CN110232388B - 一种从蜂窝芯表面测量数据中识别蜂窝边的方法 - Google Patents
一种从蜂窝芯表面测量数据中识别蜂窝边的方法 Download PDFInfo
- Publication number
- CN110232388B CN110232388B CN201910503383.7A CN201910503383A CN110232388B CN 110232388 B CN110232388 B CN 110232388B CN 201910503383 A CN201910503383 A CN 201910503383A CN 110232388 B CN110232388 B CN 110232388B
- Authority
- CN
- China
- Prior art keywords
- vertex
- edge
- honeycomb
- corner
- theta
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004441 surface measurement Methods 0.000 title claims abstract description 11
- 238000005259 measurement Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 239000010410 layer Substances 0.000 claims description 69
- 239000002356 single layer Substances 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000000295 complement effect Effects 0.000 claims description 9
- 230000000717 retained effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 238000006073 displacement reaction Methods 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011162 core material Substances 0.000 description 63
- 210000004027 cell Anatomy 0.000 description 22
- 230000001413 cellular effect Effects 0.000 description 19
- 239000000523 sample Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 210000002421 cell wall Anatomy 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/06—Topological mapping of higher dimensional structures onto lower dimensional surfaces
- G06T3/067—Reshaping or unfolding 3D tree structures onto 2D planes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种从蜂窝芯表面测量数据中识别蜂窝边的方法。本发明包括如下步骤：将采集到的蜂窝芯表面三维数据进行二维坐标变换，通过角点检测算法识别蜂窝芯的二维平面投影图像中的角点，所述角点包括人形顶点、Y形顶点、伪顶点，还包括未识别出的缺失角点；基于所提出的角点类型判断算法，对蜂窝边的两个端点依次识别，其中一个端点是在相邻边识别时确定，另一个端点是通过对该识别顶点的局部分析确定；在蜂窝边的实现过程中能有效地对伪顶点进行排除，同时补充缺失的顶点，实现稳定高精度的蜂窝边识别。该方法有效解决了蜂窝芯测量的数据处理问题，方法灵活、精度高、鲁棒性好，能够满足实际加工后的蜂窝芯表面的测量要求。
Description
技术领域
本发明涉及一种从蜂窝芯表面测量数据中识别蜂窝边的方法。
背景技术
蜂窝芯作为极佳的高强度和超轻型结构，广泛应用于航空、航天、船舶和高速列车等领域。蜂窝芯是夹层结构的轻质芯材，其上下表面经数控加工形成特定曲面，与上下两层具有相反形状的薄板用胶粘接在一起，构成蜂窝芯夹层结构。蜂窝芯曲面加工质量的好坏和加工精度的高低，决定了其与上下薄板粘接的可靠性、进而影响整个蜂窝夹层结构的性能。因此在加工后粘接前，必须对蜂窝芯复杂曲面的加工精度进行检测，检测合格的构件才能粘接薄板形成蜂窝芯夹层构件。因此急需一种量化测量方法，用于检测蜂窝芯加工后的复杂曲面形状精度。
蜂窝芯加工表面具有非连续特征。蜂窝芯是一种多孔薄壁结构，蜂窝壁厚0.05mm-0.1mm，壁形状多为正六边形，壁边长2-5mm，蜂窝壁截面占其总表面积的比例小于10％，这种非连续特征导致蜂窝芯构件复杂曲面形状精度的测量困难。采用接触式的测量时，由于蜂窝壁过薄，接触式探针难以在蜂窝壁上定位，因此在实际测量中，对探针进行改装，在其表面粘接尺寸稍大的薄片。尽管通过增大接触面积的方式能够测量到一定的数据，但其会带来蜂窝壁的变形，并且测量精度差，测量效率低。
在专利申请号为201310485345.6，名称为“一种组合框架结构蜂窝芯平面度的测量方法”的专利中，其利用高精度的刀口尺和成套的三等或以上精度等级的量块，结合高度差的计算方法，进行蜂窝芯的平面度测量。该专利提供了整体上测量蜂窝芯平面度的方法，对于蜂窝芯材料的具体面形测量精度有限。
申请号为201610585321.1、201610585419.7的发明专利公开了一种用于蜂窝芯面形测量方法，在待测工件表面覆上一层薄膜，以一定的真空度将薄膜吸附压在蜂窝芯表面。以激光微位移传感器测量覆膜后的工件表面，获得蜂窝芯面形的测量数据。这种方法中的覆膜压在蜂窝壁表面，能够将加工中形成的毛刺压倒，避免蜂窝壁表面毛刺对测量精度的影响。但是测量前覆膜也使得测量过程复杂、需要增加覆膜和真空吸附装置，不适合加工现场的实时测量。
