CAD/CAM集成是計(jì)算機(jī)集成制造技術(shù)的重要組成部分,加工特征自動(dòng)識(shí)別是實(shí)現(xiàn)CAD/CAM集成的核心技術(shù)�；跀�(shù)據(jù)驅(qū)動(dòng)的深度學(xué)習(xí)在各種模式識(shí)別中得到廣泛的應(yīng)用,基于3D點(diǎn)云數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)方法較傳統(tǒng)的基于符號(hào)推理方法具有更好的魯棒性,為實(shí)體邊界模型或三維點(diǎn)云模型的加工特征自動(dòng)識(shí)別提供一條新的途徑。論文分析了不同背景下的加工特征的定義和分類,并對(duì)不同的定義下產(chǎn)生的加工特征識(shí)別方法進(jìn)行對(duì)比分析,綜合加工特征識(shí)別的現(xiàn)狀總結(jié)出特征識(shí)別的主要發(fā)展方向。研究了卷積神經(jīng)網(wǎng)絡(luò)(CNN)特征識(shí)別的方法和理論。并對(duì)點(diǎn)云數(shù)據(jù)特性進(jìn)行分析,進(jìn)而闡述了加工特征識(shí)別技術(shù)和基于CNN的加工特征識(shí)別的基本原理,提出了基于3D點(diǎn)云的CNN加工特征識(shí)別的方法和系統(tǒng)方案。根據(jù)系統(tǒng)方案的設(shè)計(jì)需求分析,提出了基于統(tǒng)一規(guī)則的3D點(diǎn)云網(wǎng)絡(luò)模型的輸入數(shù)據(jù)樣本采集方法,該方法主要分為三個(gè)步驟:CAD模型轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)模型、將點(diǎn)云模型進(jìn)行重采樣為統(tǒng)一數(shù)量的點(diǎn)云數(shù)據(jù)集和轉(zhuǎn)換為機(jī)器學(xué)習(xí)所能理解的數(shù)據(jù)格式。通過修改CAD模型尺寸參數(shù)和幾何位置,構(gòu)建了24種加工特征CNN網(wǎng)絡(luò)訓(xùn)練所需的大規(guī)模點(diǎn)云數(shù)據(jù)。在PointNet基礎(chǔ)上,設(shè)計(jì)了一個(gè)新的基...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題背景及意義
    1.2 國(guó)內(nèi)外研究綜述
        1.2.1 加工特征自動(dòng)識(shí)別研究
        1.2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的特征識(shí)別
    1.3 課題的主要任務(wù)
    1.4 本文的組織結(jié)構(gòu)
2 基于點(diǎn)云數(shù)據(jù)特征識(shí)別基礎(chǔ)
    2.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.1 卷積層
        2.1.2 池化層
        2.1.3 全連接層
    2.2 激活函數(shù)
        2.2.1 sigmoid函數(shù)
        2.2.2 ReLU函數(shù)
    2.3 損失函數(shù)
    2.4 優(yōu)化算法
        2.4.1 批量梯度下降法
        2.4.2 Adam優(yōu)化算法
    2.5 本章小結(jié)
3 系統(tǒng)總體方案
    3.1 加工特征的定義
    3.2 加工特征的分類
    3.3 系統(tǒng)總體方案
    3.4 本章小結(jié)
4 數(shù)據(jù)樣本
    4.1 點(diǎn)云數(shù)據(jù)特性
    4.2 創(chuàng)建數(shù)據(jù)樣本
        4.2.1 轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)
        4.2.2 轉(zhuǎn)換為固定點(diǎn)云數(shù)據(jù)
        4.2.3 網(wǎng)絡(luò)模型讀取的數(shù)據(jù)
    4.3 本章小結(jié)
5 加工特征識(shí)別CNN模型
    5.1 PointNet網(wǎng)絡(luò)模型
    5.2 加工特征識(shí)別CNN的架構(gòu)設(shè)計(jì)
    5.3 網(wǎng)絡(luò)架構(gòu)設(shè)計(jì)分析
    5.4 本章小結(jié)
6 實(shí)驗(yàn)結(jié)果及分析
    6.1 實(shí)驗(yàn)基礎(chǔ)平臺(tái)
    6.2 樣本模型統(tǒng)一點(diǎn)集數(shù)量大小分析
    6.3 訓(xùn)練效果分析
    6.4 識(shí)別準(zhǔn)確率分析
    6.5 算法的時(shí)空復(fù)雜度分析
    6.6 算法適用性分析
    6.7 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝



本文編號(hào)：3887481