CN113096067A - 一种确定工件表面磨损的方法及系统 - Google Patents

一种确定工件表面磨损的方法及系统 Download PDF

Info

Publication number
CN113096067A
CN113096067A CN202110239181.3A CN202110239181A CN113096067A CN 113096067 A CN113096067 A CN 113096067A CN 202110239181 A CN202110239181 A CN 202110239181A CN 113096067 A CN113096067 A CN 113096067A
Authority
CN
China
Prior art keywords
point cloud
wear
training
category
curve
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.)
Granted
Application number
CN202110239181.3A
Other languages
English (en)
Other versions
CN113096067B (zh
Inventor
王维林
文杰
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.)
Autel Intelligent Technology Corp Ltd
Original Assignee
Autel Intelligent Technology Corp Ltd
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 Autel Intelligent Technology Corp Ltd filed Critical Autel Intelligent Technology Corp Ltd
Priority to CN202110239181.3A priority Critical patent/CN113096067B/zh
Publication of CN113096067A publication Critical patent/CN113096067A/zh
Priority to PCT/CN2022/078630 priority patent/WO2022184058A1/zh
Application granted granted Critical
Publication of CN113096067B publication Critical patent/CN113096067B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • G06T7/521—Depth or shape recovery from laser ranging, e.g. using interferometry; from the projection of structured light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Biology (AREA)
  • Optics & Photonics (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明实施例涉及工件测量技术领域，尤其涉及一种确定工件表面磨损的方法及系统，根据点云图确定待检测工件表面磨损所属的磨损类别，确定与该磨损类别对应的预先训练好的细分类别识别模型，然后，采用该细分类别识别模型，识别待检测工件表面磨损所属的细分类别，确定与该细分类别对应的测量算法，最后，根据该测量算法确定磨损程度。也即，基于应用场景不同导致反映磨损的点云图不同，根据点云图对磨损进行初步分类，采用基于人工智能的细分类别识别模型再对磨损进行细分，以精确确定符合应用场景的测量方法，从而，能够在各种复杂应用场景中准确确定未磨损点和磨损区域，提高对工件表面磨损程度的测量精度。