在申请号为201711002057.5，名称为“蜂窝芯面形测量数据毛刺去除方法”的发明专利公开了一种蜂窝芯表面形状非接触式测量方法，采用激光位移传感器扫描测量蜂窝芯面形。采用非接触式的测量时，由于蜂窝芯材料本身的特性，其测量结果中对应带有大量的毛刺数据。而由于蜂窝壁非常薄，其测量数据均等同于边缘数据，测量后的毛刺数据难以通过常规的滤波方法去除。在申请号为201711002057.5，名称为“蜂窝芯面形测量数据毛刺去除方法”和201810379213.8，名称为“蜂窝芯面形测量数据毛刺去除方法”的发明专利均公开了一种从面形测量数据中去除毛刺数据的方法，其针对的处理对象是单个蜂窝边。如果想要使用这种方法去除毛刺数据，首先要能够有效地识别出蜂窝边。在申请号为201711001309.2，名称为“从蜂窝芯表面测量数据中识别蜂窝边区域的方法”的发明专利公开了一种蜂窝边识别算法，通过识别出每条蜂窝边的两个端点，划分出每条蜂窝边的数据，实现对每条蜂窝边数据的单独数据处理。识别蜂窝边的算法是基于角点检测算法识别的角点，但存在两个问题：(1)其未考虑顶点没有被角点检测算法识别出的情况，会带来由这样的顶点构成的蜂窝边的漏识别；(2)其由蜂窝边的一个端点寻找另一个端点时，判断依据主要是设置为定值的蜂窝边的长度和倾角，但由于具体的蜂窝边的长度和倾角在一定范围内是变动的，因此这种判断依据不够精确，位于顶点附近的角点可能同时满足该判定条件，因此无法找到真正的顶点，造成误判。而蜂窝边的识别为连锁过程，单个顶点的识别错误，很容易影响到后续的边识别结果，尤其对于表面质量稍差的表面，其无法获得稳定的边识别结果，故很难在实际测量中加以应用。因此，稳定的蜂窝边识别算法是实现蜂窝芯加工面形非接触式测量的关键。
发明内容
本发明针对以上问题的提出，而公开了一种从蜂窝芯表面测量数据中识别蜂窝边的方法。
本发明提出了基于角点附近数据分析的角点类型判断算法，能够排除毛刺所带来的干扰，从角点检测算法识别的角点中准确地确定出真正的顶点。在识别蜂窝边时，考虑到两种类型的顶点分别对应不同方向的蜂窝边，则对应的要识别的顶点类型不同，进而有效地对伪顶点进行排除，同时补充缺失的顶点，实现稳定高精度的蜂窝边识别。
为达到上述目的，本发明所采取的方法包括如下步骤：
将采集到的蜂窝芯表面三维数据进行二维坐标变换，通过角点检测算法识别蜂窝芯的二维平面投影图像中的角点，所述角点包括人形顶点、Y形顶点、伪顶点，还包括未识别出的缺失角点；
基于角点类型判断算法对任意给定的角点进行类型判断，所述角点类型判断算法用于确定出哪些角点才是真正的顶点，具体地，
对任意给定的角点C(xc,yc)，其类型人形顶点、Y形顶点、伪顶点能够根据其周围分布的射线的方向来判断，在C附近选定用于分析的数据，对分析的数据进行极坐标变换，提取出分布的射线的方向，基于预设的规则确定出C的类型；
结合角点类型判断算法对角点检测算法识别出的角点逐个进行处理，逐条识别出所有蜂窝边，具体地，
对所述角点检测算法识别的角点以y坐标增大的顺序排序，如果Ci是伪顶点，直接处理下一个顶点；如果Ci是人形顶点，识别以其为起始顶点的一条双层边；如果Ci是Y形顶点，识别以其为起始顶点的两条单层边；确定出的末尾顶点其角点类型则被确定，起始顶点和末尾顶点的连线即为一条蜂窝边，将所述确定出的末尾顶点作为新的蜂窝边的起始顶点，循环此步骤直至所有的蜂窝边确定。
进一步地，通过激光位移传感器或者其他测量手段对蜂窝芯的表面进行扫描测量，对测量的蜂窝芯表面三维数据进行坐标变换，使变换后的数据以六边形中双层边的方向沿坐标系y轴，双层边的垂直方向沿x轴；并进行数据网格化，使测量数据以矩阵形式存储，并使矩阵的行沿x轴，列沿y轴，以蜂窝芯板的厚度作为矩阵中元素的数值，蜂窝芯的六边形边共有三种方向，除了所述双层边，还有两条单层边，六边形顶点按照周围三条边的方向的分布，可以分为人形顶点和Y形顶点，所述人形顶点为周围边分布如人字的顶点，所述Y形顶点为周围边分布如Y字的顶点，位于双层边下方的顶点为人形顶点，位于双层边上方的顶点为Y形顶点。
进一步地，所述角点类型判断时在C附近选定用于分析的数据具体为：
定义相邻双层边的距离为Wf，双层边长度为Lf1，单层边长度沿双层边长度方向的分量为Lf2；
选定的分析数据为以C为中心的矩形，沿x轴方向长度为0.5Wf，沿y轴方向长度为1.5min(Lf1，Lf2)；其中该矩形的中心区域数据去除，去除区域尺寸沿x轴和y轴方向各为总长的1/3。
进一步地，所述角点类型判断时对分析的数据进行坐标变换的方法为：
对分析的数据建立以C(xc,yc)为中心的极坐标系，则每个数据点(x,y)在极坐标系下的坐标(ρ,θ)为：
其中atan2是用于产生在区间(-π,π]的方向角:
数据点的ρ-θ关系中，以C为端点的射线上的点在某一θ值附近聚集，不同类型的顶点产生数据点聚集的θ值不同，以此确定出C的类型。
进一步地，所述角点类型判断时提取出分布的射线的角度的具体过程为：
在(-180°,180°]范围内，每Δθ度取一个角度值θ1,θ2,…,θm，分别计算每个值对应积累的数据点数H1,H2,…,Hm；Δθ为选取的需要统计的角度数据间隔，Δθ越小最终能得到的顶点周围的蜂窝边的角度值越精确，但计算效率越低，Δθ取值为0.5-10；
在θk处的累积点数Hk(k＝1,2,…m)的数值具体为，范围[θk-θr，θk+θr]内的数据点数；θr为用于计算θk处累计点数量的角度范围，相当于滤波算法中的滤波半径；θr取值为10-30，获得H随θ变化的光滑曲线；
提取H-θ分布曲线的局部峰值(θk,Hk)，满足：
如果相邻角度同时被检测为峰值，去除较小的角度值；
如果总的峰值数量小于三个，C是伪顶点；
如果总的峰值数量大于等于三个，取前三个最大的峰值作为最后保留的峰值，并按照增大的顺序排序θk1<θk2<θk3。
进一步地，所述角点类型判断时最终确定出C的类型的具体过程为：
三个方向的蜂窝边在长度和方向在一定范围内是变动的，将他们平移，使其下面的端点为原点，则其长度和其与x轴正方向的夹角满足如下分布：
双层边：长度[ρd-ρdevd,ρd+ρdevd],倾角[θd-θdevd,θd+θdevd] (4)
单层边1：长度[ρs1-ρdevs,ρs1+ρdevs],倾角[θs1-θdevs,θs1+θdevs] (5)
单层边2：长度[ρs2-ρdevs,ρs2+ρdevs],倾角[θs2-θdevs,θs2+θdevs] (6)
其中ρd和θd为双层边的基本长度和倾角，ρs1,θs1,ρs2和θs2分别为两个单层边的基本长度和倾角,ρdevd和θdevd为双层边的尺寸偏差，ρdevs和θdevs为两个单层边的尺寸偏差；
如果最终保留的三个角度满足：
C是人形顶点；
如果最终保留的三个角度满足：
C是Y形顶点；
否则，C是伪顶点。
进一步地，所述蜂窝边识别的具体实现过程中：对角点检测算法识别的角点以y坐标增大的顺序逐个分析时，对于正在分析的角点Ci，其角点类型包含两种情况：
当角点Ci位于所识别的蜂窝边的底部区域，在分析时，其类型可能未知，通过角点判断算法对其类型进行判断，确定其为人形顶点、Y形顶点或者是伪顶点；
当角点Ci位于所识别的蜂窝边的非底部区域，在分析时，其为已经识别的其他边的端点，其类型在其他边识别时其类型已经被确定，其只可能是人形顶点或Y形顶点，因为伪顶点在确定的时候已经被删除。
进一步地，所述蜂窝边识别的具体实现过程中在其y轴正方向划分搜索窗口具体尺寸取决于其顶点类型：
