一种基于PointNet++网络的无序零件识别方法

本发明属于三维点云数据处理，尤其涉及一种基于pointnet++神经网络的三维点云分类方法。

背景技术：

1、无序零件的识别技术背景涉及到计算机视觉、机器学习、深度学习和3d点云处理等多个领域。传统方法依赖于手工提取的特征和经典的机器学习分类器，而近年来，深度学习尤其是卷积神经网络和点云专用的神经网络(如pointnet)在这一任务上展现了卓越的性能。这些技术能够处理从3d扫描仪或其他传感器获得的无序、不完整且可能带有噪声的点云数据，通过网络学习直接从数据中提取特征，并进行有效的分类和识别。

2、在关于pointnet++的讨论中，pointnet++被介绍为一种用于3d目标分类的深度学习网络结构。尽管其在任务中取得了显著的成果，但仍然存在过拟合和特征冗余的问题。深度网络结构容易导致过拟合，而随着网络深度的增加，特征表达可能会变得冗余，因此需要进一步的改进和优化，以克服这些问题。

技术实现思路

1、为解决上述背景技术中存在的问题，本发明提出一种基于pointnet++网络的无序零件识别方法，不仅可以提高pointnet++对无序零件的分类性能，还可以提高模型训练的速度。

2、本发明解决上述问题的技术方案是：一种基于pointnet++网络的无序零件识别方法，包括以下步骤：

3、步骤一：进行点云数据预处理，包括缩放，抖动，旋转和归一化等操作；

4、步骤二：将点云输入到集合抽象层，提取局部特征；

5、步骤三：重复步骤二，逐层下采样提取点云特征；

6、步骤四：训练pointnet神经网络，提取点云特征，并且使用带有标签平滑，余弦衰减的损失函数和adamw优化器优化模型；

7、步骤五：将得到的点云特征输入到maxpooling层中；

8、步骤六：采用全连接层实现对点云的分类。

9、在上述的一种基于pointnet++网络的无序零件识别方法中，步骤二具体是：将点云输入到集合抽象层，提取局部特征：

10、(1)采样层：在此层，输入是待分类的三维点云数据，具有n个点，每个点具有(d+c)维特征，其中d表示坐标信息，c表示额外的特征。采样层的任务是通过最远点采样法(fps)来选取n1个中心点，这些中心点将代表局部区域。

11、(2)分组层：在此阶段，每个选取的中心点被用作圆心，半径为r，以寻找其规模内的k个邻点，这些邻点一起构成一个局部区域。此过程将输出n1个中心点，每个中心点的周围具有k个邻点，每个点特征的维度为(d+c)。为了捕获更多丰富的邻域特征，r的半径被扩大一倍，以增加规模内的邻点数量，从而加强点云之间的联系。

12、(3)pointnet层：这一步骤的输入是n1个中心点，每个点周围有k个邻点，每个点的特征维度为(d+c)，输出是n1个点，每个点具有c1维卷积后的局部特征。在pointnet层内，点坐标被转化为相对于质心的坐标，然后结合相对坐标和点特征，以捕捉局部区域内点与点之间的关系。

13、(4)集合抽象层sa模块的公式：

14、

15、其中r是reduction层，它从点i的邻居({j:(i,j)∈n})中聚合特征，分别为第lth层的输入坐标，输入特征，以及点i的第j个邻居的特征，hθ表示共享的mlps，它的输入是和相对坐标在特征维度的级联。

16、在上述的一种基于pointnet++网络的无序零件识别方法中，步骤四具体是：训练pointnet神经网络，提取点云特征矩阵：

17、(1)点的mlp操作：每个输入点经历了多层感知器(mlp)操作，其中初始输入维度为3，而输出维度增加到c1，这一操作旨在将每个点的特征映射到更高维度，从原始3维到c1维，这个操作逐一应用于点云中的每个点，形成一个n*c1的特征矩阵；

18、(2)maxpooling操作：maxpooling的目的在于确保pointnet网络的输入点的排列顺序不会影响最终的输出结果，mlp操作后得到的n*c1特征矩阵在maxpooling层经过处理，该层对n*c1矩阵中的每一列执行max操作，生成一个1*c1的特征矩阵，这有助于维护点云特征的不变性，使其不受点的输入排列次序的影响。

