夏緒輝，夏 天，張澤琳，嚴(yán)旭果，王 蕾

(1.武漢科技大學(xué)冶金裝備及其控制教育部重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430081；2.武漢科技大學(xué)機(jī)械傳動(dòng)與制造工程湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 武漢，430081；3.武漢科技大學(xué)精密制造研究院，湖北 武漢，430081)

我國(guó)機(jī)械產(chǎn)品及其零部件的應(yīng)用量大且面廣，目前很多產(chǎn)品已進(jìn)入報(bào)廢高峰期，對(duì)其進(jìn)行再制造是實(shí)現(xiàn)節(jié)能、環(huán)保、可持續(xù)發(fā)展的重要途經(jīng)[1]。為了提高廢舊機(jī)械零件的再制造效率和效益，批量化流水線再制造加工是必然發(fā)展趨勢(shì)，而其前提是對(duì)廢舊機(jī)械零件的精確識(shí)別與分類。廢舊機(jī)械零件種類繁多，同類零件外形相似、區(qū)分度較低，且損傷區(qū)域、類型和程度具有不確定性，導(dǎo)致批量化在線識(shí)別與分類精度達(dá)不到生產(chǎn)要求，亟需探索適用于流水線加工的高效、高精度廢舊機(jī)械零件分類方法。

目前機(jī)械零件的自動(dòng)分類主要采用機(jī)器視覺(jué)技術(shù)[2]，根據(jù)零件的二維圖像[3]和三維模型[4]等進(jìn)行。近年來(lái)，三維點(diǎn)云技術(shù)在目標(biāo)輪廓信息實(shí)時(shí)獲取、分析、識(shí)別與分類領(lǐng)域應(yīng)用廣泛[5-7]，且眾多研究表明，基于三維點(diǎn)云模型的分類精度普遍優(yōu)于根據(jù)二維圖像的分類精度[8-10]，因此三維點(diǎn)云技術(shù)是提高再制造加工流水線上廢舊機(jī)械零件分類精度的有效手段?，F(xiàn)有研究中三維點(diǎn)云分類技術(shù)主要包括以下3類：①截取多視角三維點(diǎn)云模型視圖，提取特征參數(shù)并建立目標(biāo)分類模型。例如，佟國(guó)峰等[11]針對(duì)室外大場(chǎng)景提出一種兼顧快速性與準(zhǔn)確性的三維點(diǎn)云分類算法，通過(guò)提取不同物體點(diǎn)云的垂直方向切片采樣直方圖和質(zhì)心距直方圖以及點(diǎn)云的二維投影圖像方向的梯度直方圖特征實(shí)現(xiàn)室外點(diǎn)云分類；Balado等[12]將點(diǎn)云轉(zhuǎn)換為圖像，使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)城市對(duì)象進(jìn)行自動(dòng)分類，但該方法依賴于對(duì)目標(biāo)二維圖像有效特征的提取和篩選，其適應(yīng)性較差。②采用聚類算法直接提取三維點(diǎn)云模型特征進(jìn)行分類。例如，李真等[13]通過(guò)計(jì)算高度和強(qiáng)度直方圖確定K值和初始聚類中心點(diǎn)，用高度距離做聚類分析，實(shí)現(xiàn)單株樹(shù)木原始三維點(diǎn)云數(shù)據(jù)聚類；馬京暉等[14]提出一種改進(jìn)的K-Means算法，對(duì)密集的點(diǎn)云進(jìn)行冗余數(shù)據(jù)去除，對(duì)稀疏的點(diǎn)云數(shù)據(jù)則進(jìn)行三角形插值計(jì)算，使分類更精確，該方法分類速度快，適用于差異性較大的目標(biāo)分類任務(wù)。③利用深度學(xué)習(xí)方法直接提取三維點(diǎn)云模型的全局特征進(jìn)行分類。例如，任永梅等[15]采用密度網(wǎng)格法將點(diǎn)云圖像轉(zhuǎn)換為體素網(wǎng)格圖像作為3DCNN的輸入對(duì)象，然后設(shè)計(jì)了6層3DCNN來(lái)提取體素網(wǎng)格圖像的高級(jí)特征以捕獲結(jié)構(gòu)信息，并利用Softmax函數(shù)得到最終分類結(jié)果；孫一珺等[16]提出了加權(quán)點(diǎn)云分類網(wǎng)絡(luò)WDGCNN，利用特征拼接來(lái)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，實(shí)現(xiàn)多級(jí)特征融合，通過(guò)設(shè)計(jì)合適的權(quán)重函數(shù)來(lái)削弱遠(yuǎn)點(diǎn)的干擾并相對(duì)加強(qiáng)近點(diǎn)特征，并將最大池化和平均池化相結(jié)合以彌補(bǔ)單獨(dú)使用最大池化造成的全局信息損失；王旭嬌等[17]在Point-Net模型中插入一個(gè)KNN圖層，通過(guò)在點(diǎn)云空間構(gòu)造k近鄰圖，利用圖結(jié)構(gòu)有效獲取點(diǎn)云的局部信息，從而提高整體點(diǎn)云分類準(zhǔn)確率，該方法分類精度較高且適用較廣。

