基于深度学习的汽车塑料零件自动化中表面网格生成方法 唐洪斌、 黄泽辉、 王敬春、 邓建桥、 王世斌、 张志国、 吴振江

《Vehicles》：Automated Mid-Surface Mesh Generation Method for Automotive Plastic Parts Based on Deep Learning Hongbin Tang, Zehui Huang, Jingchun Wang, Jianjiao Deng, Shibin Wang, Zhiguo Zhang and Zhenjiang Wu

　　摘要
汽车塑料部件在计算机辅助工程（CAE）仿真建模中面临多重挑战，包括复杂的薄壁几何形状、细小特征的网格划分难题（例如夹子和小配件）以及耗时且质量不稳定的手动处理。为了解决这些问题，本文提出了一种自动生成中间表面网格的方法。该方法整合了基于AI的特征识别、点云配准和几何拟合技术。首先，构建了一个包含132,000个塑料部件特征样本的专用点云数据集。利用PointNet++模型，实现了对典型特征（如夹子和背板）的精确语义分割。随后，建立了一个典型特征库，并实施了FPFH-ICP点云配准策略。根据匹配率，选择两种处理路径之一：直接的标准网格替换或分割-拟合生成。对于匹配率较低的特征，提出了一套分割-拟合算法。这些算法结合了不完整圆柱参数提取、蒙特卡洛边界识别和内部点云重排序，从而有助于生成高质量的中间表面网格，以适应复杂的拓扑结构。最后，在典型的汽车内部塑料部件以及新的跨平台车辆模型上进行了实验验证。结果表明，该方法将网格建模时间减少了67%，同时保持了几何特征恢复的准确性。使用该方法，网格质量合规率从52.27%提高到了90.9%，达到了与专业手动网格划分相当的水平。在跨平台验证中，该方法保持了高精度。因此，这种方法显著提升了CAE预处理的智能化和工程可靠性，为复杂薄壁组件的自动化仿真建模提供了有效的技术支持。

1. 引言
随着全球对能源效率、减排和轻量化设计的日益重视，高性能工程塑料现在被广泛用于汽车车身结构[1]。在这种情况下，CAE和有限元分析（FEA）已成为评估结构性能和缩短开发周期的重要工具[2]。对于内部和外部塑料部件等薄壁组件，使用壳单元进行离散化是主流的建模方法。该方法的核心是从三维实体模型中准确提取理想的中性层——中间表面[3,4]。中间表面的几何精度和拓扑完整性直接决定了网格质量，进而决定了仿真结果的可靠性。因此，中间表面提取是几何设计与可信仿真分析之间的关键环节[5]。
然而，汽车塑料部件（例如夹子、支架）具有高度的几何复杂性。它们由空间复杂的薄壁曲面组成，并包含许多细小结构，如多级卡扣、安装凸台和加强肋条[6,7,8]。这些因素给传统的中间表面提取技术带来了重大挑战。一方面，传统的手动或半自动化网格生成方法劳动密集且耗时；研究表明，大约60%的仿真时间用于手动网格修复和验证。另一方面，网格质量严重依赖于工程师的经验，难以确保稳定性和重复性。网格变形和单元丢失等问题会放大仿真误差，导致性能评估不可靠和项目延误[9]。
目前，薄壁结构的中间表面提取主要依赖于基于几何的传统算法[4,7,9,10]。然而，这些算法在应用于汽车塑料部件的复杂几何形状时存在固有的局限性[11]。首先，它们的算法逻辑通常局限于预定义的特征集，在识别和保留局部细小特征（例如小圆角和夹子）方面能力有限。这可能导致机械关键细节的丢失或错误简化[12]。其次，核心操作（如偏移和布尔运算）难以处理非均匀壁厚、自由形表面和多个特征相交的区域。这经常导致拓扑错误，如几何变形和表面不连续[13]。第三，自动化程度较低：处理复杂模型需要大量的手动参数调整和表面修补，结果在很大程度上取决于操作员的经验，从而影响了效率和一致性[14]。即使是主流商业CAE软件中的内置工具，也常常会产生不稳定的结果，并需要大量的手动后处理，这成为提高CAE预处理效率的主要障碍[15]。
最近在点云处理方面的进展为解决这些问题提供了新的途径。点云配准技术大致分为刚性和非刚性方法[16,17]。刚性配准算法（如迭代最近点（ICP）及其变体）可以提供稳定的全局对齐，但无法适应由工艺引起的非线性变形[18]。非刚性配准通过变形场描述形状变化，更适合补偿物理部件的几何偏差。然而，传统的非刚性方法通常计算效率低、对噪声敏感，并且捕捉局部变形的能力有限[19,20]。
同时，深度学习在3D计算机视觉领域的快速进展为点云处理带来了范式转变。像PointNet++这样的网络，凭借其分层特征提取和注意力机制，显著提高了点云分类和分割的准确性和鲁棒性[21,22]。这些框架的增强版本已成功应用于复杂领域，包括隧道工程[23]、农业表型分析[24]和高密度树木点云分割[25]，显示出处理拓扑复杂点云的强大潜力。在配准方面，基于深度学习的端到端方法（例如PRNet [26]）和集成Transformer的网络（例如DefTransNet [27]）可以有效地学习复杂的点对应关系，并在非刚性、低重叠对齐任务中表现出色[28,29,30]。对于具有大变形和遮挡的场景，结合场景流估计、变形场融合和粗到细对齐策略的深度网络进一步提高了配准的鲁棒性和准确性[28,29,30]。
尽管取得了这些进展，现有研究仍存在显著局限性。首先，大多数方法仅关注物体外表面的整体配准和分割，或停留在“特征识别”阶段。缺乏针对内部几何层（即中间表面）的专用处理，从“扫描点云”到“仿真就绪的中间表面网格”的完整自动化流程尚未建立。其次，现有算法大多是为通用对象或生物医学图像设计的。它们没有针对汽车塑料部件中同时存在的“标准特征”（例如通用夹子）和“非标准特征”（由设计迭代或工艺变形引起）进行系统优化。此外，缺乏能够智能区分这两种特征类型并采用适当网格生成策略（例如标准网格替换或几何拟合重建）的全面解决方案。
为了解决这些不足，我们提出了一种通过集成基于PointNet++的特征识别、点云配准和几何分割-拟合技术来生成汽车塑料部件中间表面网格的自动化方法。本文的其余部分安排如下。第2节介绍了基于AI的特征识别模块，包括专用数据集的构建和对PointNet++模型的改进。第3节描述了点云配准模块和由典型特征库引导的网格替换策略。第4节详细介绍了为匹配率较低的非标准特征设计的分割-拟合算法的完整工作流程。第5节通过对典型汽车内部塑料部件的案例研究，全面分析了所提出方法的几何精度、处理效率和鲁棒性。第6节总结了本文并指出了未来研究的潜在方向。

