CN110349252B - 一种基于点云边界构建小曲率零件实际加工曲线的方法 - Google Patents

一种基于点云边界构建小曲率零件实际加工曲线的方法 Download PDF

Info

Publication number
CN110349252B
CN110349252B CN201910581630.5A CN201910581630A CN110349252B CN 110349252 B CN110349252 B CN 110349252B CN 201910581630 A CN201910581630 A CN 201910581630A CN 110349252 B CN110349252 B CN 110349252B
Authority
CN
China
Prior art keywords
boundary
points
point
curve
projection
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
Application number
CN201910581630.5A
Other languages
English (en)
Other versions
CN110349252A (zh
Inventor
李文龙
彭泽龙
蒋诚
王刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201910581630.5A priority Critical patent/CN110349252B/zh
Publication of CN110349252A publication Critical patent/CN110349252A/zh
Priority to US17/059,469 priority patent/US11200351B2/en
Priority to PCT/CN2020/095988 priority patent/WO2021000720A1/zh
Application granted granted Critical
Publication of CN110349252B publication Critical patent/CN110349252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/30—Polynomial surface description
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09C—CIPHERING OR DECIPHERING APPARATUS FOR CRYPTOGRAPHIC OR OTHER PURPOSES INVOLVING THE NEED FOR SECRECY
    • G09C1/00—Apparatus or methods whereby a given sequence of signs, e.g. an intelligible text, is transformed into an unintelligible sequence of signs by transposing the signs or groups of signs or by replacing them by others according to a predetermined system
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0894—Escrow, recovery or storing of secret information, e.g. secret key escrow or cryptographic key storage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/56—Particle system, point based geometry or rendering

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Graphics (AREA)
  • Computer Hardware Design (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Medical Informatics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Numerical Control (AREA)
  • Image Processing (AREA)
  • Processing Or Creating Images (AREA)

Abstract

本发明属于机器人视觉检测领域，并公开了一种基于点云边界几何特征的曲线离散方法。该方法包括下列步骤：(a)对于待处理零件的三维有序边界曲线进行加密处理；(b)将加密后的边界点拟合为平面，并将每个边界点投影至平面中获得投影点；(c)在平面内进行直线欧式聚类，线点集，将获得的点集拟合为一条直线；(d)对于未被拟合为直线的投影点进行欧式聚类获得拐角点集，对拐角点集进行尖角或圆角拟合，以此在平面内获得拟合的边界曲线；(e)将拟合的边界曲线映射至三维有序边界曲线的曲面，即获得待处理零件实际的加工曲线。通过本发明，实现通过待加工零件的点云数据获得实际加工曲线，保留了尖角和圆角特征，加工精度高。