針對(duì)再制造加工流水線中批量廢舊機(jī)械零件種類繁多、形狀各異等特性，本文提出一種結(jié)合K-Means聚類和Point-Net深度學(xué)習(xí)網(wǎng)絡(luò)的三維點(diǎn)云分類方法。首先采用K-Means算法對(duì)差異性較大的廢舊機(jī)械零件簇進(jìn)行三維點(diǎn)云分類，以提高分類效率；然后針對(duì)同簇廢舊機(jī)械零件因外形相似故而區(qū)分度較低并且損傷區(qū)域、類型和程度不確定等問(wèn)題，采用Point-Net網(wǎng)絡(luò)對(duì)同簇零件進(jìn)行三維點(diǎn)云深度分類，以提高分類精度和適應(yīng)性。

1 三維點(diǎn)云模型分類方法設(shè)計(jì)

本文方法的技術(shù)路線如圖1所示。

圖1 廢舊機(jī)械零件三維點(diǎn)云分類流程

1.1 基于K-Means聚類的廢舊機(jī)械零件簇三維點(diǎn)云分類

1.1.1 三維點(diǎn)云模型的獲取

點(diǎn)云是目標(biāo)表面海量三維點(diǎn)的集合，包含了豐富的目標(biāo)信息，如三維坐標(biāo)(X,Y,Z)、顏色、分類值、強(qiáng)度值、時(shí)間等。點(diǎn)云的獲取有3種方式：①通過(guò)三維激光掃描儀獲??；②通過(guò)二維影像進(jìn)行三維重建，在重建過(guò)程中獲?。虎弁ㄟ^(guò)三維模型的計(jì)算來(lái)獲取。點(diǎn)云數(shù)據(jù)作為三維掃描的結(jié)果，儲(chǔ)存格式包括LAS、ASCII、PCD等。本文所用的點(diǎn)云數(shù)據(jù)是通過(guò)三維激光掃描儀對(duì)廢舊機(jī)械零件掃描所得，并使用PyCharm軟件對(duì)數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換及保存。

1.1.2 廢舊機(jī)械零件簇的三維點(diǎn)云模型分類

零件簇是指結(jié)構(gòu)或工藝過(guò)程相似的零件集合，每一個(gè)零件都是該結(jié)構(gòu)的具體實(shí)例，也是對(duì)結(jié)構(gòu)的擴(kuò)展。機(jī)械零件在服役過(guò)程中，因各種原因會(huì)受到不同程度的損傷，通過(guò)拆卸退役產(chǎn)品可得到廢舊機(jī)械零件，對(duì)零件之間客觀存在的相似性進(jìn)行標(biāo)識(shí)，按相似性準(zhǔn)則分類而形成不同廢舊機(jī)械零件簇。

面對(duì)特征差異性較大的廢舊機(jī)械零件簇，K-Means聚類算法能以較少的時(shí)耗實(shí)現(xiàn)高精度分類。K-Means作為一種無(wú)監(jiān)督分類算法，是將數(shù)據(jù)集聚類成k個(gè)簇C={C1，C2,…，Ck}，最小化損失函數(shù)為：

(1)

基于K-Means的三維點(diǎn)云模型聚類算法具體步驟如下：

(1)定義目標(biāo)聚類數(shù)k；

(2)隨機(jī)初始化k個(gè)聚類中心{μ1,μ2,…,μk};