2. AI智能特征识别模块
所提出的汽车塑料部件自动化网格生成方法基于一个包含三个核心模块的技术架构：（1）基于AI的智能特征识别模块，（2）点云配准模块，以及（3）分割-拟合中间表面生成模块。
在第一个模块中，使用PointNet++模型对输入点云进行语义分割，实现典型特征（如夹子和背板）的智能分类和定位（第2节）。第二个模块涉及构建塑料部件的标准特征库。通过特征级别的点云配准，将直接网格替换应用于成功匹配预定义模板的区域（第3节）。对于匹配置信度较低的特征，第三个模块采用分割-拟合算法来重建中间表面几何形状。生成的表面随后被集成以形成全局一致且高质量的网格（第4节）。
通过完全自动化工作流程——包括特征识别、配准匹配和中间表面生成——所提出的方法在构建塑料部件的中间表面网格方面实现了高精度和高效率。本研究的技术框架如图1所示。
图1. 本文的整体技术框架。
准确识别汽车塑料部件中的典型特征（如夹子和背板）是自动化中间表面网格生成的关键前提。这项任务的主要挑战如下：（1）塑料部件通常是薄壁的、尺寸小且几何形状多样；（2）夹子和背板等特征在尺寸和曲率上存在显著变化，使用传统方法进行统一建模较为困难；（3）局部特征往往具有高度的拓扑相似性，这经常导致误分类。
为了解决这些挑战，本研究构建了一个专用的汽车塑料部件特征点云数据集，并使用改进的PointNet++架构开发了一个基于AI的识别模块。该模块对输入点云进行特征级别的语义分割，从而为后续的自动化网格生成建立了可靠的几何-语义基础。

2.1. 汽车塑料部件特征数据集的构建
由于公开资源中缺乏汽车塑料部件典型特征的标注数据集，本研究构建了一个专用的点云数据集。该数据集包括每个点的三维坐标、法线向量和语义标签。根据结构功能和形态的差异，典型特征被分为两大类：塑料夹子和背板，如图2所示。
图2. 汽车塑料部件中夹子和背板的典型分布和结构特征。
为了提高数据集构建的效率和一致性，开发了一个完全自动化的流程，从原始几何模型开始。如图3所示，该流程包括以下步骤。首先，遍历存储在指定目录中的所有几何文件。每个文件都经过网格生成和质量控制，以生成适合点云提取的结构。然后，从网格元素中自动检索关键属性，包括质心坐标、法线向量和面标识符以及分类标签。最后，智能算法选择最佳投影方向进行区域划分，并根据预定义的标准将点云数据导出为TXT格式，确保每个文件满足后续处理所需的点数和数据维度。
图3. 汽车塑料部件特征点云数据的自动化建立过程。
值得注意的是，由于原始组件的尺寸较大，在数据集构建过程中将几何模型分割成较小的块，以充分捕获细小特征（如夹子）。在来自十个车辆模型的数据集中，夹子标签被指定为50，背板标签被指定为51。整个数据集包含132,000个样本，来自这十个模型，其中包括仅包含背板的实例。经过16轮系统模型迭代和数据集质量优化后，最终确定了最佳模型。值得注意的是，该模型并非在全部132,000个样本的完整数据集上进行训练，而是在一个精心挑选的子集上进行训练，该子集包含“至少有一个完整夹子”的样本（31,000个样本）。这一决定通过多次比较实验得到了验证。
在三个派生数据集上进行了并行训练和测试，分别是“仅包含完整夹子”、“至少有一个完整夹子”和“去除背板的完整数据集”。 “至少有一个完整夹子”的数据集展示了独特的优势。它保留了夹子和背板共存的真实世界工业场景，为两种组件类型之间的对比学习提供了基础，从而避免了“仅包含完整夹子”数据集中缺乏上下文相关性的问题。同时，通过强制执行“至少有一个完整夹子”的核心条件，有效排除了具有严重损坏夹子或无效特征的低质量样本。这减轻了这些样本在模型训练过程中造成的干扰。
表1详细记录了迭代模型开发过程，并作为消融研究来验证设计选择。为了研究数据集组成对模型性能的影响，我们进行了一系列比较实验，通过在不同的数据配置上训练模型来进行研究。首先，将基于原始数据集（版本1）训练的模型与去除纯背板数据后的模型（版本4、8、11和14）进行了对比。例如，识别准确率从版本1的32.53%显著提升到了版本4的61.4%，这表明消除冗余的、无区分性的样本对于有效的特征学习至关重要。表1显示了训练版本的记录。此外，还通过对比仅基于“完整片段”训练的模型（版本6、9、12和15）与基于“至少包含一个完整片段”的样本训练的模型（版本7、10、13和16）进行了特征完整性的消融研究。结果表明，“至少包含一个完整片段”的策略在最终模型（版本16）中达到了最佳平衡。这种配置同时利用了片段和背板的信息，有助于对比学习，同时有效地排除了可能降低模型性能的严重不完整样本。最终优化后的数据集包含31,000个至少包含一个完整片段的样本，这些样本被随机划分为训练集（80%）、验证集（10%）和测试集（10%）。测试集中的类别分布大致平衡了片段和背板的数量，反映了实际应用场景的情况。

