成点云语义分割。
[0008]构件上述专利技术构思，本专利技术采用下述技术方案：
[0009]一种面向大型复杂曲面零件点云的语义分割方法，其特征在于操作步骤如下：
[0010]1)曲面零件点云粗分类：
[0011]根据曲面零件点云所在曲面法线方向信息，对点云进行粗分类处理；
[0012]2)曲面零件点云细分类：
[0013]根据点云粗分类的结果，对每一类别的点云族进行点云细分类处理，进一步将点云族分解成更小的点云族，在此称为最小特征元素；
[0014]3)特征元素组合：
[0015]根据零件结构的拓扑信息，将部分最小特征元素组合成所需零件结构点云；若零件某结构无需进行元素组合，则根据位置信息完成元素的归类即可。
[0016]优选地，所述步骤1)的粗分类过程具体包括以下步骤：
[0017]步骤a.根据零件的曲面法向信息，选定聚类中心，基本法线朝向包括但不限于(1,0,0),(
‑
1,0,0),(0,1,0),(0,
‑
1,0),(0,0,1)和(0,0,
‑
1)。
[0018]步骤b.使用K
‑
Means聚类算法或其他基于距离的聚类算法，以基本的法线朝向作为初始聚类中心点，对零件点云进行粗分类。
[0019]优选地，所述步骤2)的细分类过程具体包括以下步骤：
[0020]步骤a.采用DBSCAN聚类算法或其他基于密度的聚类算法，将粗分类之后的每类结果进行进一步的细分，将其细化成最小特征元素。
[0021]步骤b.根据最小特征元素质心在整体零件点云的分布位置等几何位置信息，建立分类规则库并将其归类。
[0022]优选地，所述步骤3)的组合过程具体包括以下步骤：
[0023]步骤a.确定零件每个特征结构的拓扑信息，即该特征结构中所包含的最小特征元素以及它们之间的连接关系。
[0024]步骤b.从最小特征元素集合中寻找所需元素，并根据元素之间的连接关系组合成所需零件特征结构。
[0025]优选地，完成上述步骤之后，生成特征矩阵，存入案例库。特征矩阵的具体形式为[F
n Fp
nm
]，其中，F
n
为特征标识符，其取值为1或0，代表是否包含该特征结构。F
pnm
为第n个特征的第m个零件形状信息，零件形状信息可以为几何尺寸，某结构处坐标分量的尺寸差，平均法向、表面粗糙度等，可根据实际情况进行定义。
[0026]本专利技术与现有技术相比较，具有如下显而易见的突出实质性特点和显著的优点：
[0027]1.本专利技术采用结合零件几何信息和拓扑关系的混合式聚类方式提取零件的结构特征，相较于传统的无监督聚类方式，使得聚类的结果具备良好的可解释性，并且可根据零件的实际情况修改特征元素细分类和组合规则，提高了该方法对其他零件的可拓展性，可应用范围广；
[0028]2.本专利技术核心关键在于将曲面零件点云根据其几何信息，离散成最小特征元素，再根据拓扑信息组合成所需特征元素，从而实现点云的语义分割；
[0029]3.本专利技术通过融合三维几何信息规则的混合式聚类方式，分别经过以方向作为K
‑
Means聚类标准的粗分类过程以及基于DBSCAN聚类算法的细分类过程，将大型复杂零件点云根据三维几何位置和方向信息解构成不同特征元素，再根据几何拓扑关系组合成所需特征结构，从而完成零件点云的语义分割，形成特征矩阵；
[0030]4.本专利技术所采用的方法应用范围广，受限小，可根据所处理的零件对象在不改变框架的条件下快速修改分类和组合规则，便于快速移植于其他大型复杂曲面零件。
附图说明
[0031]图1是本专利技术的大型复杂曲面零件的点云语义分割方法的流程框图。
[0032]图2是本专利技术优选实施例的类型1零件示意图。
[0033]图3是本专利技术优选实施例的类型2零件示意图。
[0034]图4是本专利技术优选实施例的类型1零件法线朝右点云示意图。
[0035]图5是本专利技术优选实施例的类型2零件法线朝上点云示意图。
具体实施方式
[0036]以下结合附图和具本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向大型复杂曲面零件点云的语义分割方法，其特征在于，操作步骤如下：1)曲面零件点云粗分类：根据曲面零件点云所在曲面法线方向信息，对点云进行粗分类处理；2)曲面零件点云细分类：根据点云粗分类的结果，对每一类别的点云族进行点云细分类处理，进一步将点云族分解成更小的点云族，在此称为最小特征元素；3)特征元素组合：根据零件结构的拓扑信息，将部分最小特征元素组合成所需零件结构点云；若零件某结构无需进行元素组合，则根据位置信息完成元素的归类即可。2.根据权利要求1所述面向大型复杂曲面零件的点云语义分割方法，其特征在于，所述步骤1)包括以下步骤：(1
‑
1)根据零件的曲面法向信息，选定聚类中心，基本法线朝向包括但不限于(1,0,0),(
‑
1,0,0),(0,1,0),(0,
‑
1,0),(0,0,1)和(0,0,
‑
1)；(1
‑
2)使用...

【专利技术属性】
技术研发人员：李静，陆毅豪，沈南燕，范江川，
申请(专利权)人：上海大学，
类型：发明
国别省市：