如果角点Ci是人形顶点，用于识别双层边，其对应一个包含双层边的搜索窗口，该搜索窗口以角点Ci为其底边中点的矩形，矩形沿x轴方向长度为3/4Wf，沿y轴方向长度为Lf1+1/2Lf2；
如果角点Ci是Y形顶点，用于识别两个单层边，其对应两个分别包含两个单层边的搜索窗口，其中一个搜索窗口以角点Ci为其底边左侧端点的矩形，另一个搜索窗口以角点Ci为其底边右侧端点的矩形，两个矩形沿x轴方向长度均为3/4Wf，沿y轴方向长度均为1/2Lf1+Lf2。
进一步地，所述蜂窝边识别的具体实现过程中在搜索窗口中确定出其对应的末尾顶点的具体过程为：
如果角点Ci是人形顶点，其对应的末尾顶点Cd满足：Ⅰ.Cd是一个Y形顶点，其类型由角点判断算法确定；Ⅱ.所确定的双层边，即Ci和Cd的连线满足其尺寸分布，即公式(4)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的双层边的末尾顶点Cd；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用双层边的基本尺寸，即长度ρd和倾角θd，求解出其另一个端点，作为补充的末尾顶点Cd，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs1满足：Ⅰ.Cs1是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边1，即Ci和Cs1的连线满足其尺寸分布，即公式(5)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边1的末尾顶点Cs1；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边1的基本尺寸，即长度ρs1和倾角θs1，求解出其另一个端点，作为补充的末尾顶点Cs1，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs2满足：Ⅰ.Cs2是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边2，即Ci和Cs2的连线满足其尺寸分布，即公式(6)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边2的末尾顶点Cs2；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边2的基本尺寸，即长度ρs2和倾角θs2，求解出其另一个端点，作为补充的末尾顶点Cs2，并根据其y坐标的大小将其插入到正在分析的角点序列；
起始顶点和末尾顶点之间的角点即为伪顶点，将其删除，则伪顶点不会被分析。
与现有技术相比，本发明具有以下有益效果：
1.提出了基于角点附近数据分析的角点类型判断算法，不受毛刺数据的干扰，能够从识别的角点中准确地确定出真正的顶点，从而提高了识别的蜂窝边的定位精度。
2.在识别蜂窝边时，考虑到两种类型的顶点分别对应不同方向的蜂窝边，则对应的要识别的顶点类型不同，进而有效地对伪顶点进行排除，同时补充缺失的顶点，避免了因为顶点缺失带来的蜂窝边识别的遗漏问题。
3.提出的蜂窝边识别算法对于毛刺较多的表面仍然有稳定的识别结果，具有较高的鲁棒性，能够在实际测量中应用。
附图说明
为了更清楚的说明本发明的实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的算法流程图。
图2是本发明实施例中蜂窝边和角点分类示意图。
图3是本发明实施例中角点识别的结果。
图4是本发明角点类型判断的流程图。
图5是本发明实施例中角点类型判断时选择的分析数据，其中(a)为人形顶点，(b)为Y形顶点，(c)为伪顶点。
图6是本发明实施例中角点类型判断时数据点的ρ-θ关系图，其中(a)为人形顶点，(b)为Y形顶点，(c)为伪顶点。
图7是本发明实施例中角点类型判断时数据点在不同角点的累积曲线图，其中(a)为人形顶点，(b)为Y形顶点，(c)为伪顶点。
图8是本发明实施例中蜂窝边的尺寸图。
图9是本发明实施例中蜂窝边识别示意图，其中(a)为人形顶点，(b)为Y形顶点。
图10是本发明实施例中角点类型判断效果图，其中(a)为原始测量数据，(b)为对应的角点类型判断结果。
图11是本发明实施例中的蜂窝芯实物图。
图12是图11中样件一的蜂窝边识别结果图。
图13是图11中样件二的蜂窝边识别结果图。
图14是图11中样件三的蜂窝边识别结果图。
具体实施方式
为使本发明的实施例的目的、技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：
1.获取蜂窝芯表面的三维面形数据
通过激光位移传感器或者其他测量手段对蜂窝芯的表面进行扫描测量，对测量的蜂窝芯表面三维数据进行坐标变换，使变换后的数据以六边形中双层边的方向沿坐标系y轴，本实施例蜂窝芯表面的六边形为较规则的六边形，即存在至少一条互相平行的边，此边即所述双层边，可选的实施方式中也包括不规则六边形、正六边形、等角但不等边六边形等蜂窝芯能够稳定存在的形状，双层边的垂直方向沿x轴；并进行数据网格化，使测量数据以矩阵形式存储，以便于数据处理操作，并使矩阵的行沿x轴，列沿y轴，以蜂窝芯板的厚度作为矩阵中元素的数值。
蜂窝芯的六边形边共有三种方向，除了所述双层边，还有两条单层边，所述单层边为与所述双层边邻接的斜边，如图2所示；六边形顶点按照周围三条边的方向的分布，可以分为人形顶点和Y形顶点，所述人形顶点为周围边分布如人字的顶点，所述Y形顶点为周围边分布如Y字的顶点，从图2中可以明显得出结论：位于双层边下方的顶点为人形顶点；位于双层边上方的顶点为Y形顶点。
2.进行蜂窝芯的顶点识别
建立蜂窝芯的xoy平面投影图像，对其采用角点检测算法进行角点识别，具体地，通过Harris角点检测算法进行角点检测，识别角点是在缩小一定比例的蜂窝芯xoy平面投影图像上进行的，再将识别后的角点放大对应的比例找到其在原始图像上的位置。其中，角点识别的阈值设置为固定值。所述确定所述采用角点检测算法识别角点时所用到的两个参数数据密度缩小值和算法的阈值均设定为固定值，不需要对不同测量件单独调节。
如图3所示，由于实际测量的蜂窝芯并非完全规则的六边形形状，顶点周围的数据分布存在一定不确定性，角点识别的结果难以完全与真正的顶点意义匹配。在蜂窝边上由于毛刺的干扰，可能会被误识别，如图3中标记的多余顶点，而部分真正的顶点可能会被遗漏，如图3中标记的缺失顶点。因此，识别的角点中包含有人形顶点、Y形顶点、伪顶点(即非人形顶点和Y形顶点，仍被标记出来的点)，并有部分顶点缺失。
3.角点类型判断算法
为了确定出识别的角点中哪些角点才是真正的顶点，提出了角点类型判断算法，以对任意给定的角点进行类型判断，根据其周围分布的射线的方向来判断其类型是人形顶点、Y形顶点或者伪顶点。
