工件重叠、粘连怎么办？3D视觉的分割算法实战

料框里堆得乱七八糟的工件，点云数据扫出来糊成一团——这是3D视觉落地时最让人头疼的场景之一。工件重叠、粘连，分割算法要么把两个零件当成一个，要么把一个零件切成几块，后面的抓取、定位全得跟着跑偏。今天不聊虚的，直接拆几种实战里能打的方案。

先搞清楚问题出在哪

粘连和重叠本质上是两回事。粘连是指两个工件在空间上靠得太近，点云边界相互渗透，传统聚类算法分不清谁是谁。重叠更麻烦——上层工件完全压住下层，被遮挡的部分根本没数据，算法得靠“猜”才能补全。

传统基于欧式距离的聚类，遇到这种情况基本歇菜。距离阈值设小了过分割，设大了欠分割，怎么调都不对。

几何方法：先粗后细，分而治之

最稳妥的实战思路是“粗分割+细分割”两层结构。

先上LCCP（Locally Convex Connected Patches），基于表面凹凸性做粗分割。这个算法的逻辑很简单：两个工件堆叠在一起，接触面通常是凹的，而同一个工件的表面是凸的。利用法向量夹角判断凹凸关系，能把堆叠面积不大的工件先拆开。

粗分割完，接触区域的点云还是粘在一起。这时候上基于法线估计的边界检测，把接触边缘的点剔除掉，让两个点云簇在空间上彻底分离。最后用欧式聚类做细分割，把每个独立工件的点云完整提取出来。

实测数据挺能说明问题：这种组合方案的分割正确率比单独用LCCP提升35.9%，比区域生长提升66.7%，比纯欧式聚类提升80%。每10个工件的处理耗时大约290毫秒，工业线速基本扛得住。

还有一种思路是基于特征点提取——先用RANSAC滤掉无关点云，再用法向量特征提取关键点，去掉特征点之后做欧式聚类。这种方法能把分割成功率从63.6%拉到81.8%。

深度学习方法：让网络学会“脑补”

几何方法的瓶颈很明显——遇到严重重叠、大面积遮挡的情况，数据本身就不完整，几何推理再强也有限。

深度学习实例分割走的是另一条路。用海量堆叠场景的数据训练网络，模型能学会“脑补”被遮挡部分的形状。具体操作上，先在彩色图上做实例分割生成掩膜，再把掩膜投影到3D点云上提取每个工件的点云。

对于弱纹理、形状相似的工件，传统2D方法经常失效，但3D点云加深度学习的组合能把分割精度和识别准确率都推到95%以上。

网络架构这块，PointNet++是经典选择，改进损失函数和聚类策略后能有效分割堆叠零件。最近Transformer架构也开始往这个方向渗透，结合Mamba的TMPNet能动态调整点云排序，对复杂形状的敏感度更高。

实操层面的几个坑

数据质量是第一道坎。金属件反光、边缘模糊是家常便饭。预处理阶段直通滤波和统计滤波必须做扎实，先把背景噪声和离群点干掉。

参数调优别想一步到位。欧式聚类的搜索半径、LCCP的凹凸判断阈值，都得根据实际工件尺寸和点云密度反复试。有研究提出自适应搜索半径的思路——非边缘区域用大半径、边缘区域用小半径，值得参考。

算力和实时性的平衡。深度学习方案精度高，但推理耗时。如果节拍要求高，可以考虑2D掩码投影到3D的轻量策略，先快速粗分割再精修。

总结

没有哪种方案能通吃所有场景。工件形状规整、堆叠不严重，几何方法（LCCP+欧式聚类）足够快且准；工件复杂、遮挡严重，得上深度学习实例分割。更现实的打法是把两者结合起来——深度学习做粗定位和掩膜生成，几何方法做边界精修和点云补全。

3D视觉处理重叠粘连，说到底是在“精度”和“速度”之间找平衡。先把数据预处理做扎实，再根据场景特点选对工具链，比追着最新的网络结构跑要实在得多。

从“示教”到“自主”：3D视觉引导降低机器人编程门槛