Description

一种确定工件表面磨损的方法及系统
技术领域
本发明实施例涉及工件测量技术领域，尤其涉及一种确定工件表面磨损的方法及系统。
背景技术
相互接触且有相对运动的工件通常会存在磨损，比如，刹车盘与刹车片之间，三角单目激光测距可用于检测这种磨损。具体检测原理为：单目激光测距首先通过相机拍摄目标激光线，然后，从相机图像中提取出激光线，通过投影变换把图像像素坐标转换成3D点云数据，再从点云数据里面分析出目标的测量距离信息。在点云数据分析中，通常以未磨损点位置作为参考点，比较磨损区域与参考点的激光投射深度差异，以获取磨损信息。
由于工件所在的安装位置、安装背景等应用场景不同，点云数据中包括环境激光信息。然而，在激光测量分析中，环境激光信息可能对有效磨损区域和参考点进行干扰，导致测量失败。如何在各种复杂场景中精准确定参考点和磨损区域称为本领域技术人员亟待解决的技术问题。
发明内容
本发明实施例主要解决的技术问题是提供一种确定工件表面磨损的方法，能够在各种复杂应用场景中准确确定未磨损点和磨损区域，适应工件的应用场景，从而提高对工件表面磨损程度的测量精度。
为解决上述技术问题，第一方面，本发明实施例中提供给了一种确定工件表面磨损的方法，包括：
获取待检测工件表面的点云图，所述点云图包括点云曲线和参考线，所述点云曲线为投射在所述待检测工件表面上的激光线所包括的光斑位置集合，所述点云曲线的第一坐标轴为所述激光线的长度，所述点云曲线的第二坐标轴为所述激光线投射在所述待检测工件表面的深度，所述参考线为用于反映所述点云曲线的平坦区域的一致性的线；
根据所述点云图，确定所述待检测工件表面磨损所属的磨损类别；
根据所述磨损类别，确定预先训练好的细分类别识别模型；
采用所述细分类别识别模型，识别所述待检测工件表面磨损所属的细分类别；
根据所述细分类别，确定对应的测量算法，所述测量算法与所述细分类别具有对应关系；
根据所述测量算法，确定所述待检测工件表面的磨损程度。
在一些实施例中，所述根据所述点云图，确定所述待检测工件表面磨损所属的磨损类别，包括：
若所述点云曲线中包括所述点云曲线的最大值的第一预设曲线区域位于所述参考线的上方，则确定所述待检测工件表面磨损所属的磨损类别为第一类别；
若所述点云曲线中包括所述点云曲线的最大值的第二预设曲线区域与所述参考线之间的距离小于或等于预设距离阈值，则确定所述待检测工件表面磨损所属的磨损类别为第二类别；
若所述点云曲线的最大值与最小值之间的斜率的绝对值大于第一预设斜率阈值，则确定所述待检测工具表面磨损所属的磨损类别为第三类别。
在一些实施例中，所述方法还包括：
获取多个第一训练点云图，所述多个第一训练点云图对应的磨损类别均属于所述第一类别，各所述第一训练点云图均标注有第一真实标签，所述第一真实标签为所述第一类别下的细分类别；
将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类别对应的第一细分类别识别模型。
在一些实施例中，将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类型对应的第一细分类别识别模型，包括：
对各所述第一训练点云图中的第一点云曲线均在第一预设区间内按第一预设采样率采集多个第一采样点，其中，所述第一预设区间为所述第一点云曲线的第一坐标轴上的区间，并且位于所述第一预设区间内的第一点云曲线包括所述第一点云曲线的最大值和最小值；
将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型。
在一些实施例中，将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类型对应的第一细分类别识别模型，包括：
对各所述第一训练点云图中的第一点云曲线均在第一预设区间内按第一预设采样率采集多个第一采样点，其中，所述第一预设区间为所述第一点云曲线的第一坐标轴上的区间，并且位于所述第一预设区间内的第一点云曲线包括所述第一点云曲线的最大值和最小值；
将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型。
在一些实施例中，在所述将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型的步骤之前，还包括：
对各所述第一训练点云图对应的多个第一采样点进行归一化处理。
在一些实施例中，所述第一预设采样率为动态调整的值。
在一些实施例中，所述方法还包括：
获取多个第二训练点云图，所述多个第二训练点云图对应的磨损类别均属于所述第二类别，各所述第二训练点云图均标注有第二真实标签，所述第二真实标签为所述第二类别下的细分类别；
将所述多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，以获取所述第二类别对应的第二细分类别识别模型。
在一些实施例中，所述将所述多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，以获取所述第二类别对应的第二细分类别识别模型，包括：
对各所述第二训练点云图中的第二点云曲线均在第二预设区间内按第二预设采样率采集多个第二采样点，其中，所述第二预设区间为所述第二点云曲线的第一坐标轴上的区间，并且位于所述第二预设区间内的第二点云曲线包括所述第二点云曲线的最大值和最小值；
将各所述第二训练点云图对应的多个第二采样点，输入所述第二预设神经网络模型进行训练，以获取所述第二细分类别识别模型。
在一些实施例中，在所述将各所述第二训练点云图对应的多个第二采样点，输入所述第二预设神经网络模型进行训练，以获取所述第二细分类别识别模型的步骤之前，还包括：
对各所述第二训练点云图对应的多个第二采样点进行归一化处理。
在一些实施例中，所述第二预设采样率为动态调整的值。
在一些实施例中，所述方法还包括：
获取多个第三训练点云图，所述多个第三训练点云图对应的磨损类别均属于所述第三类别，各所述第三训练点云图均标注有第三真实标签，所述第三真实标签为所述第三类别下的细分类别；
将所述多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，以获取所述第三类别对应的第三细分类别识别模型。
在一些实施例中，所述将所述多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，以获取所述第三类别对应的第三细分类别识别模型，包括：
对各所述第三训练点云图中的第三点云曲线均在第三预设区间内按第三预设采样率采集多个第三采样点，其中，所述第三预设区间为所述第三点云曲线的第一坐标轴上的区间，并且位于所述第三预设区间内的第三点云曲线包括所述第三点云曲线的最大值和最小值；
将各所述第三训练点云图对应的多个第三采样点，输入所述第三预设神经网络模型进行训练，以获取所述第三细分类别识别模型。
在一些实施例中，在所述将各所述第三训练点云图对应的多个第三采样点，输入所述第三预设神经网络模型进行训练，以获取所述第三细分类别识别模型的步骤之前，还包括：
对各所述第三训练点云图对应的多个第三采样点进行归一化处理。
在一些实施例中，所述第三预设采样率为动态调整的值。
在一些实施例中，所述根据所述细分类别，确定对应的测量算法，包括：
若所述细分类别为第一正常磨损、第二正常磨损或第三正常磨损，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，确定所述点云曲线的最大值为磨损起始点；和/或，
若所述细分类别为所述待检测工件表面边缘存在孔洞或花纹，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，并在所述点云曲线上从所述未磨损点开始向所述参考线附近查找磨损起始点；和/或，
若所述细分类别为所述待检测工件的安装背景存在凹槽，则对应的测量算法为：根据所述参考线确定所述点云曲线上的背景凹槽区域，越过所述背景凹槽区域向所述点云曲线的中心查找未磨损点和磨损起始点；和/或，
若所述细分类别为所述待检测工件的安装背景存在台阶、突起或反光问题，则对应的测量算法为：在所述点云曲线中在靠近所述参考线且斜率大于第二预设斜率阈值的区域查找磨损起始点和未磨损点；和/或，
若所述细分类别为所述待检测工具边缘有其他物体，则对应的测量算法为：从所述点云曲线偏离所述参考线处开始向低处搜索，确定第一个震荡幅度大于预设幅度阈值的点为磨损起始点。
在一些实施例中，所述根据所述测量算法，确定所述待检测工件表面的磨损程度，包括：
根据所述点云曲线和所述磨损起始点，确定磨损区域；
根据所述磨损区域中的各磨损点分别与所述未磨损点之间的差异，确定所述磨损程度。
为解决上述技术问题，第二方面，本发明实施例中提供给了一种工件表面磨损的测量系统，所述系统包括：
支架；
激光器，安装于所述支架上，所述激光器用于向待检测工件表面投射激光线；
相机，安装于所述支架上，所述相机用于获取图像，所述图像用于生成点云图；
至少一个处理器，以及
存储器，所述存储器与所述至少一个处理器通信连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上第一方面所述的方法。
