一种基于改进的光梯度提升算法的焊接点云识别方法

《Scientific Reports》：A weld point cloud recognition method based on an improved Light Gradient Boosting Machine

　　

摘要

准确的焊接区域识别对于焊接质量检测和自动化磨削至关重要。然而，焊接点云具有高度不规则性且缺乏明确的拓扑结构，这使得精确识别变得困难。为了解决这个问题，本研究将焊接点云识别问题转化为一个二分类任务，即每个点被分类为焊缝或基材。通过结合基于邻域的几何特征提取、基线模型比较和元启发式超参数优化，建立了一个系统的分类框架。评估中使用了三种特定形态的焊接子集，包括直线焊缝、曲线焊缝和S形焊缝。首先在不同邻域尺度下比较了随机森林（RF）、极端梯度提升（XGBoost）和Light梯度提升机（LightGBM）的分类性能。评估指标包括总体准确率（OA）、精确度、召回率和F1分数。结果表明，在1.5毫米的邻域半径下，LightGBM取得了最佳的基线性能。为了进一步提高分类性能，使用元启发式算法对LightGBM的超参数进行了优化。所比较的优化算法包括人工旅鼠算法（ALA）、Alpha进化算法（AE）和海星优化算法（SFOA）。重复实验结果显示，在统一的评估协议下，AE-LightGBM取得了最理想的整体性能。统计显著性分析和收敛性分析进一步证明了AE在所比较的优化算法中的有效性。此外，还采用了Shapley加性解释（SHAP）来分析特征贡献并提高优化模型的可解释性。所提出的方法为基于机器人的焊接识别和磨削任务提供了一种有效的技术途径，这些任务利用了3D视觉和监督机器学习。