CN113298090B - 一种基于最大轮廓的热压罐航空复合材料坯料识别方法 - Google Patents

一种基于最大轮廓的热压罐航空复合材料坯料识别方法 Download PDF

Info

Publication number
CN113298090B
CN113298090B CN202110544472.3A CN202110544472A CN113298090B CN 113298090 B CN113298090 B CN 113298090B CN 202110544472 A CN202110544472 A CN 202110544472A CN 113298090 B CN113298090 B CN 113298090B
Authority
CN
China
Prior art keywords
composite material
material blank
contour
blank
maximum
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
CN202110544472.3A
Other languages
English (en)
Other versions
CN113298090A (zh
Inventor
崔志卓
袁喆
杨晶
胡一博
张娜娜
杨博先
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.)
Chengdu Aircraft Industrial Group Co Ltd
Original Assignee
Chengdu Aircraft Industrial Group Co 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 Chengdu Aircraft Industrial Group Co Ltd filed Critical Chengdu Aircraft Industrial Group Co Ltd
Priority to CN202110544472.3A priority Critical patent/CN113298090B/zh
Publication of CN113298090A publication Critical patent/CN113298090A/zh
Application granted granted Critical
Publication of CN113298090B publication Critical patent/CN113298090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformation in the plane of the image
    • G06T3/40—Scaling the whole image or part thereof
    • G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching

Abstract

本发明公开了一种基于最大轮廓的热压罐航空复合材料坯料识别方法，属于航空复合材料制备技术领域，其特征在于，包括以下步骤：S 1、安装视觉识别单元；S2、进行拍摄，得到平台图像序列并传输给计算处理单元；S3、得到拼接的平台俯视图；S4、将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；S5、识别复合材料坯料的位置；S6、处理并存储模型库中零件模型的最大轮廓参数；S7、完成复合材料坯料识别并记录零件编号；S8、输出复合材料坯料的位置以及零件编号。本发明能够实现复合材料坯料热压固化过程中位置及零件编号的自动识别，相比人工记录能够提高精度，并且节省人工成本，提高生产效率。