为了考虑真实扫描场景中的姿态变化，采用了一种基于随机3D旋转的数据增强策略。具体来说，生成了关于x轴、y轴和z轴的随机旋转矩阵，并用它们来同步变换点坐标及其对应的法向量。这种方法模拟了不同的放置角度和观察视角，而不增加物理数据的体积，从而降低了特定姿态过拟合的风险，并增强了模型学习内在几何特征的能力。按照上述方法构建了一个包含132,000个样本的专用点云数据集，如图4所示。该数据集为后续的特征识别和网格生成任务提供了高质量的基础。

为了处理塑料零件特有的复杂局部几何结构和详细特征，本研究采用了PointNet++作为特征识别模型，如图5所示[31]。与PointNet不同，PointNet++通过分层采样、分组和特征提取的过程逐步扩展了感受野。这种方法有效地将局部几何细节与全局语义信息结合起来，从而增强了捕捉复杂局部特征的能力。基于PointNet++架构，开发了一个系统的模型训练框架，并在数据预处理、训练过程控制和参数优化三个方面进行了针对性的改进。

为了满足模型的固定维度输入要求，采用了最远点采样策略，将每个点云帧均匀采样到8192个点。研究发现，1024个点不足以充分描述片段的细节，因为片段的尺寸存在变化。该方法首先随机选择一个初始点，然后迭代选择与现有点集距离最远的点，直到达到目标数量。在采样过程中，保留了每个点的3D坐标、法向量和类别标签，从而得到了一个8192 × 8的样本矩阵。这确保了输入格式的标准化以及完整的特征信息。

在训练过程中，每个样本的输入点数和特征提取层次都设置为16。输入点云通过三个Set Abstraction（SA）模块进行分层特征提取：在SA第1层，以0.05的半径采样2048个点。经过64 → 128维的MLP处理和最大池化后，输出一个256维的特征，捕获了如片段边缘和背板纹理等局部细节。在SA第2层，以0.1的半径采样512个点，经过128 → 256维的MLP处理后，生成一个512维的特征，编码了中等尺度的结构关系。在SA第3层，以0.2的半径采样128个点，经过256 → 512维的MLP处理后，得到一个1024维的特征，表示全局语义。每个SA操作都遵循采样、邻域查询、特征变换和聚合的工作流程，逐步提高特征抽象的层次。随后，使用特征传播（FP）层通过三线性插值将高级特征恢复到原始点云分辨率。首先将1024维的全局特征上采样到512个点，并与SA第2层的特征以及原始的6维几何特征（坐标和法向量）连接起来，形成一个1536维的向量。通过使用跳跃连接机制，模型实现了多级特征的深度融合，保留了高级特征的语义区分能力，同时整合了低级特征的几何细节。为了进一步提高分割边界的准确性，采用了负对数似然损失作为优化目标。这个损失函数对误分类的点赋予更大的权重，特别是那些位于片段和背板之间的过渡区域的点，从而加强了模型对难样本的学习，并有效提高了边界分割的精度。

为了确保训练的稳定性和减少过拟合，采用了性能监控和正则化技术的组合。每五个训练周期，会在训练集和验证集上评估分类准确性、精确度、召回率和F1分数，并可视化损失和准确性曲线，如表2所示。在SA层和MLP层之间引入了Dropout机制以减少神经元之间的协同适应，同时在优化器中添加了L2正则化项来限制参数的大小。

模型通过Adam优化器进行反向传播更新。梯度是从损失层逐层计算的，包括MLP权重、卷积核、批量归一化参数和偏置项，从而确保了梯度有效地传递到输入。Adam优化器的超参数设置为β1 = 0.9，β2 = 0.999，初始学习率为1 × 10^-3。采用了分段衰减计划，在第100个周期将学习率降低到1 × 10^-4，在第130个周期进一步降低到1 × 10^-5，如图7所示。这种策略使得模型在早期阶段能够快速收敛，在前50个周期内损失减少了60%以上，同时在后期阶段促进了稳定的微调，从而避免了梯度消失或振荡，促进了向最优状态的稳健收敛。训练完成后，网络权重被保存在一个.pth文件中。

在评估特征识别性能时，从两个角度进行了全面评估：分割准确性和工程可用性。平均交并比（mIoU）反映了预测区域和真实区域之间的重叠程度，较高的值表示更精确的分割。通过在CAE软件环境中部署训练好的模型来评估视觉识别准确性。未标记的点云（仅包含坐标、法向量和面部ID）被输入模型，然后在CAE界面中根据点对面的映射突出显示识别的片段区域。工程师随后将这些区域与原始几何形状进行视觉比较，以计算实际准确率。这一评估强调了该方法在真实工业场景中的有效性。视觉识别结果如图8所示。

为了满足车辆开发的实际需求，其中平台组件的重复使用和新设计配置的引入经常同时存在，引入了一个点云注册模块。该模块旨在将识别的零件特征与标准化的网格模板匹配，从而提高处理效率同时保持建模质量。该模块通过一个顺序工作流程运行。首先，根据工程专业知识构建了一个典型的塑料片段特征库作为匹配的参考。接下来，使用匹配算法在库中搜索与新识别片段最相似的源点云。最后，使用预定义的匹配率阈值来确定现有的模板网格是否可以直接重用，或者模型是否应该进入后续的分割拟合流程。这种方法有效地平衡了几何一致性和计算效率。

典型的特征库是点云注册模块的核心组成部分。其构建遵循三个指导原则：代表性、通用性和独特性。代表性要求选定的特征要么在塑料零件中频繁出现，要么具有高度相似的变体。通用性确保这些特征的相应中间表面网格能够适应大多数相同类型的结构，并保持一致的元素尺寸以便直接替换。独特性要求不同特征之间的整体或局部几何形态有明显的区别，以保证库内的唯一性。基于这些原则，从10个基本车辆模型构建了一个特征库。该库包含102个类别，总计1132个不同的片段模板网格及其对应的点云，代表了汽车工程实践中最常用的片段设计。在匹配过程中，每个目标片段都会与库中的所有源点云进行粗到细的分割。该过程的运行时间复杂度大约为O(K * M * log M)，其中K表示库的大小，M表示点云中的点数。为了加速搜索，在ICP精细注册阶段采用了KD树结构进行最近邻搜索。对于当前的库大小，单个目标片段的整个匹配过程所需时间不到0.5秒。为了适应更大的库，可以容易地结合近似最近邻（ANN）搜索等策略；这是未来探索的方向，以进一步提高可扩展性。

