基于特征的复杂零件分割算法

为了获得最优分割方案,提出一种基于特征的零件分割算法.算法将特征技术首次应用于零件分割工艺中,将特征作为研究对象,以特征可加工性分析替代传统零件三角面片可视性分析,提高了计算精度与效率;分割过程中约束条件不但保证了分割块的规整性而且有利于CAD/CAM的集成;算法中引入分割方案优选规则,保证了分割方案的最优性.该算法具有分割效率高、适用性强和实现过程简单等优点.

关联线和零件分割的联合使用设计

对SolidEdge建模模块中的几个命令:“包含”、“零件分割”和“曲面”,如果在建模设计过程中灵活使用,会带来事半功倍的效果。在产品开发设计之初,将设计初期的二维图形与这些命令配合使用,在产品的三维建模设计过程中也会有意想不到的效果。

基于深度学习的杂乱场景下零件实例分割

为了检测和分割箱盒内杂乱摆放的零件,同时针对卷积神经网络需要大量和高质量图像进行训练的问题,提出了一种基于零件合成训练集对Mask RCNN网络进行训练的方法。首先,利用三维仿真技术,通过OpenSceneGraph(OSG)和Bullet建立了杂乱场景零件训练集合成系统,生成大量的合成图像;其次,建立了三种不同的训练集,分别对Mask RCNN网络训练;最后,利用Kinect视觉传感器采集真实图像进行测试。实验证明,该方法的准确率为97%,可以对杂乱场景下的零件有效地进行检测和分割。

基于图像分割和证据理论的零件图像识别

提出了一种零件图像识别的方法,即对零件图像进行二值化处理,分割成若干个区域并统计各区域的相对像素系数,作为神经网络的训练样本和测试样本。神经网络的输出作为D-S证据推理的基本概率分配,依据证据理论的合成规则可提高零件的识别结果。

基于位置自适应的三维点云处理模型

在点云处理领域中深度学习是一种主流的方法,但是现有方法对三维点云的局部结构信息利用不够充分,对局部形状感知较差。为此,提出了一种基于改进PoinetNet的三维点云处理模型,本模型将位置自适应卷积引入到PointNet中。位置自适应卷积采用动态的方式组合权重库中的权重矩阵来构造核函数,其中权重矩阵的系数是通过位置相对系数网络从点与点相对位置自适应学习得到的。通过此方式构建的核函数,可以更好地解决点云数据的不规则性和无序性问题。位置自适应网络在三维物体分类实验上分类准确率相较于PointNet提升3.60%,在三维物体零件分割实验上平均交并比相较于PointNet提升2.20%,在三维场景语义分割实验上平均交并比相较于PointNet提升9.14%。

一种改进的点云Transformer深度学习模型

针对点云Transformer中注意力计算单一与局部特征嵌入损失的问题,本文提出了一种改进的点云Transformer编码结构.首先,在自注意力权重矩阵的计算中进行多头分拆分并独立计算注意力得分,以实现从多个方面的自注意力计算.然后,在邻域编码时增加了多空间尺度邻域特征嵌入,以融合多个尺度上的邻域特征.最后,为特征增加了自适应的空间位置编码嵌入,以增强绝对空间位置特征.基于改进的Transformer编码结构,构建了形状分类、零件分割和法向量估计三种常见点云分析任务的深度学习模型,并在ModelNet与ShapeNet数据集上验证了模型的有效性.实验结果表明,与点云Transformer相比,本文方法的分类准确率与分割平均重叠度分别提高了0.3%和0.2%,这充分验证了改进方法的有效性.

逆向工程及其关键技术

在对逆向工程技术所包含内容进行分析的基础上,分析了逆向工程技术的运用领域,并阐述了在实际工程运用中涉及的关键技术。