This paper aims to achieve automatically surface segmentation for painting different kinds of aircraft efficiently considering the demands of painting robot.,This project creatively proposed one method that accepts point cloud, outputs several blocks, each of which can be handled by ABB IRB 5500 in one station. Parallel PointNet (PPN) is proposed in this paper for better handling six dimensional aircraft data including every point normal. Through semantic segmentation of PPN, each surface has its own identity information indicating which part this surface belongs to. Then clustering considering constraints is applied to complete surface segmentation with identity information. To guarantee segmentation paintable and improve painting efficiency, different dexterous workspaces of IRB 5500 corresponding to different postures have been analyzed carefully.,The experiments confirm the effectiveness of the proposed surface segmentation method for painting different types of aircraft by IRB 5500. For semantic segmentation on aircraft data with point normal, PPN has higher precision than PointNet. In addition, the whole algorithm can efficiently segment one complex aircraft into qualified blocks, each of which has its own identity information, can be painted by IRB 5500 in one station and has fewer edges with other blocks.,As the provided experiments indicate, the proposed method can segment one aircraft into qualified blocks automatically, which highly improves the efficiency in aircraft painting compared with traditional approaches. Moreover, the proposed method is able to provide identity information of each block, which is necessary for application of different paint parameters and different paint materials. In addition, final segmentation results by the proposed method behaves better than k-means cluster on variance of normal vector distance.,Inspired by semantic segmentation of 3 D point cloud, some improvements based on PointNet have been proposed for better handling segmentation of 6 D point cloud. By introducing normal vectors, semantic segmentation could be accomplished precisely for close points with opposite normal, such as wing upper and lower surfaces. Combining deep learning skills with traditional methods, the proposed method is proved to behave much better for surface segmentation task in aircraft painting.

中文翻译：

---

一种基于深度学习的六自由度机器人喷漆大尺寸飞机表面自动分割算法

本文旨在考虑到喷漆机器人的需求，实现对不同类型飞机进行高效喷漆的自动表面分割。,该项目创造性地提出了一种接受点云的方法，输出多个块，每个块都可以由ABB IRB 5500处理。车站。本文提出了并行点网（PPN），以更好地处理包括每个点法线在内的六维飞机数据。通过 PPN 的语义分割，每个表面都有自己的身份信息，表明该表面属于哪个部分。然后应用考虑约束的聚类来完成具有身份信息的表面分割。为保证分段可绘制，提高绘制效率，仔细分析了IRB 5500不同姿态对应的不同灵巧工作空间，实验证实了IRB 5500对不同类型飞机绘制表面分割方法的有效性。对于具有点法线的飞机数据的语义分割，PPN具有更高的精度高于 PointNet。此外，整个算法可以有效地将一架复杂的飞机分割成合格的块，每个块都有自己的身份信息，可以在一个站内被 IRB 5500 绘制，并且与其他块的边较少。,正如提供的实验表明的那样，所提出的方法可以将一架飞机自动分割成合格的块，与传统方法相比，大大提高了飞机喷漆的效率。而且，所提出的方法能够提供每个块的身份信息，这是应用不同油漆参数和不同油漆材料所必需的。此外，所提出的方法的最终分割结果在法向量距离的方差上表现优于 k-means 聚类。受 3D 点云语义分割的启发，已经提出了一些基于 PointNet 的改进以更好地处理 6D 的分割点云。通过引入法向量，可以精确地对法线相反的近点（例如机翼上表面和下表面）进行语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。这是应用不同涂料参数和不同涂料材料所必需的。此外，所提出的方法的最终分割结果在法向量距离的方差上表现优于 k-means 聚类。受 3D 点云语义分割的启发，已经提出了一些基于 PointNet 的改进以更好地处理 6D 的分割点云。通过引入法向量，可以精确地对法线相反的近点（例如机翼上表面和下表面）进行语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。这是应用不同涂料参数和不同涂料材料所必需的。此外，所提出的方法的最终分割结果在法向量距离的方差上表现优于 k-means 聚类。受 3D 点云语义分割的启发，已经提出了一些基于 PointNet 的改进以更好地处理 6D 的分割点云。通过引入法向量，可以精确地对法线相反的近点（例如机翼上表面和下表面）进行语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。所提出的方法的最终分割结果在法向量距离的方差上表现优于k-means聚类。,受3D点云语义分割的启发，已经提出了一些基于PointNet的改进，以更好地处理6D点云的分割。通过引入法向量，可以精确地对法线相反的近点（例如机翼上表面和下表面）进行语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。所提出的方法的最终分割结果在法向量距离的方差上表现优于k-means聚类。,受3D点云语义分割的启发，已经提出了一些基于PointNet的改进，以更好地处理6D点云的分割。通过引入法向量，可以精确地对法线相反的近点（例如机翼上表面和下表面）进行语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。对于具有相反法线的近点，例如机翼上表面和下表面，可以精确地完成语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。对于具有相反法线的近点，例如机翼上表面和下表面，可以精确地完成语义分割。将深度学习技能与传统方法相结合，证明所提出的方法在飞机涂装中的表面分割任务中表现得更好。