CN112884057A - 基于点云数据的三维曲面质量分类方法、系统及存储介质 - Google Patents

Abstract

本发明提供了一种基于点云数据的三维曲面质量分类方法、系统及存储介质，包括：对三维曲面进行测量，获得测量点的三维坐标数据；对测量离群点进行剔除，并对测量曲面进行配准；根据测量点的几何特征，将三维曲面分割成若干子区域，并根据三维曲面分割结果，通过神经网络自动提取子区域特征；将子区域特征连接并通过分类网络进行处理，获得三维曲面质量分类结果。本发明可以应用于任意形状的三维曲面，并能有效地评定局部质量对整体三维曲面质量的影响，有效地提高了不合格品的识别率。改善了传统三维质量分类方法不能适用于大规模点云数据的缺点以及子区域的质量变化对整体曲面的影响难以评定的缺陷。

Description

基于点云数据的三维曲面质量分类方法、系统及存储介质

技术领域

本发明涉及零件表面的质量分析，具体地，涉及一种基于点云数据的三维曲面质量分类方法、系统及存储介质。

背景技术

在制造过程中，零件的表面质量对产品的整体质量有重要影响。表面质量分类是识别零件表面质量的重要方法，也是产品质量控制中的关键过程。传统的零件表面质量的评定指标为面轮廓度，即，被测实际轮廓相对于理想轮廓的变动情况。测量方法有仿形装置测量、截面轮廓样板测量、光学跟踪轮廓测量仪测量以及三坐标测量等。但由于三维曲面的任意性，理想轮廓难以直接作为评定基准，面轮廓度的计算精度难以保证，测量结果中包含由于测量坐标系与设计坐标系不重合而造成的系统性误差，影响三维曲面的质量评定结果。而且，这些测量方法是基于曲面上少量点的位置坐标进行面轮廓度的计算，无法完整的描述零件表面的形状信息，局部区域的形状变化对零件表面整体质量的影响难以判别。

通过高清测量技术对零件表面进行测量，可以获得大规模的点云数据，相对于传统的测量方法，高清测量技术能够完整描述零件表面的形状信息。基于这种测量的点云数据进行分析，可以提升三维曲面的质量分类精度，对产品质量进行控制。

经过对现有技术文献的检索发现，王东善等在论文“一种自由曲面面轮廓度误差评定方法”(《机械设计与制造》2004年第1期，64-66页)中介绍了一种三维曲面轮廓度误差评定的方法，该方法通过最小二乘和复合形法计算平移和旋转矩阵，将被测轮廓和理论轮廓对齐，并通过计算被测点和理论轮廓的距离得到三维曲面的轮廓度误差。但是该方法需要已知理论轮廓的CAD模型，而且计算量大，只适合基于三坐标测量的少量测量点的计算，难以适用于大规模的点云数据。

廖平在论文“基于遗传算法和分割逼近法精确计算复杂曲面轮廓度误差”(《机械工程学报》2010年第10期，1-6页)中，通过NURBS曲面，建立三维曲面理论轮廓的数学模型，并通过改进的遗传算法计算三维曲面的轮廓度误差。但此方法需要建立曲面的数学模型，对于复杂的三维曲面难以实现。并且，此方法同样只适用于三坐标测量的数据处理，难以适用于大规模的点云数据。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种针对点云数据的三维曲面质量分类方法及系统。

根据本发明提供的一种基于点云数据的三维曲面质量分类方法，包括如下步骤：

步骤1：表面测量，通过高清测量设备，对三维曲面表面进行测量，获得三维点云数据，得到每个测量点的坐标值；

步骤2：数据处理，对获得的点云数据中的离群点进行剔除，并通过旋转和平移变换将所有测量样本的点云数据匹配到同一坐标系下；

步骤3：曲面分割，根据测量点的几何特征，对三维曲面进行分割；

步骤4：根据三维曲面分割结果，建立并联神经网络，提取子区域特征，即输入数据为步骤3中得到的子区域点云坐标，对每一个子区域，首先进行点云重采样，即对不同的子区域点云随机采样相同数量的n个点,然后通过卷积层和池化层对子区域进行特征提取，得到每个子区域的特征；