角点类型判断的流程图如图4，具体过程为：
(1)在C附近选定用于分析的数据；
顶点是三条蜂窝边的交点，不同类型的顶点三条蜂窝边相对于该顶点的方向不同；为了具体描述出这些蜂窝边的方向角，在C附近选定一定数据用于分析；由于在特别靠近C的数据聚集在一起，没有特别明显地分布在三条蜂窝边上，因此最后选定的分析数据为以C为中心，中间为空的矩形区域。
定义相邻双层边的距离为Wf，双层边长度为Lf1，单层边长度沿双层边长度方向的分量为Lf2；选定的分析数据为以C为中心的矩形，沿x轴方向长度为0.5Wf，沿y轴方向长度为1.5min(Lf1，Lf2)；中该矩形的中心区域数据去除，去除区域尺寸沿x轴和y轴方向各为总长的1/3。
数据选择的结果如图5所示，对于不同类型的角点，其周围分布的蜂窝边明显方向不同。其中图5(a)为人形顶点，图5(b)为Y形顶点，图5(c)为伪顶点。
(2)对分析的数据进行坐标变换；
为了量化描述围绕所分析的角点的蜂窝边的方向，对分析数据建立以C(xc,yc)为中心的极坐标系，则每个数据点(x,y)在极坐标系下的坐标(ρ,θ)为：
其中atan2是用于产生在区间(-π,π]的方向角:
如图6所示，观察数据点的ρ-θ关系，可以发现以C为端点的射线上的点在某一θ值附近聚集，而不同类型的顶点，产生数据点聚集的θ值不同，以此确定出C的类型。其中图6(a)为人形顶点，图6(b)为Y形顶点，图6(c)为伪顶点。
(3)提取出分布的射线的方向；
如图6所示，同一条射线上的数据点在相同的极角附近聚集，该极角值则可以用来判断角点类型。在整个角度分布范围内，如果在每个角度的累积点被计算，在存在射线的极角值会出现峰值。
在(-180°,180°]范围内，每Δθ度取一个角度值θ1,θ2,…,θm，分别计算每个值对应积累的数据点数H1,H2,…,Hm；Δθ为选取的需要统计的角度数据间隔，Δθ越小最终能得到的顶点周围的蜂窝边的角度值越精确，但计算效率越低，Δθ取值为0.5-10；本实施例中，Δθ取值为4°，由于蜂窝壁的方向范围比较大，要求的角度精度比较低，因此每4°计算一次角度，能够提高效率；
在θk处的累积点数Hk(k＝1,2,…m)的数值具体为，范围[θk-θr，θk+θr]内的数据点数；θr为用于计算θk处累计点数量的角度范围，相当于滤波算法中的滤波半径；θr取值为10-30，利于角度峰值的提取，获得H随θ变化的光滑曲线，有；
提取H-θ分布曲线的局部峰值(θk,Hk)，满足：
如果相邻角度同时被检测为峰值，去除较小的角度值；
如果总的峰值数量小于三个，C是伪顶点；
如果总的峰值数量大于等于三个，C是可能是一个顶点，取前三个最大的峰值作为最后保留的峰值，进行接下来的分析判断并按照增大的顺序排序θk1<θk2<θk3。
结果如图7所示。其中图7(a)为人形顶点，图7(b)为Y形顶点，图7(c)为伪顶点。
(4)最终确定出C的类型；
三个方向的蜂窝边在长度和方向在一定范围内是变动的，将他们平移，使其下面的端点为原点，如图8所示，则其长度和其与x轴正方向的夹角满足如下分布：
双层边：长度[ρd-ρdevd,ρd+ρdevd],倾角[θd-θdevd,θd+θdevd] (4)
单层边1：长度[ρs1-ρdevs,ρs1+ρdevs],倾角[θs1-θdevs,θs1+θdevs] (5)
单层边2：长度[ρs2-ρdevs,ρs2+ρdevs],倾角[θs2-θdevs,θs2+θdevs] (6)
其中ρd和θd为双层边的基本长度和倾角，ρs1,θs1,ρs2和θs2分别为两个单层边的基本长度和倾角，ρdevs和θdevs为两个单层边的尺寸偏差；
—如果最终保留的三个角度满足：
C是人形顶点；
—如果最终保留的三个角度满足：
C是Y形顶点；
—否则，C是伪顶点。
4.蜂窝边识别算法
蜂窝边识别的流程图如图1。
蜂窝边区域识别的过程就是确定每条蜂窝边两个端点的过程，定义首先识别的端点为“起始顶点”，另一个端点为“末尾顶点”；蜂窝边按照其起始顶点的y坐标增大的顺序进行识别，以避免蜂窝边的重复识别；则起始顶点为y坐标较小的端点，末尾顶点为y坐标较大的端点；具体实现方法如下：
对角点检测算法识别的角点以y坐标增大的顺序逐个分析时，对于正在分析的角点Ci，其角点类型包含两种情况：
当角点Ci位于所识别的蜂窝边的底部区域，在分析时，其类型可能未知，通过角点判断算法对其类型进行判断，确定其为人形顶点、Y形顶点或者是伪顶点；
当角点Ci位于所识别的蜂窝边的非底部区域，在分析时，其为已经识别的其他边的端点，其类型在其他边识别时其类型已经被确定，其只可能是人形顶点或Y形顶点，因为伪顶点在确定的时候已经被删除。
所述蜂窝边识别的具体实现过程中在其y轴正方向划分搜索窗口具体尺寸取决于其顶点类型，如图9所示：
如果角点Ci是人形顶点，用于识别双层边，其对应一个包含双层边的搜索窗口，该搜索窗口以角点Ci为其底边中点的矩形，矩形沿x轴方向长度为3/4Wf，沿y轴方向长度为Lf1+1/2Lf2，如图9(a)；
如果角点Ci是Y形顶点，用于识别两个单层边，其对应两个分别包含单层边的搜索窗口，其中一个搜索窗口以角点Ci为其底边左侧端点的矩形，另一个搜索窗口以角点Ci为其底边右侧端点的矩形，两个矩形沿x轴方向长度均为3/4Wf，沿y轴方向长度均为1/2Lf1+Lf2，如图9(b)。
所述蜂窝边识别的具体实现过程中在搜索窗口中确定出其对应的末尾顶点的具体过程为：
如果角点Ci是人形顶点，其对应的末尾顶点Cd满足：Ⅰ.Cd是一个Y形顶点，其类型有角点判断算法确定；Ⅱ.所确定的双层边(Ci和Cd的连线)满足其尺寸分布，即公式(4)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的双层边的末尾顶点Cd；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用双层边的基本尺寸，即长度ρd和倾角θd，求解出其另一个端点，作为补充的末尾顶点Cd，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs1满足：Ⅰ.Cs1是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边1，即Ci和Cs1的连线满足其尺寸分布，即公式(5)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边1的末尾顶点Cs1；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边1的基本尺寸，即长度ρs1和倾角θs1，求解出其另一个端点，作为补充的末尾顶点Cs1，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs2满足：Ⅰ.Cs2是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边2，即Ci和Cs2的连线满足其尺寸分布，即公式(6)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边2的末尾顶点Cs2；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边2的基本尺寸，即长度ρs2和倾角θs2，求解出其另一个端点，作为补充的末尾顶点Cs2，并根据其y坐标的大小将其插入到正在分析的角点序列；