Description

一种基于最大轮廓的热压罐航空复合材料坯料识别方法
技术领域
本发明涉及航空复合材料制备技术领域，尤其涉及一种基于最大轮廓的热压罐航空复合材料坯料识别方法。
背景技术
热压罐是复合材料固化成型过程的关键设备，热压罐利用罐内的高温及压缩气体产生压力对复合材料坯料进行加温、加压完成固化成型。在复合材料坯料进入热压罐前，需将坯料摆放在工装上，使其最大轮廓面朝上，进而充分接触热压罐内的热气流，从而充分热固化。目前，在固化成型前，在复合材料坯料上安装热电偶以监控热压罐内的温度变化，需记录热电偶编号、复合材料坯料零部件号和热电偶插座的匹配关系，目前仍由人工记录，效率低且容易出错，其中复合材料坯料摆放位置及编号的自动识别是其中的难点。
公开号为CN 106469454A，公开日为2017年03月01日的中国专利文献公开了一种复合材料细观结构计算机识别方法，其特征在于：具体步骤如下：
1)利用XCT技术得到2.5D复合材料内部结构的数字化图片；
2)识别出材料的独立的基体部分，并进行去噪；
3)根据基体区域之间的距离以及基体的大致形状，对左右独立的基体区域分别进行编号，即将属于同一基体的区域赋予同一编号；
4)利用基体的左右对称性，将左右基体进行配对；
5)对每组配对基体，提取上下边界点进行经纱边界拟合；
6)组分识别：上下相邻基体之间的区域为经纱区域，左右配对基体之间除去基体外为纬纱区域。
该专利文献公开的复合材料细观结构计算机识别方法，可避免人工干预，节省大量人力和时间。同时还可建立复合材料细观结构的三维模型，用于进一步的研究和分析。但是，不能对复合材料坯料热压固化过程中位置及零件编号进行自动识别，影响生产效率。
发明内容
本发明为了克服上述现有技术的缺陷，提供一种基于最大轮廓的热压罐航空复合材料坯料识别方法，本发明能够实现复合材料坯料热压固化过程中位置及零件编号的自动识别，相比人工记录能够提高精度，并且节省人工成本，提高生产效率。
本发明通过下述技术方案实现：
一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于，包括以下步骤：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；
S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；
S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；
S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；
S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；
S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；
S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；
S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。
所述步骤S3包括如下子步骤：
S31、定义包括点特征、直线特征、颜色特征和轮廓特征提取方法的显著特征提取方法组Ω＝(φp，φl，φc，φe，...)，以及与点特征、直线特征、颜色特征和轮廓特征提取方法对应的低维特征集
Figure BDA0003073071230000021
其中，对于通过显著特征提取方法组Ω提取的任一特征f*均包含对应的图像特征fcontext及图像特征在相平面上的特征位置g；
S32、对所述平台图像序列
Figure BDA0003073071230000022
进行降采样处理和色彩校正；
S33、任意选取降采样处理和色彩校正后的图像对Ii和Ii+1按照显著特征提取方法组Ω进行特征提取，提取出图像对Ii和Ii+1的全部特征；
S34、建立特征筛选与迭代过程：
a、对图像对Ii和Ii+1的全部特征中包含的特征位置通过RANSAC算法估计得到，得到初始变换矩阵H0；
b、考量图像对Ii和Ii+1的全部特征包含的特征位置数量，以特征位置数量较多的一方为基准，抽取部分特征位置作为迭代过程中参与匹配的特征位置数量，参与匹配的特征位置数量上限为N；其中，从最多特征位置数量g*中随机抽取a·N，g*，a，从其他特征位置数量gj，gj≠g*中随机抽取b·N，记为gj，b，参与计算；其中，a+b＝1；
c、定义当前轮估计得到的匹配矩阵为H*，迭代过程目标为：
Figure BDA0003073071230000031
Figure BDA0003073071230000032
其中，每一轮根据g*，a确定的匹配矩阵H*同时需要使gj，b之间匹配距离最小化；
d、当d(Ii，Ii+1)达到全局最小值或低于设定阈值后，即中止特征筛选与迭代过程，取相应轮中匹配矩阵H*作为最佳匹配矩阵H；
S35、通过Ii′＝HIi得到变换后的Ii′，再通过将Ii′与Ii+1图像中交叠区域参与匹配的特征位置重叠即得到图像对Ii和Ii+1进行图像拼接后的结果；
S36、对降采样处理和色彩校正后的所述平台图像序列
Figure BDA0003073071230000041
重复步骤S32-S34，得到拼接的平台俯视图。
所述步骤S34中，特征位置之间的对应关系的确定是基于特征匹配效果建立的候选解集合而定，设：
Figure BDA0003073071230000042
其中，
Figure BDA0003073071230000043
为Ii中不同位置上的图像特征
Figure BDA0003073071230000044
所包含的特征位置信息，Ii+1同理；对任一
Figure BDA0003073071230000045
其候选关系解集为：
Figure BDA0003073071230000046
其中，λ为特征相似度阈值。
所述步骤S4包括如下子步骤：
S41、对所述拼接的平台俯视图，以Canny边缘提取算法识别出腻子条，即为复合材料坯料的轮廓，并将复合材料坯料的轮廓转化为二维轮廓点序列数据
Figure BDA0003073071230000047
其中pi为复合材料坯料轮廓点；