步骤5：对每个子区域提取的特征进行一维连接，通过全连接层对特征进行处理，输出分类结果，判定质量是否合格；对提取的子区域特征进行整合和处理，最终得到三维曲面的质量分类结果。

优选的，所述步骤2包括：

通过3σ准则，识别点云数据中的离群点，并进行剔除；在坐标轴配准中，基于主成分分析PCA对曲面点云进行配准；由主成分分析PCA计算曲面点云的主方向，然后对曲面坐标轴进行旋转和平移以在同一坐标系中对齐。

优选的，步骤2中，所述数据处理，对测量产生的点云数据中的离群点进行剔除；对于每个测量点坐标值P(x,y,z)，首先计算k个最近邻点与该点的平均距离；考虑最近邻点处于边界点，k的值通常为4；得到每个测量点与相邻点的平均距离值为：

其中，P_i为第i个测量点的坐标，P_ik为与P_i最近的第k个点的坐标，|P_iP_ik|为点P_i和P_ik的距离；

因离群点数相对于整体点云数据很小，则每个测量点与相邻点的平均距离服从正态分布，由3σ准则对异常值进行剔除；σ是均方误差，其计算公式为：

其中，n为测量点的个数，d_i为第i个测量点的与相邻点的平均距离值，d_Mean为所有测量点与相邻点的平均距离值的均值，即

对于第i个测量点，如果|d_i-d_Mean|>3σ，则认为该点为离群点并予以剔除；

对于剔除离群点后的点云数据通过旋转和平移变换将所有样本的点云匹配到同一坐标系；具体为：

对于每个样本，首先计算点云中心点坐标：

将中心点坐标移动到原点处，得到新的点云坐标值：

对于新的点云坐标值计算协方差矩阵：

对于协方差矩阵M计算其特征向量

其中

是相互正交的特征向量；即点云P_c的主成分方向；

对此特征向量的方向进行修正，在第一主成分方向和第二主成分方向上分别找到距原点最大距离的点：p_{max_x}和p_{max_y}；第一主成分方向修正为：

第二主成分方向修正为：

第三主成分方向修正为：

点云的旋转矩阵记为：

通过此旋转矩阵对点云进行旋转以获得新坐标系中的点云坐标：P_new＝P_cR；

对所有点云样本执行此数据处理步骤，以统一样本坐标系，对曲面点云进行配准。

优选的，在步骤1中使用高清测量仪在三维曲面表面采样，获得高密度的三维点云数据。

优选的，所述步骤3包括：

所述曲面分割的方法采用基于区域的分割方法，对点云法向量和曲率进行计算，通过预先给定的法向量和曲率阈值，得到满足要求的子区域分割数量。

优选的，首先计算每个测量点处的法向量和曲率；对于点云中的点P_i，计算与其相邻的k个最近邻点的邻域协方差矩阵X；

其中，

为

的中心位置坐标；

然后，计算协方差矩阵X的特征值和特征向量；与最小特征值对应的特征向量即为该测量点处的法向量

曲率值计算如下：

其中，λ_i为协方差矩阵X的特征值，且λ₀≤λ₁≤λ₂，

为点Pi处的曲率值；

根据每个点处的法向量和曲率值，采用基于区域的分割方法，对三维曲面进行分割，到分割子区域集合。

优选的，所述步骤4中的并联神经网络包括：

将每个子区域中的数据的维数记为n×3，其中n是该子区域的测量点数；每个测量点均由三维坐标值(x，y，z)表示；共有四层卷积层和一层池化层，卷积核的大小为3×1维，四层卷积层的卷积核数量依次为64、128、256和512；经过四层卷积后，生成n×512维特征；通过池化层将n×512维特征降维至1×512维，即通过神经网络对每个子区域提取1×512维特征。

