[发明专利]一种基于点云语义分割的加工特征智能识别方法

权利要求书

1.一种基于点云语义分割的加工特征智能识别方法，其特征在于，包括以下步骤：

S1、建立三维零件的零件CAD模型库；

S2、将步骤S1建立的零件CAD模型转换为标准三维点云模型；

S3、对步骤S2的标准三维点云模型中的不同加工特征点进行标签加注，通过多次无放回-均匀采样将三维点云模型采样为标准点云模型；

S4、将步骤S3的标准点云模型进行归一化、旋转和抖动操作；

S5、将步骤S4处理后的标准点云模型输入到改进的PointNet点云语义分割网络中进行训练；

S6、将步骤S5语义分割网络的训练结果保存为.h5文件；

S7、对待识别的零件CAD点云模型进行预处理和标准化；

S8、将步骤S7处理后的零件CAD点云模型输入到步骤S6的.h5文件中，得到各类加工特征的语义分割结果；

S9、通过检测模块核定加工特征的类型和数量，完成智能识别。

2.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S2中，零件的原始CAD模型以PRT、STEP和STL等多种格式存在，通过初始格式→OBJ格式→PCD格式的转换步骤，将所有零件CAD模型转换为标准三维点云模型，并以PCD格式保存。

3.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S3中，通过点云标注系统对三维点云模型的加工特征部分和非加工特征部分进行统一标注，针对复合特征根据工业应用需要进行拆分标注或统一标注，对于不同类零件的同类别加工特征标注为一类。

4.根据权利要求3所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤将单个由10万点组成的原始点云模型转换成15个由2048个点组成的点云模型。

5.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S4中，通过遍历每个点的三维坐标值(X,Y,Z)，以X、Y和Z坐标值中的最大值F_max和最小值F_min作为基数进行坐标归一化处理；设置随机数a∈[0,1]，使得模型在X，Y和Z轴方向上随意转动角度a*2Π，在X，Y和Z轴上是否转动由01随机生成数b确定；通过给坐标点增加高斯噪声实现点云的抖动。

6.根据权利要求5所述的基于点云语义分割的加工特征智能识别方法，其特征在于，高斯噪声增量p(z)具体为：

其中，z为坐标值，μ，σ²分别为高斯分布的期望和方差，c为决定模型是否增加噪声的01随机数。

7.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S5中，改进的PointNet语义分割网络中的两个T-net结构均由k*k的输入得到k*k的输出，k为输入维度，T-net网络结构的每一层单元为：64-128-1024-512-256，通过利用1*1的卷积实现全连接，将mlp得到的256维度特征进行处理，通过定义权重输出k*k的旋转矩阵；分割任务中，将1024维的全局信息附在n*64的局部信息后面，形成1088维的网络结构实现每个点的分类。

8.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S7中，将多种格式的CAD模型转换成三维点云模型，通过均匀采样实现数据标准化，然后经归一化将坐标值统一到[-1，1]区间，保持零件点云模型的三维空间结构和比例不变。

9.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S6和步骤S8中，将改进的PointNet语义分割网络和权重保存为.h5文件，新的三维点云模型通过log_softmax函数得到各点属于加工特征类别的概率，实现零件点云模型的语义分割。

10.根据权利要求1所述的基于点云语义分割的加工特征智能识别方法，其特征在于，步骤S9中，针对各类加工特征的语义分割结果依次进行异常点和离群点检测，核验加工特征类别，通过DBSCAN聚类算法确定各类加工特征的数量。