S42、对所述拼接的平台俯视图，通过角点识别算法识别出靶标信息，通过靶标信息提供的实物与像素之间的比例信息，得到相平面中不同方向上的比例因子
Figure BDA0003073071230000048
式中，w和h为靶标的像素长宽，wr和hr为靶标的实际长宽；
S43、将复合材料坯料的二维轮廓点序列数据
Figure BDA0003073071230000049
按照pi＝pi T[sx，sy]完成像素到实际尺寸的转换，得到复合材料坯料的轮廓参数X＝{p1 T，p2 T，...，pi T，...，pn T}。
所述步骤S5中，识别复合材料坯料的位置具体是指以复合材料坯料支撑平台左上角靶标位置中心点作为坐标系原点，以复合材料坯料的轮廓参数中与坐标系原点距离最近的复合材料坯料轮廓点的坐标作为复合材料坯料的位置。
所述步骤S6包括如下子步骤：
S61、在模型库中遍历零件模型，遇到未标注的零件模型则开始计算最大轮廓参数；
S62、在CATIA中启动零件模型；
S63、交互式定义零件模型投影视角，获取投影方向矩阵T；
S64、利用投影方向矩阵T构造投影平面CATPlane对象；
S65、将零件模型投至投影平面CATPlane对象，再利用CATIDrawing以及CATITPS接口合集中的函数，创建二维轮廓，并存成CATCurve对象；
S66、调用CATIA求二维封闭面积函数，获取CATCurve对象封闭区域面积；
S67、基于CATCurve对象，按u参数间隔为0.5mm，创建离散点云集PointSet，离散点云集PointSet即为零件模型的最大轮廓参数，所述离散点云集PointSet中的每个点为三坐标点，即Point(x,y,z)；
S68、在数据文件中将零件模型的最大轮廓参数与零件编号对应存储。
所述步骤S7包括如下子步骤：
S71、以复合材料坯料的轮廓参数
Figure BDA0003073071230000051
为基础，通过计算距离，在当前零件模型的最大轮廓参数中找到与复合材料坯料的轮廓参数X中每一个轮廓点最近轮廓点作为对应轮廓点，形成零件模型的最大轮廓参数初始点集T＝{t1，t2，...，tv，...，tm}；
S72、建立匹配复合材料坯料的轮廓参数X与零件模型的最大轮廓参数初始点集T的目标函数fX，T(R，M)；
Figure BDA0003073071230000052
将目标函数简化为：
Figure BDA0003073071230000053
其中：
Figure BDA0003073071230000054
Figure BDA0003073071230000061
式中，m表示复合材料坯料的轮廓参数X和零件模型的最大轮廓参数初始点集T中的轮廓点数量，
Figure BDA0003073071230000062
表示X中第v个轮廓点，tv表示T中第v个轮廓点，即T中与
Figure BDA0003073071230000063
的最近轮廓点，(R，M)为最佳匹配参数，R表示旋转矩阵，M为平移向量，ηv表示权重系数；
S73、通过最小化目标函数fX，T(R，M)的方式进行迭代，在迭代过程中，权值系数ηv的更新依赖于当前匹配结果对应轮廓点之间的距离，即：
Figure BDA0003073071230000064
其中，κHu为Huber准则函数，且对于当前任一一组对应轮廓点
Figure BDA0003073071230000065
参数
Figure BDA0003073071230000066
用于估计当前对应轮廓点之间的可信度；
当匹配结果趋于稳定且满足最小距离阈值后，取此时的fX，T(R，M)作为当前复合材料坯料的轮廓参数X与零件模型的最大轮廓参数之间的误差；对于与当前复合材料坯料的轮廓参数X匹配的所有零件模型的最大轮廓参数，则取误差最小的一个零件模型作为目标匹配零件，记录对应的零件编号。
所述复合材料坯料的上表面设有塑料膜，且通过抽真空后将所述塑料膜与腻子条和复合材料坯料贴合。
本发明的有益效果是：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。作为一个完整的技术方案，较现有技术而言，本发明能够实现复合材料坯料热压固化过程中位置及零件编号的自动识别，相比人工记录能够提高精度，并且节省人工成本，提高生产效率。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的具体说明：
图1为本发明的流程框图；
图2为本发明的图像拼接流程图。
具体实施方式
实施例1
参见图1和图2，一种基于最大轮廓的热压罐航空复合材料坯料识别方法，包括以下步骤：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；
S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；
S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；
S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；
S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；
S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；
S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；
S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。
实施例2
参见图1和图2，一种基于最大轮廓的热压罐航空复合材料坯料识别方法，包括以下步骤：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；
S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；
S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；
S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；