选择了一组典型的片段特征，如图9所示。对于每个特征，应用第2节中描述的点云生成过程来获取其几何点云数据（源点云）以及相应的高质量中间表面网格。这样得到了一对“点云-网格”数据单元。所有这些配对单元共同构成了一个结构化的典型特征库，为后续的匹配操作奠定了基础。

使用上述PointNet++模型分割的片段点云作为目标点云，以及存储在特征库中的点云作为源点云，特征库匹配模块系统地评估每个目标与源候选者之间的匹配质量。通过筛选过程，模块确定与目标几何形状最匹配的源点云。这是通过粗到细的分割流程实现的。在粗略注册阶段，使用快速点特征直方图（FPFH）描述符进行初步对齐。在对体素进行大小为1.0的降采样后，从两个点云中提取了FPFH特征。这些特征被用来计算一个初始变换矩阵，记为Tcoarse，该矩阵将源点云和目标点云粗略对齐。在精细配准阶段，从粗略对齐结果开始，应用迭代最近点（ICP）算法来逐步细化配准。这一阶段最小化点与平面之间的距离残差，得到一个精确的变换矩阵Ticp。源点云和目标点云之间的最终变换是粗略对齐结果和精细对齐结果的组合：(1) 记录下配准后的点云对。为了量化点云配准过程的每次迭代的质量，使用体素占用率来评估两个点云之间的空间重叠度，交并比（IoU）作为相似性度量标准。根据本研究对象的特性，该过程的实施如下：首先，通过体素化进行降维，将点云的连续空间分布转换为离散的网格占用统计。合并两个配准点云中的所有坐标点后，应用最小坐标偏移量以确保所有点都位于正坐标区域内。如表3所示，当体素大小增加到2毫米时，识别准确率已经超过95%。然而，要进一步提高识别准确率，需要进一步减小体素大小，但这会导致处理时间显著增加，这种权衡并不值得。因此，设定体素大小为2，并根据这个大小将每个点的坐标离散化为整数体素索引。通过偏移和舍入操作完成体素化。目标点云和源点云的体素集分别表示为Vtar和Vsrc。接下来，将3D体素索引映射到唯一的1D标识符，并生成布尔占用向量，以指示每个体素是否被相应的点云占据。其次，通过布尔运算计算两个点云共同占据的体素数量，记为交集体素计数intersection。计算每个点云单独占据的体素总数，记为并集体素计数union。然后计算3D IoU相似性：(2) 该度量的范围是[0, 1]。较高的值表示两个点云之间的空间分布重叠度更大，几何特征一致性更强。通过动态比较机制，自动筛选出最优的源点云匹配结果。对于每个目标点云，遍历特征库，并保留相似度最高的匹配结果，实现最优源点云的自动选择。3.3 主要筛选机制在评估和分类阶段，目标点云和源点云之间的重叠区域被视为匹配区域。生成一个布尔匹配掩码来标记所有匹配的点。匹配率定义为匹配点数与源点云中总点数的比率，其值范围从0到1。较高的匹配率表示目标片段与特征库中相应参考片段之间的几何相似度更高。如图10所示，在不同的匹配率阈值下评估了识别准确率和平均处理时间。结果表明，0.95的阈值可以提供超过99.2%的识别准确率，同时保持合理的平均处理时间，因为它确保了直接替换路径的几乎完美的几何对应关系。例如，将阈值降低到0.94会导致网格合格率显著下降，因为包含的几何不匹配特征无法被模板网格准确表示。相反，将阈值提高到0.97以上会不必要地将许多匹配良好的片段路由到计算成本更高的分割拟合路径，而不会带来显著的质量提升。因此，95%的阈值被经验性地验证为准确性和效率之间的最佳平衡。75%的下限是作为特征表现出显著差异（匹配率<75%）的阈值，这些特征更适合与背板整体处理；这一决定得到了敏感性分析的支持。图10. IoU阈值选择的基础。根据匹配结果，采用双阈值机制来确定后续处理路径，如下：高相似度（匹配率≥95%）：直接应用与源点云相关联的标准中间表面网格作为替换。中等相似度（75%≤匹配率<95%）：调用第4节中描述的分割拟合算法来生成新的中间表面网格。匹配失败（匹配率<75%）：这类特征通常较大或结构特殊，要么与背板一起处理，要么标记为不需要独立处理。对于匹配率低于75%的特征，认为没有成功匹配到标准模板。在许多情况下，这些特征对应于非常大的片段或几何上独特的结构，不适合独立生成网格。在当前流程中，这些片段被路由到“属于背板”的路径。从算法上讲，这意味着它们的分割点云不会传递到后续的特定片段处理模块，即网格替换或分割拟合。相反，这些点作为主背板点云的一部分保留下来，并与周围的基面一起处理。这些区域的中间表面网格在整体表面重建过程中作为背板较大连续表面的一部分生成。这种简化具有重要的工程意义。虽然它确保了自动化流程可以处理所有情况而不会失败，但可能会损害这些非标准但可能关键的片段的几何保真度和机械精度。如果这样的片段作为主要承重或固定特征，将其建模为连续背板的一部分可能会导致应力分布或装配模拟的不准确性。因此，这条路径是作为非关键特征的安全备选方案或临时占位符。未来的工作将致力于改进特征库和分割拟合算法，以减少落入此类别的片段数量。这种筛选机制实现了完全自动化的路由，同时确保了结果网格的几何质量。4. 分割拟合中间表面生成模块对于匹配率在[75%，95%]区间内的片段（第3.3节），应用以下分割拟合流程。该模块也适用于具有挑战性的情况，如不完整的圆柱数据和复杂的边界拓扑。4.1 区域分割和拟合片段结构通常由平面和圆柱区域组成。为了实现准确的区域定位，采用了一个包括分割、剔除、划分、拟合和投影的流程。首先，根据预定义的空间规则（如沿x轴或y轴的分割），将片段及其相关的中间表面点云划分为几个子区域。这一步减少了每次处理的点云规模，提高了计算效率。