面向机械零件点云的弱监督特征点检测算法

作     者：刘行 邓泽林 董云龙 

作者机构：华东理工大学信息科学与工程学院 清华大学智能与网络化系统研究中心 华中科技大学人工智能与自动化学院 

出 版 物：《控制工程》 (Control Engineering of China)

年 卷 期：2023年

学科分类：08[工学] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0802[工学-机械工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 

基　　金：科技部重点研发计划资助项目(2018YFB1701202) 

主　　题：点云 特征点 对称面 深度学习 弱监督 

摘      要：点云是表示三维空间的非结构化数据形式，广泛应用于加工、机器人装配和自动驾驶等领域。当前的特征点提取算法基于人工设计的规则，限制了特征点的表征能力并损害了其在分类和配准等下游任务的精度。本研究提出了一种基于深度学习模型的特征点检测算法，通过弱监督的方式学习分类和配准等下游任务所需要的特征点。具体地，首先通过特征点提取器获得点云中的特征点，随后将其用于后续的分类和配准任务。通过最小化分类和配准任务损失来迫使模型提取到优异的特征点，以克服无法获取特征点标记的难点。在机械零件点云数据集中的实验结果表明，所提取的特征点相较于其他方法更能表征机械零件点云的整体状态，并在下游任务中实现更高的精度。