S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；
S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；
S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；
S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。
所述步骤S3包括如下子步骤：
S31、定义包括点特征、直线特征、颜色特征和轮廓特征提取方法的显著特征提取方法组Ω＝(φp，φl，φc，φe，...)，以及与点特征、直线特征、颜色特征和轮廓特征提取方法对应的低维特征集
Figure BDA0003073071230000081
其中，对于通过显著特征提取方法组Ω提取的任一特征f*均包含对应的图像特征fcontext及图像特征在相平面上的特征位置g；
S32、对所述平台图像序列
Figure BDA0003073071230000091
进行降采样处理和色彩校正；
S33、任意选取降采样处理和色彩校正后的图像对Ii和Ii+1按照显著特征提取方法组Ω进行特征提取，提取出图像对Ii和Ii+1的全部特征；
S34、建立特征筛选与迭代过程：
a、对图像对Ii和Ii+1的全部特征中包含的特征位置通过RANSAC算法估计得到，得到初始变换矩阵H0；
b、考量图像对Ii和Ii+1的全部特征包含的特征位置数量，以特征位置数量较多的一方为基准，抽取部分特征位置作为迭代过程中参与匹配的特征位置数量，参与匹配的特征位置数量上限为N；其中，从最多特征位置数量g*中随机抽取a·N，g*，a，从其他特征位置数量gj，gj≠g*中随机抽取b·N，记为gj，b，参与计算；其中，a+b＝1；
c、定义当前轮估计得到的匹配矩阵为H*，迭代过程目标为：
Figure BDA0003073071230000092
Figure BDA0003073071230000093
其中，每一轮根据g*，a确定的匹配矩阵H*同时需要使gj，b之间匹配距离最小化；
d、当d(Ii，Ii+1)达到全局最小值或低于设定阈值后，即中止特征筛选与迭代过程，取相应轮中匹配矩阵H*作为最佳匹配矩阵H；
S35、通过Ii′＝HIi得到变换后的Ii′，再通过将Ii′与Ii+1图像中交叠区域参与匹配的特征位置重叠即得到图像对Ii和Ii+1进行图像拼接后的结果；
S36、对降采样处理和色彩校正后的所述平台图像序列
Figure BDA0003073071230000101
重复步骤S32-S34，得到拼接的平台俯视图。
所述步骤S34中，特征位置之间的对应关系的确定是基于特征匹配效果建立的候选解集合而定，设：
Figure BDA0003073071230000102
其中，
Figure BDA0003073071230000103
为Ii中不同位置上的图像特征
Figure BDA0003073071230000104
所包含的特征位置信息，Ii+1同理；对任一
Figure BDA0003073071230000105
其候选关系解集为：
Figure BDA0003073071230000106
其中，λ为特征相似度阈值。
所述步骤S4包括如下子步骤：
S41、对所述拼接的平台俯视图，以Canny边缘提取算法识别出腻子条，即为复合材料坯料的轮廓，并将复合材料坯料的轮廓转化为二维轮廓点序列数据
Figure BDA0003073071230000107
其中pi为复合材料坯料轮廓点；
S42、对所述拼接的平台俯视图，通过角点识别算法识别出靶标信息，通过靶标信息提供的实物与像素之间的比例信息，得到相平面中不同方向上的比例因子
Figure BDA0003073071230000108
式中，w和h为靶标的像素长宽，wr和hr为靶标的实际长宽；
S43、将复合材料坯料的二维轮廓点序列数据
Figure BDA0003073071230000109
按照pi＝pi T[sx，sy]完成像素到实际尺寸的转换，得到复合材料坯料的轮廓参数X＝{p1 T，p2 T，...，pi T，...，pn T}。
实施例3
参见图1和图2，一种基于最大轮廓的热压罐航空复合材料坯料识别方法，包括以下步骤：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；
S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；
S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；
S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；
S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；
S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；
S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；
S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。
所述步骤S3包括如下子步骤：
S31、定义包括点特征、直线特征、颜色特征和轮廓特征提取方法的显著特征提取方法组Ω＝(φp，φl，φc，φe，...)，以及与点特征、直线特征、颜色特征和轮廓特征提取方法对应的低维特征集
Figure BDA0003073071230000111
其中，对于通过显著特征提取方法组Ω提取的任一特征f*均包含对应的图像特征fcontext及图像特征在相平面上的特征位置g；
S32、对所述平台图像序列
Figure BDA0003073071230000112
进行降采样处理和色彩校正；
S33、任意选取降采样处理和色彩校正后的图像对Ii和Ii+1按照显著特征提取方法组Ω进行特征提取，提取出图像对Ii和Ii+1的全部特征；
S34、建立特征筛选与迭代过程：
a、对图像对Ii和Ii+1的全部特征中包含的特征位置通过RANSAC算法估计得到，得到初始变换矩阵H0；