接下来，进行曲率分析以识别并移除“圆角点”，这些点位于高曲率过渡区，不属于有效的平面或圆柱拟合区域。这种移除最小化了与主要几何拟合的干扰。随后，使用空间连通性将过滤后的点云聚类成多个候选平面补丁。由噪声或边缘伪影形成的补丁被丢弃，只保留结构完整的补丁。对于每个有效的平面补丁，使用最小二乘法拟合中间表面平面方程，并将补丁内的所有点沿其法线向量正交投影到拟合平面上。对于圆柱区域，将点云投影到参数拟合的圆柱表面上。虽然平面拟合相对常规且在此未详细说明，但传统的圆柱拟合方法通常依赖于完整的点云数据，并且对噪声和缺失区域（如不完整的圆柱）敏感，经常导致轴方向偏差和中心点定位不准确。对于圆柱区域，我们提出了一种鲁棒拟合方法，可以处理不完整的圆柱，具体细节如下。我们取与最小特征值对应的特征向量（详见附录A.1的完整推导）。为了确定轴上的一个点，我们将所有表面点投影到垂直于该轴的平面上。对于不完整的圆柱，投影点的质心会有偏差。我们使用最长弦和垂直平分线策略来纠正这种偏差（图A1、图A2、图A3和图A4）。详细步骤见附录A.2。最后，计算所有圆柱表面样本点到该轴的距离，并取平均值作为圆柱半径R的最终估计值。通过上述工作流程，实现了完整和不完整圆柱的高精度、鲁棒几何参数拟合，为后续的中间表面网格生成奠定了准确的几何基础。4.2 边界轮廓确定和连接4.2.1 精确划定边界轮廓在区域分割和拟合之后，精确划定每个特征区域的边界对于后续的反向建模至关重要。与凸包或Alpha形状不同，我们的方法无需参数调整即可处理非凸和多孔边界。为了解决这些问题，提出了一种基于蒙特卡洛模拟的随机边界确定方法，采用“反向空域填充”策略。通过距离场过滤机制和动态阈值搜索，该方法能够直接且同时定位边界点。结合基于质心的动态射线扩展策略，它可以自动分类内外边界，从而准确解析包含内部孔洞的复杂拓扑，并为后续点云重新排序奠定基础。(1) 点云降维和空域识别为了降低计算复杂性，首先将3D边界提取问题简化为2D平面处理。对于一个拟合的平面方程，(3) 其单位法向量定义为(4) 对于一个3D点云集，任何点P到拟合平面的投影点P'可以通过几何变换获得：(5) 随后，通过建立局部坐标系，将投影点P'映射到2D平面坐标(ui, vi)，得到一个2D点集。这种投影变换严格保持了原始点云的拓扑连通性，确保了2D边界和3D实体边缘之间的一致性。然后我们在平面上生成一大组随机点。如果一个随机点到最近投影点的距离超过阈值r，则将其标记为“空域点”（图11）。这样就创建了实体区域的“负模”。参数设置详见附录A.3。图11. 随机点填充效果。(2) 边界点提取和分类边界点定义为原始点云中可以“接触”空域点的点。由于过滤过程在实体边缘和空域点之间创建了一个宽度约为r的“真空带”，直接使用半径r进行邻域搜索将无法找到边界点。因此，引入了一个扩展的搜索半径，计算公式为(6)其中δ是一个系统校正值。然后使用扩展的搜索半径（公式(6)，图12）识别边界点。δ的选择在附录A.3中讨论。图12. 蒙特卡洛边界检测效果。为了区分内外边界，我们检查从几何中心到边界点的射线是否与空域岛屿相交（图13）。完整的分类算法见附录A.3。图13. 内外边界的解析效果。4.2.2 补丁之间的拓扑连接在边界提取之后，我们重建相邻补丁之间的拓扑骨架。虚拟边界扩展策略有助于检测潜在的交点。为了降低计算成本，只考虑边界点（而不是所有内部点）。实际上，由于扫描不准确性和分割伪影，逻辑上相邻的补丁可能在物理上并不接触。为了解决这个问题，引入了虚拟边界扩展策略。预定义了一个基础扩展步长Δs和一个最大扩展长度Smax。在不改变补丁法线或原始点分布的情况下，边界点沿其法线方向迭代外推。随着边界的扩展，相邻的补丁边界最终会相交，这些交点成为识别潜在连接关系的候选点。由于补丁仅由平面方程（3）和离散边界点定义，对所有补丁对进行严格的成对交点测试将产生巨大的计算成本。因此，引入了空间线性规划的概念，利用半空间属性进行快速预筛选。假设有两个候选平面：平面1（）和平面2（）。选择平面1边界上的任意点P1（x1, y1, z1），并将其代入平面2的方程中，得到一个代数判别式（缩放后的有符号距离）：（7）。如图14所示，如果两个平面在空间中完全分离且不相互遮挡，代入的所有平面1的边界点应得到相同符号的值（例如，全部为负）。这表明平面1完全位于平面2的负半空间内。在边界扩展过程中，如果点P1穿过平面2，d2的符号将会改变。一旦检测到平面1的边界点集中存在（8），则可以将平面2判断为平面1的潜在交平面，并将其添加到交点候选池中，以便后续进行高精度确定。图14. 两个平面在空间中的位置关系。（a）平面分离状态。（b）平面相交状态。红色点仅作为边界指示器。然后我们计算理论交线Lint并验证投影边界段的重叠情况（图15）。超出交线的部分根据几何阈值进行修剪（图16）。图15. 投影线段重叠检测。红色点仅作为边界指示器。图16. 交点处超出部分的处理。根据相邻平面补丁法线之间的相对位置和角度差异，它们的拓扑关系被分为两种主要类型：合并和相交。当两个平面满足严格的交点标准且它们的法线向量之间的角度小于10°时，它们被分类为合并。在这种情况下，不计算交线；相反，直接合并相应的点云，并拟合一个新的平面方程以消除分割引起的间隙。当角度超过10°时，关系被分类为相交。根据点云的空间分布，进一步区分三种特定的拓扑配置：交叉连接、T形连接和L形连接，如图17所示。图17。（a）交叉连接，（b）T形连接，（c）L形连接。