基于改进PointNet++的输电线路关键部位点云语义分割研究

输电线路的关键部位包括塔身、导线、绝缘子、避雷线以及引流线,无人机精细化导航的首要任务是构造输电线路的点云地图并从中分割出上述部位。为解决现有算法在输电线路的绝缘子、引流线等精细结构分割时精度低的问题,通过改进PointNet++算法,提出了一种面向输电线路精细结构的点云分割方法。首先,基于无人机机载激光雷达在现场采集的点云数据,构造了输电线路点云分割数据集;其次,通过对比实验,筛选出在本输电线路场景下合理的数据增强方法,并对数据集进行了数据增强;最后,将自注意力机制以及倒置残差结构和PointNet++相结合,设计了输电线路关键部位点云语义分割算法。实验结果表明:该改进PointNet++算法在全场景输电线路现场点云数据作为输入的前提下,首次实现了对引流线、绝缘子等输电线路中精细结构和导线、杆塔塔身以及输电线路无关背景点的同时分割,平均交并比(mean intersection over union,mIoU)达80.79%,所有类别分割的平均F_(1)值(F1 score)达88.99%。

基于点云深度学习的散乱堆叠轴承圈位姿检测

为解决工业应用中散乱堆叠轴承圈的难识别、分割与抓取问题,提出一种分层递进随机下采样算法对采集的点云模型进行下采样操作,并结合提出的基于RGB阈值自动标注算法完成数据集的制作,利用PointNet++网络预测并分割出可抓取轴承圈上表面,进而使用RANSAC算法精确分割出待抓取轴承圈上表面,最后采用防干涉的抓取点选取策略完成待抓取轴承圈的位姿检测。实际场景下三组抓取实验得到的成功率均在98%以上,验证了其有效性。

无缝钢管斜轧穿孔顶头表面缺陷非接触在线检测方法

针对无缝钢管斜轧穿孔顶头表面缺陷在线检测的现实需求,提出了一种基于激光扫描、空间点云数据处理及深度学习的非接触测量方法。根据无缝钢管产线特点确定了检测位置、系统构成和顶头轮廓数据采集方案,并引入迭代最近点(ICP)配准方法,实现了测量点云与标准CAD模型的配准。针对头部缺陷设计了相应的分类数集和渐变形态,使用点云深度学习方法实现了缺陷精确分类和量化预警。针对表面磨损缺陷,设置磨损深度上限阈值以实现磨损程度的精确监测。为验证系统可靠性,搭建了顶头检测物理模拟平台,并利用3D打印技术定制了含有不同缺陷特征的顶头实物模型。测试结果表明,表面轮廓检测误差在0.06 mm以内,头部缺陷分类精度可达97.7%、准确度可达98.1%,满足在线检测要求。

杂乱场景下小物体抓取检测研究

目的 杂乱场景下的物体抓取姿态检测是智能机器人的一项基本技能。尽管六自由度抓取学习取得了进展,但先前的方法在采样和学习中忽略了物体尺寸差异,导致在小物体上抓取表现较差。方法 提出了一种物体掩码辅助采样方法,在所有物体上采样相同的点以平衡抓取分布,解决了采样点分布不均匀问题。此外,学习时采用多尺度学习策略,在物体部分点云上使用多尺度圆柱分组以提升局部几何表示能力,解决了由物体尺度差异导致的学习抓取操作参数困难问题。通过设计一个端到端的抓取网络,嵌入了提出的采样和学习方法,能够有效提升物体抓取检测性能。结果 在大型基准数据集GraspNet-1Billion上进行评估,本文方法取得对比方法中的最优性能,其中在小物体上的抓取指标平均提升了7%,大量的真实机器人实验也表明该方法具有抓取未知物体的良好泛化性能。结论 本文聚焦于小物体上的抓取,提出了一种掩码辅助采样方法嵌入到提出的端到端学习网络中,并引入了多尺度分组学习策略提高物体的局部几何表示,能够有效提升在小尺寸物体上的抓取质量,并在所有物体上的抓取评估结果都超过了对比方法。