为解决上述技术问题，第三方面，本发明实施例中提供给了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被至少一个处理器执行时，使所述至少一个处理器执行如上第一方面所述的方法。
本发明实施例的有益效果：区别于现有技术的情况，本发明实施例提供的确定工件表面磨损的方法，首先，根据点云图确定待检测工件表面磨损所属的磨损类别，确定与该磨损类别对应的预先训练好的细分类别识别模型，然后，采用该细分类别识别模型，识别待检测工件表面磨损所属的细分类别，确定与该细分类别对应的测量算法，最后，根据该测量算法确定磨损程度。也即，基于应用场景不同导致反映磨损的点云图不同，根据点云图对磨损进行初步分类，采用基于人工智能的细分类别识别模型再对磨损进行细分，以精确确定符合应用场景的测量方法，从而，能够在各种复杂应用场景中准确确定未磨损点和磨损区域，提高对工件表面磨损程度的测量精度。
附图说明
一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。
图1为本发明一实施例提供的一种工件表面磨损的测量系统的示意图；
图2为图1所示测量系统中激光器的投射示意图；
图3为本发明一实施例提供的一种确定工件表面磨损的方法；
图4为本发明一实施例提供的点云图的示意图；
图5为本发明一实施例提供的相机获取的图像与点云图的示意图；
图6为图3所示方法中步骤S202的一子流程示意图；
图7为本发明一实施例提供的第一类别下的各细分类别对应的点云图；
图8为本发明一实施例提供的第二类别下的各细分类别对应的点云图；
图9为本发明一实施例提供的第三类别下的各细分类别对应的点云图；
图10为本发明一实施例提供的一种确定工件表面磨损的方法；
图11为图10所示方法中步骤S208的一子流程示意图；
图12为本发明一实施例提供的一种确定工件表面磨损的方法；
图13为图12所示方法中步骤S210的一子流程示意图；
图14为本发明一实施例提供的一种确定工件表面磨损的方法；
图15为图14所示方法中步骤S212的一子流程示意图；
图16为图3所示方法中步骤S205的一子流程示意图；
图17为图3所示方法中步骤S206的一子流程示意图；
图18为本发明一实施例提供的磨损区域的示意图。
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。
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请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申请，并不用于限定本申请。
需要说明的是，如果不冲突，本发明实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。此外，本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定，仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义，本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本说明书中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
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。
请参阅图1，本发明实施例提供的工件表面磨损的测量系统100包括支架(图未示)、激光器10、相机20、至少一个处理器30以及存储器40。
其中，激光器10安装于支架上，该激光器10用于向待检测工件表面投射激光线，其中，待检测工具可以为刹车盘或踏面等。如图2所示，激光器10是线性的激光源，从而，由激光器10发射出的多束线性平行光线打在刹车盘表面200形成的各光斑会呈现出线性的激光线。
相机20，安装于支架上，该相机20用于采集待检测工件表面并包括激光线的图像。该图像用于生成点云图，该点云图可以反映激光线在待检测工件表面的深度，即能反映组成激光线的各光斑的空间位置。从而，根据点云图，可以分析出待检测工件表面上激光线所在处各点的空间位置、相对距离信息等。以便后续，根据待检测工件表面上激光线所在处各点的空间位置、相对距离信息等，可以确定待检测工件表面的磨损程度。
至少一个处理器30和存储器40通信连接，图1中以总线连接、一个处理器30为例进行示意性说明。
可以理解的是，该处理器30可以是通用处理器，包括中央处理器(CentralProcessing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器40作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的确定工件表面磨损的方法对应的程序指令/模块。处理器30通过运行存储在存储器40中的非暂态软件程序、指令以及模块，可以实现下述任一方法实施例中的确定工件表面磨损的方法。具体地，存储器40可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器40还可以包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
以下，对本发明实施例提供的确定工件表面磨损的方法进行详细说明，该方法可以由上述实施例中工件表面磨损的测量系统100中的处理器30执行。
请参阅图3，该方法S200包括但不限制于以下步骤：
S201：获取待检测工件表面的点云图。
其中，如图4所示，点云图包括点云曲线和参考线，点云曲线为投射在待检测工件表面的激光线所包括的光斑位置的集合。点云曲线的第一坐标轴为激光线的长度，第二坐标轴为该激光线投射在待检测工件表面的深度。
随着待检测工件表面的磨损程度各异，导致激光线各位置投射在待检测工件表面的深度各异，从而，激光线上各光斑的位置形成曲线。例如，磨损程度越大，则对应的光斑的深度也越大，反映在点云曲线上则会出现较大的第二坐标值，有时还会出现波峰。可以理解的是，该第一坐标轴和第二坐标轴其中一个为X轴，则另一个为Y轴，例如，当第一坐标轴为X轴时，则第二坐标轴为Y轴，当第一坐标轴为Y轴时，则第二坐标轴为X轴。
基于磨损是由两个相互接触的工件发生多次往复的相对运动所产生的，待检测工件表面大部分位置的磨损程度会比较接近，从而，磨损程度接近的区域反映在点云曲线上的第二纵坐标(深度)比较接近，从而，在点云曲线上会出现平坦区域，该平坦区域即为深度在一定范围内波动的区域，对应待检测工件表面上的磨损区域。为了获取平坦区域所反映的磨损特征，采用参考线反映点云曲线的平坦区域的一致性，也即，参考线反映待检测工件表面的磨损区域的整体磨损情况。可以理解的是，磨损区域的磨损程度越接近，则点云曲线上平坦区域的一致性也越好，参考线的斜率与磨损区域的斜率也越接近。
可以理解的是，该点云图是由采集到的待检测工件表面并包括激光线的图像生成的，例如，点云图可以由上述系统中相机采集到的包括激光线的图像生成的。如图5(a)所示，该图像包括黑色的背景区以及区别于黑色背景区的高亮显示的激光线区域，根据高亮显示的激光线区域确定用于代表激光线所包括的光斑位置的点云曲线。
具体的，采用现有的灰度重心法等分析方法从图像中解析出激光线在图像中的像素坐标，通过投影变换，将激光线由像素坐标转换成相机坐标，即得到激光线中各光斑在相机坐标系下的相机坐标，然后，依据相机到激光器的外参数(即相机到激光器的旋转和平移矩阵)，将激光线的相机坐标转换为激光坐标系下的激光坐标，即得到激光线中各光斑在激光坐标系下的激光坐标。
基于激光坐标系为三维坐标系，激光线的激光坐标也是三维的，因此，仅仅保留激光线的长度方向和激光线的投射方向的坐标数据，得到如图5(b)所示的二维的点云曲线。从而，包括激光线的图像映射到点云图中，横坐标为激光线的长度，纵坐标为激光线投射在待检测工件表面的深度。
S202：根据所述点云图，确定所述待检测工件表面磨损所属的磨损类别。
基于应用场景不同导致反映磨损的点云图不同，根据点云图对磨损进行初步分类。其中，应用场景反映待检测工件的安装位置、安装背景以及图像获取环境等。例如，在一些正常磨损(正常的应用场景)中，点云曲线上最大值附近的点均位于参考线的上方，或者，当待检测工件表面的边缘存在孔洞、花纹或凹槽时，由于孔洞、花纹或凹槽的深度较磨损区域深，会导致一个对应的最大值，且最大值附近的点均位于参考线的上方；再例如，在一些正常磨损中，点云曲线上最大值附近的点也可能均位于参考线的下方，或者，当待检测工件表面有其他安装背景(例如有凸台等)时，点云曲线上最大值附近的点也可能均位于参考线的下方；再例如，当待检测工件表面存在反光时，或在一些正常的应用场景中，点云曲线也可能存在剧烈波动。可以理解的是，不同的应用场景，对应的点云曲线的变化趋势可能相似，或者，相同的应用场景，对应的点云曲线的变化趋势也可能不同。