Description

一种基于点云边界构建小曲率零件实际加工曲线的方法
技术领域
本发明属于机器人视觉检测领域，更具体地，涉及一种基于点云边界几何特征的曲线离散方法。
背景技术
点云边界几何特征是点云特征的中有组成部分，边界曲线特征的自动化分割，提取，重建以及离散是小曲率薄壁零件自动化测量，虚拟装配以及自动化加工的前提。目前常规的点云边界特征提取分为两种方法：
曲面重构法直接得到的是边界特征线，对边界特征线离散后可得边界特征点。其特点在于首先基于曲面局部特征将目标点云数据进行分片，然后采用二次或者三次参数或者代数曲面对分块的局部点云数据进行拟合，最后通过局部拟合曲面求交线得到边界特征线。目标点云曲面重构的核心在于将点云进行分块的策略以及对应的算法。这种方法的主要缺点在于需要求取每个点的特征矢量，计算量大，算法效率低，一般耗时比较长，难以满足现场生产的要。
基于点云特征点提取的方法与之相反，即提取到边界特征点之后，再拟合边界特征线。特征点提取方法的主要思路是通过领域搜索估算采样点的曲率特征，再通过曲率特征识别边界的特征点。基于点云特征点提取的方法由于各种几何特征有各自适合的领域类型和领域大小，比较考验算法设计的时候会比较复杂，比较考验鲁棒性。但是这种方法的效率高。
针对点云数据边界受到扫描仪本身的精度限制，成像原理以及成像质量容易受到零件表面质量以及表明反光特性的影响，形成的点云边界本身容易形成锯齿化，经过Nurbs曲线的拟合和插值之后，有容易出现边界曲线的波浪化，这些特点也导致了基于点云数据的测量不准，一致性不好，提取的边界曲线无法对后续的机加工提供轨迹上的参考。
目前，对于待处理零件的实际加工曲线，存在如下问题：1)未采用采集的点云数据作为指导来获取实际的加工曲线；2)采用点云指导加工时拟合的实际加工曲线中对于圆角和尖角处的加工曲线拟合误差无法掌控，导致尖角或圆角被切除；3)采用第三方软件规划实际的加工曲线，需要实现与第三方软件之间的通讯，成本高，程序复杂。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种基于点云边界构建小曲率零件实际加工曲线的方法，通过对在平面内对投影点进行多次聚类和直线、圆角和尖角处的拟合等方式，获得平面内的加工曲线，然后映射至三维空间后获得三维空间的实际加工曲线，由此实现通过待加工零件的点云数据获得实际加工曲线，同时保留了待加工零件的尖角和圆角，加工精度高，计算简单，避免第三方软件，成本低。
为实现上述目的，按照本发明，提供了一种基于点云边界构建小曲率零件实际加工曲线的方法，该方法包括下列步骤：
(a)对于待处理零件的三维有序边界曲线,该曲线上包括多个有序的边界点,将所述三维有序边界曲线进行加密,使得该曲线上的边界点分布更加密集,以此获得加密后的三维有序边界曲线；
(b)将加密后的三维有序边界曲线上的所有边界点拟合形成一个平面，并将每个边界点投影至该平面中，以此在所述平面内获得每个边界点的投影点，以及每个投影点对应的投影向量；
(c)在所述平面内对所述投影点进行欧式聚类，使得可拟合为直线的投影点进行聚类，以此获得多个直线点集，将每个直线点集拟合为一条直线，以此获得多条直线，
(d)对于未被拟合为直线的投影点进行欧式聚类，使其被划分为多个拐角点集，判断每个拐角点集中的点是否可以被拟合为圆弧，当不可以拟合为圆弧时，将该拐角点集左右两侧的直线分别延长后求交形成尖角；当可以被拟合为圆弧时，将该拐角点集拟合为圆弧并获得圆弧的半径和圆心，以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，根据设定的半径和圆心，将所述拐角点集的点构造为圆弧，该圆弧与所述拐角点集左右两侧的直线相切；
至此完成在平面内对所有所述投影点的处理，并在所述平面内获得拟合的边界曲线；
(e)对于所述拟合的边界曲线上的每个投影点，按照该投影点对应的投影向量逆向投影至所述三维有序边界曲线所在的曲面，以此获得每个投影点对应的实际加工边界点，将该实际加工边界点依次连接，以此获得待处理零件实际的加工曲线。
进一步优选地，在步骤(a)中，将所述三维有序边界曲线进行加密优选采用Nurbs曲线插值的方法进行。
进一步优选地，在步骤(c)中，所述欧式聚类优选按照下列步骤进行：
(c1)计算加密后的三维有序边界曲线上每个边界点的外偏置矢量，该外偏置矢量为同时垂直于所述边界点的法向矢量和切向矢量的单位矢量；
(c2)计算相邻的边界点的外偏置矢量的夹角，当该夹角小于预设阈值时，在所述平面中找到与所述相邻的边界点对应的两个相邻的投影点，将该两个相邻的投影点聚类为同一直线点集，遍历所有边界点，以此在所述平面内获得多个初步的直线点集；
