基于特征体素的液压元件三维建模系统研究

针对液压集成块装配过程仿真系统的可视化实体建模需求,开发了液压元件三维建模系统。在基于特征的三维实体参数化造型方法基础上,提出了一种面向对象的特征模型建立方法,有效地解决了特征模型中几何信息的表达和特征参数化等问题。在MDT环境下,引入了特征体素作为元件组成的基本单元,并实现了造型系统。

三角网格模型体素特征分割

针对现有机械制造领域网格模型分割结果缺少工程含义的现状,提出了一种三角网格模型体素特征分割方法。首先在对三角网格模型分割的基础上,对由网格分割得到的每个子网格进行曲面类型识别,然后在基本体素及典型结构显著特征表示的基础上,把识别出的曲面集合与基本体素及典型结构进行匹配,从而将分割结果分类为自由曲面、基本体素和复杂体素,实现具有工程含义的体素特征分割。该方法可以降低模型重构的难度,加快模型重构的速度。

地基森林点云单木检测的特征提取与组合方法

针对基于点云特征进行单木检测的方法缺少对特征的重要性评估和选择等问题,提出一种体素特征参与单木检测的特征提取与组合的方法。首先,根据森林中不同类别的结构差异和空间分布特点提出一组体素特征,结合常用的三维、二维、格网以及强度等基础特征实现树干点提取。然后,提出一种基于单木检测结果的特征选择方法用于确定适合相似林分结构的最佳特征组合。在3块不同森林样地上进行实验,结果表明:加入体素特征后,树干点提取精度分别提高7.3%、11.6%、9.5%,单木检测精度分别提高0.4%、2.6%、0.7%;与基于单点分类结果的特征选择方法以及其他研究中的特征组合相比,该方法能够通过更少的特征达到相似或更高的单木检测精度。

基于Transformer的通用和鲁棒体素特征学习的目标检测

自注意力网络和Transformer主导了机器翻译和自然语言处理领域,并在诸如图像分类和目标检测等图像视觉任务中显示出巨大潜力。受到Transformer在2D图像视觉任务中取得的巨大进步的启发,提出了一种基于传统Transformer的新颖和鲁棒的体素特征编码器。首先,探究自注意力对序列数据的排列不变性,并将其应用于点云数据处理。其次,基于自注意力构造体素特征层,根据体素内所有点之间的空间关系和上下文信息交换自适应地学习体素的局部和鲁棒上下文。最后,构建了以体素特征层为核心的通用3D目标检测框架。VFT(voxel feature learning with Transformer)是通用的体素特征提取器,可以嵌入任何其他基于体素方法的3D物体检测框架中。在KITTI数据集上进行的实验结果表明,本方法在3D目标检测方面表现出优越的性能。

基于形状分布的逆向工程体素识别方法

提出了一种基于形状分布和特征技术的体素识别方法。该方法首先在体素三角网格模型上进行随机取点,然后计算随机点之间的欧氏距离,通过对距离值进行统计得到体素形状分布曲线。

体素点云融合的三维动态目标检测算法

针对目前三维目标检测领域采用的方法在特征提取上普遍存在目标上下文特征不够丰富,无法实现精准的动态多目标检测的问题,提出一种体素点云融合的三维动态目标检测算法.该算法采用两阶段的多次、多尺度特征融合的检测架构,第1阶段对点云直接处理提取关键点特征和划分体素空间提取多尺度体素特征,将二者进行初次融合生成预选框;第2阶段在每个体素中设置参考点并吸收周围的关键点进行第2次的特征融合,将最终特征输入检测模块,实现预选框的优化.另外,针对分类和定位置信度不一致的问题,提出一种强制一致性损失函数,可以进一步提高检测的准确性.在Kitti,Waymo和nuScene数据集中与其他算法进行对比,针对三维动态目标检测准确率达92.10%,并且通过实物车辆平台进行可移植性和消融性实验的结果表明,文中算法具有较强的鲁棒性、可移植性和泛化能力.