b、考量图像对Ii和Ii+1的全部特征包含的特征位置数量，以特征位置数量较多的一方为基准，抽取部分特征位置作为迭代过程中参与匹配的特征位置数量，参与匹配的特征位置数量上限为N；其中，从最多特征位置数量g*中随机抽取a·N，g*，a，从其他特征位置数量gj，gj≠g*中随机抽取b·N，记为gj，b，参与计算；其中，a+b＝1；
c、定义当前轮估计得到的匹配矩阵为H*，迭代过程目标为：
Figure BDA0003073071230000121
Figure BDA0003073071230000122
其中，每一轮根据g*，a确定的匹配矩阵H*同时需要使gj，b之间匹配距离最小化；
d、当d(Ii，Ii+1)达到全局最小值或低于设定阈值后，即中止特征筛选与迭代过程，取相应轮中匹配矩阵H*作为最佳匹配矩阵H；
S35、通过Ii′＝HIi得到变换后的Ii′，再通过将Ii′与Ii+1图像中交叠区域参与匹配的特征位置重叠即得到图像对Ii和Ii+1进行图像拼接后的结果；
S36、对降采样处理和色彩校正后的所述平台图像序列
Figure BDA0003073071230000123
重复步骤S32-S34，得到拼接的平台俯视图。
所述步骤S34中，特征位置之间的对应关系的确定是基于特征匹配效果建立的候选解集合而定，设：
Figure BDA0003073071230000131
其中，
Figure BDA0003073071230000132
为Ii中不同位置上的图像特征
Figure BDA0003073071230000133
所包含的特征位置信息，Ii+1同理；对任一
Figure BDA0003073071230000134
其候选关系解集为：
Figure BDA0003073071230000135
其中，λ为特征相似度阈值。
所述步骤S4包括如下子步骤：
S41、对所述拼接的平台俯视图，以Canny边缘提取算法识别出腻子条，即为复合材料坯料的轮廓，并将复合材料坯料的轮廓转化为二维轮廓点序列数据
Figure BDA0003073071230000136
其中pi为复合材料坯料轮廓点；
S42、对所述拼接的平台俯视图，通过角点识别算法识别出靶标信息，通过靶标信息提供的实物与像素之间的比例信息，得到相平面中不同方向上的比例因子
Figure BDA0003073071230000137
式中，w和h为靶标的像素长宽，wr和hr为靶标的实际长宽；
S43、将复合材料坯料的二维轮廓点序列数据
Figure BDA0003073071230000138
按照pi＝pi T[sx，sy]完成像素到实际尺寸的转换，得到复合材料坯料的轮廓参数X＝{p1 T，p2 T，...，pi T，...，Pn T}。
所述步骤S5中，识别复合材料坯料的位置具体是指以复合材料坯料支撑平台左上角靶标位置中心点作为坐标系原点，以复合材料坯料的轮廓参数中与坐标系原点距离最近的复合材料坯料轮廓点的坐标作为复合材料坯料的位置。
所述步骤S6包括如下子步骤：
S61、在模型库中遍历零件模型，遇到未标注的零件模型则开始计算最大轮廓参数；
S62、在CATIA中启动零件模型；
S63、交互式定义零件模型投影视角，获取投影方向矩阵T；
S64、利用投影方向矩阵T构造投影平面CATPlane对象；
S65、将零件模型投至投影平面CATPlane对象，再利用CATIDrawing以及CATITPS接口合集中的函数，创建二维轮廓，并存成CATCurve对象；
S66、调用CATIA求二维封闭面积函数，获取CATCurve对象封闭区域面积；
S67、基于CATCurve对象，按u参数间隔为0.5mm，创建离散点云集PointSet，离散点云集PointSet即为零件模型的最大轮廓参数，所述离散点云集PointSet中的每个点为三坐标点，即Point(x,y,z)；
S68、在数据文件中将零件模型的最大轮廓参数与零件编号对应存储。
所述步骤S7包括如下子步骤：
S71、以复合材料坯料的轮廓参数
Figure BDA0003073071230000141
为基础，通过计算距离，在当前零件模型的最大轮廓参数中找到与复合材料坯料的轮廓参数X中每一个轮廓点最近轮廓点作为对应轮廓点，形成零件模型的最大轮廓参数初始点集T＝{t1，t2，...，tv，...，tm}；
S72、建立匹配复合材料坯料的轮廓参数X与零件模型的最大轮廓参数初始点集T的目标函数fX，T(R，M)；
Figure BDA0003073071230000142
将目标函数简化为：
Figure BDA0003073071230000143
其中：
Figure BDA0003073071230000144
Figure BDA0003073071230000145
式中，m表示复合材料坯料的轮廓参数X和零件模型的最大轮廓参数初始点集T中的轮廓点数量，
Figure BDA0003073071230000151
表示X中第v个轮廓点，tv表示T中第v个轮廓点，即T中与
Figure BDA0003073071230000152
的最近轮廓点，(R，M)为最佳匹配参数，R表示旋转矩阵，M为平移向量，ηv表示权重系数；
S73、通过最小化目标函数fX，T(R，M)的方式进行迭代，在迭代过程中，权值系数ηv的更新依赖于当前匹配结果对应轮廓点之间的距离，即：
Figure BDA0003073071230000153
其中，κHu为Huber准则函数，且对于当前任一一组对应轮廓点
Figure BDA0003073071230000154
参数
Figure BDA0003073071230000155
用于估计当前对应轮廓点之间的可信度；
当匹配结果趋于稳定且满足最小距离阈值后，取此时的fX，T(R，M)作为当前复合材料坯料的轮廓参数X与零件模型的最大轮廓参数之间的误差；对于与当前复合材料坯料的轮廓参数X匹配的所有零件模型的最大轮廓参数，则取误差最小的一个零件模型作为目标匹配零件，记录对应的零件编号。
所述复合材料坯料的上表面设有塑料膜，且通过抽真空后将所述塑料膜与腻子条和复合材料坯料贴合。
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。作为一个完整的技术方案，较现有技术而言，本发明能够实现复合材料坯料热压固化过程中位置及零件编号的自动识别，相比人工记录能够提高精度，并且节省人工成本，提高生产效率。

