CN102003938B - 大型高温锻件热态在位检测方法 - Google Patents

Abstract

本发明涉及大型高温锻件热态在位检测方法，可有效解决目前高温锻件测量测量方法落后、测量精度低、严重浪费材料的问题，方法是，用激光扫描仪和结构光数字摄影组合扫描测量得到高温锻件表面的三维点云数据，获取三维点云数据后，对点云的数据进行融合，再采用人机交互的滤波算法，去掉非锻件表面的点和测量粗差点，再对采集的锻件点云数据进行曲面快速模型重建分析，通过几何运算解算锻件模型的几何参数，输出，本发明方法简单，速度快，可靠性强，节约材料，成本低，有效用于大型高温锻件热态在位检测，解决了高温锻件热态在位无法准确的检测问题，是大型高温锻件热态在位检测的创新。

Description

大型高温锻件热态在位检测方法

一、技术领域

本发明涉及检测方法，特别是一种大型高温锻件热态在位检测方法。

二、背景技术

高温锻压是轧钢装备、水电机组、核电机组等重型装备核心部件的主要生产方式，大锻件的生产水平也是衡量一个国家机械制造业水平的基本标志之一。锻造生产一般都是在800℃-1250℃之间进行，国内万吨级以上水压机设备上的尺寸测量与定位一直是采用最原始的“卡钳”与“量杆”测量方法，操作工人采用卡钳测量工件尺寸时，由于锻件温度高，只能短时靠近工件，加上卡钳有较大的回弹量，且不易掌握，测量误差大，准确测量截面尺寸达到2000mm以上的工件几乎不可能实现。在实际工作中，多数情况下是采用其它间接比较方式推算工件尺寸的大小，误差达到50mm-100mm，不仅测量误差大，而且工作效率非常低；另一方面，由于测量精度差，在实际操作中常采取保守的操作方法，造成工件“肥大”情况严重。目前的锻件水平由于尺寸精度原因造成的“肥大率”一般在5％-10％左右；换言之，由于测量不准造成的材料浪费为5％-10％左右。因此，大锻件锻造过程中的工件测量与控制一直是一个难题。近年来，国内外多家研究机构和厂家一直在探索和研究解决方案，但到目前为止，还仅停留在简单工件、单参数的检测；虽有厂家也曾投入使用，但由于现场高温、粉尘、电磁波、震动、水汽等现场恶劣条件对装置的影响，现也基本失去了原定功能或已停用。到目前为止，还没有完整的、真正实用的适用于大型锻件热态在位测量的成熟技术和装置。国外部分产品在使用上也有较大局限性，再加之引进费用昂贵、技术壁垒等因素，以及国内现有设备、工艺条件等方面和国外的差别，还没有企业引进国外技术用于生产。

三、发明内容

针对上述情况，为克服现有技术之缺陷，本发明的目的就是提供一种大型高温锻件热态在位检测方法，可有效解决目前高温锻件测量测量方法落后、测量精度低、严重浪费材料的问题。

其解决的技术方案是，用激光扫描仪和结构光数字摄影组合扫描测量得到高温锻件表面的三维点云数据，这样组合获取点云的方法与常规单独使用一项技术获取点云的方法相比，增加了点云获取的速度和点云的可靠性，获取三维点云数据后，对点云的数据进行融合，再采用人机交互的滤波算法，去掉非锻件表面的点和测量粗差点，所谓人机交互的滤波算法即首先采用OPENGL三维显示技术将锻件点云数据显示到屏幕上手动删除明显粗差点，再用平均曲率流法去掉小粗差点，再对采集的锻件点云数据进行NURBS曲面快速模型重建分析，通过几何运算解算锻件模型的几何参数，输出。

本发明方法简单，速度快，可靠性强，节约材料，成本低，有效用于大型高温锻件热态在位检测，解决了高温锻件热态在位无法准确的检测问题，是大型高温锻件热态在位检测上的创新。

四、附图说明

图1为本发明的工艺流程图；

图2为本发明激光扫描仪测量原理图；

图3为本发明结构光数字摄影获取点云流程图；

图4为本发明双目立体匹配流程图。

五、具体是实施方式

以下结合附图对本发明的具体实施方式进行详细说明，由图1所示，本发明是，首先，用激光扫描仪和结构光数字摄影获取锻件点云数据，然后对点云数据进行融合，再去掉粗差点，对模型重建分析，按最小二乘法进行平差解算，求出坐标转换参数，输出，从而完成整个对高温锻件热态在位的检测，具体步骤如下：

(一)锻件三维点云数据获取，方法是，用激光扫描仪和结构光数字摄影两种方式组合获取锻件的点云数据，实际使用时既可以使用上述两种技术中的某一种方式获取锻件的点云数据，也可以组合使用获取锻件的点云数据，这大大增加了点云数据获取的速度、灵活性和可靠性，下面分别对两种技术获取点云的过程进行说明：

1、激光扫描仪获取点云，激光扫扫描测量技术是近几年发展起来的新技术，主要原理是通过激光测距技术测量扫描仪与目标表面点的距离，再通过机械装置控制转动激光束测量不同点的距离，结合每个测量点激光指向角度参数，可以实时解算出一定坐标系下的三维坐标，其基本原理如图2所示，激光扫描仪通过测角测距，获得扫描仪中心到目标点的距离S、出射光线在仪器坐标系下的水平角α和垂直角θ，由球坐标计算公式可得到目标点在仪器局部坐标系下的三维坐标(x，y，z)：

X＝Scosθcosα

Y＝Scosθsinα                式(1)