起始顶点和末尾顶点之间的角点即为伪顶点，将其删除，则伪顶点不会被分析。
实施例1
1.获取蜂窝芯表面的三维面形数据
本实施例所选用的激光位移传感器为基恩士公司的超高速轮廓测量仪(LJ-V7060)。该测量仪，采用蓝色半导体激光，可以实现稳定和超高速测量，采样间隔可达16μs，其Z轴方向重复测量精度可达0.4μm，测量轮廓数据间隔20μm，测量的激光线长度为15mm。测量时，将轮廓测量仪测头安装在三轴数控机床上，蜂窝芯样件固定在机床工作台，由机床控制轮廓测量仪测头的运动，对蜂窝芯的表面进行扫描。蜂窝芯进行扫描时，沿蜂窝芯双层边或者双层边的垂直方向扫描，能够获得测量数据，其密度均匀为40点/mm×50点/mm。对测量数据建立坐标系，使变换后的数据以六边形中双层边的方向沿坐标系y轴，双层边的垂直方向沿x轴；使测量数据以矩阵形式存储，以便于数据处理操作，并使矩阵的行沿x轴，列沿y轴，以蜂窝芯板的厚度作为矩阵中元素的数值。
蜂窝芯的六边形边共有三种方向，除了所述双层边，还有两条单层边，如图2所示；六边形顶点按照周围三条边的方向的分布，可以分为人形顶点和Y形顶点；位于双层边下方的顶点为人形顶点；位于双层边上方的顶点为Y形顶点，如图2所示。
2.进行蜂窝芯的顶点识别
建立蜂窝芯的xoy平面投影图像，对其采用Harris角点检测算法进行角点检测，识别角点是在缩小一定比例的蜂窝芯xoy平面投影图像上进行的，再将识别后的角点放大对应的比例找到其在原始图像上的位置。
如图3所示，识别的角点中包含有人形顶点、Y形顶点、伪顶点，并有部分顶点缺失。
3.角点类型判断算法
为了确定出哪些角点才是真正的顶点，提出了角点类型判断算法，以对任意给定的角点进行类型判断，根据其周围分布的射线的方向来判断其类型是人形顶点、Y形顶点或者伪顶点。
角点类型判断的流程图如图4，具体过程为：
(1)在C附近选定用于分析的数据；
顶点是三条蜂窝边的交点，不同类型的顶点三条蜂窝边相对于该顶点的方向不同；为了具体描述出这些蜂窝边的方向角，在C附近选定一定数据用于分析；由于在特别靠近C的数据聚集在一起，没有特别明显地分布在三条蜂窝边上，因此最后选定的分析数据为以C为中心，中间为空的矩形区域。
定义相邻双层边的距离为Wf，双层边长度为Lf1，单层边长度沿双层边长度方向的分量为Lf2；选定的分析数据为以C为中心的矩形，沿x轴方向长度为0.5Wf，沿y轴方向长度为1.5min(Lf1，Lf2)；中该矩形的中心区域数据去除，去除区域尺寸沿x轴和y轴方向各为总长的1/3。
数据选择的结果如图5所示，对于不同类型的角点，其周围分布的蜂窝边明显方向不同。其中图5(a)为人形顶点，图5(b)为Y形顶点，图5(c)为伪顶点。
(2)对分析的数据进行坐标变换；
为了量化描述围绕所分析的角点的蜂窝边的方向，对分析数据建立以C(xc,yc)为中心的极坐标系，则每个数据点(x,y)在极坐标系下的坐标(ρ,θ)为：
其中atan2是用于产生在区间(-π,π]的方向角:
如图6所示，观察数据点的ρ-θ关系，可以发现以C为端点的射线上的点在某一θ值附近聚集，而不同类型的顶点，产生数据点聚集的θ值不同。其中图6(a)为人形顶点，图6(b)为Y形顶点，图6(c)为伪顶点。
(3)提取出分布的射线的方向；
如图6所示，同一条射线上的数据点在相同的极角附近聚集，该极角值则可以用来判断角点类型。在整个角度分布范围内，如果在每个角度的累积点被计算，在存在射线的极角值会出现峰值。
在(-180°,180°]范围内，每4°取一个角度值θ1,θ2,…,θm，分别计算每个值对应积累的数据点数H1,H2,…,Hm；由于蜂窝壁的方向范围比较大，要求的角度精度比较低，因此每4°计算一次角度，能够提高效率；在θk处累积点数Hk为范围[θk-Δθ，θk+Δθ]内的数据点数；Δθ取值可以为10-30，Δθ取值较大，是为了获得光滑曲线，有利于角度峰值的提取；能够获得H-θ分布为光滑的曲线；
提取H-θ分布曲线的局部峰值(θk,Hk)，满足：
如果相邻角度同时被检测为峰值，去除较小的角度值；
如果总的峰值数量小于三个，C是伪顶点；
如果总的峰值数量大于等于三个，C是可能是一个顶点，取前三个最大的峰值作为最后保留的峰值，进行接下来的分析判断并按照增大的顺序排序θk1<θk2<θk3。
数据点在不同角点的累积曲线图如图7所示。其中图7(a)为人形顶点，图7(b)为Y形顶点，图7(c)为伪顶点。
(4)最终确定出C的类型；
三个方向的蜂窝边在长度和方向在一定范围内是变动的，将他们平移，使其下面的端点为原点，如图8所示，则其长度和其与x轴正方向的夹角满足如下分布：
双层边：长度[ρd-ρdevd,ρd+ρdevd],倾角[θd-θdevd,θd+θdevd] (4)
单层边1：长度[ρs1-ρdevs,ρs1+ρdevs],倾角[θs1-θdevs,θs1+θdevs] (5)
单层边2：长度[ρs2-ρdevs,ρs2+ρdevs],倾角[θs2-θdevs,θs2+θdevs] (6)
其中ρd和θd为双层边的基本长度和倾角，ρs1,θs1,ρs2和θs2分别为两个单层边的基本长度和倾角，ρdevs和θdevs为两个单层边的尺寸偏差；
如果最终保留的三个角度满足：
C是人形顶点；
如果最终保留的三个角度满足：
C是Y形顶点；
—否则，C是伪顶点。
4.角点类型判断算法效果观测
由于角点类型判断算法主要应用在检测的角点上，而少数的角点未必是在测量的蜂窝壁数据上，因此在使用角点类型判断算法检测时，对整个区域内的每个数据点均进行检验，以判断其应用效果。效果如图10，其中图10(a)为原始测量数据，图10(b)为对应的角点类型判断结果。如图可以看出所采用的角点判断算法能够判断出属于角点区域的绝大多数数据点。即是有少量遗漏和误判，在真正边识别算法中，这不是唯一的判据，也不会对边识别结果又影响。而其如此高的准确率，能极大的提高边识识别的精度。
5.蜂窝边识别算法
蜂窝边识别的流程图如图1。
蜂窝边区域识别的过程就是确定每条蜂窝边两个端点的过程，定义首先识别的端点为“起始顶点”，另一个端点为“末尾顶点”；蜂窝边按照其起始顶点的y坐标增大的顺序进行识别，以避免蜂窝边的重复识别；则起始顶点为y坐标较小的端点，末尾顶点为y坐标较大的端点；具体实现方法如下：
对角点检测算法识别的角点以y坐标增大的顺序逐个分析时，对于正在分析的角点Ci，其角点类型包含两种情况：