除了平面之间的交点外，平面与圆柱表面之间的连接在塑料部件中也很常见（例如，连接到圆柱孔的肋条）。设平面方程为f1，圆柱轴线方程为Laxis，半径为R。计算平面边界上的任意点pi到圆柱轴线的欧几里得距离dc：（9），其中是圆柱轴线向量，是轴线上的一个点。如果dc > R，则平面在圆柱外部，不存在交线。否则，判断平面和圆柱相交。交线通常是一个椭圆弧或双曲线，可以通过解平面和圆柱的方程组来解析获得。对于T形连接，交线的范围受到肋条宽度的限制；端点通过分层采样恢复（图18a）。详细参数设置见附录A.4。图18. T形、L形和交叉连接的交线确定方法。对于L形连接和交叉连接由于L形连接和交叉连接具有共同的几何特征，交线的有效范围必须同时落在平面1和平面2的几何投影区间内。因此，核心任务涉及解决两个一维参数区间的交集，如图18b,c所示。设无限交线Lint的方向向量为。线上的任意点可以表示为首先，计算平面1和平面2在交线上的有效参数区间：比较四个端点参数{A, B, C, D}，最终的交线范围Rfinal取为R1和R2的交集。如果没有重叠，则判断不存在有效的交线。对于平面-圆柱交点，交线是一个椭圆弧。我们通过距离校正解析计算主轴并确定次轴顶点（图19）。详细推导见附录A.4。图19. 平面-圆柱交线的确定方法。4.3. 内部点云重新排序和网格重建在获得边界和拓扑骨架后，原始的内部点云可能分布不均匀。直接三角剖分会产生质量较差的网格。因此，我们使用边界约束的动态圆包来规整内部点云。据此，提出了一种基于边界约束的内部点引导的网格重建算法。该算法利用精确确定的边界来定义一个包络空间，并将原始的内部点视为“几何种子”。通过动态半径约束机制，生成并过滤均匀分布的内部网格点，最终实现完整且高质量的补丁重建。具体步骤包括以下内容。（1）局部坐标变换和包络空间构建使用拟合的平面方程，我们将补丁转换为局部2D坐标系（u, v）。将变换后的边界点集表示为B2D，原始内部点集表示为I2D。遍历边界点集B2D以确定其在u和v方向上的极值：umin, umax, vmin, vmax。变换后的边界点定义了一个边界框Ω：（12）（2）生成规则候选点集在Ω内，根据设置的重排序步长δ（通常为0.5毫米或1.0毫米），生成一个规则的网格候选点集：其中I和j是索引。该集合包括补丁内的点、外部空隙中的点以及靠近边界的点，需要进一步筛选。（3）基于“动态圆包络”定义有效区域为了精确定义补丁的有效区域，引入了“动态圆包络”算法，使用原始内部点（“种子点”I2D = {p1, p2, …, pn}作为几何先验。以每个种子点pk为中心构建一个感知圆Ck，其半径rk根据该点到边界的距离动态确定：设置一个相对较大的基础搜索半径Rbase（建议为重排序步长δ的1.5~2倍）。对于每个种子点pk，计算其到边界的最短欧几里得距离dmin：如果dmin > Rbase，则表示该种子点远离边界，位于补丁的中心区域（安全区）；否则，种子点靠近边界（边缘区）。为了防止感知圆超出边界，设置（15），其中?是一个小的安全裕度，确保圆与边界相切或位于边界内部。通过这种机制，所有感知圆形成的连接域紧密贴合边界内侧，完全覆盖补丁的固体区域。（4）有效内部点筛选和最终点云合并对于候选网格集Gcand中的每个候选网格点gij，执行包含测试：如果它落在任何有效的感知圆内（即满足条件（16），则判断为有效内部点。筛选后，获得有效的内部分割点集Gvalid。为了避免粘附在边界点上，移除Gvalid中距离边界太近的点（例如，距离< 0.5δ）。最后，将精确的边界点集Bfinal与筛选后的内部点集Gvalid合并，形成补丁的最终点云Pfinal。（5）3D网格生成在获得3D全局坐标系中的最终合并点云Pfinal后，最后一步是生成表面网格。在这项工作中，将标准的Delaunay三角剖分算法应用于重新排序和均匀分布的点集。这一步将组织好的点云转换为高质量、规则形状的补丁网格模型，作为塑料部件特征的最终、可用于仿真的中间表面网格。最后，我们对Pfinal应用Delaunay三角剖分来生成网格。5. 验证和讨论5.1. 网格质量评估指标为了定量评估网格质量，采用了汽车CAE行业广泛采用的标准，参考ANSYS Design Modeler 2023 R2提供的指南。关键指标及其对应的壳体元素的接受阈值定义如表4所示。只有满足所有指定标准的剪裁网格才被视为合格。表4. 元素质量检查标准。测试数据来源于名义CAD几何形状（第2.1节），假设逆向工程重建后点云是干净且完整的。我们面临的核心问题是现有CAE工具在处理精细特征（如剪裁、肋条等）时的算法失败，即使在完美的CAD数据上也是如此；因此，在CAD派生的点云上进行验证是适当且直接相关的工业CAE预处理工作流程。在原始扫描数据上的验证留待未来的工作。我们在结论中明确指出这是一个未来的研究方向。5.2. 典型案例验证5.2.1. 使用原始模型中的两个案例进行验证为了验证所提出的网格生成方法的有效性和实际适用性，对包含十个车辆模型的塑料部件的数据集进行了测试。在这个数据集中，剪裁和背板分别被赋予了语义标签50和51。数据集共包含132,000个样本，包括纯背板数据的实例。在智能识别性能方面，该模型在测试集上的平均交并比（mIoU）达到了0.8461。这个指标直接反映了点云分割的区域匹配精度，表明模型预测的剪裁区域与真实区域之间的重叠率为84.61%，远高于工业合格标准0.75。此外，通过在CAE软件ANSA中进行交互式视觉验证，工程师将模型识别的剪裁区域与软件界面内的原始几何形状进行了比较。