Z＝Ssinθ

同时还可以记录激光回波强弱；系列点的数据构成表示测量目标表面的点云数据，如将每个点的回波强度以图像灰度来表达，还可以显示点云影像图；

2、结构光数字摄影获取点云，由于高温锻件表面没有明显的纹理特征可以进行图像匹配和量测，本发明采用信息工程大学开发的绿结构光投射装置投射人工纹理来解决这个问题，而后再用双相机对高温锻件拍摄像片，通过图象处理技术从拍摄的像片上提取出人工纹理投射的像方坐标，双目立体匹配获取同名像点，解算出三维坐标，结构光双目视觉测量是基于结构光的近景摄影的三角法测量原理构建，光学投射器将一定模式的结构光投射于物体表面，在表面上形成由被测物体表面形状所调制的光学三维图像，当采用具有固定基线的双目相机拍摄被测物体的二维图像进而恢复待测物体表面的三维形状，再根据三维点云坐标描述和量测被测物体；

结构光的数字摄影测量子系统是由结构光投射装置、固定基线数字摄影测量子系统组合而成，是由绿激光阵列组成的结构光投射装置负责在高温锻件表面形成点阵或网格，由针对结构光开发的数字摄影测量子系统对点阵或网格交点进行图像获取和点坐标由计算机软件自动解算，再通对坐标点阵的数字建模和截面分析等获得所需的锻件尺寸数据；

由上述表明，也就是说，用结构光数字摄影测量获取点云，由绿结构光投射装置、固定基线数字摄影测量装置组合而成的系统投射人工纹理(具体由系统中的绿结构光投射装置投射人工纹理)，由经过相机内参数标定和结构参数标定的双相机对高温锻件表面的点阵或网格交点进行点云图像获取，由计算机软件对人工标志进行中心提取，双目立体匹配获取同名像点，解算出三维坐标，再根据三维点云坐标描述和量测被测物体；

(a)人工纹理投射，以绿激光为光源，设计成点阵或网格，可采用点阵方式、网格方式或排点扫描方式中的一种进行投射：

点阵方式：以较大功率的激光器产生激光，经过透镜发散后通过光栅孔形成面状点阵投射到锻件上，根据在锻件表面落点角度的不同形成圆形或椭圆形光点，如图附图4a所示；

网格方式：采用投线激光器或线形光栅使投射的激光成网格形状到锻件表面，如附图4b所示；

排点扫描式：采用线状排列的激光器阵列，可以投射一条线的激光点，使用时由步进电机控制转动投射方向，分时覆盖整个锻件表面，如附图4c所示，测量通过序列图像组合获得锻件表面激光点的覆盖图像，从而可以量测锻件表面；

投射点密度为1个点/cm²，实际中可根据锻件的外形曲率变化的特征进行改变(曲率变化大的地方多投点，曲率变化小的地方少投点)；投点的精度为点阵方式和排点扫描式：形状因子＞0.4，0.3＜黑白比＜0.9；网格方式：1pixel＜线宽＜15pixel，0.3＜黑白比＜0.9；

对人工投射的情况进行投点密度、投点精度、检测方式进行检测，目的在于：第一，投点密度是否符合设计要求；第二，投点精度是否符合要求；第三，综合比较三种方式的特点，确定一种最合理的投射纹理；

投点密度：选一已知面积的标准矩形平板，向其投射人工纹理，由图像处理得到的实际点数量，实际点数量与标准矩形平板面积的比值就是实际投点的密度，比较实际投点的密度与要求投点的密度，判断该投射方式是否符合投点密度要求；

投点精度：向高温锻件投射人工纹理，通过图像处理得到计算每一个点是否满足精度要求，要求至少95％以上的点满足精度要求；

投射方式选择：选择一个圆柱形标准件，分别用上述三种结构光投射方式对其尺寸进行测试，将测量结果与真值进行比对，选择合乎精度要求的投射方式；

(b)相机内参数标定

相机内参数标定是，选用基于试验场的标定方法，即由一些坐标已知的物方空间控制点构成试验场，用待标定的相机对试验场摄影，然后根据单像片空间后方交会或多像片后方交会求解内部参数的过程，称之为试验场法标定，顾及到像点系统误差的影响，可将成像基本方程写成：

$\left.\begin{array}{c}x-x_0+\mathrm{\Δx}=-f\frac{a_1(X-X_S)+b_1(Y-Y_S)+c_1(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}=-f\frac{\stackrel{\‾}{X}}{\stackrel{\‾}{Z}}\\ y-y_0+\mathrm{\Δy}=-f\frac{a_2(X-X_S)+b_2(Y-Y_S)+c_2(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}=-f\frac{\stackrel{\‾}{Y}}{Z}\end{array}\right\}$ 式(2)

式中，(x，y)为像点坐标，(x₀，y₀)为像主点坐标，f为相机焦距，(X，Y，Z)为相应物方点坐标，(Xs，Ys，Zs)为摄站坐标，(a_i，b_i，c_i)(i＝1，2，3)为旋转矩阵各元素，(Δx，Δy)是相机畸变引起的像点偏差，对式(2)线性化得到像点坐标的误差方程式：

V＝A₁X₁+A₂X₂+A₃X₃-L                式(3)

上式中：V为像点坐标残差；X₁、X₂和X₃分别为外方位元素、物方点坐标和内部参数(径向畸变K₁、K₂和K₃，偏心畸变P₁、P₂，像平面畸变b₁和b₂，加上像主点坐标(x₀，y₀)和相机焦距f)，对控制点而言其坐标是已知的，即X₂＝0，则式(3)可简化为：

V＝A₁X₁+A₃X₃-L＝AX-L               式(4)

对每一张相片而言，有6个外方位元素和10个内参数，共计16个未知数，每一控制点可以据上式列出2个方程式，则对单张像片来说，至少需要8个控制点式(4)才可解；

在相机的内参数标定时，像主点偏差和相机焦距要控制在0.01mm，畸变参数精度控制在5％以内，对点的测量精度达到0.1mm，用V-STARS工业摄影测量系统标定的内参数直接进行比对10次，取均方根；或者使用MetroIn工业测量系统和V-STARS工业摄影测量系统对一组点进行坐标测量，得出两组测量结果，用标定内参数的相机进行测量同一组点坐标，得出一组测量结果，将相机测得的结果分别与MetroIn工业测量系统和V-STARS工业摄影测量系统测得的结果进行比对，从而判定相机内参数的标定是否符合标准；