当角点Ci位于所识别的蜂窝边的底部区域，在分析时，其类型可能未知，通过角点判断算法对其类型进行判断，确定其为人形顶点、Y形顶点或者是伪顶点；
当角点Ci位于所识别的蜂窝边的非底部区域，在分析时，其为已经识别的其他边的端点，其类型在其他边识别时其类型已经被确定，其只可能是人形顶点或Y形顶点，因为伪顶点在确定的时候已经被删除。
所述蜂窝边识别的具体实现过程中在其y轴正方向划分搜索窗口具体尺寸取决于其顶点类型，如图9所示：
如果角点Ci是人形顶点，用于识别双层边，其对应一个包含双层边的搜索窗口，该搜索窗口以角点Ci为其底边中点的矩形，矩形沿x轴方向长度为3/4Wf，沿y轴方向长度为Lf1+1/2Lf2，如图9(a)；
如果角点Ci是Y形顶点，用于识别两个单层边，其对应两个分别包含单层边的搜索窗口，其中一个搜索窗口以角点Ci为其底边左侧端点的矩形，另一个搜索窗口以角点Ci为其底边右侧端点的矩形，两个矩形沿x轴方向长度均为3/4Wf，沿y轴方向长度均为1/2Lf1+Lf2，如图9(b)。
所述蜂窝边识别的具体实现过程中在搜索窗口中确定出其对应的末尾顶点的具体过程为：
如果角点Ci是人形顶点，其对应的末尾顶点Cd满足：Ⅰ.Cd是一个Y形顶点，其类型有角点判断算法确定；Ⅱ.所确定的双层边(Ci和Cd的连线)满足其尺寸分布；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs1满足：Ⅰ.Cs1是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边1(Ci和Cs1的连线)满足其尺寸分布；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs2满足：Ⅰ.Cs2是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边2(Ci和Cs2的连线)满足其尺寸分布；
对搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的末尾顶点；如果所有角点都不满足以上的条件，则按照对应边的基本尺寸求解出对应的末尾顶点，并根据其y坐标的大小将其插入到正在分析的角点序列；
起始顶点和末尾顶点之间的角点即为伪顶点，将其删除，则伪顶点不会被分析。
6.蜂窝边识别算法效果观测
本发明选取三个样件进行以上方法的验证。因为本发明的方法是在蜂窝芯的二维图像上处理，因此高度变化对测量结果没有影响。为验证所提出的边识别的算法的效果，本发明所选取的样件如图11所示，样件一为纸蜂窝芯；样件二孔格尺寸比样件一稍大纸蜂窝芯；样件三为铝蜂窝芯。在其整个表面应用边识别算法，除了下面起始部分少量蜂窝边遗漏外，其他蜂窝边都能准确地识别出，没有明显的蜂窝边位置错误。三个样件的识别率均达到了98％以上。为了进一步观测其效果，在每个样件均选取局部区域进行观测，其结果分别如图12、13、14所示，其中角点识别结果在图中以蓝色“*”表示；识别出的蜂窝边通过其两个端点的连线表示。在其表面带有大量毛刺的情况下，蜂窝边能有效地被识别，而且识别出的蜂窝边的两个端点具有很高的位置精度。因此，这种边识别的方法能够在实际测量的蜂窝芯上应用。根据识别出的两个端点，每条蜂窝边的数据很容易被单独划分出来，单独数据处理。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (5)
1.一种从蜂窝芯表面测量数据中识别蜂窝边的方法，其特征在于包括如下步骤：
将采集到的蜂窝芯表面三维数据进行二维坐标变换，通过角点检测算法识别蜂窝芯的二维平面投影图像中的角点，所述角点包括人形顶点、Y形顶点、伪顶点，还包括未识别出的缺失角点；
基于角点类型判断算法对任意给定的角点进行类型判断，所述角点类型判断算法用于确定出哪些角点才是真正的顶点，具体地，
对任意给定的角点C(xc,yc)，其类型人形顶点、Y形顶点、伪顶点能够根据其周围分布的射线的方向来判断，在C附近选定用于分析的数据，对分析的数据进行极坐标变换，提取出分布的射线的方向，基于预设的规则确定出C的类型；
结合角点类型判断算法对角点检测算法识别出的角点逐个进行处理，逐条识别出所有蜂窝边，具体地，
对所述角点检测算法识别的角点以y坐标增大的顺序排序，如果Ci是伪顶点，直接处理下一个顶点；如果Ci是人形顶点，识别以其为起始顶点的一条双层边；如果Ci是Y形顶点，识别以其为起始顶点的两条单层边；确定出的末尾顶点其角点类型则被确定，起始顶点和末尾顶点的连线即为一条蜂窝边，将所述确定出的末尾顶点作为新的蜂窝边的起始顶点，循环此步骤直至所有的蜂窝边确定；
所述角点类型判断时在C附近选定用于分析的数据具体为：
定义相邻双层边的距离为Wf，双层边长度为Lf1，单层边长度沿双层边长度方向的分量为Lf2；
选定的分析数据为以C为中心的矩形，沿x轴方向长度为0.5Wf，沿y轴方向长度为1.5min(Lf1，Lf2)；其中该矩形的中心区域数据去除，去除区域尺寸沿x轴和y轴方向各为总长的1/3；
所述角点类型判断时对分析的数据进行坐标变换的方法为：
对分析的数据建立以C(xc,yc)为中心的极坐标系，则每个数据点(x,y)在极坐标系下的坐标(ρ,θ)为：
其中atan2是用于产生在区间(-π,π]的方向角:
数据点的ρ-θ关系中，以C为端点的射线上的点在某一θ值附近聚集，不同类型的顶点产生数据点聚集的θ值不同，以此确定出C的类型；
所述角点类型判断时提取出分布的射线的角度的具体过程为：
在(-180°,180°]范围内，每Δθ度取一个角度值θ1,θ2,…,θm，分别计算每个值对应积累的数据点数H1,H2,…,Hm；Δθ为选取的需要统计的角度数据间隔，Δθ越小最终能得到的顶点周围的蜂窝边的角度值越精确，但计算效率越低，Δθ取值为0.5-10；
在θk处的累积点数Hk(k＝1,2,…m)的数值具体为，范围[θk-θr，θk+θr]内的数据点数；θr为用于计算θk处累计点数量的角度范围，相当于滤波算法中的滤波半径；θr取值为10-30，获得H随θ变化的光滑曲线；
提取H-θ分布曲线的局部峰值(θk,Hk)，满足：
如果相邻角度同时被检测为峰值，去除较小的角度值；
如果总的峰值数量小于三个，C是伪顶点；
如果总的峰值数量大于等于三个，取前三个最大的峰值作为最后保留的峰值，并按照增大的顺序排序θk1<θk2<θk3；
所述角点类型判断时最终确定出C的类型的具体过程为：
三个方向的蜂窝边在长度和方向在一定范围内是变动的，将他们平移，使其下面的端点为原点，则其长度和其与x轴正方向的夹角满足如下分布：
双层边：长度[ρd-ρdevd,ρd+ρdevd],倾角[θd-θdevd,θd+θdevd](4)单层边1：长度[ρs1-ρdevs,ρs1+ρdevs],倾角[θs1-θdevs,θs1+θdevs](5)单层边2：长度[ρs2-ρdevs,ρs2+ρdevs],倾角[θs2-θdevs,θs2+θdevs](6)