优选的，所述步骤5全连接层大小依次为：1024，512，256，2。

本发明公开了一种基于点云数据的三维曲面质量分类系统，包括存储器和处理器，存储器存储有计算机程序，所述处理器执行所述计算机程序时实现所述的方法步骤。

本发明公开了一种计算机可读存储介质，其上存储有计算机程序，所述的计算机程序被处理器执行时实现所述的方法步骤。

与现有技术相比，本发明具有如下的有益效果：

1.本发明可用于基于高清测量设备得到的大规模点云数据，解决已有技术无法适用于大规模点云数据的问题；

2.本发明直接通过测量数据进行质量评定，无需三维曲面的理论轮廓信息，具有广泛的适用性；

3.本发明通过神经网络可以自动的提取零件表面的信息，通过区域分割和特征提取可以准确识别局部区域的形状变化对零件表面整体质量的影响。

附图说明

通过阅读参照以下附图对非限制性实施例所做的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明提供的基于点云数据的三维曲面质量分类方法的方法流程图；

图2为基于区域法的点云分割算法流程图；

图3为并联神经网络结构图；

图4为单个燃烧室型腔表面的点云数据；

图5为发动机缸盖燃烧室表面测量点云数据中的离群点；

图6为发动机缸盖燃烧室表面子区域分割结果；

图7为此方法在本实例中的训练和测试过程。

具体实施方式

下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。

请参阅图1，基于点云数据的三维曲面质量分类方法，包括以下步骤：

步骤1：通过高清测量设备，对三维曲面表面进行测量，获得三维点云数据，得到每个测量点的坐标值P(x，y，z)。

步骤2：处理所述数据，对测量产生的点云数据中的离群点进行剔除。对于每个测量点，首先计算k个最近邻点与该点的平均距离。考虑最近邻点处于边界点，k的值通常为4。得到每个测量点与相邻点的平均距离值为：

其中，P_i为第i个测量点的坐标，P_ik为与P_i最近的第k个点的坐标，|P_iP_ik为点P_i和P_ik的距离。

因离群点数相对于整体点云数据很小，认为每个测量点与相邻点的平均距离服从正态分布，由3σ准则对异常值进行剔除。σ是均方误差，其计算公式为：

其中，n为测量点的个数，d_i为第i个测量点的与相邻点的平均距离值，d_Mean为所有测量点与相邻点的平均距离值的均值，即

对于第i个测量点，如果|d_i-d_Mean|>3σ，则认为该点为离群点并予以剔除。

对于剔除离群点后的点云数据通过旋转和平移变换将所有样本的点云匹配到同一坐标系。具体为：

对于每个样本，首先计算点云中心点坐标：

将中心点坐标移动到原点处，得到新的点云坐标值：

对于新的点云坐标值计算协方差矩阵：

对于协方差矩阵M计算其特征向量

其中

是相互正交的特征向量。即点云P_c的主成分方向。

对此特征向量的方向进行修正，在第一主成分方向和第二主成分方向上分别找到距原点最大距离的点：p_{max_x}和p_{max_y}。第一主成分方向修正为：

第二主成分方向修正为：

第三主成分方向修正为：

点云的旋转矩阵记为：

通过此旋转矩阵对点云进行旋转以获得新坐标系中的点云坐标：P_new＝P_cR。

对所有点云样本执行此数据处理步骤，以统一样本坐标系，对曲面点云进行配准。

步骤3：曲面分割，根据测量点的几何特征，对三维曲面进行分割。首先计算每个测量点处的法向量和曲率。对于点云中的点P_i，计算与其相邻的k个最近邻点的邻域协方差矩阵X。