(3)計(jì)算所有樣本點(diǎn)與各個(gè)簇中心之間的距離dist{x(i),μi},然后把樣本點(diǎn)劃入最近的簇中x(i)∈μnear；

(4)根據(jù)簇中已有的樣本點(diǎn)，重新計(jì)算各簇中心μi；

(5)重復(fù)步驟3、步驟4，直至達(dá)到某個(gè)終止條件(最大迭代次數(shù)、最小誤差變化等)。

本文通過(guò)輪廓系數(shù)確定k值，輪廓系數(shù)計(jì)算方法如下：

(1)計(jì)算樣本i到同簇內(nèi)其他樣本的平均距離ai，該值越小，表明樣本i越應(yīng)被聚類到該簇中，可以稱ai為樣本的簇內(nèi)不相似度。簇C中所有樣本的ai均值被稱為簇C的簇不相似度。

(2) 計(jì)算樣本i到其他簇Cj中所有樣本的平均距離bij，稱為樣本i與簇Cj的不相似度。定義樣本i的簇間不相似度為：

bi=min(bi1,bi2,…,bik)

(2)

bi越大說(shuō)明樣本i越不屬于其他簇。

(3)根據(jù)樣本i的簇內(nèi)不相似度ai和簇間不相似度bi，定義樣本i的輪廓系數(shù)：

(3)

式(3)也可表示為：

(4)

根據(jù)式(4)可以判斷：s(i)越接近1，則樣本i聚類越合理；s(i)越接近-1，則樣本i更適合聚到其他類；s(i)越接近0，則說(shuō)明樣本i在兩個(gè)簇的邊界上。

在固定的k值上多次執(zhí)行聚類，求取輪廓系數(shù)的均值，再依據(jù)上述判斷準(zhǔn)則選出合理的k值。

本文以廢舊機(jī)械零件點(diǎn)云數(shù)據(jù)為輸入，在選定k值后，通過(guò)不斷提取每個(gè)點(diǎn)的空間特征，計(jì)算樣本點(diǎn)與各個(gè)簇中心之間的距離，構(gòu)建基于K-Means聚類的分類模型，完成廢舊機(jī)械零件簇的分類。

1.2 基于Point-Net網(wǎng)絡(luò)的同簇廢舊機(jī)械零件三維點(diǎn)云分類

1.2.1 Point-Net網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)計(jì)

隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，出現(xiàn)了很多成熟的卷積神經(jīng)網(wǎng)絡(luò)模型，如LeNet、ResNet、AlexNet、VGG、Inception等，這些網(wǎng)絡(luò)能從二維圖像中提取相關(guān)特征信息以完成不同的學(xué)習(xí)任務(wù)。然而，面對(duì)點(diǎn)云這種無(wú)序、無(wú)規(guī)則的數(shù)據(jù)結(jié)構(gòu)，以上網(wǎng)絡(luò)難以直接進(jìn)行卷積等操作，因此在數(shù)據(jù)處理過(guò)程中，研究人員通常會(huì)將點(diǎn)云數(shù)據(jù)轉(zhuǎn)換為規(guī)則的數(shù)據(jù)結(jié)構(gòu)，但這樣不僅計(jì)算量大、耗時(shí)長(zhǎng)，還會(huì)損失部分有效特征。Point-Net網(wǎng)絡(luò)則開(kāi)創(chuàng)性地將深度學(xué)習(xí)直接用于三維點(diǎn)云任務(wù)，與ResNet等網(wǎng)絡(luò)的不同之處在于Point-Net網(wǎng)絡(luò)可以直接處理無(wú)序點(diǎn)云數(shù)據(jù)，不需要將數(shù)據(jù)預(yù)處理為規(guī)則的格式，輸入點(diǎn)云的順序?qū)W(wǎng)絡(luò)的輸出沒(méi)有影響，并且其還可以處理旋轉(zhuǎn)和平移后的點(diǎn)云數(shù)據(jù)。

Point-Net網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其主要部分包括：

圖2 Point-Net網(wǎng)絡(luò)結(jié)構(gòu)

(1)T-Net網(wǎng)絡(luò)

Point-Net網(wǎng)絡(luò)中共有兩個(gè)T-Net網(wǎng)絡(luò)：第一個(gè)T-Net網(wǎng)絡(luò)是微型網(wǎng)絡(luò)，用于生成一個(gè)仿射變換矩陣，對(duì)點(diǎn)云的旋轉(zhuǎn)、平移等進(jìn)行規(guī)范化處理；第二個(gè)T-Net網(wǎng)絡(luò)主要完成特征空間的對(duì)齊和變換處理。

(2)多層感知器(multilayer perceptron，MLP)

MLP是通過(guò)共享權(quán)重的卷積實(shí)現(xiàn)的，第一層卷積核大小是1×3，之后的每一層卷積核大小都是1×1，即特征提取層只是將每個(gè)點(diǎn)連接起來(lái)。

