第一章 绪论
1.1课题研究背景与意义
1.2国内外研究应用现状
1.2.1工业场景中的零件分割与识别技术研究现状
1.2.2点云分割技术研究现状
1.3本文的研究内容和章节安排
第二章 基于深度学习的点云分割方法
2.1引言
2.2深度卷积神经网络
2.2.1卷积层
2.2.2激活层
2.2.3池化层
2.2.4Batch Normalization(BN)操作
2.3PointNet++和PointSIFT算法的特性分析
2.3.1空间变换网络
2.3.2PointNet特性分析
2.3.3PointNet++特性分析
2.3.4PointSIFT算法特性分析
2.4本章小结
第三章 基于SIFT-PointNet++的三维场景点云分割算法
3.1引言
3.2 基于PointSIFT算法的PointNet++神经网络(SIFT-PointNet++)
3.2.1PointSIFT算法描述点云局部特征
3.2.2层级点云特征学习
3.2.3点集分割中的特征传播
3.2.4基于PointSIFT算法的PointNet++神经网络(SIFT-PointNet++)结构设计总图
3.3基于SIFT-PointNet++的机器人分拣三维场景点云分割方法应用
3.3.1三维模型构建与点云数据采集
3.3.2点云数据预处理与场景构建
3.3.3评价指标
3.3.4超参数设定及优化方法选择
3.3.5应用SIFT-PointNet++分割点云总体流程图
3.4本章小结
第四章 基于SIFT-PointNet++的仿真应用及噪声分析
4.1引言
4.2实验环境简介
4.3 Scannet实验结果与分析对比
4.4千斤顶零件实验方案设计及其测试结果
4.4.1千斤顶零件三维模型的构建及点云数据的采集
4.4.2千斤顶零件数据集的训练和测试效果
4.4.3加噪声数据集的训练和测试结果
4.4.4SIFT-PointNet++在不同噪声样本的测试效果
4.4.5噪声对SIFT-PointNet++训练结果的影响
4.4.6SIFT-PointNet++对于同类型物体的测试效果
4.4.7SIFT-PointNet++对于物体重叠状态的测试效果
4.4.8物体相隔的距离对预测准确率的影响
4.5本章小结
总结与展望
论文小结
论文展望
参考文献
攻读硕士学位期间取得的研究成果
声明
致谢
广东工业大学;