论文部分内容阅读
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,设计了一个新的基于3D点云数据加工特征识别的CNN网络架构,并针对点云数据的特性对网络模型架构进行可行性分析。设计了3D点云数据训练方案。在TensorFlow机器学习系统框架上,使用Python语言编程和大量3D点云数据样本训练,构建了一个较稳定的CNN加工特征识别器。通过对识别边界模型的点云数据输入特征提取,对加工特征进行分类预测,从而识别不同的加工特征。最后,通过该系统的验证数据集,对24种单个加工特征进行了自动识别实验,得到较高识别准确性和识别效率,验证了该方法的有效性和可行性,为后续的CAD/CAM系统集成打下了基础。