(3)Max pooling對(duì)稱函數(shù)

設(shè)計(jì)Point-Net網(wǎng)絡(luò)時(shí)，需要使其能夠根據(jù)點(diǎn)云數(shù)據(jù)以不同順序提取相同的空間特征，即具有置換不變性，能實(shí)現(xiàn)該功能的是最大池化層：Max pooling。

Point-Net網(wǎng)絡(luò)輸入均勻采樣后的點(diǎn)，在第一個(gè)空間變換網(wǎng)絡(luò)和多層感知器中對(duì)齊點(diǎn)云并提取64維特征，在第二個(gè)空間變換網(wǎng)絡(luò)和多層感知器中對(duì)齊64維特征并提取1024維特征，然后通過(guò)Max pooling函數(shù)變換成1×1024的全局特征，再經(jīng)過(guò)一個(gè)感知器進(jìn)行學(xué)習(xí)，得到每個(gè)類別的得分。

超參數(shù)的設(shè)定對(duì)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及分類結(jié)果有較大影響，本文總體調(diào)參過(guò)程分為以下幾個(gè)部分：①根據(jù)神經(jīng)網(wǎng)絡(luò)的機(jī)理確定激活函數(shù)的種類，然后確定代價(jià)函數(shù)種類、權(quán)重初始化的方法和輸出層的編碼方式；②根據(jù)“寬泛策略”先大致搭建一個(gè)簡(jiǎn)單的結(jié)構(gòu)，確定神經(jīng)網(wǎng)絡(luò)中隱層的數(shù)目以及每一個(gè)隱層中神經(jīng)元的個(gè)數(shù)；③對(duì)于剩下的超參數(shù)先隨機(jī)給定一個(gè)可能的值，在代價(jià)函數(shù)中先不考慮正則項(xiàng)的存在，調(diào)整學(xué)習(xí)率得到一個(gè)較為合適的學(xué)習(xí)率閾值，取閾值的一半作為學(xué)習(xí)率初始值；④通過(guò)實(shí)驗(yàn)確定小批量數(shù)據(jù)的大小；⑤調(diào)整學(xué)習(xí)速率，根據(jù)確定的學(xué)習(xí)速率用驗(yàn)證數(shù)據(jù)來(lái)選擇合適的正則化參數(shù)，返回再重新優(yōu)化學(xué)習(xí)速率。學(xué)習(xí)的回合數(shù)則在上述實(shí)驗(yàn)后進(jìn)行整體觀察再確定。

本文構(gòu)建Point-Net網(wǎng)絡(luò)模型完成廢舊機(jī)械零件的精細(xì)分類，根據(jù)其在訓(xùn)練集上的分類效果以及上述調(diào)參方法選擇出最合適的超參數(shù)：初始學(xué)習(xí)率為0.001，學(xué)習(xí)回合數(shù)為100，批量大小為16，衰減率為0.8，正則化參數(shù)為0.5，激活函數(shù)為Relu函數(shù)，代價(jià)函數(shù)為交叉熵函數(shù)，權(quán)重初始化方法為批量標(biāo)準(zhǔn)化，輸出層采用Softmax函數(shù)，編碼方式為向量式。

1.2.2 同簇廢舊機(jī)械零件三維點(diǎn)云模型分類

綜上，基于Point-Net的同簇廢舊機(jī)械零件三維點(diǎn)云分類方法如圖3所示。將零件點(diǎn)云數(shù)據(jù)作為網(wǎng)絡(luò)輸入，首先進(jìn)行T-Net仿射變換(即乘以3×3的轉(zhuǎn)換矩陣)，之后通過(guò)卷積層進(jìn)行特征提取，對(duì)每一個(gè)點(diǎn)均提取1024維特征(n×1024)，再經(jīng)過(guò)最大池化(Max pooling)變成1×1024的全局特征，然后分別連接3個(gè)全連接層，輸出節(jié)點(diǎn)個(gè)數(shù)依次為512、256、k；最后使用Softmax函數(shù)得到分類結(jié)果。

圖3 基于Point-Net的三維點(diǎn)云分類

2 案例分析

2.1 廢舊機(jī)械零件簇分類實(shí)驗(yàn)

本文所用實(shí)驗(yàn)平臺(tái)為配置2.60 GHz CPU、8 GB內(nèi)存、Windows10操作系統(tǒng)的PC機(jī)。廢舊機(jī)械零件點(diǎn)云數(shù)據(jù)通過(guò)SIMSCAN便攜式三維掃描儀獲得，并采用軟件PyCharm編程實(shí)現(xiàn)點(diǎn)云數(shù)據(jù)空間特征的提取，通過(guò)不斷計(jì)算歐氏距離完成三維點(diǎn)云模型初步分類。

