面向再制造的废旧机械零件三维点云模型分类方法

批量再制造加工过程中废旧机械零件种类繁多,同类零件区分度低且损伤状态不确定,导致对其在线识别与分类的精度较低,为此本文提出一种结合聚类算法和深度学习网络的废旧机械零件三维点云模型分类方法。首先提取废旧机械零件的三维点云空间特征,根据距离函数计算样本点与中心点的距离,并建立基于K-Means聚类的废旧机械零件簇三维点云分类模型;然后构建空间变换网络和多层感知器,采用Point-Net网络建立同簇废旧机械零件的三维点云精细分类模型。实例验证结果表明,本文方法对废旧机械零件簇的分类准确率为100%,对盘盖、箱体、轴等3种废旧机械零件的精细分类准确率分别为97.78%、98.24%和97.11%,并且与K-Means聚类算法以及基于其他3个主流深度学习网络的分类模型相比,本文方法在同簇废旧机械零件精细分类的精度上具有明显优势。

基于改进SGM的废旧机械零件彩色三维重建方法

为提高废旧机械零件再制造效率,对其表面失效状态进行全面检测,提出一种基于改进半全局匹配(SGM)的废旧机械零件彩色三维重建方法。针对机械零件结构复杂、实际环境下光照干扰大等因素导致的传统SGM算法生成的视差图效果不佳问题,提出一种多特征代价融合策略,通过融合颜色代价、Census变换及梯度信息,构建更为全面的相似性度量函数以提高初始代价的可靠性。在代价聚合过程中,增设梯度阈值判定条件划分弱纹理和边缘区域,并采用高斯函数对局部交叉域进行距离加权,提高算法在图像光照失真区域以及零件弱纹理区、边缘复杂结构处的匹配效果。最后,通过视差计算和多步骤视差优化处理得到最终的精细视差图,进而通过RGB图像纹理映射实现对废旧机械零件的彩色三维模型重建。实验结果表明,所提方法重建的三维彩色模型纹理清晰且尺寸误差较小,所提方法适用于实际产线中对废旧机械零件的表面失效信息在线分析。