(c3)计算每个所述初步的直线点集中相邻的投影点之间的距离，判断当二者之间的距离是否大于预设距离值，当大于所述预设距离值时，将所述两个相邻的投影点分开形成两个独立的直线点集，当小于所述预设距离值时，所述相邻的投影点划分在同一直线点集中，遍历所述初步的直线点集中所有的投影点，使得所述初步的直线点集划分为最终所需的一个或多个直线点集，以此区分在同一所述初步的直线点集中的平行直线。
进一步优选地，在步骤(d)中，所述对于未被拟合为直线的投影点进行欧式聚类，优选根据相邻的两点之间的距离值进行距离，当二者之间的距离小于预设可接受阈值时，二者所属同一拐角点集，否则，不属于同一拐角点集。
进一步优选地，在步骤(d)中，所述判断每个拐角点集中的点是否可以被拟合为圆弧，优选采用基于圆弧模型的随机一致采样拟合的方法。
进一步优选地，在步骤(d)中，所述以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，优选按照下列方式，对于所述拐角点集两侧的两条直线，分别在每条直线的上下作两条平行线，每条平行线与所述直线的距离为所述设定的半径，以此获得两条直线各自的两条平行线，即四条平行线，该四条平行线相交获得四个交点，计算该四个交点与所述拟合的圆心的距离，距离最短的交点设置作为设定的圆心。
进一步优选地，在步骤(d)中，所述拐角点集左右两侧的直线通过下列方式获得，所述三维有序边界曲线上的点为有序的边界点，每个有序的边界点投影至平面后形成有序的投影点，根据所述拐角点集中投影点的顺序即可获其左右两侧的直线。
进一步优选地，在步骤(a)中，所述三维有序边界曲线通过采集待处理零件的点云数据获得。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明主要采用边界曲线特征点识别和提取的算法设计思路，保证了算法处理的效率，即使面对大规模点云的处理，实现了用于工程实际生产的可能；
2、本发明基于工业薄壁类零件在设计中边缘一般参照常规的几何特征，即在空间主平面投影方向是按照圆弧段与直线段的组合，将提取出的特征采用规范的几何特征进行重建，保证测量数据的精度与处理结果的一致性；
3、本发明在步骤(c)中进行欧式聚类时，实际是进行了两次聚类，一次是以外偏置矢量夹角作为聚类标准，另外一次是以两点之间的距离作为聚类标准，第一次聚类是为了将所有直线的点聚在一起，第二次是为了区分平行的直线，由于平行的直线其外偏置矢量的夹角也是小于设定阈值，因此，通过一次聚类无法分开所有的直线，这样的方式精度更高，更准确；
4、本发明处理的原始数据为待处理零件的点云数据，主要用于指导小曲率薄壁零件后续的机加工，对于大曲率的零件的点云数据，其在投影时容易引起点的重叠，因而不适用，本发明提供的方法可以保证形状特征与尺寸参数，且满足工程现场的表面加工质量。
附图说明
图1是按照本发明的优选实施例所构建的基于点云边界构建小曲率零件实际加工曲线的方法流程图；
图2是按照本发明的优选实施例所构建的三维有序边界曲线投影至平面的示意图；
图3是按照本发明的优选实施例所构建的直线拟合的示意图；
图4(a)是按照本发明的优选实施例所构建的拐角点集；
图4(b)是按照本发明的优选实施例所构建的将拐角点集构造圆角的示意图；
图4(c)是按照本发明的优选实施例所构建的拐角点集和构造的圆角的对比图；
图5(a)是按照本发明的优选实施例所构建的三维有序边界曲线；
图5(b)是按照本发明的优选实施例所构建的三维有序边界曲线上拐角处的放大图；
图5(c)是按照本发明的优选实施例所构建的实际加工曲线上圆角的放大图；
图5(d)是按照本发明的优选实施例所构建的实际加工曲线。
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仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，该方法包括下列步骤：
(a)对于待处理零件的三维有序边界曲线,该曲线上包括多个有序的边界点,将所述三维有序边界曲线进行加密,使得该曲线上的边界点分布更加密集,以此获得加密后的三维有序边界曲线；
(b)如图2所示，将加密后的三维有序边界曲线上的所有边界点拟合形成一个平面，并将每个边界点投影至该平面中，以此在所述平面内获得每个边界点的投影点，以及每个投影点对应的投影向量；
(c)如图3所示，在所述平面内对所述投影点进行欧式聚类，使得可拟合为直线的投影点进行聚类，以此获得多个直线点集，将每个直线点集拟合为一条直线，以此获得多条直线，
(d)对于未被拟合为直线的投影点进行欧式聚类，使其被划分为多个拐角点集，判断每个拐角点集中的点是否可以被拟合为圆弧，当不可以拟合为圆弧时，将该拐角点集左右两侧的直线分别延长后求交形成尖角；当可以被拟合为圆弧时，将该拐角点集拟合为圆弧并获得圆弧的半径和圆心，以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，根据设定的半径和圆心，将所述拐角点集的点构造为圆弧，该圆弧与所述拐角点集左右两侧的直线相切；