可知，磨损的初步分类是对应用场景进行的初步分类，初步分类得到的磨损类别对应应用场景的类别。在一些实施例中，可以根据点云图中点云曲线与参考线之间的相对位置关系和/或点云曲线的变化趋势，进行初步分类，确定待检测工件表面磨损所属的磨损类别。可以理解的是，基于上述相同的应用场景，对应的点云曲线的变化趋势可能相似，或者，相同的应用场景，对应的点云曲线的变化趋势也可能不同的特性，根据变化趋势初步分类得到的磨损类别，可能存在一个磨损类别对应多个应用场景的问题，即仅根据变化趋势初步分类得到的磨损类别，不能准确确定应用场景，从而，无法准确确定用于确定待检测工件表面未磨损点和磨损点的测量算法。因此，需要对磨损类别进行二次细分。
S203：根据所述磨损类别，确定预先训练好的细分类别识别模型。
S204：采用所述细分类别识别模型，识别所述待检测工件表面磨损所属的细分类别。
磨损类别与细分类别识别模型一一对应，当确定磨损类别后，可以选择对应的细分类别识别模型进行智能识别出待检测工件表面磨损所属的细分类别。可以理解的是，各细分类别识别模型是基于机器学习算法预先训练得到的。例如，对于某一磨损类别1#，将属于磨损类别1#下的若干张点云图作为训练集，对现有的分类算法进行训练，例如，对BP神经网络算法进行训练，得到磨损类别1#下的细分类别识别模型。
然后，采用与待检测工件表面磨损所属的磨损类别对应细分类别识别模型，即可识别出待检测工件表面磨损所属的细分类别。
S205：根据所述细分类别，确定对应的测量算法，所述测量算法与所述细分类别具有对应关系。
S206：根据所述测量算法，确定所述待检测工件表面的磨损程度。
可以理解的是，一测量算法对应至少一个细分类别，测量算法与细分类别之间的对应关系是预先设置好的，从而，可以根据细分类别确定对应的测量算法。
其中，测量算法用于指导确定待检测工件表面的未磨损点和磨损起始点。基于待检测工件表面磨损具有连续性，从而，可以根据未磨损点和磨损起始点，确定待检测工件表面的磨损区域，进而确定磨损程度。
在本实施例中，首先，根据点云图确定待检测工件表面磨损所属的磨损类别，确定与该磨损类别对应的预先训练好的细分类别识别模型，然后，采用该细分类别识别模型，识别待检测工件表面磨损所属的细分类别，确定与该细分类别对应的测量算法，最后，根据该测量算法确定磨损程度。也即，基于应用场景不同导致反映磨损的点云图不同，根据点云图对磨损进行初步分类，采用基于人工智能的细分类别识别模型再对磨损进行细分，以精确确定符合应用场景的测量方法，从而，能够在各种复杂应用场景中准确确定未磨损点和磨损区域，提高对工件表面磨损程度的测量精度。
在一些实施例中，请参阅图6，所述步骤S202具体包括：
S2021：若所述点云曲线中包括所述点云曲线的最大值的第一预设曲线区域位于所述参考线的上方，则确定所述待检测工件表面磨损所属的磨损类别为第一类别。
S2022：若所述点云曲线中包括所述点云曲线的最大值的第二预设曲线区域与所述参考线之间的距离小于或等于预设距离阈值，则确定所述待检测工件表面磨损所属的磨损类别为第二类别。
S2023：若所述点云曲线的最大值与最小值之间的斜率的绝对值大于第一预设斜率阈值，则确定所述待检测工具表面磨损所属的磨损类别为第三类别。
如图7所示，图7示出了磨损类别为第一类别下的各应用场景对应的点云图。其中，点云图a1-a4对应的应用场景为第一正常磨损，点云图b1对应的应用场景为待检测工件表面的边缘存在孔洞或花纹，点云图c1-c5对应的应用场景为待检测工件的安装背景有凹槽。由图7可知，第一类别下的点云曲线具有共性：包括点云曲线的最大值的第一预设曲线区域位于参考线的上方。即，点云曲线中最大值附近一定范围内的曲线区域位于参考线的上方。可以理解的是，该第一预设曲线区域对应第一坐标上的区间可以是本领域技术人员设置的经验值，具体可以根据实际情况而设置。
如图8所示，图8示出了磨损类别为第二类别下的各应用场景对应的点云图。其中，点云图d1-d6对应的应用场景为第二正常磨损，点云图e1-e8对应的应用场景为待检测工件边缘有其他安装背景，点云图f1对应的应用场景为待检测工件边缘有台阶。由图8可知，第二类别下的点云曲线具有共性：包括点云曲线的最大值的第二预设曲线区域与参考线之间的距离小于或等于预设距离阈值。即，点云曲线中最大值附近一定范围内的曲线区域贴近参考线，在参考线附近。可以理解的是，该第二预设曲线区域对应第一坐标上的区间可以是本领域技术人员设置的经验值，具体可以根据实际情况而设置。
如图9所示，图9示出了磨损类别为第三类别下的各应用场景对应的点云图。其中，点云图g1-g3对应的应用场景为正常磨损，点云图h1-h3对应的应用场景为待检测工件的安装背景突起或存在反光问题。由图9可知，第三类别下的点云曲线具有共性：点云曲线的最大值与最小值之间的斜率的绝对值大于第一预设斜率阈值。即，点云曲线在最大值和最小值之间发生了剧烈的变化。其中，第一预设斜率阈值反映剧烈变化的临界程度。可以理解的是，第一预设斜率阈值可以是本领域技术人员设置的经验值，具体可以根据实际情况而设置。
在本实施例中，根据点云曲线与参考线的相对位置关系以及点云曲线的变化趋势，将磨损类别定义为三类(第一类别、第二类别和第三类别)，能够对待检测工件表面的点云图进行大致分类，一方面，可以确定磨损类别，对应用场景进行大致区分，另一方面，按点云曲线的共性趋势进行初步分类，有益于后续在此基础上进行细分，可以有效避免同一磨损类别下点云曲线差异太大对细分类别带来干扰，从而，有利于提高后续细分类别的准确性。
在一些实施例中，请参阅图10，所述方法还包括：
S207：获取多个第一训练点云图，所述多个第一训练点云图对应的磨损类别均属于所述第一类别，各所述第一训练点云图均标注有第一真实标签，所述第一真实标签为所述第一类别下的细分类别。
S208：将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类别对应的第一细分类别识别模型。
为了训练得到第一类别下的第一细分类别识别模型，将属于第一类别下的多个第一训练点云图，标注有第一真实标签。可以理解的是，多个第一训练点云图包括图7中的图像，第一真实标签为第一类别下的细分类别，即若某一第一训练点云图为图7中a1-a4中的任一图像，则此第一训练点云图对应的第一真实标签为“第一正常磨损”，若另一第一训练点云图为图7中的b1，则此第一训练点云图对应的第一真实标签为“边缘存在孔洞或花纹”，若另一第一训练点云图为图7中c1-c5中的任一图像，则此第一训练点云图对应的第一真实标签为“安装背景有凹槽”。
将各自标注有第一真实标签的多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，得到第一细分类别识别模型，该第一细分类别识别模型可以用于识别磨损类别为第一类别的点云图所对应的应用场景，例如，识别出点云图对应的应用场景是“第一正常磨损”、“边缘存在孔洞或花纹”或“安装背景有凹槽”。可以理解的是，该第一预设神经网络模型可以为现有的BP神经网络等分类算法，具体的训练过程与现有的分类算法一致，在此不再赘述。
在本实施例中，将所属第一类别下的标注有真实标签的若干个点云图作为训练集，结合现有的分类算法，训练出第一细分类别识别模型，使得第一细分类别识别模型能够识别第一类别下点云图所述的细分类别(即应用场景)，另一方面，采用机器学习训练识别模型的方式，相比于人工查看，效率高且准确度高。
在一些实施例中，请参阅图11，所述步骤S208具体包括：
S2081：对各所述第一训练点云图中的第一点云曲线均在第一预设区间内按第一预设采样率采集多个第一采样点，其中，所述第一预设区间为所述第一点云曲线的第一坐标轴上的区间，并且位于所述第一预设区间内的第一点云曲线包括所述第一点云曲线的最大值和最小值。
S2082：将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型。
为了简化运算以及使得输入模型的数据有效，对输入第一预设神经网络模型的数据进行了筛选处理。具体的，对各第一训练点云图中的第一点云曲线均采集部分采样点作为输入第一预设神经网络模型的数据。可以理解的是，根据点云图识别细分类别(应用场景)时，主要分析点云曲线的拐点的变化，即分析点云曲线的拐点附近的曲线段即可。从而，取一个分析窗口内的第一点云曲线，该分析窗口内的第一点云曲线包括分析范围内的波形特征，用于输入第一预设神经网络模型进行训练即可。具体的，分析窗口为第一预设区间，其中，第一预设区间为第一点云曲线的第一坐标轴上的区间，并且位于该第一预设区间内的第一点云曲线包括该第一点云曲线的最大值和最小值，即第一预设区间内的第一点云曲线包括分析范围内的波形特征。
从而，在第一预设区间内按预先设置好的第一预设采样率进行采样，采集多个第一采样点。例如，当第一预设区间为15mm、第一预设采样率为50时，则可以按照0.3mm的间隔在第一点云曲线上采样，得到50个第一采样点。在一些实施例中，该第一预设采样率为动态调整的值，例如第一预设采样率控制在30-50之间，使得采样点具有随机性，更具有代表性。
将各第一训练点云图分别对应的多个第一采样点，作为训练集，输入第一预设神经网络进行学习，从而，得到该第一细分类别识别模型。
在一些实施例中，在所述步骤S2082之前，还包括：
对各所述第一训练点云图对应的多个第一采样点进行归一化处理。