剪裁的实际识别精度测量结果为80.17%，证实了分割输出在工程实践中可以直接应用。图20展示了两个代表性案例的剪裁识别结果，分别称为案例1和案例2。每个剪裁的详细配准结果见附录B。总结来说，对于案例1，11个剪裁的匹配率≥95%（直接替换），3个剪裁的匹配率在75–95%之间（分割拟合）。对于案例2，26个剪裁被直接替换，4个剪裁的匹配率< 75%，并与背板一起处理，没有需要分割拟合的剪裁。图20. 案例1和案例2的识别和配准结果。统计上，数据集中的90.9%的样本使所有剪裁都能被完全识别。对于这些完全识别的剪裁，应用点云配准方法直接用从特征库中检索的标准中间表面网格替换它们。对于在库中未匹配或匹配率不足的剪裁，采用了第4.2节和第4.3节描述的分割拟合算法来生成相应的中间表面网格。图21a展示了案例1中三个塑料剪裁的分割拟合模块的完整工作流程和输出（匹配率在0.75到0.95之间），从原始点云到最终网格。过程从从剪裁的固体表面提取原始点云开始（图21b）。经过所提出的算法处理后，生成了一个拓扑正确的中间表面网格模型（图21d）。图21c中显示的关键中间步骤和结果展示了该方法的稳健性和优势：（1）平面和圆柱特征拟合对于被识别为平面的区域，算法可靠地执行法线和距离约束的查询配对，然后进行最小二乘拟合，以准确定位它们的中间表面。对于包含圆柱特征的结构（见标签2），实现了高精度的参数拟合。即使对于相对完整的圆柱体，通过适当的校正也可以进一步提高装配精度。(2)轮廓识别和拓扑构建如标签1所示，该算法能够准确识别补丁边界以及内外轮廓，有效处理内部孔洞等特征，并确保几何完整性。更重要的是，它能够自动推断并构建不同补丁之间的空间拓扑连接，例如平面与圆柱体的接口，克服了由于局部点云间隙或噪声导致的装配补丁的孤立问题。(3)交线计算和规则化网格生成基于建立的拓扑结构，该算法精确计算交线的有效范围并生成相应的连接点云，实现不同几何元素之间的无缝拼接。最后，通过内部点云的规则化和重新排序策略，最初投影的无序点被转换为均匀分布的网格。这种方法从根本上避免了直接三角剖分可能产生的低质量网格问题，如孔洞或变形，从而生成高质量的中表面网格。图21显示了案例1中三个塑料零件的最终中表面网格生成效果，匹配率在0.75到0.95之间。为了进行全面比较，对使用专业CAE软件手动创建的网格与所提出方法自动生成的网格进行了对比分析，如图22a,b所示。手动生成的网格经常出现碎片化、变形和多个断开的面等质量问题。相比之下，所提出方法生成的网格质量明显更优。图22显示了CAE方法和所提出方法生成的网格结果。采用具有合格网格的零件比例作为评估的定量指标，统计结果分别列在表5和表6中。实验结果表明，所提出方法的应用使网格建模效率提高了约67%，同时网格质量合格率从52.27%显著提升至90.9%。表5显示了案例1的网格合格率和时间比较。表6显示了案例2的网格合格率和时间比较。此外，表7展示了所有测试案例中手动网格和自动网格的非符合元素比例。值得注意的是，尽管表7显示所提出方法在长宽比和最大角度（三角形）方面的非符合元素比例略高于手动网格方法，但这些差异很小，仍在可接受的工程范围内。在工业CAE实践中，非符合元素比例低于5%通常被认为是可靠的仿真结果。所提出的方法提供了非常有利的效果：它极大地加速了预处理阶段，同时保持了——并在大多数指标上超过了——手动生成网格的质量。这两个特定指标的轻微变化并不影响该方法的实际效用，并且预计随着模型通过额外训练数据和进一步算法改进的不断完善，这些差异会进一步减小。表7比较了手动方法和自动方法之间的网格质量指标。为了严格评估所提出方法带来的性能提升，对所有十种车型的处理时间和网格质量合格率进行了统计分析。进行了配对t检验和Wilcoxon符号秩检验，以比较手动工作流程（使用ANSA）与本研究中提出的自动方法。结果见表8。表8显示了十种车型中手动（ANSA）和所提出的自动方法之间的建模时间和网格质量的统计比较。平均处理时间从手动工作流程的4.01小时减少到使用所提出方法的1.25小时，平均减少了68.8%。配对t检验的p值小于0.001，Wilcoxon符号秩检验的p值为0.002。这两种测试都确认处理时间的减少在统计上是显著的。关于网格质量，手动工作流程的平均合格率从59.32%提高到使用所提出方法的91.67%。配对t检验的p值小于0.001，Wilcoxon符号秩检验的p值为0.002。这些结果为所提出方法在网格质量方面的优越性提供了强有力的统计证据。5.2.2. 在未见过的车辆平台上的泛化为了进一步评估所提出方法的泛化能力，测试了两种额外的车辆配置（分别称为车辆A和车辆B），如图23所示。这两种车辆在平台、零件设计和整体几何形状上与十个原始模型完全不同。PointNet++模型和特征库在训练或库构建过程中均未接触过这两种车辆的任何数据。完全自动化的流程（PointNet++分割→特征库配准→分割-拟合网格生成）被应用于这两种新车辆上的所有零件。表9总结了关键结果。图23显示了未见过的车辆平台：车辆A和车辆B。表9显示了在未见过的车辆平台（车辆A和车辆B）上的性能比较。如表9所示，仅在十个原始车辆上训练的PointNet++模型在这两个未见过的平台上保持了高分割精度。mIoU值分别为0.833（车辆A）和0.828（车辆B），而原始测试集上的mIoU值为0.846，零件召回率分别为79.1%和78.8%，略低于80.2%。这些轻微的下降仍在可接受的工程范围内，表明了强大的泛化能力。