至此完成在平面内对所有所述投影点的处理，并在所述平面内获得拟合的边界曲线；
(e)对于所述拟合的边界曲线上的每个投影点，按照该投影点对应的投影向量逆向投影至所述三维有序边界曲线所在的曲面，以此获得每个投影点对应的实际加工边界点，将该实际加工边界点依次连接，以此获得待处理零件实际的加工曲线。
由于在步骤(a)中的三维有序边界曲线中包括的是多个有序的边界点，也就是说每个边界点是有顺序的，例如，可以用编号进行排序，因此，投影至平面时，每个投影点也是有序的，实际加工边界点也是有序的。另外,对于待加工的待处理零件的三维有序边界曲线而言,其包括的特征有直线部分，以及尖角部分和圆角部分中的一种或两种，因此获得的投影曲线和实际加工曲线也是包括直线部分，以及尖角部分和圆角部分中的一种或两种。
进一步地，在步骤(a)中，将所述三维有序边界曲线进行加密优选采用Nurbs曲线插值的方法进行。具体地，按照指定点数和指定离散倍数的Nurbs曲线拟合和插值，得到具有Nurbs空间曲线特性的有序点集。
进一步地，在步骤(c)中，所述欧式聚类优选按照下列步骤进行：
(c1)计算加密后的三维有序边界曲线上每个边界点的外偏置矢量，该外偏置矢量为同时垂直于所述边界点的法向矢量和切向矢量的单位矢量；
(c2)计算相邻的边界点的外偏置矢量的夹角，当该夹角小于预设阈值时，在所述平面中找到与所述相邻的边界点对应的两个相邻的投影点，将该两个相邻的投影点聚类为同一直线点集，遍历所有边界点，以此在所述平面内获得多个初步的直线点集；
(c3)计算每个所述初步的直线点集中相邻的投影点之间的距离，判断当二者之间的距离是否大于预设距离值，当大于所述预设距离值时，将所述两个相邻的投影点分开形成两个独立的直线点集，当小于所述预设距离值时，所述相邻的投影点划分在同一直线点集中，遍历所述初步的直线点集中所有的投影点，使得所述初步的直线点集划分为最终所需的一个或多个直线点集，以此区分在同一所述初步的直线点集中的平行直线。
进一步地，在步骤(d)中，所述对于未被拟合为直线的投影点进行欧式聚类，优选根据相邻的两点之间的距离值进行距离，当二者之间的距离小于预设可接受阈值时，二者所属同一拐角点集，否则，不属于同一拐角点集。
进一步地，在步骤(d)中，所述判断每个拐角点集中的点是否可以被拟合为圆弧，优选采用基于圆弧模型的随机一致采样拟合的方法。
进一步地，在步骤(d)中，所述以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，优选按照下列方式，对于所述拐角点集两侧的两条直线，分别在每条直线的上下作两条平行线，每条平行线与所述直线的距离为所述设定的半径，以此获得两条直线各自的两条平行线，即四条平行线，该四条平行线相交获得四个交点，计算该四个交点与所述拟合的圆心的距离，距离最短的交点设置作为设定的圆心。
进一步地，在步骤(d)中，所述拐角点集左右两侧的直线通过下列方式获得，所述三维有序边界曲线上的点为有序的边界点，每个有序的边界点投影至平面后形成有序的投影点，根据所述拐角点集中投影点的顺序即可获其左右两侧的直线。
进一步地，在步骤(a)中，所述三维有序边界曲线通过采集待处理零件的点云数据获得。
本发明采用面阵扫描仪获取高密度散乱点云，单次采集点云数量最高可达500万，本发明采用对小曲率薄壁零件的点云为例，如图5(a)所示是本实施例中待处理零件的三维有序边界曲线，如图5(b)所示是三维有序边界曲线拐角段原始点云数据放大图；如图5(c)所示是按照本发明的方法处理后获得的拐角处的点集，可以看出此时的圆角光滑，没有噪音点；如图5(d)所示按照本发明的方法获得的最终的实际的加工曲线，虽然上面有写断开的区域，但是在实际加工中，机器会的刀具会填补该断开的区域，但是从图中可以清晰的看出直线段、圆角和尖角，因此最终获得的加工零件精度高。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，该方法包括下列步骤：
(a)对于待处理零件的三维有序边界曲线,该曲线上包括多个有序的边界点,将所述三维有序边界曲线进行加密处理,使得该曲线上的边界点分布更加密集,以此获得加密后的三维有序边界曲线；
(b)将加密后的三维有序边界曲线上的所有边界点拟合形成一个平面，并将每个边界点投影至该平面中，以此在所述平面内获得每个边界点的投影点，以及每个投影点对应的投影向量；
(c)在所述平面内对所述投影点进行欧式聚类，使得可拟合为直线的投影点进行聚类，以此获得多个直线点集，将每个直线点集拟合为一条直线，以此获得多条直线；
(d)对于未被拟合为直线的投影点进行欧式聚类，使其被划分为多个拐角点集，判断每个拐角点集中的点是否可以被拟合为圆弧，当不可以拟合为圆弧时，将该拐角点集左右两侧的直线分别延长后求交形成尖角；当可以被拟合为圆弧时，将该拐角点集拟合为圆弧并获得圆弧的半径和圆心，以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，根据设定的半径和圆心，将所述拐角点集的点构造为圆弧，该圆弧与所述拐角点集左右两侧的直线相切；
