CN109270079B - 一种基于点云模型的工件表面缺陷精确检测方法 - Google Patents

Abstract

本发明公开了一种基于点云模型的工件表面缺陷精确检测方法，属于无损探伤技术领域。本发明将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；利用3D扫描仪获取待检测工件的实际点云数据；构建支持向量机分类器，将标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；用训练后的分类器，对获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；利用协方差矩阵3D测量法缺陷进行三维尺寸精确计算。本发明可以精确检测工件表面缺陷的位置和尺寸。

Description

一种基于点云模型的工件表面缺陷精确检测方法

技术领域

本发明属于无损探伤技术领域，具体涉及一种基于点云模型的工件表面缺陷精确检测方法。

背景技术

表面检测作为生产过程中必不可少的环节，其效率和准确度直接影响产品的生产质量和生产效率发展，目前国内零部件种类繁多，结构复杂，往往依靠人工检测表面质量，但因此带来了效率低下、检测结果受主观性影响等不良影响。当前问题对设计一种普适化的、兼顾效率和准确率的表面检测方法提出了迫切需求。

表面质量检测分为接触式和非接触式两大类，接触式以机械式三坐标仪为代表，通过分析表面的几何轮廓，获取表面的三维坐标，检测精度高，但是存在效率低、探针磨损和对坡度敏感的缺点；非接触式以机器视觉为代表，通过拍照获取照片的灰度值判别表面特征，检测效率高，但是易受到光照的影响，精度低。

发明内容

为解决上述技术问题，本发明提供了一种基于点云模型的工件表面缺陷精确检测方法，旨在利用双目视觉的原理，重构空间三维场景，相比人工检测和接触式测量，能快速获取数据；相比传统的视觉，提高数据精度，为提高检测精度提供了可能性；相比机器视觉，点云模型储存了工件的三维信息，实现了缺陷三维尺寸的计算。

本发明解决其技术问题所采用的技术方案是：一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，包括如下步骤：

S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；

S20、利用3D扫描仪获取待检测工件的实际点云数据；

S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；

S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；

S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。

进一步的技术方案在于，所述步骤S10中的表面缺陷处理步骤如下：

将待检测工件的CAD模型以可允许制作偏差为步长向两侧偏移，偏离距离为可允许制作偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制作偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用；

进一步的技术方案在于，所述可允许制造偏差为0.1mm。

进一步的技术方案在于，以0.1mm为步长向两侧偏移，偏离距离为2mm；

进一步的技术方案在于，步骤S20所述的测试数据集的获取步骤如下：

S21、利用3D扫描仪获取待检测工件表面的点云数据；

S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；

S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。

进一步的技术方案在于，所述的3D扫描仪，为武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。

进一步的技术方案在于，步骤S30所构建的支持向量机分类器为经典支持向量机分类器，其为二分类器。

进一步的技术方案在于，在步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。

进一步的技术方案在于，步骤S50中的协方差矩阵3D测量法具体包括以下步骤：

S51、将步骤S40识别出来的缺陷点云数据，利用其三维坐标，构建矩阵A；

S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；

式中，Σ为矩阵A的协方差矩阵，

为特征向量，λ为特征值；

S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量；将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：

式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；

S54、缺陷特征的尺寸可由公式(3)得到：

式中，x_i，y_i和z_i分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。

本发明产生的有益效果是：本发明通过支持向量机提取待检测工件表面的缺陷，可以有效检测复杂曲面，避免传统机器视觉正常特征误检测的缺陷，并通过协方差矩阵3D测量法，直接获取表面缺陷的形状、位置和尺寸，具有很强的普适性，可广泛应用在汽车、船舶、航空等领域的零部件检测中。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1为本发明实施例的流程图；

图2为基于点云数据检测的原理图；

图3为支持向量机数学几何原理；

图4为协方差矩阵的特征向量几何意义图；

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明阐述了一种基于点云模型的工件表面缺陷精确检测方法，包括如下步骤：