(c)双相机结构参数标定

双相机结构参数标定采用基于自由移动的一维靶标标定双相机结构参数，由于多相机视觉系统可以简化为多个双目立体视觉系统，为叙述问题方便这里以双目立体视觉系统为例进行叙述，其标定的方法是：

首先，采用已知长度的一维标靶在双相机的公共视场空间自由移动，获取多幅(至少4对)高质量的标定图像；

其次，图像处理得到多组像点坐标，通过视图间的几何关系实现相对定向和通过已知长度实现绝对定向；

最后，考虑欧氏空间不变性和像点残差最小，列优化函数，通过迭代获取双相机结构参数的精确值；

所说的几何关系是，从两个不同视点获得的来自同一场景的两幅图像之间存在着一定的约束关系，即通常所说的对极几何关系，如图5所示，I为左像片的像平面，C-XYZ为左像空间坐标系，C为左像片透视中心，II为右像片的像平面，C₁-X₁Y₁Z₁为右像空间坐标系，C₁为右像片透视中心，为方便公式的推导，本文设左像空间坐标系为世界坐标系，任意空间点M的齐次坐标为(X，Y，Z，1)，在左像片成的像m的齐次坐标为(x，y，1)，在右像片成的像m1的齐次坐标为(x₁，y₁，1)，由于相机的内方为元素已知，所以文中的像点坐标均已经转换成无畸变图像坐标；

C-XYZ与C₁-X₁Y₁Z₁之间的欧氏变换可以表示为：

(x，y，z)^T＝[R|T](x₁，y₁，z₁)^T            式(5)

式中R——3×3正交旋转矩阵

    T——3×1平移矢量

由透视投影关系，M与m和m₁的关系分别表示为：

λm＝[I|0]M＝PMλ≠0                      式(6)

λ₁m₁＝[R|T]M＝P₁Mλ₁≠0                  式(7)

式中：

P——3×4左像片的投影矩阵

P₁——3×4右像片的投影矩阵

I——3×3单位矩阵

从图5中的对极几何示意图可见C、C₁、M、m和m₁在同一个平面上，这个共面条件约束可以表示为：

相应的代数表示为：

$m_1^T\mathrm{Em}=0$ 式(8)

式中E为本质矩阵，其秩为2；

(2)八点算法求解本质矩阵

求解本质矩阵根据经典的八点算法的原理，写成如下的九元齐次方程：

u^Te＝0                                式(9)

其中：u＝[xx₁，yx₁，x₁，xy₁，yy₁，y₁，x，y，1]^T

e＝[E₁₁，E₁₂，E₁₃，E₂₁，E₂₂，E₂₃，E₃₁，E₃₂，E₃₃]^T

只要知道8个匹配点对，就可以在相差一个常数因子的意义下求出F阵，如果匹配点对的数目多于8个，可以用最小二乘法求解如下无约束最优化问题，求出E阵：

$\underset{E}{\min }\mathrm{\Σ}{\left(m_1^T\mathrm{Em}\right)}^2$ 式(10)

根据本质矩阵的定义，所有的解向量e之间只差一个未知系数，为了避免多余解的出现，可以加一个约束条件|e||＝1即：

$\left\{\begin{array}{c}\underset{E}{\min }{\left|\right|\mathrm{ue}\left|\right|}^2\\ \mathrm{subject\; to}\left|\right|e\left|\right|=1\end{array}\right.$ 式(11)

其最优解是u^Tu对应的最小特征值的特征向量，求解的最好方法就是奇异值分解，由式(11)求本质矩阵的方法就是著名的八点算法；

(3)投影矩阵初始值估计

通过图像处理，得到特征点的图像坐标，经过畸变校正后，可以获得空间点的两个对应摄像机投影坐标，采用上面的八点算法求解本质矩阵E，对E进行奇异值分解，可以求得R和带有比例因子的平移矢量t，由Et＝0可知，t是下列问题的解，

$\underset{t}{\min }{\left|\right|E^{T}t\left|\right|}^2\left|\right|t\left|\right|=1$ 式(12)

若E＝Udiag(1，1，0)V^T，则

t₁＝-u₃

t₂＝u₃

R₁＝UZ^TV^T                                    式(13)

R₂＝UZV^T

式中

t_i是t的可能解，R_i是R的可能解(i＝1、2)，u₃是U的第三列，

由此可知，P₁对应4种可能解，由于空间点位于2台摄像机的前面，正确的P₁对应的空间点的Z坐标一定为正，选取任意位置三维空间点，利用获得的图像投影坐标，计算出在4种可能的右投影矩阵下的空间三维坐标，若计算出的三维坐标的z为正，则所对应的右投影矩阵为正确；

在假定||t||＝1的情况下，只能得到比例意义上的P₁，必须确定比例系数，才能最终确定平移矢量，假定两个特征点之间的距离d已知，由比例意义上的P₁，根据双目视觉的三维测量模型，可以计算出两个特征点的比例意义上的空间坐标，从而得到比例意义上的距离d₁，则有：

$k=\frac{d}{d_1}$ (k为比例系数)                                式(14)

考虑到测量数据的误差，采用多组双对应点，分别计算出每组的比例因子，最终取平均值作为最后的比例因子，即：

$k=\frac{d}{n}\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\frac{1}{d_1}(n>1)$ 式(15)

(4)投影矩阵精确估计

如果由摄像机观测得到的两个投影点坐标存在误差，根据估计的P₁就不准确，由模型计算出的两个特征点的三维空间坐标存在误差，估算P₁的不准确，导致的投影图像坐标与由经过图像处理得到的图像坐标存在误差，基于以上两点列优化函数如下：

$\min f(R,T)=c_1\underset{i=0,j=0}{\overset{i=(n-1)/2,j=n-1}{\mathrm{\Σ}}}{[d-d(Q_j,Q_{j+1})]}^2+$ 式(16)

