利用机器学习方法对激光扫描三维点云数据中增材制造部件的维度变化进行分类

本研究的目的是开发并应用谱图理论方法，以区分（分类）基于激光扫描坐标测量（3D点云）其维度变化严重性的增材制造（AM）部件。这一方法的新颖之处在于将谱图拉普拉斯特征值作为从激光扫描的三维点云数据中提取的特征，并结合各种机器学习技术。其结果是一种新方法，通过对获取的200万3D点云数据（每个部件少于5%）进行采样，对AM部件的维度变化进行分类。这是一个实际重要的结果，因为它减少了增材制造后处理质量保证的测量负担——部件可以被激光扫描，并在车间快速评估其维度变化。为了实现研究目标，程序如下。使用熔融纤维制造（FFF）聚合物增材制造工艺制作测试部件。根据分阶段实验设计计划改变FFF工艺条件，以生产具有独特维度变化的部件。随后，对每个测试部件进行激光扫描，并获取3D点云数据。为了分类部件之间的维度变化，从3D点云数据中提取拉普拉斯特征值，并在不同的机器学习方法中用作特征。比较了六种机器学习方法：稀疏表示、k-最近邻、神经网络、朴素贝叶斯、支持向量机和决策树。在这些方法中，稀疏表示技术提供了最高的分类准确性（F-score > 97%）。