至此完成在平面内对所有所述投影点的处理，并在所述平面内获得拟合的边界曲线；
(e)对于所述拟合的边界曲线上的每个投影点，按照该投影点对应的投影向量逆向投影至所述三维有序边界曲线所在的曲面，以此获得每个投影点对应的实际加工边界点，将该实际加工边界点依次连接，以此获得待处理零件实际的加工曲线。
2.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(a)中，将所述三维有序边界曲线进行加密采用Nurbs曲线插值的方法进行。
3.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(c)中，所述欧式聚类按照下列步骤进行：
(c1)计算加密后的三维有序边界曲线上每个边界点的外偏置矢量，该外偏置矢量为同时垂直于所述边界点的法向矢量和切向矢量的单位矢量；
(c2)计算相邻的边界点的外偏置矢量的夹角，当该夹角小于预设阈值时，在所述平面中找到与所述相邻的边界点对应的两个相邻的投影点，将该两个相邻的投影点聚类为同一直线点集，遍历所有边界点，以此在所述平面内获得多个初步的直线点集；
(c3)计算每个所述初步的直线点集中相邻的投影点之间的距离，判断当二者之间的距离是否大于预设距离值，当大于所述预设距离值时，将所述两个相邻的投影点分开形成两个独立的直线点集，当小于所述预设距离值时，所述相邻的投影点划分在同一直线点集中，遍历所述初步的直线点集中所有的投影点，使得所述初步的直线点集划分为最终所需的一个或多个直线点集，以此区分在同一所述初步的直线点集中的平行直线。
4.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(d)中，所述对于未被拟合为直线的投影点进行欧式聚类，根据相邻的两点之间的距离值进行欧式聚类，当二者之间的距离小于预设可接受阈值时，二者所属同一拐角点集，否则，不属于同一拐角点集。
5.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(d)中，所述判断每个拐角点集中的点是否可以被拟合为圆弧，采用基于圆弧模型的随机一致采样拟合的方法。
6.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(d)中，所述以拟合获得半径和圆心作为参考设定圆弧的半径和圆心，按照下列方式，对于所述拐角点集两侧的两条直线，分别在每条直线的上下作两条平行线，每条平行线与所述直线的距离为所述设定的半径，以此获得两条直线各自的两条平行线，即四条平行线，该四条平行线相交获得四个交点，计算该四个交点与所述拟合的圆心的距离，距离最短的交点设置作为设定的圆心。
7.如权利要求1所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(d)中，所述拐角点集左右两侧的直线通过下列方式获得，所述三维有序边界曲线上的点为有序的边界点，每个有序的边界点投影至平面后形成有序的投影点，根据所述拐角点集中投影点的顺序即可获其左右两侧的直线。
8.如权利要求1-7任一项所述的一种基于点云边界构建小曲率零件实际加工曲线的方法，其特征在于，在步骤(a)中，所述三维有序边界曲线通过采集待处理零件的点云数据获得。
CN201910581630.5A 2019-06-30 2019-06-30 一种基于点云边界构建小曲率零件实际加工曲线的方法 Active CN110349252B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201910581630.5A CN110349252B (zh) 2019-06-30 2019-06-30 一种基于点云边界构建小曲率零件实际加工曲线的方法
US17/059,469 US11200351B2 (en) 2019-06-30 2020-06-13 Method for constructing curve of robot processing path of part with small curvature based on point cloud boundary
PCT/CN2020/095988 WO2021000720A1 (zh) 2019-06-30 2020-06-13 一种基于点云边界构建小曲率零件机器人加工路径曲线的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910581630.5A CN110349252B (zh) 2019-06-30 2019-06-30 一种基于点云边界构建小曲率零件实际加工曲线的方法