$c_2\underset{j=0}{\overset{n-1}{\mathrm{\Σ}}}[d^2(q_{1j},p)+d^2(q_{2j},p_1)]$

考虑在欧氏空间上的距离不变性，式中d为靶标端点间实际距离，Q_j为端点三维点坐标，d(q_1j，p)和d(q_2j，p)为两张像片对应的像点残差，取c₁＝1000，c₂＝1，采用Levenberg-Marquard方法对式(16)目标函数进行非线性优化；

用摄影测量系统对基准尺进行测量，将得出的测量结果与基准尺的尺寸相比较，从而判断结构参数标定是否达到精度要求；

(d)人工标志中心提取

人工标志中心提取是采用基于定向扫描联合灰度加权质心的人工标志中心提取算法：

定向扫描：定向扫描有两个参数，即灰度阈值T_g和梯度阈值T_d，其中灰度阈值可以通过灰度直方图给出，梯度阈值由人工输入为一定值，算法从上到下从左到右对图像进行逐行和逐个像素进行判断，若当前像素的灰度值g(i，j)＞T_g且当前像素的梯度值d(i，j)＞T_d，则将当前点设为区域的起点；若当前像素的灰度值d(i，j)＜T_g或当前像素的梯度值d(i，j)＞T_d并且与区域起点的梯度值符号相反，则将当前点设为区域的终点，在完成一个区域的搜索后需要对该区域进行编号，若该区域与上一行的区域连通，则将该区域的编号设置为与其连通的上一行的编号，否则为新的区域设定新的编号；

灰度加权质心：定向扫描结束后，对得到的标志图像g(i，j)中的目标S灰度质心(x₀，y₀)为：

$\left\{\begin{array}{c}{x}_0=\frac{m_{10}}{m_{00}}=\frac{\underset{(i,j)\∈S}{\mathrm{\Σ}}\mathrm{iW}(i,j)}{\underset{(i,j)\∈S}{\mathrm{\Σ}}W(i,j)}\\ y_0=\frac{m_{01}}{m_{00}}=\frac{\underset{(i,j)\∈S}{\mathrm{\Σ}}\mathrm{jW}i,j)}{\underset{(i,j)\∈S}{\mathrm{\Σ}}W(i,j)}\end{array}\right.$ 式(17)

式中W(i，j)为权值，实际上式(17)式中W(i，j)即g(i，j)；

(e)双目立体匹配

首先利用核线约束按照设定的距离阈值从右像片上找到一组潜在的匹配点，这组匹配点与左像片上的某一点对应。所要找的真正的匹配像点若存在，则一定在这组潜在的匹配点中。然后，依次用潜在匹配点组中的每一点与左相片的对应像点对进行前方交会，求出物方点坐标。再由共线方程求出各对所谓的同名像点的残差，得到的像点残差若大于像点残差阈值，则说明该同名像点为虚假的同名像点。最后，利用外方方位元素对像点坐标进行倾斜纠正，考察潜在匹配点组中的点与编码点的相对关系，再一次去除虚假的匹配点。经过上面的三步后，若潜在匹配点组中只剩下一个点，则匹配成功。否则，匹配失败。匹配流程见附图5。

(f)解算标志点三维坐标，方法是对于下面的共线方程：

$\left\{\begin{array}{c}\frac{X-{\mathrm{Xs}}_i}{Z-{\mathrm{Zs}}_i}=\frac{a_{1}x+a_{2}y-a_{3}f}{c_{1}x+c_{2}y-c_{3}f}=m\\ \frac{Y-Y{s}_i}{Z-{\mathrm{Zs}}_i}=\frac{b_{1}x+b_{2}y-b_{3}f}{c_{1}x+c_{2}y-c_{3}f}=n\end{array}\right.$ 式(18)

式中(Xs_i，Ys_i，Zs_i)(i＝1，2)分别为左相机和右相机相对于物方空间坐标系中的平移参数，a₁、a₂、a₃、b₁、b₂、b₃、c₁、c₂和c₃是摄站参数中的角元素构成的旋转矩阵中的元素值，m和n是临时变量。

可得：

$\left(\begin{array}{ccc}1& 0& -m\\ 0& 1& -n\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{c}\mathrm{Xs}-\mathrm{mZs}\\ \mathrm{Ys}-\mathrm{nZs}\end{array}\right)$ 式(19)

若物方点P在两张像片上成像，则对P对两个像点均按上式列方程，得：

$\left(\begin{array}{ccc}1& 0& -m_1\\ 0& 1& -n_1\\ 1& 0& -m_2\\ 0& 1& -n_2\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{c}{\mathrm{Xs}}_1-m_1{\mathrm{Zs}}_1\\ {\mathrm{Ys}}_1-n_1{\mathrm{Zs}}_1\\ {\mathrm{Xs}}_2-m_2{\mathrm{Zs}}_2\\ {\mathrm{Ys}}_2-n_2{\mathrm{Zs}}_2\end{array}\right)$ 式(20)

记为：

$A\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=L$ 式(21)

式中A为系数矩阵，L为常数矩阵。则物方点P的坐标可由下式求解：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)={\left(A^{T}A\right)}^{-1}\left(A^{T}L\right)$ 式(22)

