(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210148485.3 (22)申请日 2022.02.18 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 李静　陆毅豪　沈南燕　范江川　 (74)专利代理 机构 上海上大专利事务所(普通 合伙) 3120 5 专利代理师 何文欣 (51)Int.Cl. G06V 20/64(2022.01) G06V 10/26(2022.01) G06V 10/762(2022.01) G06V 10/764(2022.01) G06K 9/62(2022.01) (54)发明名称 一种面向大型复杂 曲面零件点云的语义分 割方法 (57)摘要 本发明涉及一种面向大型复杂曲面零件点 云的语义分割方法。 本方法核心关键在于将曲面 零件点云根据其几何信息， 离散成最小特征元 素， 再根据拓扑信息组合成所需特征元素， 从而 实现点云的语义分割。 本发明通过融合三维几何 信息规则的混合式聚类方式， 分别经过以方向作 为K‑Means聚类标准的粗分类过程以及基于 DBSCAN聚类算 法的细分类过程， 将大型复杂零件 点云根据三维几何位置和方向信息解构成不同 特征元素， 再根据几何拓扑关系组合成所需特征 结构， 从而完成零件点云的语义分割， 形成特征 矩阵。 本发明所采用的方法应用范围广， 受限小， 可根据所处理的零件对象在不改变框架的条件 下快速修改分类和组合规则， 便于快速移植于其 他大型复杂曲面 零件。 权利要求书1页 说明书6页 附图2页 CN 115063787 A 2022.09.16 CN 115063787 A 1.一种面向大 型复杂曲面 零件点云的语义分割方法， 其特 征在于， 操作步骤如下： 1)曲面零件点云粗分类： 根据曲面 零件点云所在曲面法线方向信息， 对点云进行粗分类处 理； 2)曲面零件点云细分类： 根据点云粗分类的结果， 对每一类别的点云族进行点云细分类处理， 进一步将点云族 分解成更小的点云族， 在此称为 最小特征元素； 3)特征元素组合： 根据零件结构的拓扑信息， 将部分最小特征元素组合成所需零件结构点云； 若零件某 结构无需进行 元素组合， 则根据位置信息 完成元素的归类即可。 2.根据权利要求1所述面向大型复杂曲面零件的点云语义分割方法， 其特征在于， 所述 步骤1)包括以下步骤： (1‑1)根据零件的曲面法向信息， 选定聚类中心， 基本法线朝向包括但不限于(1,0,0), (‑1,0,0),(0,1,0),(0, ‑1,0),(0,0,1)和(0,0, ‑1)； (1‑2)使用K‑Means聚类算法或其他基于距离的聚类算法， 以基本的法线朝向作为初始 聚类中心点， 对零件点云进行粗分类。 3.根据权利要求1所述面向大型复杂曲面零件的点云语义分割方法， 其特征在于， 所述 步骤2)包括以下步骤： (2‑1)采用DBSCAN聚类算法或其他基于密度的聚类算法， 将粗分类之后的每类结果进 行进一步的细分， 将其细化成最小特 征元素； (2‑2)根据最小特征元素质心在整体零件点云的分布位置的几何位置信息， 建立分类 规则库并将其归类。 4.根据权利要求1所述面向大型复杂曲面零件的点云语义分割方法， 其特征在于， 所述 步骤3)中包括以下步骤： (3‑1)确定零件每个特征结构的拓扑信息， 即该特征结构中所包含的最小特征元素以 及它们之间的连接关系； (3‑2)从最小特征元素集合中寻找所需元素， 并根据元素之间的连接关系组合成所需 零件特征结构。权　利　要　求　书 1/1 页 2 CN 115063787 A 2一种面向大型复杂曲面零件点 云的语义分割方 法 技术领域 [0001]本发明涉及 一种点云语义分割方法。 特别是涉及 一种面向大型复杂曲面零件点云 的语义分割方法。 背景技术 [0002]在当下产业转型升级的关键阶段， 多品种、 小批量的生产模式逐渐成为市场上新 的需求。 智能化制造将是未来产业 发展的趋势， 尤其随着 机器学习、 神经网络等人工智能技 术的出现， 融合先进技术的制造装备使得企业在激烈的竞争环境下占据一定的优势。 然而， 这些新兴的先进技术在对零件进行操作之前， 都离不开对零件进行感知这一关键步骤。 因 此， 感知的结果将对后续的操作产生 直接的影响。 [0003]目前， 对于三维零件的感知通常采用激光传感器或者深度相机采集零件点云， 并 对其进行语义分割， 其 目的在于让计算机了解零件的结构特征以及不同区域的语义信息。 一般， 很多方法将神经网络作为点云语义分割的首选。 如专利CN111914480A公开了一种基 于点云语义分割的加工特征智能识别方法， 将零件CAD模型的加工特征智能识别问题转换 为三维点云模型 的语义分割问题， 通过建立三维零件CAD模型库并进行预处理得到训练数 据集， 进一步将数据集输入改进的PointNet语义分割网络， 此网络以PointNet语义分割网 络为基础框架， 通过引入ResNet网络的残差块结构提升分割精度。 最后将各类加工特征输 入到检测模块， 通过异常点检测 和DBSCAN聚类算法核验加工特 征类别、 确定加工特 征数量。 [0004]虽然采用神经网络 的方法能够取得较高的准确率， 但是在实际的工业场景下， 难 以有足够的有效样本数量去支撑网络的训练， 尤其是一些大型复杂曲面零件， 其造型多变、 品种多样为数据样本采集带来了不小的难度。 并且当零件类别发生更换时， 需要重新训练 乃至修改网络结构， 难以进行敏捷开发且可解释性较差。 因此提出一种 快速、 稳定、 应用范 围广且具备良好可解释性的面向大型复杂曲面零件的点云语义分割方法成为了当下的当 务之急。 发明内容 [0005]本发明要解决的技术问题是： 针对 目前在工业环境下， 产品品种多、 批量小、 迭代 更新速度快， 受 限于有效点云样本数量少， 难以或无法使用机器学习 人工智能的方法进行 点云语义分割的现状， 提供了一种面向大型复杂曲面零件点云的语义分割 方法。 本发明方 法通过混合式的聚类方式， 能够快速、 准确、 稳定地对曲面零件点云进行语义分割， 并且分 割的结果具 备良好的可解释性， 能够根据不同零件的真实情况做出针对性的修改。 [0006]为达到上述目的， 本发明采用的构思是： [0007]一种面向大型复杂曲面零件点云的语义分割方法， 针对工业场景中采集的曲面零 件点云数据， 采用融合点云族几何信息的混合式聚类方法， 将其解构为单独的最小特征元 素， 再根据特 征结构的拓扑信息， 将特 征元素组合成所需结构， 从而完成点云语义分割。 [0008]构件上述发明构思， 本发明采用下述 技术方案：说　明　书 1/6 页 3 CN 115063787 A 3