選定常用的盤(pán)蓋、箱體、軸這3種廢舊機(jī)械零件簇作為實(shí)驗(yàn)對(duì)象，同時(shí)將各零件簇進(jìn)一步細(xì)分為3小類。盤(pán)蓋零件簇細(xì)分為齒輪、端蓋和法蘭盤(pán)；箱體零件簇細(xì)分為齒輪泵體、傳動(dòng)箱體和閥體；軸零件簇細(xì)分為階梯軸、曲軸和凸輪軸。每小類包含400個(gè)零件，共計(jì)3600個(gè)模型，所有數(shù)據(jù)分別保存于對(duì)應(yīng)文件夾中，部分零件的三維點(diǎn)云數(shù)據(jù)如圖4所示。

圖4 部分零件的點(diǎn)云數(shù)據(jù)

為實(shí)現(xiàn)廢舊機(jī)械零件簇的快速準(zhǔn)確分類，將以上數(shù)據(jù)集輸入基于K-Means聚類的分類模型中，根據(jù)輪廓系數(shù)選取k=3，重復(fù)測(cè)試5次，計(jì)算得到盤(pán)蓋、箱體、軸這3種廢舊機(jī)械零件簇的平均識(shí)別精度均為100%，表明采用K-Means聚類方法可準(zhǔn)確識(shí)別具有較大差異的廢舊機(jī)械零件簇的三維點(diǎn)云模型。

2.2 同簇廢舊機(jī)械零件分類實(shí)驗(yàn)

同一簇內(nèi)的廢舊機(jī)械零件在外形和尺寸上具有一定的相似性，對(duì)其在線識(shí)別的難度有所提高。從每種同簇廢舊機(jī)械零件中隨機(jī)選取80%點(diǎn)云模型作為訓(xùn)練集，20%點(diǎn)云模型作為測(cè)試集，重復(fù)進(jìn)行10次，將得到的數(shù)據(jù)集分別輸入基于Point-Net的三維點(diǎn)云分類模型進(jìn)行實(shí)驗(yàn)，結(jié)果如表1所示，可以看到，3種零件的測(cè)試集分類準(zhǔn)確率平均值都在97%以上。

表1 隨機(jī)樣本實(shí)驗(yàn)結(jié)果

2.3 與其他分類方法的比較

為驗(yàn)證本文方法在同簇廢舊機(jī)械零件分類上的優(yōu)越性，將其與K-Means聚類方法以及采用其他深度學(xué)習(xí)模型的3種方法進(jìn)行對(duì)比分析，以分類準(zhǔn)確率和平均總時(shí)耗作為評(píng)價(jià)指標(biāo)，其中平均總時(shí)耗包括數(shù)據(jù)集制作時(shí)間和模型運(yùn)行時(shí)間。

2.3.1 K-Means聚類方法

采用1.1.2節(jié)提出的K-Means聚類模型以及2.2節(jié)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn)，將同簇廢舊機(jī)械零件的點(diǎn)云數(shù)據(jù)分別輸入K-Means模型中，通過(guò)輪廓系數(shù)選定k=3，然后提取點(diǎn)云的空間特征，不斷計(jì)算樣本點(diǎn)與中心點(diǎn)的距離，實(shí)現(xiàn)對(duì)同簇廢舊機(jī)械零件的細(xì)分類，重復(fù)實(shí)驗(yàn)5次，統(tǒng)計(jì)評(píng)價(jià)指標(biāo)平均值。

2.3.2 基于其他深度學(xué)習(xí)模型的分類方法

選用3種主流深度學(xué)習(xí)模型(AlexNet、Inception-v3和LeNet-5)[18]，通過(guò)CATIA軟件截取每個(gè)廢舊機(jī)械零件三維點(diǎn)云模型的10個(gè)不同視角的圖像，共計(jì)有3600個(gè)點(diǎn)云模型、36 000張圖像作為對(duì)比實(shí)驗(yàn)數(shù)據(jù)集，采用1.2.1節(jié)中神經(jīng)網(wǎng)絡(luò)超參數(shù)調(diào)整方法確定3種模型的超參數(shù)。