(二)点云数据融合，所说的点云数据融合是，对于激光扫描仪或结构光数字摄影测量分别在锻件两侧扫描得到的点云数据，或者两者同时在锻件两侧扫描得到的点云数据是不在一个坐标系中的，这时需要统一坐标系也称为点云数据融合，方法是，用公共点最小二乘转换的方法来实现点云数据的融合，在锻件的周围架设至少3个如附图6所示的平面标志点，要求标志点不能都在一条直线上，平面标志采用高反射率材料制成，其反射光的强度远大于周围环境的反射强度，利于标志数据的提取，圆直径有50mm和100mm两种，所谓最小二乘转换就是利用一组在两个坐标系中均有坐标值的公共点，进行最小二乘平差转换，求出两个坐标系间的转换参数，设点云1的的坐标为(x，y，z)，点云2的坐标为(X，Y，Z)，则有：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left[\begin{array}{ccc}\cos \mathrm{Ry}\cos \mathrm{Rz}& -\cos \mathrm{Ry}\sin \mathrm{Rz}& \sin \mathrm{Ry}\\ \sin \mathrm{Rx}\sin \mathrm{Ry}\cos \mathrm{Rz}+\cos \mathrm{Rx}\sin \mathrm{Rz}& -\sin \mathrm{Rx}\sin \mathrm{Ry}\sin \mathrm{Rz}+\cos \mathrm{Rx}\cos \mathrm{Rz}& -\sin \mathrm{Rx}\cos \mathrm{Ry}\\ -\cos \mathrm{Rx}\sin \mathrm{Ry}\cos \mathrm{Rz}+\sin \mathrm{Rx}\sin \mathrm{Rz}& \cos \mathrm{Rx}\sin \mathrm{Ry}\sin \mathrm{Rz}+\sin \mathrm{Rx}\cos \mathrm{Rz}& \cos \mathrm{Rx}\cos \mathrm{Ry}\end{array}\right]$

$\·\left(\begin{array}{c}x\\ y\\ z\end{array}\right)+\left(\begin{array}{c}{X}_0\\ Y_0\\ Z_0\end{array}\right)=R.\left(\begin{array}{c}x\\ y\\ z\end{array}\right)+T$ 式(23)

其中k为比例因子，R为旋转矩阵，T为平移矩阵，Rx、Ry和Rz为三个旋转角，未知数个数为7，每点可列三个误差方程，所以至少需3个点即可求解，由于方程是非线性化的，故需要迭代求解；

(三)去掉粗差点，方法是，通过人机交互的滤波算法，去掉非锻件表面的点和测量粗差点，具体是：

1、手动去掉明显粗差点，将得到的点云数据以三维可视化的方式显示出来，通过算法和程序经过投影变换把具有三维坐标的空间实体对象变换至二维屏幕，获得计算机图形的过程称为三维图形显示，它一般包含数学建模、三维变换、光源设置、纹理映射等几个步骤，通常在二维屏幕上绘制的三维物体都经历了一系列的变换、旋转和投影等处理，利用鼠标在屏幕上点击确定被选中的三维对象即可进行人机交互，实现手动去除粗差点；

2、采用拉普拉斯光顺方法，去掉小粗差点，拉普拉斯光顺方法是一种常见的也是最简单的光顺算法，他的基本原理是对模型上每个顶点应用拉普拉斯算子，拉普拉斯算子为：

$\mathrm{\Δ}={\▿}^2=\frac{{\∂}^2}{{\∂x}^2}+\frac{{\∂}^2}{\∂y^2}+\frac{{\∂}^2}{{\∂z}^2}$ 式(24)

设p_i＝(x_i，y_i，z_i)为顶点，则在一个三维模型上进行磨光过程可以看做成一个扩散过程：

$\frac{{\∂p}_i}{\∂t}=\mathrm{\λL}\left(p_i\right)$ 式(25)

通过在时间轴上积分，曲面上细小的起伏，噪声能量很快的扩散到他的邻域中，使整个曲面变得光滑，采用显式的欧拉积分法，即为：

p_i ⁿ⁺¹＝(1+λdt·L)p_i ⁿ                                式(26)

该方法对每个顶点进行估计，逐步调整到其邻域的几何重心位置：

$L\left(p_i\right)=p_i+\mathrm{\λ}(\frac{{\mathrm{\Σ}}_j{w}_j{q}_j}{{\mathrm{\Σ}}_j{w}_j}-p_i),j=\mathrm{1,2},...,m$ 式(27)

其中q_j表示p_i的m个邻域点，λ值为一个小正数；

(四)模型重建分析

因为本发明中所测量的锻件均为圆柱形，所以需对点云数据进行圆柱面拟合就可以容易得到锻件的尺寸信息，设在圆柱坐标系O_t-xyz下的圆柱方程为：

x²+y²+z²＝R²+z²                式(28)

转换为测量坐标系下，其方程为

F＝(X-X₀)²+(Y-Y₀)²+(Z-Z₀)²-R²-z²＝0                式(29)

对于旋转曲面来说，测量坐标系XOY与设计坐标系xoy的转换参数为5个，它们是三个平移和二个旋转参数，为(X₀，Y₀，Z₀，ε_x，ε_y)，即固定ε_z＝0，此时旋转矩阵系数的计算公式为：

$\left.\begin{array}{ccc}{a}_1=\cos {\mathrm{\ϵ}}_y,& b_1=\sin {\mathrm{\ϵ}}_x\sin {\mathrm{\ϵ}}_y,& c_1=-\cos {\mathrm{\ϵ}}_x\sin {\mathrm{\ϵ}}_y\\ a_2=0,& b_2\cos {\mathrm{\ϵ}}_x,& c_2=\sin {\mathrm{\ϵ}}_x\\ a_3=\sin {\mathrm{\ϵ}}_y,& b_3=-\sin {\mathrm{\ϵ}}_x\cos {\mathrm{\ϵ}}_y,& c_3=\cos {\mathrm{\ϵ}}_x\cos {\mathrm{\ϵ}}_y\end{array}\right\}$ 式(30)

由于(X₀，Y₀，Z₀)必须位于Z轴上，实际平移参数只有2个，一般情况下固定Z₀解算X₀，Y₀，此时线性化作为误差方程系数的偏导数为：

$\left.\begin{array}{c}\frac{\∂F}{\∂X_0}=2(X_0^0-X)+2z{a}_3\\ \frac{\∂F}{\∂Y_0}=2(Y_0^0-Y)+2z{b}_3\\ \frac{\∂F}{\∂{\mathrm{\ϵ}}_x}=-c_3(Y-Y_0)+b_3(Z-Z_0)\\ \frac{\∂F}{\∂{\mathrm{\ϵ}}_y}=x\\ \frac{\∂F}{\∂R}=-2R^0\end{array}\right\}$ 式(31)

然后组成误差方程，给定参数近似值

并按最小二乘法则进行平差解算，最后求出坐标转换参数，输出，实现整个对大型高温锻件热态在位检测。

本发明经多次(10次以上)现场实际测量实验，均取得了满意的效果，如：在中国二重集团锻造厂的锻造车间中对在锻造生产线上的实心体类锻件进行了测量实验，待测物体为正在生产线上锻造的柱型实心体类锻件坯料，分为两段，其中A段较粗，B段较细，要求对这两部分的外径分布进行测量，用激光扫描仪和结构光数字摄影两种方式组合获取锻件点云数据，扫描得到点云影像图，对点云数据进行处理得到该锻件的各种尺寸，根据要求需要测量锻件两部分的外径，由于该锻件两部分都近似为圆柱体，因此对两部分的点云数据进行圆柱面的拟合，拟合得到的圆柱面的直径就是相应的外径，根据测量需求选取出来的锻件A段和B段的表面点云影像图，经按本发明方法得到锻件A段的外径为1.324m，标准差为0.016m；B段圆柱面的直径为0.992m，标准差为0.014m，准确而快速。

本发明提供了一种适用于高温锻件现场测量的高精度检测方法，可有效解决目前高温锻件测量方法落后、测量精度低、严重浪费材料的问题，解决了人们长期以来希望解决但始终未能解决的现场对高温锻件进行实地测量的技术难题，而且方法测量准确，稳定可靠，有效适用于测量高度或直径≥7m，长度≥15m，温度在常温～1200℃的锻件，测量精度高，可达≤±4mm，降低坯料余量30％，节材5％～10％，由于测量精度的提高，使锻件的尺寸控制精确，减少了尺寸的“肥头大耳”现象，同时避免因尺寸控制失误造成的质量问题。根据160MN水压机一台目前每年锻造量约30000吨，按节省锻件材料5％计算，年节约材料1500吨；按钢锭平均成本11000元/吨计算，则每年可节约原材料价值约1650万元；加工成本低，如在中国二重集团锻造厂的实验中，每年减少铁屑加工量1500吨，按锻造厂机械加工车间每吨铁屑耗时29.5小时(2007年实际统计值)计算，1500吨铁屑共节约工时4.4万余小时，则每年可节约加工成本约970万元，效益巨大。本发明适应性、通用性强，在高温工业环境下，抗高温、粉尘、抗震以及磁电的干扰，方法简便，人机交互简单，维护简易，是大型高温锻件热态在位检测上的一大创造。

Claims (3)

1.一种大型高温锻件热态在位检测方法，其特征是，用激光扫描仪或结构光数字摄影获取锻件点云数据，然后对点云数据进行融合，再去掉粗差点，模型重建分析后，按最小二乘法进行平差解算，求出坐标转换参数，输出，具体步骤如下：

(一)锻件三维点云数据获取，方法是，用激光扫描仪或结构光数字摄影两种方式组合获取锻件的点云数据：

(1)用激光扫描仪获取点云，方法是，通过激光测距，测量扫描仪与目标表面点的距离，再通过转动激光束测量不同点的距离，结合每个测量点激光指向角度参数，解算出坐标系下的三维坐标：

X＝S cosθcosα

Y＝S cosθsinα

Z＝S sinθ

式中S为扫描仪中心到目标点的距离，α和θ分为出射光线在仪器坐标系下的水平角和垂直角；

(2)用结构光数字摄影测量获取点云，由绿结构光投射装置、固定基线数字摄影测量装置组合而成的系统投射人工纹理，由经过相机内参数标定和结构参数标定的双相机对高温锻件表面的点阵或网格交点进行点云图像获取，由计算机软件对人工标志进行中心提取，双目立体匹配获取同名像点，解算出三维坐标，再根据三维点云坐标描述和量测被测物体；

(a)人工纹理投射，以绿激光为光源，设计成点阵或网格，采用点阵方式、网格方式或排点扫描方式中的一种进行投射；

(b)相机内参数标定，是选用物方空间控制点构成试验场，用待标定的相机对试验场摄影，然后根据单像片空间后方交会或多像片后方交会求解内部参数的过程，称之为试验场法标定，顾及到像点系统误差的影响，将成像基本方程写成：

$\left.\begin{array}{c}x-x_0+\mathrm{\Δx}=-f\frac{a_1(X-X_S)+b_1(Y-Y_S)+c_1(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}=-f\frac{\stackrel{\‾}{X}}{\stackrel{-}{Z}}\\ y-y_0+\mathrm{\Δy}=-f\frac{a_2(X-X_S)+b_2(Y-Y_S)+c_2(Z-Z_S)}{a_3(X-X_S)+b_3(Y-Y_S)+c_3(Z-Z_S)}=-f\frac{\stackrel{\‾}{Y}}{Z}\end{array}\right\}$

式中，(x，y)为像点坐标，(x₀，y₀)为像主点坐标，f为相机焦距，(X，Y，Z)为相应物方点坐标，(Xs，Ys，Zs)为摄站坐标，(a_i，b_i，c_i)(i＝1，2，3)为旋转矩阵各元素，(Δx，Δy)是相机畸变引起的像点偏差，对成像基本方程线性化得到像点坐标的误差方程式：

V＝A₁X₁+A₂X₂+A₃X₃-L

上式中：V为像点坐标残差；X₁、X₂和X₃分别为外方位元素、物方点坐标和内部参数；内部参数为：径向畸变K₁、K₂和K₃，偏心畸P₁、P₂，像平面畸b₁和b₂，加上像主点坐标(x₀，y₀)和相机焦距f；当X₂＝0，像点坐标的误差方程式为：

V＝A₁X₁+A₃X₃-L＝AX-L

每一张像片有6个外方位元素和10个内参数，共计16个未知数，每一控制点列出2个方程式，对单张像片至少需要8个控制点的方程式V＝A₁X₁+A₃X₃-L＝AX-L才能解；

(c)双相机结构参数标定，方法是，用已知长度的一维标靶在双相机的公共视场空间自由移动，获取至少4对标定图像，再对图像处理得到多组像点坐标，通过视图间的几何关系实现相对定向和通过已知长度实现绝对定向，通过迭代获取双相机结构参数值；

(d)人工标志中心提取，方法是，定向扫描有两个参数，即灰度阈值T_g和梯度阈值T_d，其中灰度阈值可以通过灰度直方图给出，梯度阈值由人工输入为一定值，算法从上到下从左到右对图像进行逐行和逐个像素进行判断，若当前像素的灰度值g(i，j)＞T_g且当前像素的梯度值d(i，j)＞T_d，则将当前点设为区域的起点；若当前像素的灰度值d(i，j)＜T_g或当前像素的梯度值d(i，j)＞T_d并且与区域起点的梯度值符号相反，则将当前点设为区域的终点，在完成一个区域的搜索后需要对该区域进行编号，若该区域与上一行的区域连通，则将该区域的编号设置为与其连通的上一行的编号，否则为新的区域设定新的编号；定向扫描结束后，得到标志图像g(i，j)中的目标S灰度质心(x₀，y₀)为：

$\left\{\begin{array}{c}{x}_0=\frac{m_{10}}{m_{00}}=\frac{\underset{(i,j)\∈S}{\mathrm{\Σ}}\mathrm{iW}(i,j)}{\underset{(i,j)\∈S}{\mathrm{\Σ}}W(i,j)}\\ y_0=\frac{m_{01}}{m_{00}}=\frac{\underset{(i,j)\∈S}{\mathrm{\Σ}}\mathrm{jW}i,j)}{\underset{(i,j)\∈S}{\mathrm{\Σ}}W(i,j)}\end{array}\right.$

式中W(i，j)为权值，即g(i，j)；

(e)双目立体匹配，首先利用核线约束按照设定的距离阈值从右像片上找到一组潜在的匹配点，这组匹配点与左像片上的某一点对应；所要找的真正的匹配像点若存在，则一定在这组潜在的匹配点中；然后，依次用潜在匹配点组中的每一点与左像片的对应像点对进行前方交会，求出物方点坐标；再由共线方程求出各对所谓的同名像点的残差，得到的像点残差若大于像点残差阈值，则说明该同名像点为虚假的同名像点；最后，利用外方方位元素对像点坐标进行倾斜纠正，考察潜在匹配点组中的点与编码点的相对关系，再一次去除虚假的匹配点；经过上面的三步后，若潜在匹配点组中只剩下一个点，则匹配成功，否则，匹配失败；

(f)解算标志点三维坐标，方法是对于下面的共线方程：

$\left\{\begin{array}{c}\frac{X-X{s}_i}{Z-Z{s}_i}=\frac{a_{1}x+a_{2}y-a_{3}f}{c_{1}x+c_{2}y-c_{3}f}=m\\ \frac{Y-Y{s}_i}{Z-Z{s}_i}=\frac{b_{1}x+b_{2}y-b_{3}f}{c_{1}x+c_{2}y-c_{3}f}=n\end{array}\right.$

式中(Xs_i，Ys_i，Zs_i)(i＝1，2)分别为左相机和右相机相对于物方空间坐标系中的平移参数，a₁、a₂、a₃、b₁、b₂、b₃、c₁、c₂和c₃是摄站参数中的角元素构成的旋转矩阵中的元素值，m和n是临时变量；

可得：

$\left(\begin{array}{ccc}1& 0& -m\\ 0& 1& -n\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{c}\mathrm{Xs}-\mathrm{mZs}\\ \mathrm{Ys}-\mathrm{nZs}\end{array}\right)$

若物方点P在两张像片上成像，则对P对两个像点均按上式列方程，得：

$\left(\begin{array}{ccc}1& 0& -m_1\\ 0& 1& -n_1\\ 1& 0& -m_2\\ 0& 1& -n_2\end{array}\right)\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{c}X{s}_1-m_{1}Z{s}_1\\ Y{s}_1-n_{1}Z{s}_1\\ X{s}_2-m_{2}Z{s}_2\\ Y{s}_2-n_{2}Z{s}_2\end{array}\right)$

记为：

$A\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=L$

式中A为系数矩阵，L为常数矩阵，则物方点P的坐标可由下式求解：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)={\left(A^{T}A\right)}^{-1}\left(A^{T}L\right)$

(二)点云数据融合，方法是，用公共点最小二乘转换的方法来实现点云数据的融合，在锻件的周围架设至少3个不都在一条直线上的平面标志点，平面标志采用高反射率材料制成直径为50mm和100mm的圆形两种，利用一组在两个坐标系中均有坐标值的公共点，进行最小二乘平差转换，求出两个坐标系间的转换参数，设点云1的的坐标为(x，y，z)，点云2的坐标为(X，Y，Z)，则有：

$\begin{array}{c}\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left[\begin{array}{ccc}\cos \mathrm{R\; y}\cos \mathrm{Rz}& -\cos \mathrm{Ry}\sin \mathrm{Rz}& \sin \mathrm{Ry}\\ \sin \mathrm{Rxsi\; nRy}\cos \mathrm{Rz}+\cos \mathrm{Rx}\sin \mathrm{Rz}& -\sin \mathrm{Rx}\sin \mathrm{Ry}\sin \mathrm{Rz}+\cos \mathrm{Rx}\cos \mathrm{Rz}& -\sin \mathrm{Rx}\cos \mathrm{Ry}\\ -\cos \mathrm{Rx}\sin \mathrm{Ryc\; osR\; z}+\sin \mathrm{Rx}\sin \mathrm{Rz}& \mathrm{co\; sRx}\sin \mathrm{Ry}\sin \mathrm{Rz}+\sin \mathrm{Rxc\; osR\; z}& \cos \mathrm{Rx}\cos \mathrm{Ry}\end{array}\right]\\ \·\left(\begin{array}{c}x\\ y\\ z\end{array}\right)+\left(\begin{array}{c}{X}_0\\ Y_0\\ Z_0\end{array}\right)=R.\left(\begin{array}{c}x\\ y\\ z\end{array}\right)+T\end{array}:$

其中R为旋转矩阵，T为平移矩阵，Rx、Ry和Rz为三个旋转角，未知数个数为7，每点可列三个误差方程，所以至少需3个点即可求解，由于方程是非线性化的，要迭代求解；

(三)去掉粗差点，方法是，将得到的点云数据以三维可视化的方式显示出来，通过算法和程序经过投影变换把具有三维坐标的空间实体对象变换至二维屏幕，获得计算机图形的过程称为三维图形显示，包含数学建模、三维变换、光源设置、纹理映射，利用鼠标在屏幕上点击确定被选中的三维对象进行人机交互，实现手动去除粗差点；再采用拉普拉斯光顺方法去掉小粗差点，拉普拉斯算子为：

$\mathrm{\Δ}={\▿}^2=\frac{{\∂}^2}{\∂x^2}+\frac{{\∂}^2}{\∂y^2}+\frac{{\∂}^2}{\∂z^2}$

设p_i＝(x_i，y_i，z_i)为顶点，则在一个三维模型上进行一个扩散过程：

$\frac{\∂p_i}{\∂t}=\mathrm{\λL}\left(p_i\right)$

通过在时间轴上积分，曲面上细小的起伏，噪声能量很快的扩散到他的邻域中，使整个曲面变得光滑，采用显式的欧拉积分法，即为：

p_i ⁿ⁺¹＝(1+λdt·L)p_i ⁿ

该方法对每个顶点进行估计，逐步调整到其邻域的几何重心位置：

$L\left(p_i\right)=p_i+\mathrm{\λ}(\frac{{\mathrm{\Σ}}_j{w}_j{q}_j}{{\mathrm{\Σ}}_j{w}_j}-p_i),j=\mathrm{1,2},...,m$

其中q_j表示p_i的m个邻域点，λ值为一个小正数；

(四)模型重建分析，方法是，对点云数据进行圆柱面拟合得到锻件的尺寸，设在圆柱坐标系O₁-xyz下的圆柱方程为：

x²+y²+z²＝R²+z²

转换为测量坐标系下，其方程为：

F＝(X-X₀)²+(Y-Y₀)²+(Z-Z₀)²-R²-z²＝0

当是旋转曲面，测量坐标系XOY与设计坐标系xoy的转换参数为5个，其中三个是平移参数，二个是旋转参数，为X₀，Y₀，Z₀，ε_x，ε_y，即固定ε_z＝0，其旋转矩阵系数的计算公式为：

$\left.\begin{array}{c}{a}_1=\cos {\mathrm{\ϵ}}_y,b_1=\sin {\mathrm{\ϵ}}_x\sin {\mathrm{\ϵ}}_y,c_1=-\cos {\mathrm{\ϵ}}_x\sin {\mathrm{\ϵ}}_y\\ a_2=0,b_2=\cos {\mathrm{\ϵ}}_x,c_2=\sin {\mathrm{\ϵ}}_x\\ a_3=\sin {\mathrm{\ϵ}}_y,b_3=-\sin {\mathrm{\ϵ}}_x\cos {\mathrm{\ϵ}}_y,c_3=\cos {\mathrm{\ϵ}}_x\cos {\mathrm{\ϵ}}_y\end{array}\right\}$

由于X₀，Y₀，Z₀必须位于Z轴上，实际平移参数只有2个，固定Z₀，解算X₀，Y₀，此时线性化作为误差方程系数的偏导数为：

$\left.\begin{array}{c}\frac{\∂F}{\∂X_0}=2(X_0^0-X)+2z{a}_3\\ \frac{\∂F}{\∂Y_0}=2(Y_0^0-Y)+2z{b}_3\\ \frac{\∂F}{\∂{\mathrm{\ϵ}}_x}=-c_3(Y-Y_0)+b_3(Z-Z_0)\\ \frac{\∂F}{\∂{\mathrm{\ϵ}}_y}=x\\ \frac{\∂F}{\∂R}=-2R^0\end{array}\right\}$

然后组成误差方程，给定参数近似值X₀ ⁰，Y₀ ⁰，Z₀ ⁰，ε_x ⁰，ε_y ⁰，R⁰并按最小二乘法则进行平差解算，最后求出坐标转换参数，输出。

2.根据权利要求1所说的大型高温锻件热态在位检测方法，其特征是，所说的人工纹理投射中的点阵方式是以大功率的激光器产生激光，经过透镜发散后通过光栅孔形成面状点阵投射到锻件上，根据在锻件表面落点角度的不同形成圆形或椭圆形光点；网格方式是采用投线激光器或线形光栅使投射的激光成网格形状到锻件表面；排点扫描式是采用线状排列的激光器阵列，投射一条线的激光点，使用时由步进电机控制转动投射方向，分时覆盖整个锻件表面，测量通过序列图像组合获得锻件表面激光点的覆盖图像，量测锻件表面；投射点密度为1个点/cm²，投点的精度为点阵方式和排点扫描式：形状因子＞0.4，0.3＜黑白比＜0.9；网格方式：1pixel＜线宽＜15pixel，0.3＜黑白比＜0.9；投点要求至少95％以上的点满足精度要求。

3.根据权利要求1所说的大型高温锻件热态在位检测方法，其特征是，所说的相机内参数标定时，像主点偏差和相机焦距要控制在0.01mm，畸变参数精度控制在5％以内，对点的测量精度达到0.1mm，用V-STARS工业摄影测量系统标定的内参数直接进行比对10次，取均方根，用信息工程大学测绘学院开发的MetroIn工业测量系统和美国GSI公司的V-STARS工业摄影测量系统对一组点进行坐标测量，得出两组测量结果，用标定内参数的相机进行测量同一组点坐标，得出一组测量结果，将相机测得的结果分别与MetroIn工业测量系统和V-STARS工业摄影测量系统测得的结果进行比对，判定相机内参数的标定是否符合标准。

Images