Claims (5)

1.一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于，包括以下步骤：
S1、在复合材料坯料的上边缘设置腻子条，复合材料坯料通过工装放置在复合材料坯料支撑平台上，并在工装上铺设靶标，在复合材料坯料支撑平台进入热压罐的边界轮廓上方安装视觉识别单元；
S2、当复合材料坯料支撑平台进入热压罐时，通过视觉识别单元对复合材料坯料支撑平台进行拍摄，得到平台图像序列并传输给计算处理单元；
S3、计算处理单元对所述平台图像序列进行图像拼接，得到拼接的平台俯视图；
S4、计算处理单元从所述平台俯视图中识别出腻子条和靶标信息，识别出的腻子条即为复合材料坯料的轮廓，并根据靶标信息将复合材料坯料的轮廓转换为实际尺寸，得到复合材料坯料的轮廓参数；
S5、根据靶标信息和复合材料坯料的轮廓参数识别复合材料坯料的位置；
S6、计算处理单元处理并存储模型库中零件模型的最大轮廓参数；
S7、计算处理单元将复合材料坯料的轮廓参数与存储的每个零件模型的最大轮廓参数进行匹配，完成复合材料坯料识别并记录复合材料坯料的零件编号；
S8、输出步骤S5获得的复合材料坯料的位置以及步骤S7获得的复合材料坯料的零件编号。
2.根据权利要求1所述的一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于：所述步骤S4包括如下子步骤：
S41、对所述拼接的平台俯视图，以Canny边缘提取算法识别出腻子条，即为复合材料坯料的轮廓，并将复合材料坯料的轮廓转化为二维轮廓点序列数据
Figure FDA0003610104390000011
其中pi为复合材料坯料轮廓点；
S42、对所述拼接的平台俯视图，通过角点识别算法识别出靶标信息，通过靶标信息提供的实物与像素之间的比例信息，得到相平面中不同方向上的比例因子
Figure FDA0003610104390000012
式中，w和h为靶标的像素长宽，wr和hr为靶标的实际长宽；
S43、将复合材料坯料的二维轮廓点序列数据
Figure FDA0003610104390000021
按照pi＝pi T[sx，sy]完成像素到实际尺寸的转换，得到复合材料坯料的轮廓参数X＝{p1 T，p2 T，...，pi T，...，pn T}。
3.根据权利要求1所述的一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于：所述步骤S5中，识别复合材料坯料的位置具体是指以复合材料坯料支撑平台左上角靶标位置中心点作为坐标系原点，以复合材料坯料的轮廓参数中与坐标系原点距离最近的复合材料坯料轮廓点的坐标作为复合材料坯料的位置。
4.根据权利要求1所述的一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于：所述步骤S6包括如下子步骤：
S61、在模型库中遍历零件模型，遇到未标注的零件模型则开始计算最大轮廓参数；
S62、在CATIA中启动零件模型；
S63、交互式定义零件模型投影视角，获取投影方向矩阵T；
S64、利用投影方向矩阵T构造投影平面CATPlane对象；
S65、将零件模型投至投影平面CATPlane对象，再利用CATIDrawing以及CATITPS接口合集中的函数，创建二维轮廓，并存成CATCurve对象；
S66、调用CATIA求二维封闭面积函数，获取CATCurve对象封闭区域面积；
S67、基于CATCurve对象，按u参数间隔为0.5mm，创建离散点云集PointSet，离散点云集PointSet即为零件模型的最大轮廓参数，所述离散点云集PointSet中的每个点为三坐标点，即Point(x,y,z)；
S68、在数据文件中将零件模型的最大轮廓参数与零件编号对应存储。
5.根据权利要求1所述的一种基于最大轮廓的热压罐航空复合材料坯料识别方法，其特征在于：所述复合材料坯料的上表面设有塑料膜，且通过抽真空后将所述塑料膜与腻子条和复合材料坯料贴合。
CN202110544472.3A 2021-05-19 2021-05-19 一种基于最大轮廓的热压罐航空复合材料坯料识别方法 Active CN113298090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110544472.3A CN113298090B (zh) 2021-05-19 2021-05-19 一种基于最大轮廓的热压罐航空复合材料坯料识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110544472.3A CN113298090B (zh) 2021-05-19 2021-05-19 一种基于最大轮廓的热压罐航空复合材料坯料识别方法