面向对象技术在特征造型系统中的应用

依据面向对象技术有利于提高软件模块化程度和特征体素功能集成度的设计思想,将面向对象技术引入HUST-CAD系统中,并对原有特征体素功能进行正确划分,简化了特征求解与编辑,提高了特征建模的效率.实践表明:改造后的系统在数控机床造型设计中取得了良好的效果.

多模态融合的三维语义分割算法研究

如何高效提取稠密感知的图像特征信息以及真实三维感知的点云特征信息并充分利用其各自优势进行信息互补是提升三维目标识别的关键。本文提出了一种图像和点云融合的多模态框架用于三维语义分割任务。图像与点云特征提取分支相互独立,设计深度估计融合网络用于图像分支,将稠密感知的图像语义信息与真值显式监督的深度特征信息有效融合,对点云的无序及稀疏性进行补偿。并改进体素特征提取方法,减少点云体素化带来的信息损失。图像、点云分支提取多尺度特征后通过动态特征融合模块提升网络对关键特征的提取能力,更有效的获取全局特征。同时本文提出点级的多模态融合数据增强策略,提升样本多样性的同时有效缓解样本不均衡问题。在Pandaset公开数据集上进行对比实验,本文的多模态融合框架展现出更优的性能和更强的鲁棒性,尤其在小样本小目标上性能提升更为明显。

基于体素特征融合的FOD目标智能认知

机场跑道异物(FOD)的快速检测对于飞机的安全行驶至关重要,针对传统FOD检测技术中存在小尺寸FOD目标识别困难和实时性差等问题,提出一种基于体素特征融合的FOD检测方法。该方法首先提取感兴趣区域内的点云,依据随机抽样一致性算法(RANSAC)对地面点云进行校准;采用体素特征融合算法,对校准后的点云进行体素划分,并将每个体素内所有点云的平均Z值与平均反射率按一定比例进行特征融合,形成新的点云,以此将稠密点云在突出FOD的情况下进行减量;接着对地面点云与地面上FOD点云进行分割;最后采用基于KD-tree的欧式聚类算法对分割后地面上FOD点云进行聚类。试验结果表明,此方法可实现30 m远长宽高大于1.3 cm的FOD检测,比传统方法在探测FOD大小的性能上提高了35%,为激光雷达在FOD检测领域的应用提供了参考。

基于八叉树的大规模流程工厂模型细节裁剪算法

针对传统的细节裁剪算法,处理粒度为面片级,无法在规定时间内快速处理顶点、面片规模数以亿计的流程工厂模型的问题,提出一种基于八叉树的大规模流程工厂模型细节裁剪算法,用于解决传统细节裁剪效率低下的问题,以保证较高的交互帧率。该方法依据组成流程工厂模型的构件体素特征以及空间特征,提出用于量化构件大小的占屏值,并结合建立的八叉场景树,依据所述占屏值近似估算一系列构件投影至屏幕所占据的像素点数量上限,从而快速判断是否裁剪。实验结果表明,所提算法简单有效,与现今主流的漫游软件在加载具有10 000根管线的工厂模型后进行对比,其帧率至少提升50%,显著提升了平台的交互流畅度,对流程工厂行业以及图形平台整体的设计水平的提升有积极的意义。

多模态融合的三维目标检测方法研究

针对点云稀疏性与无序性导致基于纯点云的检测算法容易出现远小目标漏检和误检的问题,提出一种融合图像特征与点云体素特征的多模态三维目标检测算法。在图像特征提取阶段,提出一种轻量级深度残差网络,减少图像特征通道数,使其与点云体素特征相一致,提高点云和图像特征的融合能力;在体素特征与图像特征融合阶段,提出一种双次特征融合网络,在保留原始体素特征结构信息的基础上将图像特征和体素特征进行融合,使点云具备丰富的语义信息,提高远小目标检测精度。在KITTI数据集上实验结果显示,与基线模型相比,对小汽车、骑行者与行人的3D平均检测精度分别提高了0.76个百分点、2.30个百分点、3.43个百分点。实验结果验证了所提方法对于解决远小目标误检和漏检问题的有效性。