可以理解的是，每一第一采样点代表一个深度(第一点云曲线的第二坐标值)，将各第一训练点云图对应的多个第一采样点进行归一化处理，即将采样到的深度均进行归一化处理至0-1之间，方便运算处理。
在此实施例中，只取能反映波形特征的第一预设区间内的第一点云曲线作为训练集，不仅能简化运算，还能使得输入模型的数据有效，增加训练得到的第一细分类别识别模型的准确性。
在一些实施例中，请参阅图12，所述方法还包括：
S209：获取多个第二训练点云图，所述多个第二训练点云图对应的磨损类别均属于所述第二类别，各所述第二训练点云图均标注有第二真实标签，所述第二真实标签为所述第二类别下的细分类别。
S210：将所述多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，以获取所述第二类别对应的第二细分类别识别模型。
为了训练得到第二类别下的第二细分类别识别模型，将属于第二类别下的多个第二训练点云图，标注有第二真实标签。可以理解的是，多个第二训练点云图包括图8中的图像，第二真实标签为第二类别下的细分类别，即若某一第二训练点云图为图8中d1-d6中的任一图像，则此第二训练点云图对应的第二真实标签为“第二正常磨损”，若另一第二训练点云图为图8中e1-e8中的任一图像，则此第二训练点云图对应的第二真实标签为“边缘有其他物体”，若另一第一训练点云图为图8中的f1，则此第二训练点云图对应的第二真实标签为“边缘有台阶”。
将各自标注有第二真实标签的多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，得到第二细分类别识别模型，该第二细分类别识别模型可以用于识别磨损类别为第二类别的点云图所对应的应用场景，例如，识别出点云图对应的应用场景是“正常磨损”、“边缘有其他物体”或“边缘有台阶”。可以理解的是，该第二预设神经网络模型可以为现有的BP神经网络等分类算法，具体的训练过程与现有的分类算法一致，在此不再赘述。
在本实施例中，将所属第二类别下的标注有真实标签的若干个点云图作为训练集，结合现有的分类算法，训练出第二细分类别识别模型，使得第二细分类别识别模型能够识别第二类别下点云图所述的细分类别(即应用场景)，另一方面，采用机器学习训练识别模型的方式，相比于人工查看，效率高且准确度高。
在一些实施例中，请参阅图13，所述步骤S210具体包括：
S2101：对各所述第二训练点云图中的第二点云曲线均在第二预设区间内按第二预设采样率采集多个第二采样点，其中，所述第二预设区间为所述第二点云曲线的第一坐标轴上的区间，并且位于所述第二预设区间内的第二点云曲线包括所述第二点云曲线的最大值和最小值。
S2102：将各所述第二训练点云图对应的多个第二采样点，输入所述第二预设神经网络模型进行训练，以获取所述第二细分类别识别模型。
同理，为了简化运算以及使得输入模型的数据有效，对输入第二预设神经网络模型的数据进行了筛选处理。具体的，对各第二训练点云图的第二点云曲线均采集部分采样点作为输入第二预设神经网络模型的数据。可以理解的是，根据点云图识别细分类别(应用场景)时，主要分析点云曲线的拐点的变化，即分析点云曲线的拐点附近的曲线段即可。从而，取一个分析窗口内的第二点云曲线，该分析窗口内的第二点云曲线包括分析范围内的波形特征，用于输入第二预设神经网络模型进行训练即可。具体的，分析窗口为第二预设区间，其中，第二预设区间为第二点云曲线的第一坐标轴上的区间，并且位于该第二预设区间内的第二点云曲线包括该第二点云曲线的最大值和最小值，即第二预设区间内的第二点云曲线包括分析范围内的波形特征。
从而，在第二预设区间内按预先设置好的第二预设采样率进行采样，采集多个第二采样点。例如，当第二预设区间为20mm、第一预设采样率为50时，则可以按照0.4mm的间隔在第二点云曲线上采样，得到50个第二采样点。在一些实施例中，该第二预设采样率为动态调整的值，例如第二预设采样率控制在30-50之间，使得采样点具有随机性，更具有代表性。
将各第二训练点云图分别对应的多个第二采样点，作为训练集，输入第二预设神经网络进行学习，从而，得到该第二细分类别识别模型。
在一些实施例中，在所述步骤S2102之前，还包括：
对各所述第二训练点云图对应的多个第二采样点进行归一化处理。
可以理解的是，每一第二采样点代表一个深度(第二点云曲线的第二坐标值)，将各第二训练点云图对应的多个第二采样点进行归一化处理，即将采样到的深度均进行归一化处理至0-1之间，方便运算处理。
在此实施例中，只取能反映波形特征的第二预设区间内的第二点云曲线作为训练集，不仅能简化运算，还能使得输入模型的数据有效，增加训练得到的第二细分类别识别模型的准确性。
在一些实施例中，请参阅图14，所述方法还包括：
S211：获取多个第三训练点云图，所述多个第三训练点云图对应的磨损类别均属于所述第三类别，各所述第三训练点云图均标注有第三真实标签，所述第三真实标签为所述第三类别下的细分类别。
S212：将所述多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，以获取所述第三类别对应的第三细分类别识别模型。
为了训练得到第三类别下的第三细分类别识别模型，将属于第三类别下的多个第三训练点云图，标注有第三真实标签。可以理解的是，多个第三训练点云图包括图9中的图像，第三真实标签为第三类别下的细分类别，即若某一第三训练点云图为图9中h1-h3中的任一图像，则此第三训练点云图对应的第三真实标签为“第三正常磨损”，若另一第三训练点云图为图9中g1-g3中的任一图像，则此第三训练点云图对应的第三真实标签为“安装背景存在凸起或反光”。
将各自标注有第三真实标签的多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，得到第三细分类别识别模型，该第三细分类别识别模型可以用于识别磨损类别为第三类别的点云图所对应的应用场景，例如，识别出点云图对应的应用场景是“正常磨损”还是“安装背景存在凸起或反光”。可以理解的是，该第三预设神经网络模型可以为现有的BP神经网络等分类算法，具体的训练过程与现有的分类算法一致，在此不再赘述。
在本实施例中，将所属第三类别下的标注有真实标签的若干个点云图作为训练集，结合现有的分类算法，训练出第三细分类别识别模型，使得第三细分类别识别模型能够识别第三类别下点云图所述的细分类别(即应用场景)，另一方面，采用机器学习训练识别模型的方式，相比于人工查看，效率高且准确度高。
在一些实施例中，请参阅图15，所述步骤S212具体包括：
S2121：对各所述第三训练点云图中的第三点云曲线均在第三预设区间内按第三预设采样率采集多个第三采样点，其中，所述第三预设区间为所述第三点云曲线的第一坐标轴上的区间，并且位于所述第三预设区间内的第三点云曲线包括所述第三点云曲线的最大值和最小值。
S2122：将各所述第三训练点云图对应的多个第三采样点，输入所述第三预设神经网络模型进行训练，以获取所述第三细分类别识别模型。
同理，为了简化运算以及使得输入模型的数据有效，对输入第三预设神经网络模型的数据进行了筛选处理。具体的，对各第三训练点云图的第三点云曲线均采集部分采样点作为输入第三预设神经网络模型的数据。可以理解的是，根据点云图识别细分类别(应用场景)时，主要分析点云曲线的拐点的变化，即分析点云曲线的拐点附近的曲线段即可。从而，取一个分析窗口内的第三点云曲线，该分析窗口内的第三点云曲线包括分析范围内的波形特征，用于输入第三预设神经网络模型进行训练即可。具体的，分析窗口为第三预设区间，其中，第三预设区间为第三点云曲线的第一坐标轴上的区间，并且位于该第三预设区间内的第三点云曲线包括该第三点云曲线的最大值和最小值，即第三预设区间内的第三点云曲线包括分析范围内的波形特征。
从而，在第三预设区间内按预先设置好的第三预设采样率进行采样，采集多个第三采样点。该第三预设区间的范围可以为5-10mm,例如，当第三预设区间为10mm、第一预设采样率为50时，则可以按照0.2mm的间隔在第三点云曲线上采样，得到50个第三采样点。在一些实施例中，该第三预设采样率为动态调整的值，例如第二预设采样率控制在30-50之间，使得采样点具有随机性，更具有代表性。
将各第三训练点云图分别对应的多个第三采样点，作为训练集，输入第三预设神经网络进行学习，从而，得到该第三细分类别识别模型。
在一些实施例中，在所述步骤S2122之前，还包括：
对各所述第三训练点云图对应的多个第三采样点进行归一化处理。
对各所述第三训练点云图对应的多个第三采样点进行归一化处理。
可以理解的是，每一第三采样点代表一个深度(第三点云曲线的第二坐标值)，将各第三训练点云图对应的多个第三采样点进行归一化处理，即将采样到的深度均进行归一化处理至0-1之间，方便运算处理。
在此实施例中，只取能反映波形特征的第三预设区间内的第三点云曲线作为训练集，不仅能简化运算，还能使得输入模型的数据有效，增加训练得到的第三细分类别识别模型的准确性。
在一些实施例中，请参阅图16，所述步骤S205具体包括以下步骤至少之一：
S2051：若所述细分类别为第一正常磨损、第二正常磨损或第三正常磨损，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，确定所述点云曲线的最大值为磨损起始点。