AlexNet深度學(xué)習(xí)模型共有8層網(wǎng)絡(luò)結(jié)構(gòu)，前5個(gè)為卷積層，后3個(gè)為全連接層，其中前2層卷積和第5層卷積后均連接池化層，每個(gè)卷積層都采用ReLU激活函數(shù)。

Inception-v3深度學(xué)習(xí)模型先設(shè)置3個(gè)卷積層，連接1個(gè)池化層；再設(shè)置2個(gè)卷積層，連接1個(gè)池化層；最后連接11個(gè)混合層。使用2個(gè)3×3卷積核代替5×5卷積核、3個(gè)3×3卷積核代替7×7卷積核，以減少參數(shù)量、加快計(jì)算速度。

LeNet-5深度學(xué)習(xí)模型由輸入層、2個(gè)卷積層、2個(gè)池化層和3個(gè)全連接層構(gòu)成，每層都包含不同數(shù)量的訓(xùn)練參數(shù)。

3種深度學(xué)習(xí)模型均采用遷移學(xué)習(xí)的方法，通過(guò)ImageNet數(shù)據(jù)集訓(xùn)練好模型，保留參數(shù)，替換最后一層全連接層，再對(duì)同簇廢舊機(jī)械零件圖像數(shù)據(jù)集進(jìn)行分類測(cè)試。

2.3.3 對(duì)比實(shí)驗(yàn)結(jié)果分析

對(duì)比實(shí)驗(yàn)結(jié)果如表2所示。K-Means模型處理特征差異性較大的廢舊機(jī)械零件簇時(shí)能實(shí)現(xiàn)高效而精確的分類，但處理特征差異性較小的同簇廢舊機(jī)械零件時(shí)表現(xiàn)較差，分類準(zhǔn)確率最高為80.12%、平均為77.14%，雖然總時(shí)耗較低，但分類準(zhǔn)確率無(wú)法達(dá)到要求；采用主流深度學(xué)習(xí)模型時(shí)，Inception-v3的分類精度較高，平均準(zhǔn)確率為97.06%，AlexNet次之，LeNet-5相對(duì)較差，但分類準(zhǔn)確率均達(dá)到了90%以上，這些方法出現(xiàn)分類錯(cuò)誤的主要原因是在截取多視角圖像過(guò)程中容易損失零件的有效特征，從而影響分類結(jié)果，另外，采用Inception-v3和AlexNet網(wǎng)絡(luò)的方法在構(gòu)建圖像數(shù)據(jù)集和訓(xùn)練模型時(shí)需要消耗大量時(shí)間，因此分類效率較低，雖然基于LeNet-5模型的方法耗時(shí)略少，但是分類精度不足；采用Point-Net深度學(xué)習(xí)模型的平均分類精度可達(dá)97.71%，最高可達(dá)98.24%，該方法以無(wú)序點(diǎn)云數(shù)據(jù)為輸入，直接提取點(diǎn)云數(shù)據(jù)的全局特征，最大程度保留了其有效特征信息，降低了總時(shí)耗，提高了分類效率，并且在分類精度上要優(yōu)于4種對(duì)比方法。

表2 不同方法的實(shí)驗(yàn)結(jié)果對(duì)比

3 結(jié)語(yǔ)

本文面向批量再制造流水線加工工藝需求，提出了一種針對(duì)廢舊機(jī)械零件的三維點(diǎn)云模型分類方法。首先通過(guò)輪廓系數(shù)給定聚類目標(biāo)數(shù)，直接提取廢舊機(jī)械零件三維點(diǎn)云的空間特征，不斷計(jì)算樣本點(diǎn)與中心點(diǎn)的歐氏距離，采用K-Means聚類算法對(duì)差異性較大的廢舊機(jī)械零件簇進(jìn)行劃分，分類精度可達(dá)100%。然后以同簇廢舊機(jī)械零件的三維點(diǎn)云模型作為輸入，通過(guò)均勻采樣以及構(gòu)建2個(gè)空間變換網(wǎng)絡(luò)和2個(gè)多層感知器，建立了基于Point-Net深度學(xué)習(xí)網(wǎng)絡(luò)的同簇廢舊機(jī)械零件三維點(diǎn)云分類模型，其對(duì)盤(pán)蓋、箱體和軸等3種廢舊機(jī)械零件簇的精細(xì)分類準(zhǔn)確率分別達(dá)到了97.78%、98.24%和97.11%，在分類精度上明顯優(yōu)于K-Means聚類方法和采用其他3個(gè)主流深度學(xué)習(xí)網(wǎng)絡(luò)的分類方法。