基于结构光3D视觉的空间姿态识别系统设计

为提高产品零件空间姿态识别的精度和收敛速度,提出基于结构光3D视觉对空间姿态识别的方法。首先,采用投影仪和相机获取产品零件图像信息,利用相移法获取深度信息,通过深度图点云重建获取3D点云数据;然后对3D点云数据进行特征处理和分类时,建立点云网络(Point Network,PointNet)模型;最后,采用改进的迭代最近点(Iterative Closest Point,ICP)算法对3D点云数据配准,从而实现产品零件姿态的识别。实验结果表明,该方法在对产品零件点云特征分类性能上,准确率能达到96%左右,召回率能稳定在92%左右;在配准精度和收敛速度上,较其他两种方法更优越,进一步验证了该方法的有效性和可行性。

基于特征空间匹配的激光雷达点云配准算法

针对传统基于特征的粗配准效率低、误匹配较多的不足,提出一种基于特征空间匹配的配准方法。利用简化的PointNet模型实现特征空间的提取,以优化的点云PPF信息作为输入,根据提取的特征空间向量计算欧氏距离以筛选匹配点,通过RANSAC剔除误匹配点对完成粗配准,利用ICP实现精配准。实验结果表明,本文算法相比FPFH和SHOT算法与ICP结合可有效提升配准效率,且配准结果的均方根误差较小。

基于深度学习的孔特征可制造性分析方法

针对传统基于知识库及规则库的零件可制造性分析方法柔性差,以及现有基于深度学习的可制造性分析方法无法给出零件具体不可制造原因的现状,提出一种基于深度学习的零件可制造性分析方法。首先,通过数字化建模技术构建大量带有具体可制造性类别标签的三维CAD模型,并进行点云提取,从而构建深度学习所需数据集;然后,基于PointNet网络结构搭建面向孔特征可制造性分析的深度学习网络,并完成网络的调参及训练;之后通过与基于体素表示的三维卷积神经网络(3D-CNN)及已有方法进行对比,说明所搭建的点云深度学习网络具有更好的鲁棒性和较低的算法时间复杂度;最后通过一个实例零件对网络的实际性能进行检验,对孔特征进行可制造性分析,识别出不可制造的孔特征,并说明其原因。实验结果表明,该方法能够在保证较高识别准确率同时得出特征不可制造的具体原因,具有更大的使用价值。

基于语义分割的三维模型版权保护算法

为解决传统数字水印技术导致模型精度下降的问题,并保护局部版权,提出了一种基于语义分割的三维模型版权保护算法.首先,使用PointNet对三维模型进行语义分割,并根据分割结果将模型划分为子块,以子块为单位计算版权信息,保护局部版权;然后,提出了一种基于顶点范数与表面曲率的版权信息生成算法.由于版权信息是使用无载体隐写方式生成的,因此该算法可以在不修改模型本身的情况下对模型整体及各子部件进行版权保护.实验证明:该算法在完全抵抗相似变换攻击的情况下,对其他种类攻击同样具有较好的鲁棒性.

基于F-PointNet的3D点云数据目标检测

针对目前3D点云目标检测模型检测精度不高的问题,研究使用直接处理点云数据的F-PointNet模型检测汽车、行人和骑车人,并对模型进行微调,进一步提升模型的目标检测精度。试验中使用不同的参数初始化、■2正则化和修改卷积核数的方法对模型进行测试。试验结果表明,Xavier参数初始化方法收敛速度比截断正态分布方法快0.09 s,同时汽车和骑车人检测精度分别高出大约3%和2%;增加■2正则化,行人检测精度和骑车人检测精度可提高大约2%和1%;对T-Net(Transfrmer Networks)第一层卷积层的卷积核数减少为128后,汽车和骑车人检测精度分别提高了大约1%和2%,表明本模型能有效地提升目标检测精度。