其中ρd和θd为双层边的基本长度和倾角，ρs1,θs1,ρs2和θs2分别为两个单层边的基本长度和倾角,ρdevd和θdevd为双层边的尺寸偏差，ρdevs和θdevs为两个单层边的尺寸偏差；
如果最终保留的三个角度满足：
C是人形顶点；
如果最终保留的三个角度满足：
C是Y形顶点；
否则，C是伪顶点。
2.根据权利要求1所述的从蜂窝芯表面测量数据中识别蜂窝边的方法，其特征还在于：通过激光位移传感器或者其他测量手段对蜂窝芯的表面进行扫描测量，对测量的蜂窝芯表面三维数据进行坐标变换，使变换后的数据以六边形中双层边的方向沿坐标系y轴，双层边的垂直方向沿x轴；并进行数据网格化，使测量数据以矩阵形式存储，并使矩阵的行沿x轴，列沿y轴，以蜂窝芯板的厚度作为矩阵中元素的数值，蜂窝芯的六边形边共有三种方向，除了所述双层边，还有两条单层边，六边形顶点按照周围三条边的方向的分布，可以分为人形顶点和Y形顶点，所述人形顶点为周围边分布如人字的顶点，所述Y形顶点为周围边分布如Y字的顶点，位于双层边下方的顶点为人形顶点，位于双层边上方的顶点为Y形顶点。
3.根据权利要求1所述的从蜂窝芯表面测量数据中识别蜂窝边的方法，其特征还在于：所述蜂窝边识别的具体实现过程中：对角点检测算法识别的角点以y坐标增大的顺序逐个分析时，对于正在分析的角点Ci，其角点类型包含两种情况：
当角点Ci位于所识别的蜂窝边的底部区域，在分析时，其类型可能未知，通过角点判断算法对其类型进行判断，确定其为人形顶点、Y形顶点或者是伪顶点；
当角点Ci位于所识别的蜂窝边的非底部区域，在分析时，其为已经识别的其他边的端点，其类型在其他边识别时其类型已经被确定，其只可能是人形顶点或Y形顶点，因为伪顶点在确定的时候已经被删除。
4.根据权利要求1或3所述的从蜂窝芯表面测量数据中识别蜂窝边的方法，其特征还在于：所述蜂窝边识别的具体实现过程中在其y轴正方向划分搜索窗口具体尺寸取决于其顶点类型：
如果角点Ci是人形顶点，用于识别双层边，其对应一个包含双层边的搜索窗口，该搜索窗口以角点Ci为其底边中点的矩形，矩形沿x轴方向长度为3/4Wf，沿y轴方向长度为Lf1+1/2Lf2；
如果角点Ci是Y形顶点，用于识别两个单层边，其对应两个分别包含两个单层边的搜索窗口，其中一个搜索窗口以角点Ci为其底边左侧端点的矩形，另一个搜索窗口以角点Ci为其底边右侧端点的矩形，两个矩形沿x轴方向长度均为3/4Wf，沿y轴方向长度均为1/2Lf1+Lf2。
5.根据权利要求4所述的从蜂窝芯表面测量数据中识别蜂窝边的方法，其特征还在于：所述蜂窝边识别的具体实现过程中在搜索窗口中确定出其对应的末尾顶点的具体过程为：
如果角点Ci是人形顶点，其对应的末尾顶点Cd满足：Ⅰ.Cd是一个Y形顶点，其类型由角点判断算法确定；Ⅱ.所确定的双层边，即Ci和Cd的连线满足其尺寸分布，即公式(4)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的双层边的末尾顶点Cd；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用双层边的基本尺寸，即长度ρd和倾角θd，求解出其另一个端点，作为补充的末尾顶点Cd，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs1满足：Ⅰ.Cs1是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边1，即Ci和Cs1的连线满足其尺寸分布，即公式(5)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边1的末尾顶点Cs1；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边1的基本尺寸，即长度ρs1和倾角θs1，求解出其另一个端点，作为补充的末尾顶点Cs1，并根据其y坐标的大小将其插入到正在分析的角点序列；
如果角点Ci是Y形顶点，其对应的末尾顶点Cs2满足：Ⅰ.Cs2是一个人形顶点，其类型有角点判断算法确定；Ⅱ.所确定的单层边2，即Ci和Cs2的连线满足其尺寸分布，即公式(6)；
对Ci的搜索窗口中的所有的角点逐个检验其是否满足以上条件，直到找到满足以上条件的角点，即为所要确定的单层边2的末尾顶点Cs2；
如果在Ci的搜索窗口没有找到满足上述条件的末尾顶点，补充该缺失的顶点；利用单层边2的基本尺寸，即长度ρs2和倾角θs2，求解出其另一个端点，作为补充的末尾顶点Cs2，并根据其y坐标的大小将其插入到正在分析的角点序列；
起始顶点和末尾顶点之间的角点即为伪顶点，将其删除，则伪顶点不会被分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910503383.7A CN110232388B (zh) | 2019-06-11 | 2019-06-11 | 一种从蜂窝芯表面测量数据中识别蜂窝边的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910503383.7A CN110232388B (zh) | 2019-06-11 | 2019-06-11 | 一种从蜂窝芯表面测量数据中识别蜂窝边的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110232388A CN110232388A (zh) | 2019-09-13 |
| CN110232388B true CN110232388B (zh) | 2023-01-17 |
Family
ID=67859719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910503383.7A Active CN110232388B (zh) | 2019-06-11 | 2019-06-11 | 一种从蜂窝芯表面测量数据中识别蜂窝边的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110232388B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111536890A (zh) * | 2020-05-09 | 2020-08-14 | 中南大学 | 蜂窝规整度检测的Harris顶点提取方法及其系统 |
| WO2021227288A1 (zh) * | 2020-05-09 | 2021-11-18 | 中南大学 | 蜂窝产品的几何形态评估方法和检测及评估系统 |
