基于改进 DGCNN的零件点云分割方法OA

针对传统点云分割方法过度依赖于人工设计的几何特征与统计规则,且人工特征设计依赖先验知识,在提取零件加工特征时存在特征表示能力不足的问题,文中提出一种基于改进动态图卷积神经网络(DGCNN)的点云分割方法。零件的加工特征通常具有较强的局部性,DGCNN强大的局部特征提取能力,使其在分割过程中能够识别出加工特征的细节信息,区分加工特征边界。在此基础上,为建立全局特征与局部特征的有效关联,提升网络的整体特征表示能力,文中在DGCNN中引入置换注意力模块,充分利用空间注意力与通道注意力的相关性,结合二者优势以更高效地学习和利用点云特征。为验证改进网络的有效性,构建了包含24类常见零件的点云数据集。实验结果表明,文中方法的总体分割精度可达99.79%,相较于PointNet、PointNet++及原始DGCNN,分割精度分别提升2.22%、1.16%和0.38%,显著提高了零件点云分割的准确性。