可以理解的是，第一正常磨损为第一类别下的正常磨损，第二正常磨损为第二类别下的正常磨损，第三正常磨损为第三类别下的正常磨损。基于磨损是由两个相互接触的工件发生多次往复的相对运动所产生的，可知，待检测工件表面的磨损区域集中且磨损程度会比较接近，并且，在磨损区域的边界磨损程度最大。再者，待检测工具的应用场景正常，无其他干扰，可知，未发生磨损的地方体现在点云曲线上，会表现出较小的深度(第二坐标值)，发生磨损的地方体现在点云曲线上，会表现出较大的深度(第二坐标值)，并且，在在磨损区域的边界会存在最大的深度(最大的第二坐标值)。从而，当细分类别为第一正常磨损、第二正常磨损或第三正常磨损时，确定点云曲线的最小值为未磨损点，确定所述点云曲线的最大值为磨损起始点。可以理解的是，该磨损起始点对应磨损区域的边缘，具有最大的深度(最大值)。
在此实施例中，对于点云曲线波形趋势不一样的第一正常磨损、第二正常磨损和第三正常磨损，基于此细分类别下的磨损特性，确定点云曲线的最小值为未磨损点，确定点云曲线的最大值为磨损起始点，可准确找到用于确定磨损程度的参考点(未磨损点和磨损起始点)，使得正常应用场景下的测量算法准确，从而，有益于后续通过测量算法准确确定待检测工件表面的磨损程度。
S2052：若所述细分类别为所述待检测工件表面边缘存在孔洞或花纹，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，并在所述点云曲线上从所述未磨损点开始向所述参考线附近查找磨损起始点。
基于上述步骤S2051中所述的磨损特性，确定点云曲线的最小值为未磨损点。可以理解的是，若待检测工件表面边缘存在孔洞或花纹，则在点云曲线对应的边缘地方，会体现出最大的深度，也即孔洞或花纹会在点云曲线上形成一个最大值，从而，在查找磨损起始点时应避开该最大值。再者，参考线反映磨损区域的整体磨损情况，可以理解的是，磨损起始点也应该接近该参考线。从而，当细分类别为待检测工件表面边缘存在孔洞或花纹时，从未磨损点开始向参考线附近查找磨损起始点，如图7中b1所示，可以确定在查找过程中首个接近参考线的点为磨损起始点。
在此实施例中，当细分类别为待检测工件表面边缘存在孔洞或花纹时，基于孔洞或花纹反映在点云曲线上的最大值的特性，确定点云曲线的最小值为未磨损点，并在点云曲线上从未磨损点开始向参考线附近查找磨损起始点，可准确找到用于确定磨损程度的参考点(未磨损点和磨损起始点)，使得该待检测工件表面边缘存在孔洞或花纹的细分类别下的测量算法准确，从而，有益于后续通过测量算法准确确定此种应用场景下的待检测工件表面的磨损程度。
S2053：若所述细分类别为所述待检测工件的安装背景存在凹槽，则对应的测量算法为：根据所述参考线确定所述点云曲线上的背景凹槽区域，越过所述背景凹槽区域向所述点云曲线的中心查找未磨损点和磨损起始点。
可以理解的是，在此细分类别下，由于待检测工件的安装背景存在凹槽，如图7中c1-c4所示，凹槽体现在点云曲线上，会形成一个深度较大的“背景凹槽区域”(凹形区域)。此外，参考线反映磨损区域的整体磨损情况，并且磨损区域的磨损程度比较接近，从而，可以根据参考线确定点云曲线上的背景凹槽区域，并越过该背景凹槽区域向点云曲线的中心查找未磨损点和磨损起始点，也即，当细分类别为所述待检测工件的安装背景存在凹槽时，在点云曲线上应该识别并排除该背景凹槽区域，向磨损区域(点云曲线的中心)查找未磨损点和磨损起始点。
在此实施例中，当细分类别为待检测工件的安装背景存在凹槽时，基于凹槽反映在点云曲线上会形成“背景凹槽区域”的特性，识别并排除该背景凹槽区域，向点云曲线的中心，即向真正的磨损区域查找未磨损点和磨损起始点，从而，可以准确找到用于确定磨损程度的参考点(未磨损点和磨损起始点)，使得该待检测工件的安装背景存在凹槽的细分类别下的测量算法准确，进一步，有益于后续通过测量算法准确确定此种应用场景(细分类别)下的待检测工件表面的磨损程度。
S2054：若所述细分类别为所述待检测工件的安装背景存在台阶、突起或反光问题，则对应的测量算法为：在所述点云曲线中在靠近所述参考线且斜率大于第二预设斜率阈值的区域查找磨损起始点和未磨损点。
可以理解的是，在此细分类别下，由于待检测工件的安装背景存在台阶、突起或反光问题，反映在点云曲线上会存在剧烈的振荡，具体的，在磨损区域与未磨损区域的交界处点云曲线变化较为剧烈。此外，参考线反映磨损区域的整体磨损情况，并且磨损区域的磨损程度比较接近，从而，可以在点云曲线中在靠近该参考线且斜率大于第二预设斜率阈值的区域查找磨损起始点和未磨损点。也即，如图9中h1-h3所示，在靠近参考线且点云曲线剧烈振荡的区域(斜率大于第二预设斜率阈值的区域)查找未磨损点和磨损起始点。可以理解的是，该第二预设斜率阈值是人为设置的经验值，具体可以根据实际情况而设定。
在此实施例中，当细分类别为待检测工件的安装背景存在台阶、突起或反光问题时，基于这些问题反映在点云曲线上会在磨损和未磨损区域的临界处形成剧烈振荡，从而，可以在点云曲线中在靠近参考线且斜率大于第二预设斜率阈值的区域查找磨损起始点和未磨损点，使得该待检测工件的安装背景存在台阶、突起或反光问题的细分类别下的测量算法准确，进一步，有益于后续通过测量算法准确确定此中应用场景(细分类别)下的待检测工件表面的磨损程度。
S2055：若所述细分类别为所述待检测工具边缘有其他物体，则对应的测量算法为：从所述点云曲线偏离所述参考线处开始向低处搜索，确定第一个震荡幅度大于预设幅度阈值的点为磨损起始点。
可以理解的是，当待检测工具边缘有其他物体时，由于其他物体形状各异、高低不平，此外，参考线反映磨损区域的整体磨损情况，并且磨损区域的磨损程度比较接近，可知，在磨损区域与未磨损区域的边界会存在一个突然的高度差，反映在点云曲线上，会表现出一个超过一定幅度的振荡。从而，可以从点云曲线偏离参考线处开始向低处(深度小的地方)搜索，确定第一个振荡幅度大于预设幅度阈值的点为磨损起始点，即可准确确定此种细分类别下的磨损起始点。由于待检测工具边缘存在其它物体，具体可通过获取到的图像和点云曲线对比，确定未磨损点。
在此实施例中，当细分类别为待检测工具边缘有其他物体时，反映在点云曲线上会在磨损和未磨损区域的临界处形成一个一定范围内的振荡，从而，可以在点云曲线偏离参考线处开始向低处搜索，确定第一个震荡幅度大于预设幅度阈值的点为磨损起始点，使得该待检测工具边缘有其他物体的细分类别下的测量算法准确，进一步，有益于后续通过测量算法准确确定此中应用场景(细分类别)下的待检测工件表面的磨损程度。
在一些实施例中，请参阅图17，所述步骤S206具体包括：
S2061：根据所述点云曲线和所述磨损起始点，确定磨损区域。
S2062：根据所述磨损区域中的各磨损点分别与所述未磨损点之间的差异，确定所述磨损程度。
基于磨损是由两个相互接触的工件发生多次往复的相对运动所产生的，可知，待检测工件上的磨损区域是连续的，且磨损程度比较接近。从而，根据对应的测量算法确定磨损起始点和未磨损点后，如图18所示，在点云曲线中从磨损起始点开始查找连续的且深度接近的曲线段，即得到磨损区域。
可以理解的是，从点云曲线中可以获取磨损区域中各磨损点的深度(磨损点对应的第二坐标值)以及未磨损点的深度(未磨损点对应的第二坐标值)，基于磨损程度越大深度越深，从而，可以通过比较各磨损点的深度与未磨损点的深度之间的差异，确定磨损程度，例如，磨损程度为两者之间的深度差值。
可以理解的是，还可以根据各磨损点的深度与未磨损点的深度，确定最大磨损程度、平均磨损程度或磨损一致性等磨损参数。其中，最大磨损程度可以为最大的深度差值，平均磨损程度可以为各深度差值的平均值，磨损一致性可以为各深度差值的方差。
在本实施例中，通过比较各磨损点与未磨损点之间的差异，确定磨损程度。此外，通过二次分类确定与应用场景相适应的测量算法，由测量算法确定准确的各磨损点和未磨损点，从而，使得磨损程度准确。
本发明实施例提供的确定工件表面磨损的方法，首先，根据点云图确定待检测工件表面磨损所属的磨损类别，确定与该磨损类别对应的预先训练好的细分类别识别模型，然后，采用该细分类别识别模型，识别待检测工件表面磨损所属的细分类别，确定与该细分类别对应的测量算法，最后，根据该测量算法确定磨损程度。也即，基于应用场景不同导致反映磨损的点云图不同，根据点云图对磨损进行初步分类，采用基于人工智能的细分类别识别模型再对磨损进行细分，以精确确定符合应用场景的测量方法，从而，能够在各种复杂应用场景中准确确定未磨损点和磨损区域，提高对工件表面磨损程度的测量精度。
本申请实施例提供了一种非易失性计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行，例如图1中的一个处理器，可使得上述一个或多个处理器可执行上述任意方法实施例中的确定工件表面磨损的方法，例如，执行以上描述的图3-图17中所述的方法步骤。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现，当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明，它们没有在细节中提供；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (18)

