随着智能化时代的到来,各个行业都在尝试智能化发展。自动化喷涂在工业领域占据了一个重要领域,广泛应用于航空、军事、船舶等领域,提高了喷漆效率。虽然喷涂机器人智能化水平有所提高,能取代大部分人工喷漆,但目前智能化喷涂还是采用人工示教的方法进行喷涂时的路径规划,这样不仅影响工作人员的安全,还影响喷涂质量。所以急需研究自动喷涂技术,即通过离线编程规划路径后让机器人自己路径规划从而进行自动喷涂。因此,本文针对从工业现场获取的点云数据,结合深度学习方法,对从工业现场采集的点云数据进行处理,并研究分析了喷涂机器人的自动化喷涂。首先,介绍了深度学习网络模型Pointnet和Pointnet++理论基础和网络结构。通过处理自己的点云数据训练深度学习网络模型Pointnet和Pointnet++,根据分类结果开始喷涂过程的路径规划。介绍了点云数据处理的一些操作,包括利用直通滤波和统计滤波结合的方法去除点云的离群点、利用体素栅格法对点云数据降采样,完成点云数据的精简、计算点云法向量,曲面重构。然后,根据喷涂工程主要影响因素,建立喷涂过程的涂层厚度沉积模型。建立涂层厚度分布均匀性的目标优化函数,确立约束条件和单一目标,求解优化参数,为后续喷涂路径规划做准备。最后,根据前面处理的点云数据和求取的最优解参数,采用点云切片法求取喷涂路径点,通过对路径点排序获取最终的喷涂路径。在最后的实验部分,根据算法流程实现算法,分析实验结果。首先在Ubuntu16.04操作系统下构建深度学习框架PyTorch1.1.0,完成对点云数据的分类实验。根据准确率进行后续实验。分类结果超过了90%,所以进行点云数据处理,展示了效果图,根据处理的点云数据和求取的优化参数进行最后的喷涂路径的获取,效果图显示获取的异形点云数据的路径是比较完整的。