基于3D点云数据的加工特征自动识别

发布时间：2024-01-28 09:11

　　CAD/CAM集成是计算机集成制造技术的重要组成部分,加工特征自动识别是实现CAD/CAM集成的核心技术。基于数据驱动的深度学习在各种模式识别中得到广泛的应用,基于3D点云数据的卷积神经网络方法较传统的基于符号推理方法具有更好的鲁棒性,为实体边界模型或三维点云模型的加工特征自动识别提供一条新的途径。论文分析了不同背景下的加工特征的定义和分类,并对不同的定义下产生的加工特征识别方法进行对比分析,综合加工特征识别的现状总结出特征识别的主要发展方向。研究了卷积神经网络(CNN)特征识别的方法和理论。并对点云数据特性进行分析,进而阐述了加工特征识别技术和基于CNN的加工特征识别的基本原理,提出了基于3D点云的CNN加工特征识别的方法和系统方案。根据系统方案的设计需求分析,提出了基于统一规则的3D点云网络模型的输入数据样本采集方法,该方法主要分为三个步骤:CAD模型转换为点云数据模型、将点云模型进行重采样为统一数量的点云数据集和转换为机器学习所能理解的数据格式。通过修改CAD模型尺寸参数和几何位置,构建了24种加工特征CNN网络训练所需的大规模点云数据。在PointNet基础上,设计了一个新的基...

【文章页数】：61 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题背景及意义
    1.2 国内外研究综述
        1.2.1 加工特征自动识别研究
        1.2.2 基于卷积神经网络的特征识别
    1.3 课题的主要任务
    1.4 本文的组织结构
2 基于点云数据特征识别基础
    2.1 卷积神经网络结构
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
    2.2 激活函数
        2.2.1 sigmoid函数
        2.2.2 ReLU函数
    2.3 损失函数
    2.4 优化算法
        2.4.1 批量梯度下降法
        2.4.2 Adam优化算法
    2.5 本章小结
3 系统总体方案
    3.1 加工特征的定义
    3.2 加工特征的分类
    3.3 系统总体方案
    3.4 本章小结
4 数据样本
    4.1 点云数据特性
    4.2 创建数据样本
        4.2.1 转换为点云数据
        4.2.2 转换为固定点云数据
        4.2.3 网络模型读取的数据
    4.3 本章小结
5 加工特征识别CNN模型
    5.1 PointNet网络模型
    5.2 加工特征识别CNN的架构设计
    5.3 网络架构设计分析
    5.4 本章小结
6 实验结果及分析
    6.1 实验基础平台
    6.2 样本模型统一点集数量大小分析
    6.3 训练效果分析
    6.4 识别准确率分析
    6.5 算法的时空复杂度分析
    6.6 算法适用性分析
    6.7 本章小结
结论
参考文献
攻读硕士学位期间发表学术论文情况
致谢



本文编号：3887481