这两种新车辆上的网格质量合格率分别为89.2%和91.5%，非常接近原始十辆车的平均值（91.7%）。平均处理时间始终保持在1.2-1.3小时左右，与手动网格生成相比，效率提高了约67%。表9提供了详细的每个指标的非符合元素比例（雅可比矩阵、长宽比等），没有显示出显著的下降。此外，还评估了与现有特征库的匹配率分布。对于车辆A，83.4%的零件的匹配率≥95%（直接网格替换），11.1%落在75-95%范围内（分割拟合），5.5%的匹配率<75%（与背板一起处理）。车辆B也显示出类似的分布（分别为82.2%、12.6%和5.2%）。这些结果表明，所提出的方法能够很好地泛化到全新的车辆平台，性能下降仅限于可接受的工程范围内。5.3. 与现有商业自动化中表面工具的比较为了提供全面的比较，我们还在相同的塑料零件片段上测试了两种广泛使用的商业CAE预处理工具（ANSA和Altair HyperWorks）内置的自动中表面提取功能。直接导出的网格存在严重的碎片化、缺失的零件特征和拓扑错误，如图24所示。在几乎所有情况下，这些网格在没有大量手动修复的情况下无法用于下游的有限元分析。例如，这些原始自动化输出的网格质量合格率低于5%，因此无法与我们的方法进行定量比较。因此，唯一公平且实际相关的基准是经过专业工程师修复后的ANSA中的手动/半自动化工作流程，这代表了当前的工业实践。我们的方法在整个手稿中都与此基准进行了比较（表5、表6、表7和表8），显示出处理时间减少了67%，网格质量合格率从59.3%平均提高到91.7%。图24显示了两种广泛使用的商业CAE预处理工具（ANSA和Altair HyperWorks）应用于相同的塑料零件片段。5.4. 工程意义劳动时间减少67%直接针对CAE工程师工作流程中最繁琐和重复性的方面之一：手动网格修复和验证。正如引言中提到的，这项任务据报道占模拟总时间的60%。自动化这种常规的重复性工作并不是为了消除工作，而是为了将人力资本重新分配到真正需要人类智慧的高价值任务上。目前，初级工程师通常需要花费数月甚至数年时间来掌握复杂的、劳动密集型的手动网格生成技术。所提出的工具通过提供高质量、经过验证的起始网格，有可能显著加快他们的学习曲线，使他们能够专注于理解基础物理、解释仿真结果并提出设计修改。因此，他们可以在职业生涯的早期就从“网格修复技术员”转变为“仿真分析师”。对于高级工程师来说，自动化减轻了花费宝贵时间检查 and 更正网格的负担。这使他们能够将专业知识重新投入到解决复杂系统级挑战、创新新的仿真方法以及指导初级同事进行战略问题解决中。需要强调的是，虽然AI处理了基于规则的重复性网格生成任务，但工程师在整个过程中仍保持完全控制。最终网格始终需要工程师的审查和批准才能用于任何仿真。工程师保留了覆盖任何自动化决策、调整参数或在遇到高度不寻常的特征时进行手动干预的权力。因此，该工具作为一个智能高效的助手，而不是自主替代品。自动化几何构建使工程师能够专注于产品开发的创造性、分析性和决策方面。人类智能与机器效率之间的这种协同作用对于解锁工程领域的更大创新和生产力至关重要。6. 结论为了解决汽车塑料零件中表面网格生成效率低和质量不一致的问题，本文提出了一种集成深度学习特征识别、点云配准和分割拟合技术的自动化方法。主要结论如下：(1)构建了一个包含132,000个样本的标准化点云数据集，以适应塑料零件片段中观察到的高几何多样性和显著的大小变化。通过利用PointNet++的分层特征学习机制，有效解决了由于片段与背板之间的大小差异大和拓扑相似性高所带来的识别挑战。优化后的模型实现了0.8461的mIoU，其实际视觉识别精度达到了80.17%，均超过了工业标准阈值0.75。这种性能克服了传统识别方法常见的误分类和漏检问题。(2)所提出的点云配准模块结合了典型的特征库、粗到细的配准和双阈值筛选机制，实现了快速的特征级网格替换。验证结果表明，对于匹配率高于95%的零件特征，标准网格替换显著提高了建模效率。对于匹配率在75%到95%之间的特征，分割拟合算法准确恢复了几何形态，确保了不同相似性水平下的自适应处理。(3)在分割拟合模块中提出了一系列针对零件中表面、圆柱结构和复杂边界的优化算法。一种结合特征分解和几何约束校正的圆柱参数提取方法提高了不完整圆柱体的拟合精度。基于蒙特卡洛模拟的策略结合动态射线扩展，实现了内外轮廓的精确识别。此外，边界约束的点云重新排序算法确保了网格的均匀性和拓扑完整性。(4)实验结果证实了所提出方法的工程实用性。与传统方法相比，该方法将网格建模时间减少了约67%，并将网格质量合格率从52.27%提高到90.9%。在两个未见过的车辆平台上的验证结果显示，合格率分别为89.2%和91.5%，处理时间始终保持在1.2-1.3小时左右，确认了强大的泛化能力。所提出的方法解决了塑料零件中表面网格生成的核心难题。尽管所提出的方法在效率和质量方面都有显著改进，但仍存在某些限制。点云配准模块的效率在很大程度上依赖于典型特征库的完整性。对于库中未包含的完全新的零件设计，匹配率会很低，这些设计会被路由到计算密集度更高的分割拟合模块。虽然这确保了几何保真度，但并未充分利用网格替换带来的效率提升。因此，库需要持续维护和扩展以适应新的设计。未来的工作将集中在四个领域：(a)用于自动特征库扩展的深度生成模型；(b)用于提高语义理解的基于Transformer的网络；(c)在带有噪声和翘曲的原始3D扫描数据上的验证；(d)下游FEA验证，以确认生成网格的工程影响。