Publications (2)

Publication Number Publication Date
CN110349252A CN110349252A (zh) 2019-10-18
CN110349252B true CN110349252B (zh) 2020-12-08

Family

ID=68177328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910581630.5A Active CN110349252B (zh) 2019-06-30 2019-06-30 一种基于点云边界构建小曲率零件实际加工曲线的方法

Country Status (3)

Country Link
US (1) US11200351B2 (zh)
CN (1) CN110349252B (zh)
WO (1) WO2021000720A1 (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110349252B (zh) * 2019-06-30 2020-12-08 华中科技大学 一种基于点云边界构建小曲率零件实际加工曲线的方法
CN111515954B (zh) * 2020-05-06 2021-08-20 大连理工大学 一种机械臂高质量运动路径生成方法
CN111723441B (zh) * 2020-05-27 2024-04-09 华南理工大学 塑料件预变形零件建模方法、系统、装置及存储介质
CN111815611B (zh) * 2020-07-14 2024-03-22 南京航空航天大学 一种面向铆钉孔测量点云数据的圆孔特征提取方法
CN111852753A (zh) * 2020-07-21 2020-10-30 上海扩博智能技术有限公司 风机叶片表面轮廓线拟合方法、系统、设备和存储介质
CN112800829A (zh) * 2020-12-20 2021-05-14 浙江安正科技股份有限公司 一种基于三维测量的物体局部破损程度的识别方法
CN113160301B (zh) * 2021-04-16 2023-08-18 华南理工大学 一种测量弯管弯曲半径的方法及系统
CN112862730B (zh) * 2021-04-26 2021-07-27 深圳大学 点云特征增强方法、装置、计算机设备和存储介质
CN113744389B (zh) * 2021-08-24 2023-10-10 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法
CN114004981A (zh) * 2021-11-10 2022-02-01 柳州沪信汽车科技有限公司 一种非完整点云条件下的车身r角视觉检测方法及系统
CN114626157A (zh) * 2022-03-16 2022-06-14 南京维拓科技股份有限公司 一种基于数字化模型的实体轮廓曲线抽取方法
US20230351650A1 (en) * 2022-04-28 2023-11-02 Dassault Systemes Solidworks Corporation Converting images to sketches that are modifiable using computer-aided design (cad) software
CN114969976B (zh) * 2022-06-01 2024-04-16 沈阳飞机工业（集团）有限公司 基于数字化实测数据的一体化结构虚拟装配方法
CN115408784B (zh) * 2022-07-12 2023-05-02 上海拓璞数控科技股份有限公司 基于平行曲线的曲面匹配方法及系统
CN115097786B (zh) * 2022-08-26 2022-12-02 济南邦德激光股份有限公司 基于回旋线的加工轨迹优化方法、设备和存储介质
CN115600309B (zh) * 2022-09-02 2023-11-07 南京天洑软件有限公司 一种基于曲面重构的汽车挡风玻璃模具型面设计方法及装置
CN116309124B (zh) * 2023-02-15 2023-10-20 霖鼎光学(江苏)有限公司 一种光学曲面模具的修正方法、电子设备及存储介质
CN116465827B (zh) * 2023-03-17 2023-10-31 中国科学院自动化研究所 视点路径规划方法、装置、电子设备及存储介质
CN116738579B (zh) * 2023-08-08 2023-10-27 武汉华锋惠众科技有限公司 汽车覆盖件分模线自动构造方法及系统
CN116861570B (zh) * 2023-09-04 2023-11-24 武汉华锋惠众科技有限公司 一种汽车覆盖件边界光顺方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8004517B1 (en) * 2005-06-24 2011-08-23 Geomagic, Inc. Methods, apparatus and computer program products that model three-dimensional surface structures
US20140192050A1 (en) * 2012-10-05 2014-07-10 University Of Southern California Three-dimensional point processing and model generation
US9524356B2 (en) * 2013-10-16 2016-12-20 General Electric Company System and methods of generating a computer model of composite component
CN104820744A (zh) 2015-04-30 2015-08-05 柳州宏开汽车科技有限公司 一种曲面数控加工中面向nurbs刀具路径的生成方法
CN105957076B (zh) * 2016-04-27 2018-09-21 深圳积木易搭科技技术有限公司 一种基于聚类的点云分割方法及系统
CN106780524B (zh) * 2016-11-11 2020-03-06 厦门大学 一种三维点云道路边界自动提取方法
CN106774145A (zh) 2016-12-23 2017-05-31 华中科技大学 一种用于生成无干涉的五轴加工轨迹的投影算法
CN108510516A (zh) * 2018-03-30 2018-09-07 深圳积木易搭科技技术有限公司 一种散乱点云的三维线段提取方法及系统
CN108664733A (zh) * 2018-05-11 2018-10-16 山东理工大学 棱边特征曲面拓扑逼近重建方法
CN109740227B (zh) * 2018-12-26 2023-07-11 江南大学 基于特征识别的微型复杂零件建模方法
CN110349252B (zh) 2019-06-30 2020-12-08 华中科技大学 一种基于点云边界构建小曲率零件实际加工曲线的方法