| CN111583236B (zh) * | 2020-05-09 | 2023-05-23 | 中南大学 | 蜂窝产品的几何形态动态调整方法、装置及生产方法 |
| CN111524134B (zh) * | 2020-05-09 | 2021-07-20 | 中南大学 | 生产线上蜂窝产品规整度的检测方法及检测装置 |
| CN111967166B (zh) * | 2020-08-30 | 2022-05-27 | 西北工业大学 | 一种蜂窝芯弯曲过程中芯格变形评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203669636U (zh) * | 2013-12-20 | 2014-06-25 | 常州市中航复合材料有限公司 | 新型蜂窝结构遮光板 |
| EP3128290A1 (en) * | 2015-08-07 | 2017-02-08 | The Boeing Company | Methods and system for determining shear angle |
| WO2018014720A1 (zh) * | 2016-07-22 | 2018-01-25 | 大连理工大学 | 一种蜂窝芯面形的测量方法及装置 |
| CN107796332A (zh) * | 2017-10-24 | 2018-03-13 | 大连理工大学 | 一种从蜂窝芯表面测量数据中识别蜂窝边区域的方法 |
| CN107816951A (zh) * | 2017-10-24 | 2018-03-20 | 大连理工大学 | 蜂窝芯面形测量数据毛刺去除方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9488592B1 (en) * | 2011-09-28 | 2016-11-08 | Kurion, Inc. | Automatic detection of defects in composite structures using NDT methods |
-
2019
- 2019-06-11 CN CN201910503383.7A patent/CN110232388B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203669636U (zh) * | 2013-12-20 | 2014-06-25 | 常州市中航复合材料有限公司 | 新型蜂窝结构遮光板 |
| EP3128290A1 (en) * | 2015-08-07 | 2017-02-08 | The Boeing Company | Methods and system for determining shear angle |
| WO2018014720A1 (zh) * | 2016-07-22 | 2018-01-25 | 大连理工大学 | 一种蜂窝芯面形的测量方法及装置 |
| CN107796332A (zh) * | 2017-10-24 | 2018-03-13 | 大连理工大学 | 一种从蜂窝芯表面测量数据中识别蜂窝边区域的方法 |
| CN107816951A (zh) * | 2017-10-24 | 2018-03-20 | 大连理工大学 | 蜂窝芯面形测量数据毛刺去除方法 |
Non-Patent Citations (1)
| Title |
|---|
| 钛合金蜂窝整体机身壁板技术应用研究;杨海波等;《航空制造技术》;20130815(第16期);第126-128页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110232388A (zh) | 2019-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110232388B (zh) | 一种从蜂窝芯表面测量数据中识别蜂窝边的方法 | |
| CN108426839B (zh) | 一种基于机械手扫查激光超声信号相关分析的增材制造构件检测方法 | |
| CN110455187B (zh) | 一种基于三维视觉的盒体工件焊缝的检测方法 | |
| CN107816951B (zh) | 蜂窝芯面形测量数据毛刺去除方法 | |
| CN109506580A (zh) | 基于线激光三维扫描的锪孔质量检测方法 | |
| JP2014508928A (ja) | 減数された測定点による公差評価 | |
| CN109916935B (zh) | 基于三维重构模型的微通道横截面几何尺寸测量方法 | |
| CN109990711B (zh) | 一种冲孔镀镍钢带的外观质量检测方法 | |
| CN113865508B (zh) | 一种蜂窝夹芯复合材料声衬的通孔率自动化检测装置与方法 | |
| CN107796332B (zh) | 一种从蜂窝芯表面测量数据中识别蜂窝边区域的方法 | |
| CN113450379A (zh) | 一种异形工件断面轮廓线提取和分析方法和装置 | |
| CN103376217B (zh) | Tem样品的精确定位的制作方法 | |
| CN117589063B (zh) | 尺寸检测方法及尺寸检测系统 | |
| CN101122950B (zh) | 指纹弹性形变矫正的方法及装置 | |
| CN116740060B (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
| CN108648153B (zh) | 蜂窝芯面形测量数据毛刺去除方法 | |
| CN1290049C (zh) | 强反射背景下粗糙纹理工件图像特征点自动提取方法 | |
| CN117367516A (zh) | 基于多维测试的铝塑复合板性能检测系统 | |
| Póka et al. | A robust digital image processing method for measuring the planar burr length at milling | |
| CN107063330A (zh) | 用于多传感器测量系统的多孔板标准器及联合误差检测法 | |
| CN113743483B (zh) | 一种基于空间平面偏移分析模型的道路点云误差场景分析方法 | |
| CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
| CN111583243B (zh) | 蜂窝规整度检测的相邻点胞元重构方法 | |
| CN113222880A (zh) | 分析检测方法 | |
| CN206670536U (zh) | 一种反推装置叶栅的叶片的检测装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |