融合几何注意力与边缘卷积的零件点云分割及高精度定位

摘要

工业场景下的零件点云常面临噪声干扰、遮挡缺失及前景/背景极度不平衡等问题，导致语义分割边界模糊、小目标漏检及三维定位精度下降。为此，本文提出一种融合几何注意力与边缘卷积的增强型PointNet++网络，用于点云分割与高精度定位。在编码阶段，引入局部几何精炼模块EdgeConv，显式建模邻域拓扑关系，以增强边缘细节的表征能力；同时，设计一维多尺度高效注意力模块EMA＿1D，通过动态特征加权抑制背景噪声响应，突出关键结构特征。在优化目标方面，采用Lovász–Softmax与负对数似然联合的混合损失函数，直接优化交并比指标，有效缓解类别不平衡带来的模型偏差。实验结果表明，所提方法在工业零件分割任务上达到93.13%的平均交并比(mIoU)，同时保持了较高的整体准确率与类别准确率。进一步，在端到端定位流程中，结合分割结果、配准与姿态规范化策略，实现了毫米级三维定位精度，平均定位误差为1.24 mm，验证了该方法在复杂工业点云条件下进行高精度三维定位的有效性与实用潜力。本研究为解决强干扰、弱特征场景下的三维感知难题提供了有效技术支撑，对提升工业机器人自主作业能力具有重要意义。

关键词

点云语义分割 / PointNet++ / 几何注意力机制 / EdgeConv / 类别不平衡 / Lovász–Softmax损失 / 工业三维定位