1.一种确定工件表面磨损的方法，其特征在于，包括：
获取待检测工件表面的点云图，所述点云图包括点云曲线和参考线，所述点云曲线为投射在所述待检测工件表面上的激光线所包括的光斑位置集合，所述点云曲线的第一坐标轴为所述激光线的长度，所述点云曲线的第二坐标轴为所述激光线投射在所述待检测工件表面的深度，所述参考线为用于反映所述点云曲线的平坦区域的一致性的线；
根据所述点云图，确定所述待检测工件表面磨损所属的磨损类别；
根据所述磨损类别，确定预先训练好的细分类别识别模型；
采用所述细分类别识别模型，识别所述待检测工件表面磨损所属的细分类别；
根据所述细分类别，确定对应的测量算法，所述测量算法与所述细分类别具有对应关系；
根据所述测量算法，确定所述待检测工件表面的磨损程度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述点云图，确定所述待检测工件表面磨损所属的磨损类别，包括：
若所述点云曲线中包括所述点云曲线的最大值的第一预设曲线区域位于所述参考线的上方，则确定所述待检测工件表面磨损所属的磨损类别为第一类别；
若所述点云曲线中包括所述点云曲线的最大值的第二预设曲线区域与所述参考线之间的距离小于或等于预设距离阈值，则确定所述待检测工件表面磨损所属的磨损类别为第二类别；
若所述点云曲线的最大值与最小值之间的斜率的绝对值大于第一预设斜率阈值，则确定所述待检测工具表面磨损所属的磨损类别为第三类别。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取多个第一训练点云图，所述多个第一训练点云图对应的磨损类别均属于所述第一类别，各所述第一训练点云图均标注有第一真实标签，所述第一真实标签为所述第一类别下的细分类别；
将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类别对应的第一细分类别识别模型。
4.根据权利要求3所述的方法，其特征在于，将所述多个第一训练点云图作为第一训练集，对第一预设神经网络模型进行训练，以获取所述第一类型对应的第一细分类别识别模型，包括：
对各所述第一训练点云图中的第一点云曲线均在第一预设区间内按第一预设采样率采集多个第一采样点，其中，所述第一预设区间为所述第一点云曲线的第一坐标轴上的区间，并且位于所述第一预设区间内的第一点云曲线包括所述第一点云曲线的最大值和最小值；
将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型。
5.根据权利要求4所述的方法，其特征在于，在所述将各所述第一训练点云图对应的多个第一采样点，输入所述第一预设神经网络模型进行训练，以获取所述第一细分类别识别模型的步骤之前，还包括：
对各所述第一训练点云图对应的多个第一采样点进行归一化处理。
6.根据权利要求4所述的方法，其特征在于，所述第一预设采样率为动态调整的值。
7.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取多个第二训练点云图，所述多个第二训练点云图对应的磨损类别均属于所述第二类别，各所述第二训练点云图均标注有第二真实标签，所述第二真实标签为所述第二类别下的细分类别；
将所述多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，以获取所述第二类别对应的第二细分类别识别模型。
8.根据权利要求7所述的方法，其特征在于，所述将所述多个第二训练点云图作为第二训练集，对第二预设神经网络模型进行训练，以获取所述第二类别对应的第二细分类别识别模型，包括：
对各所述第二训练点云图中的第二点云曲线均在第二预设区间内按第二预设采样率采集多个第二采样点，其中，所述第二预设区间为所述第二点云曲线的第一坐标轴上的区间，并且位于所述第二预设区间内的第二点云曲线包括所述第二点云曲线的最大值和最小值；
将各所述第二训练点云图对应的多个第二采样点，输入所述第二预设神经网络模型进行训练，以获取所述第二细分类别识别模型。
9.根据权利要求7所述的方法，其特征在于，在所述将各所述第二训练点云图对应的多个第二采样点，输入所述第二预设神经网络模型进行训练，以获取所述第二细分类别识别模型的步骤之前，还包括：
对各所述第二训练点云图对应的多个第二采样点进行归一化处理。
10.根据权利要求7所述的方法，其特征在于，所述第二预设采样率为动态调整的值。
11.根据权利要求2所述的方法，其特征在于，所述方法还包括：
获取多个第三训练点云图，所述多个第三训练点云图对应的磨损类别均属于所述第三类别，各所述第三训练点云图均标注有第三真实标签，所述第三真实标签为所述第三类别下的细分类别；
将所述多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，以获取所述第三类别对应的第三细分类别识别模型。
12.根据权利要求11所述的方法，其特征在于，所述将所述多个第三训练点云图作为第三训练集，对第三预设神经网络模型进行训练，以获取所述第三类别对应的第三细分类别识别模型，包括：
对各所述第三训练点云图中的第三点云曲线均在第三预设区间内按第三预设采样率采集多个第三采样点，其中，所述第三预设区间为所述第三点云曲线的第一坐标轴上的区间，并且位于所述第三预设区间内的第三点云曲线包括所述第三点云曲线的最大值和最小值；
将各所述第三训练点云图对应的多个第三采样点，输入所述第三预设神经网络模型进行训练，以获取所述第三细分类别识别模型。
13.根据权利要求12所述的方法，其特征在于，在所述将各所述第三训练点云图对应的多个第三采样点，输入所述第三预设神经网络模型进行训练，以获取所述第三细分类别识别模型的步骤之前，还包括：
对各所述第三训练点云图对应的多个第三采样点进行归一化处理。
14.根据权利要求12所述的方法，其特征在于，所述第三预设采样率为动态调整的值。
15.根据权利要求1-14任一项所述的方法，其特征在于，所述根据所述细分类别，确定对应的测量算法，包括：
若所述细分类别为第一正常磨损、第二正常磨损或第三正常磨损，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，确定所述点云曲线的最大值为磨损起始点；和/或，
若所述细分类别为所述待检测工件表面边缘存在孔洞或花纹，则对应的测量算法为：确定所述点云曲线的最小值为未磨损点，并在所述点云曲线上从所述未磨损点开始向所述参考线附近查找磨损起始点；和/或，
若所述细分类别为所述待检测工件的安装背景存在凹槽，则对应的测量算法为：根据所述参考线确定所述点云曲线上的背景凹槽区域，越过所述背景凹槽区域向所述点云曲线的中心查找未磨损点和磨损起始点；和/或，
若所述细分类别为所述待检测工件的安装背景存在台阶、突起或反光问题，则对应的测量算法为：在所述点云曲线中在靠近所述参考线且斜率大于第二预设斜率阈值的区域查找磨损起始点和未磨损点；和/或，
若所述细分类别为所述待检测工具边缘有其他物体，则对应的测量算法为：从所述点云曲线偏离所述参考线处开始向低处搜索，确定第一个震荡幅度大于预设幅度阈值的点为磨损起始点。
16.根据权利要求15所述的方法，其特征在于，所述根据所述测量算法，确定所述待检测工件表面的磨损程度，包括：
根据所述点云曲线和所述磨损起始点，确定磨损区域；
根据所述磨损区域中的各磨损点分别与所述未磨损点之间的差异，确定所述磨损程度。
17.一种工件表面磨损的测量系统，其特征在于，所述系统包括：
支架；
激光器，安装于所述支架上，所述激光器用于向待检测工件表面投射激光线；
相机，安装于所述支架上，所述相机用于获取图像，所述图像用于生成点云图；
至少一个处理器，以及
存储器，所述存储器与所述至少一个处理器通信连接，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-16任一项所述的方法。
18.一种非易失性计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，当所述计算机可执行指令被至少一个处理器执行时，使所述至少一个处理器执行如权利要求1-16任一项所述的方法。
CN202110239181.3A 2021-03-04 2021-03-04 一种确定工件表面磨损的方法及系统 Active CN113096067B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110239181.3A CN113096067B (zh) 2021-03-04 2021-03-04 一种确定工件表面磨损的方法及系统
PCT/CN2022/078630 WO2022184058A1 (zh) 2021-03-04 2022-03-01 一种确定工件表面磨损的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110239181.3A CN113096067B (zh) 2021-03-04 2021-03-04 一种确定工件表面磨损的方法及系统