19、在上述的一种基于pointnet++网络的无序零件识别方法中，步骤五具体是：得到的点云特征输入到maxpooling层中：将pointnet层中得到的点云特征输入到maxpooling层中，这一过程的主要目的在于对点云数据进行降维和精炼，去除冗余特征，以减小特征维度，同时保留最显著的信息，通过maxpooling操作，实现了对点云的空间不变性，确保无论点的输入排列顺序如何，最终的特征表示都能保持一致；

20、此外，为了进一步提高模型的性能，采用了带有标签平滑和余弦衰减的损失函数，这有助于模型训练时减小过拟合的可能性，并使用adamw优化器来有效地调整模型参数，损失函数公式为：

21、

22、是平滑标签的交叉熵损失：

23、

24、cosine_decay是余弦衰减：

25、

26、其中y表示真实的标签分布，表示模型的预测分布，i表示类别索引，smooth_tgsi是真实标签的类别索引，global_step表示当前的全局步数，cosine_decay_steps表示余弦衰减的总步数。

27、在上述的一种基于pointnet++网络的无序零件识别方法中，步骤六具体是：采用全连接层实现对点云的分类：将最终优化完的点云特征输入全连接层，实现点云的分类，全连接层用于对点云的特征表示进行线性组合和非线性映射，以实现点云的分类，其中每个节点输出表示点云属于各个类别的概率得分，这一步骤是整个流程的最后一环，它通过学习到的特征将点云分配到适当的分类。

28、结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明通过一种基于pointnet++网络的无序零件识别方法，通过扩大sa(集合抽象)层的采样半径，以丰富点云的局部特征信息。引入maxpooling层，有力地提高了点云数据的特征优化和冗余降维处理，从而增强了模型的性能。同时，采用了一系列鲁棒的训练策略，包括标签平滑和余弦衰减的损失函数，以及adamw优化器，这些措施共同使模型更具稳定性，有助于提高点云分类的精确度。综合而言，这一发明方法在无序零件分类任务中具备更强的表现和鲁棒性。

技术特征：

1.一种基于pointnet++网络的无序零件识别方法，其特征在于，所述基于神经网络的三维点云分类方法包括：

2.根据权利要求1所述的一种基于pointnet++网络的无序零件识别方法，其特征在于，步骤二中，所述将点云输入到集合抽象层，提取局部特征：

3.根据权利要求1所述的一种基于pointnet++网络的无序零件识别方法，其特征在于，步骤四中，所述训练pointnet神经网络，提取点云特征矩阵：

4.根据权利要求1所述的一种基于pointnet++网络的无序零件识别方法，其特征在于，步骤五中，所述将得到的点云特征输入到maxpooling层中：将pointnet层中得到的点云特征输入到maxpooling层中，这一过程的主要目的在于对点云数据进行降维和精炼，去除冗余特征，以减小特征维度，同时保留最显著的信息，通过maxpooling操作，实现了对点云的空间不变性，确保无论点的输入排列顺序如何，最终的特征表示都能保持一致；

5.根据权利要求1所述的一种基于pointnet++网络的无序零件识别方法，其特征在于，步骤六中，所述采用全连接层实现对点云的分类：将最终优化完的点云特征输入全连接层，实现点云的分类，全连接层用于对点云的特征表示进行线性组合和非线性映射，以实现点云的分类，其中每个节点输出表示点云属于各个类别的概率得分，这一步骤是整个流程的最后一环，它通过学习到的特征将点云分配到适当的分类。

技术总结
本发明涉及点云数据处理和深度学习领域，针对无序零件分类问题，提出了一种改进的方法。方法的关键步骤包括局部特征提取，通过集合抽象层采用最远点采样策略获取中心点，并在每个中心点周围选取K个邻域点，形成局部区域，以获得更丰富的局部特征。随后，使用PointNet层来捕捉这些局部区域内点与点之间的关系，重复此过程两次以加深特征学习。接着，通过Maxpooling层对无序点云数据和多余特征进行优化，降低了复杂性。最终，采用MLP网络对处理后的特征进行分类，实现点云的分类任务。为了防止模型过拟合，采用AdamW优化器以及标签平滑和余弦衰减的损失函数。总体而言，这一方法显著提高了无序零件分类的准确性和速度。

技术研发人员：许家忠,佟欣
受保护的技术使用者：哈尔滨理工大学
技术研发日：
技术公布日：2024/1/15