基于多项式位置编码点云分析网络(PointPPE)的复杂加工特征精准识别方法

本文推荐：该研究针对精密模具零件加工特征识别中点云位置信息利用不足及层级网络冗余问题，提出创新性解决方案——PointPPE。通过多项式位置编码(PPE)模块动态捕捉毫米级曲率特征，结合通道注意力上下文融合(CACF)模块优化局部特征分析，在自建工业数据集上实现90.57%实例平均交并比(IoU)，在ShapeNetPart数据集上达86.0%实例IoU，为智能制造复杂特征识别提供新范式。

　　

Highlight

本研究的核心创新在于：

1. 1.

   数据集构建：建立首个面向汽车精密注塑件的工业级点云分割数据集(IMP)，涵盖10类功能型加工特征，平均每部件含22,000个点云数据。

2. 2.

   多项式位置编码(PPE)模块：突破传统固定编码模式，采用Legendre/Hermite/Chebyshev正交多项式构建自适应几何表征，有效解析模具件毫米级曲率变异（如避空面与分型面的^0.1mm级拓扑纠缠）。

3. 3.

   通道注意力上下文融合(CACF)模块：通过双重机制——(i)通道权重过滤抑制坐标冗余；(ii)空间上下文整合强化关键几何模式，实现特征信号的"去噪-增强"协同优化。

Methodology

网络架构采用层级式设计：

• •

  前置PPE模块将坐标信息分解为正交几何基函数，其动态参数调整能力显著优于传统正弦编码（见Fig.4对比实验）。

• •

  CACF模块通过门控机制实现跨层特征校准，在解析排气槽等亚毫米特征时，误识别率降低32.7%（详见表3）。

Conclusion

实验表明：

1. 1.

   在IMP数据集上，PointPPE对功能型特征（如产品面/排气槽）的识别精度达行业领先水平，较PointNet++提升19.3% IoU。

2. 2.

   在ShapeNetPart跨域测试中，类平均IoU达83.9%，证实其卓越的泛化能力。

3. 3.

   消融实验验证PPE+CACF组合的协同效应，对复杂交界面识别F1-score提升14.2%（p<0.01）。

注：翻译严格遵循原文技术细节，采用"功能型特征"等专业表述，保留^0.1mm等精度标注，并通过"去噪-增强"等拟人化表述增强可读性。