Also Published As

Publication number Publication date
US11200351B2 (en) 2021-12-14
WO2021000720A1 (zh) 2021-01-07
CN110349252A (zh) 2019-10-18
US20210173966A1 (en) 2021-06-10

Similar Documents

Publication Publication Date Title
CN110349252B (zh) 一种基于点云边界构建小曲率零件实际加工曲线的方法
JP5703396B2 (ja) 減数された測定点による公差評価
CN113298833A (zh) 目标物点云特征线面提取方法及系统
CN111815503B (zh) 一种基于线激光扫描的螺柱特征参数测量方法
CN110489778A (zh) 面向激光刻蚀加工的图形分割方法、激光刻蚀控制系统
US11120545B2 (en) Method for measuring hole provided in workpiece
CN116402866A (zh) 基于点云的零件数字孪生几何建模与误差评定方法及系统
CN114577131B (zh) 一种基于3d结构光相机的车身间隙检测方法及系统
CN113741426A (zh) 一种基于局部点云曲线拟合的机器人加工路径规划方法
US9443312B2 (en) Line parametric object estimation
CN113298838B (zh) 一种物体轮廓线提取方法及系统
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN116740060A (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
KR102135828B1 (ko) 3차원 파이프 라인 검출 자동화 장치
CN114488943B (zh) 面向配合工况下的随机多区域高效打磨路径规划方法
CN113253675B (zh) 一种面向二维的三轴刀位点运算方法及系统
CN113111458B (zh) 一种基于dxf的钣金件自动识别和定位方法
CN115797601A (zh) 一种Brep三维模型的中面自动提取方法及系统
CN114970247A (zh) 一种面向叶盘结构的高保真有限元模型自动建模方法
CN114820505A (zh) 一种动态目标的非接触测量方法
Ruiz et al. Parametric curve reconstruction from point clouds using minimization techniques
CN113538460B (zh) 一种页岩ct图像裁剪方法及系统
CN110837694B (zh) 回转加工特征识别方法及装置
CN113140021B (zh) 矢量线生成方法、系统及计算机可读存储介质
CN113111548B (zh) 一种基于周角差值的产品三维特征点提取方法

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