S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；

S20、利用3D扫描仪获取待检测工件的实际点云数据；

S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；

S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；

S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。

在本发明的优选实施例中，S10具体包括如下步骤：

将待检测工件的CAD模型以可允许制作偏差为步长向两侧偏移，偏离距离为可允许制作偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制作偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用；

在本发明的优选实施例中，步骤S10中可允许制造偏差为0.1mm。

在本发明的优选实施例中，步骤S10中，以0.1mm为步长向两侧偏移，偏离距离为2mm；

在本发明的优选实施例中，

检测时，以设计模型(CAD模型)为参考基准，认为CAD的模型数据绝对正确，因此，将CAD模型直接离散的点被认为是正常特征点，添置“+1”标签；而检测时，允许制造偏差，一般小于0.1mm。

在本发明的优选实施例中，步骤S20所述的测试数据集的获取步骤如下：

S21、利用3D扫描仪获取待检测工件表面的点云数据；

S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；

S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。

在本发明的优选实施例中，S20描述的扫描仪可以选取武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。扫描仪型号不限于此。

在本发明的优选实施例中，步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。

在本发明的优选实施例中，步骤S40中，将实际点云数据的每个点进行分类器分类并打上标签，其中标签为“-1”的点即为错误特征。点云数据包含三维坐标信息，即所有错误特征点的三维坐标已经明确，而在三维空间下，给定三维空间坐标可以唯一确定一个点，因而所有缺陷点的位置随即被确定下来；所有坏点的数据集将描述出缺陷的几何轮廓。因此，通过支持向量机的检测，缺陷的位置和形状可以被直接获取。

在本发明的优选实施例中，步骤S50中，协方差矩阵3D测量法具体包括以下步骤：

S51、读取S40输出的标签为“-1”数据，即缺陷点云数据，并提取其前3列，即错误特征点的三维坐标，构建矩阵A；

S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；

式中，Σ为矩阵A的协方差矩阵，

为特征向量，λ为特征值；

S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量。将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：

式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；

S54、缺陷特征的尺寸可由公式(3)得到：

式中，x_i，y_i和z_i分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。

如图2所示，基于点云数据检测的原理图如下：

检测时的假设如下：1)允许制造偏差为0.1mm；2)缺陷尺寸虽然偏离真值，但贴近真值。该假设根据真实情况做适当调整；

以零部件的设计模型(CAD)为参考基准，即设计模型是理想的成品，数据充分正确。CAD离散的点云数据即为图中的“Normal data”，数据为“+1”标签，表示正常特征点；

容忍区间设置为允许的制造偏差；

以零部件的设计模型(CAD)为参考基准，将正常型面向两侧以0.1mm为步长进行偏移，直至偏移至2mm。在0.1mm范围外的数据，均被认为是缺陷特征，该区间的数据被贴上“-1”标签，表示缺陷特征点。

如图3所示，支持向量机数学几何原理图如下：

支持向量机是一种监督学习器，旨在构造一个线性可分的超平面将两类点尽可能的分离。超平面是高维空间几何名词，在二维空间下表示直线，三维空间下表示平面以此类推。超平面的判别公式如下：

w^Tx+b＝0 (4)

其中w为系数向量，b为偏置。

该超平面的设立需要最大化虚线间隔，因此公式(4)的各项系数需要满足如下要求：

其中y⁽ⁱ⁾为训练样本中点云数据中每个点的标签，即“+1”或者“-1”。公式(5)表示的直观数学含义是：控制截距和斜率，使距离超平面最近的点的距离最大化。

支持向量机的理论推导公式极其复杂，这里只是使用其理论，并不做展开推导。将训练数据带入支持向量机中，会得到一个分界超平面，然后任意给定输入向量x，判断w^Tx+b>0则属于“+1”类，即正确点，若小于等于0，则认为是缺陷特征。

如图4所示，协方差矩阵及其派生物的几何意义如下：以二维数据为例，协方差矩阵的特征值和特征向量是成对出现的，特征向量描述的是数据变化的方向且特征向量之间相互正交；特征值描述的是数据变化的程度，其中最大特征值对应的特征向量为第一主特征向量。特征值和特征向量共同描述了数据变化的状态。将原始的二维数据转换到以数据中心为原点，以特征向量为方向的新的坐标系下，主特征向量方向上的最大值与最小值之差即为特征的长度尺寸。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (8)

1.一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，包括如下步骤：

S10、将待检测工件的标准CAD模型，离散为点云格式，提取正常特征并作为标准点云数据，将标准CAD模型，进行表面缺陷处理，离散为点云格式，提取错误特征并作为缺陷点云数据；

S20、利用3D扫描仪获取待检测工件的实际点云数据；

S30、构建支持向量机分类器，将步骤S10标准点云数据和缺陷点云数据作为训练数据集对分类器做训练；

S40、用步骤S30的训练后的分类器，对步骤S20获取的实际点云数据进行分类，确定其中的缺陷点云数据，根据缺陷点云数据识别缺陷的位置和形状；

S50、利用协方差矩阵3D测量法对步骤S40的缺陷进行三维尺寸精确计算。

2.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述步骤S10中的表面缺陷处理步骤如下：

将待检测工件的CAD模型以可允许制造偏差为步长向两侧偏移，偏离距离为可允许制造偏差的m倍，m>1,且为整数；随后并离散为点云格式，使用Meshlab对数据精简处理，将偏移距离超过可允许制造偏差的离散数据，作为错误特征数据记为缺陷点云数据，并输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“-1”标签，以备训练使用；将剩余离散数据作为正常特征数据，记为标准点云数据，输出为文本格式，该文本格式为n行3列数据，每行代表数据的三维坐标，应用Matlab在文本格式中的每行末尾增添“+1”标签，以备训练使用。

3.根据权利要求2所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述可允许制造偏差为0.1mm。

4.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S20所述的实际点云数据的获取步骤如下：

S21、利用3D扫描仪获取待检测工件表面的点云数据；

S22、利用扫描仪内置的数据处理模块对点云数据进行拼接和去噪；

S23、利用Meshlab软件对S22步骤中处理后的点云数据进一步精简，作为实际点云数据，并输出为n行3列的文本格式，以备检测。

5.根据权利要求1或4所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，所述的3D扫描仪，为武汉惟景三维科技有限公司的PowerScan-Pro 5M，测量精度0.01mm，摄像头分辨率为2592×1944，扫面点间距0.077～0.154mm。

6.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S30所构建的支持向量机分类器为经典支持向量机分类器，其为二分类器。

7.根据权利要求6所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，在步骤S30中，利用python语言搭建二分类支持向量机分类器，选用径向基核函数，惩罚因子选用10，软化系数选用0.1。

8.根据权利要求1所述的一种基于点云模型的工件表面缺陷精确检测方法，其特征在于，步骤S50中的协方差矩阵3D测量法具体包括以下步骤：

S51、将步骤S40识别出来的缺陷点云数据，利用其三维坐标，构建矩阵A；

S52、按照公式(1)计算矩阵A的协方差矩阵的特征值和特征向量，其中特征值和特征向量相互对应，按照特征值的大小对特征向量进行排列，最大的特征值对应的特征向量即为第一主特征向量；

式中，Σ为矩阵A的协方差矩阵，

为特征向量，λ为特征值；

S53、以矩阵A的中心为原点，以特征向量为轴线，构建新的坐标系，其中，x轴对应第一主特征向量，y轴对应第二主特征向量，z轴对应第三主特征向量；将矩阵A按照公式(2)变换到新的坐标系下构成矩阵B：

式中，E(x)、E(y)、E(z)分别为x、y和z坐标的中点，P是由特征向量构成的旋转矩阵；

S54、缺陷特征的尺寸可由公式(3)得到：

式中，x_i，y_i和z_i分别为矩阵B中第一列、第二列和第三列的值，length、width和height分别为缺陷的三维尺寸。

Images