Publications (2)

Publication Number Publication Date
CN113096067A true CN113096067A (zh) 2021-07-09
CN113096067B CN113096067B (zh) 2022-10-11

Family

ID=76667970

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110239181.3A Active CN113096067B (zh) 2021-03-04 2021-03-04 一种确定工件表面磨损的方法及系统

Country Status (2)

Country Link
CN (1) CN113096067B (zh)
WO (1) WO2022184058A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022184058A1 (zh) * 2021-03-04 2022-09-09 深圳市道通科技股份有限公司 一种确定工件表面磨损的方法及系统
CN115063431A (zh) * 2022-08-19 2022-09-16 山东远盾网络技术股份有限公司 一种基于图像处理的汽车零部件质量溯源方法
CN116883410A (zh) * 2023-09-08 2023-10-13 四川爱麓智能科技有限公司 一种磨斑自动化检测与评价的方法、系统以及设备
CN117807875B (zh) * 2023-12-28 2024-05-28 上海强华实业股份有限公司 石英器件的三维数据逆向重建和尺寸测量系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统
CN111383227A (zh) * 2020-04-01 2020-07-07 杭州皓京云信息技术有限公司 基于神经网络的刀具磨损类型识别方法及磨损值测定方法
US20200292462A1 (en) * 2019-03-15 2020-09-17 Inventec (Pudong) Technology Corporation Surface defect detection system and method thereof
CN111830049A (zh) * 2020-07-24 2020-10-27 深圳市道通科技股份有限公司 一种刹车盘磨损区的识别方法及磨损识别系统
CN112284256A (zh) * 2020-11-17 2021-01-29 深圳市道通科技股份有限公司 一种工件平面磨损的测量方法和系统
CN112381770A (zh) * 2020-11-03 2021-02-19 西安交通大学 一种基于融合卷积神经网络的磨损表面三维形貌测量方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI662511B (zh) * 2017-10-03 2019-06-11 財團法人資訊工業策進會 階層式影像辨識方法及系統
CN110309888A (zh) * 2019-07-11 2019-10-08 南京邮电大学 一种基于分层多任务学习的图像分类方法与系统
DE102019211656A1 (de) * 2019-08-02 2021-02-04 Siemens Aktiengesellschaft Bestimmung eines Verschleißgrades eines Werkzeugs
CN113096067B (zh) * 2021-03-04 2022-10-11 深圳市道通科技股份有限公司 一种确定工件表面磨损的方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200292462A1 (en) * 2019-03-15 2020-09-17 Inventec (Pudong) Technology Corporation Surface defect detection system and method thereof
CN111260626A (zh) * 2020-01-15 2020-06-09 佛山科学技术学院 一种基于深度学习的工件磨损检测方法及系统
CN111383227A (zh) * 2020-04-01 2020-07-07 杭州皓京云信息技术有限公司 基于神经网络的刀具磨损类型识别方法及磨损值测定方法
CN111830049A (zh) * 2020-07-24 2020-10-27 深圳市道通科技股份有限公司 一种刹车盘磨损区的识别方法及磨损识别系统
CN112381770A (zh) * 2020-11-03 2021-02-19 西安交通大学 一种基于融合卷积神经网络的磨损表面三维形貌测量方法
CN112284256A (zh) * 2020-11-17 2021-01-29 深圳市道通科技股份有限公司 一种工件平面磨损的测量方法和系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
关山: "基于奇异分解与最小二乘支持向量机的刀具磨损识别方法研究", 《东北电力大学学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022184058A1 (zh) * 2021-03-04 2022-09-09 深圳市道通科技股份有限公司 一种确定工件表面磨损的方法及系统
CN115063431A (zh) * 2022-08-19 2022-09-16 山东远盾网络技术股份有限公司 一种基于图像处理的汽车零部件质量溯源方法
CN115063431B (zh) * 2022-08-19 2022-11-11 山东远盾网络技术股份有限公司 一种基于图像处理的汽车零部件质量溯源方法
CN116883410A (zh) * 2023-09-08 2023-10-13 四川爱麓智能科技有限公司 一种磨斑自动化检测与评价的方法、系统以及设备
CN116883410B (zh) * 2023-09-08 2023-11-17 四川爱麓智能科技有限公司 一种磨斑自动化检测与评价的方法、系统以及设备
CN117807875B (zh) * 2023-12-28 2024-05-28 上海强华实业股份有限公司 石英器件的三维数据逆向重建和尺寸测量系统及方法

Also Published As

Publication number Publication date
WO2022184058A1 (zh) 2022-09-09
CN113096067B (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN113096067B (zh) 一种确定工件表面磨损的方法及系统
JP5822255B2 (ja) 対象物識別装置及びプログラム
KR101550474B1 (ko) 양안을 찾아내어 추적하는 방법 및 장치
KR101343901B1 (ko) 디지털 이미지에서의 눈 검출을 위한 방법 및 장치
KR101283262B1 (ko) 영상 처리 방법 및 장치
JP6305171B2 (ja) シーン内の物体を検出する方法
JP4774818B2 (ja) 画像処理装置及び画像処理方法
JP2016166853A (ja) 位置推定装置および位置推定方法
KR20150059191A (ko) 소나 영상의 실시간 영상처리를 이용한 수중물체의 인식 및 추적방법
TW201926249A (zh) 一種光學雷達行人偵測方法
US6993177B1 (en) Gauging based on global alignment and sub-models
US20210072162A1 (en) Optical condition determination system and optical condition determination method
CN113490965A (zh) 图像跟踪处理方法、装置、计算机设备和存储介质
US20160259034A1 (en) Position estimation device and position estimation method
Weinmann et al. Preliminaries of 3D point cloud processing
CN116547562A (zh) 点云滤噪方法、系统和可移动平台
Ye et al. Integration of multiple sensors for noncontact rail profile measurement and inspection
CN112683228A (zh) 单目相机测距方法及装置
CN114155557B (zh) 定位方法、装置、机器人及计算机可读存储介质
Li et al. Underwater object detection and tracking based on multi-beam sonar image processing
KR20160044371A (ko) 자동 수위 측정 장치 및 방법
JP5217917B2 (ja) 物体検知追跡装置，物体検知追跡方法および物体検知追跡プログラム
CN114485433A (zh) 基于伪随机散斑的三维测量系统、方法及装置
Kang et al. Detection of calibration patterns for camera calibration with irregular lighting and complicated backgrounds
EP4285315A1 (en) Systems and methods for paint defect detection using machine learning

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