其中，

为

的中心位置坐标。

然后，计算协方差矩阵X的特征值和特征向量。与最小特征值对应的特征向量即为该测量点处的法向量

曲率值计算如下：

其中，λ_i为协方差矩阵X的特征值，且λ₀≤λ₁≤λ₂，

为点P_i处的曲率值。

根据每个点处的法向量和曲率值，采用基于区域的分割方法，对三维曲面进行分割。

基于区域的点云分割方法如图2所示，其中，角度阈值、曲率阈值和最近邻点K值需依据曲面具体形状进行给定。得到分割子区域集合。

步骤4：根据三维曲面分割结果，建立并联神经网络，提取子区域特征。基于神经网络的特征提取方法如图3左侧所示。其中，输入数据为步骤3中得到的子区域点云坐标，对每一个子区域，首先进行点云重采样，即对不同的子区域点云随机采样相同数量的n个点,然后通过4层卷积层(卷积核数量依次为：64，128，256，512)和池化层对子区域进行特征提取，得到每个子区域的1×512维特征。

步骤5：对每个子区域提取的特征进行一维连接，通过全连接层对特征进行处理，输出分类结果，判定质量是否合格。基于神经网络的全连接层的特征分类方法如图3右侧所示。全连接层大小依次为：1024,512,256,2。通过此分类网络对提取的子区域特征进行整合和处理，最终得到三维曲面的质量分类结果。

具体地，下面以某汽车发动机厂生产的某型号直列四缸发动机缸盖为例，结合附图对本发明的具体实施做进一步描述。

本实施例中以缸盖燃烧室表面质量分类为例说明实施过程。

如图1所示，一种基于点云数据的三维曲面质量分类方法，包括下述步骤：

步骤1：使用高清测量仪对64个发动机缸盖燃烧室表面进行测量，如图4所示，得到燃烧室表面的点云数据。

步骤2：处理所述数据，对测量产生的点云数据中的离群点进行剔除。如图5所示，红圈处的点为经3σ准则计算得到的离群点。通过PCA计算点云主成分方向，对样本曲面进行配准。

步骤3：曲面分割，计算点云中每个测量点处的法向量和曲率，通过基于区域的点云分割方法，对缸盖燃烧室表面进行分割。子区域分割结果如图6所示。

步骤4：对分割后的5个子区域，根据图3所示的并联神经网络，提取每个子区域的特征。

步骤5：对这5个子区域提取的特征进行连接，并根据图3所示的全连接层对三维曲面质量进行分类判断。

此过程中，选取32个缸盖燃烧室样本作为训练集，其中包括20个合格样本和12个不合格样本；剩余32个样本作为测试集，同样包括20个合格样本和12个不合格样本。图7为此方法在本实例中的训练和测试结果。在测试集中，本方法的不合格品检出率为84.8％。

以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。

Claims (10)

1.一种基于点云数据的三维曲面质量分类方法，其特征在于，

步骤1：表面测量，通过高清测量设备，对三维曲面表面进行测量，获得三维点云数据，得到每个测量点的坐标值；

步骤2：数据处理，对获得的点云数据中的离群点进行剔除，并通过旋转和平移变换将所有测量样本的点云数据匹配到同一坐标系下；

步骤3：曲面分割，根据测量点的几何特征，对三维曲面进行分割；

步骤4：根据三维曲面分割结果，建立并联神经网络，提取子区域特征，即输入数据为步骤3中得到的子区域点云坐标，对每一个子区域，首先进行点云重采样，即对不同的子区域点云随机采样相同数量的n个点，然后通过卷积层和池化层对子区域进行特征提取，得到每个子区域的特征；

步骤5：对每个子区域提取的特征进行一维连接，通过全连接层对特征进行处理，输出分类结果，判定质量是否合格；对提取的子区域特征进行整合和处理，最终得到三维曲面的质量分类结果。

2.根据权利要求1所述的基于点云数据的三维曲面质量分类方法，其特征在于，所述步骤2包括：

通过3σ准则，识别点云数据中的离群点，并进行剔除；在坐标轴配准中，基于主成分分析PCA对曲面点云进行配准；由主成分分析PCA计算曲面点云的主方向，然后对曲面坐标轴进行旋转和平移以在同一坐标系中对齐。

3.根据权利要求2所述的基于点云数据的三维曲面质量分类方法，其特征在于，步骤2中，所述数据处理，对测量产生的点云数据中的离群点进行剔除；对于每个测量点坐标值P(x，y，z)，首先计算k个最近邻点与该点的平均距离；考虑最近邻点处于边界点，k的值通常为4；得到每个测量点与相邻点的平均距离值为：

其中，P_i为第i个测量点的坐标，P_ik为与P_i最近的第k个点的坐标，|P_iP_ik|为点P_i和P_ik的距离；

因离群点数相对于整体点云数据很小，则每个测量点与相邻点的平均距离服从正态分布，由3σ准则对异常值进行剔除；σ是均方误差，其计算公式为：

其中，n为测量点的个数，d_i为第i个测量点的与相邻点的平均距离值，d_Mean为所有测量点与相邻点的平均距离值的均值，即

对于第i个测量点，如果|d_i-d_Mean|＞3σ，则认为该点为离群点并予以剔除；

对于剔除离群点后的点云数据通过旋转和平移变换将所有样本的点云匹配到同一坐标系；具体为：

对于每个样本，首先计算点云中心点坐标：

将中心点坐标移动到原点处，得到新的点云坐标值：

对于新的点云坐标值计算协方差矩阵：

对于协方差矩阵M计算其特征向量

其中

是相互正交的特征向量；即点云P_c的主成分方向；

对此特征向量的方向进行修正，在第一主成分方向和第二主成分方向上分别找到距原点最大距离的点：p_{max_x}和p_{max_y}；第一主成分方向修正为：

第二主成分方向修正为：

第三主成分方向修正为：

点云的旋转矩阵记为：

通过此旋转矩阵对点云进行旋转以获得新坐标系中的点云坐标：P_new＝P_cR；

对所有点云样本执行此数据处理步骤，以统一样本坐标系，对曲面点云进行配准。

4.根据权利要求1所述的基于点云数据的三维曲面质量分类方法，其特征在于，在步骤1中使用高清测量仪在三维曲面表面采样，获得高密度的三维点云数据。

5.根据权利要求3所述的基于点云数据的三维曲面质量分类方法，其特征在于，所述步骤3包括：

所述曲面分割的方法采用基于区域的分割方法，对点云法向量和曲率进行计算，通过预先给定的法向量和曲率阈值，得到满足要求的子区域分割数量。

6.根据权利要求5所述的基于点云数据的三维曲面质量分类方法，其特征在于，

首先计算每个测量点处的法向量和曲率；对于点云中的点P_i，计算与其相邻的k个最近邻点的邻域协方差矩阵X；

其中，

为

的中心位置坐标；

然后，计算协方差矩阵X的特征值和特征向量；与最小特征值对应的特征向量即为该测量点处的法向量

曲率值计算如下：

其中，λ_i为协方差矩阵X的特征值，且λ₀≤λ₁≤λ₂，

为点P_i处的曲率值；

根据每个点处的法向量和曲率值，采用基于区域的分割方法，对三维曲面进行分割，到分割子区域集合。

7.根据权利要求6所述的基于点云数据的三维曲面质量分类方法，其特征在于，所述步骤4中的并联神经网络包括：

将每个子区域中的数据的维数记为n×3，其中n是该子区域的测量点数；每个测量点均由三维坐标值(x，y，z)表示；共有四层卷积层和一层池化层，卷积核的大小为3×1维，四层卷积层的卷积核数量依次为64、128、256和512；经过四层卷积后，生成n×512维特征；通过池化层将n×512维特征降维至1×512维，即通过神经网络对每个子区域提取1×512维特征。

8.根据权利要求7所述的基于点云数据的三维曲面质量分类方法，其特征在于，所述步骤5全连接层大小依次为：1024，512，256，2。

9.一种基于点云数据的三维曲面质量分类系统，包括存储器和处理器，存储器存储有计算机程序，其特征在于；所述处理器执行所述计算机程序时实现如权利要求1-8任一所述的方法步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述的计算机程序被处理器执行时实现如权利要求1-8任一所述的方法步骤。

Images