Publications (2)

Publication Number Publication Date
CN113298090A CN113298090A (zh) 2021-08-24
CN113298090B true CN113298090B (zh) 2022-07-15

Family

ID=77322698

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110544472.3A Active CN113298090B (zh) 2021-05-19 2021-05-19 一种基于最大轮廓的热压罐航空复合材料坯料识别方法

Country Status (1)

Country Link
CN (1) CN113298090B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117162357B (zh) * 2023-10-30 2024-01-26 百佳瑞航天航空新材料(苏州)有限公司 碳纤维复合材料的成型优化控制方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1784187A (zh) * 2003-07-07 2006-06-07 塞隆纳牙科系统有限责任公司 用于制造牙科成形件的坯料以及用于制造成形件的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60126710A (ja) * 1983-12-14 1985-07-06 Fanuc Ltd 自動プログラミングにおける加工工程の決定方法
CN105216245B (zh) * 2015-11-17 2017-12-29 重庆秋虹工贸有限公司 一种成型模
CN106270218B (zh) * 2016-11-01 2018-04-17 哈尔滨工业大学（威海） 一种基于多传感器融合的在线可控连续自阻加热控制方法
US11014315B2 (en) * 2017-05-03 2021-05-25 The Boeing Company Compacted stringer packages
CN110766750B (zh) * 2019-09-09 2022-04-05 浙江大学 一种基于局部轮廓的机械臂视觉伺服目标识别方法
CN112677487B (zh) * 2020-12-30 2022-08-09 上海联泰科技股份有限公司 3d打印的控制方法、控制系统及3d打印设备

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1784187A (zh) * 2003-07-07 2006-06-07 塞隆纳牙科系统有限责任公司 用于制造牙科成形件的坯料以及用于制造成形件的方法

Also Published As

Publication number Publication date
CN113298090A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
Stamos et al. Integrating automated range registration with multiview geometry for the photorealistic modeling of large-scale scenes
CN107392947B (zh) 基于轮廓共面四点集的2d-3d图像配准方法
Furukawa et al. Accurate camera calibration from multi-view stereo and bundle adjustment
JP5963353B2 (ja) 光学データ処理装置、光学データ処理システム、光学データ処理方法、および光学データ処理用プログラム
Liu et al. Multiview geometry for texture mapping 2d images onto 3d range data
Liu et al. A systematic approach for 2D-image to 3D-range registration in urban environments
CN112927360A (zh) 一种基于倾斜模型与激光点云数据融合的三维建模方法和系统
CN109658444B (zh) 一种基于多模态特征的规则三维彩色点云配准方法
CN104240289B (zh) 一种基于单个相机的三维数字化重建方法及系统
CN107845134A (zh) 一种基于彩色深度相机的单个物体的三维重建方法
CN107767456A (zh) 一种基于rgb‑d相机的物体三维重建方法
CN106447601B (zh) 一种基于投影-相似变换的无人机遥感影像拼接方法
CN113192200B (zh) 一种基于空三并行计算算法的城市实景三维模型的构建方法
Serna et al. Data fusion of objects using techniques such as laser scanning, structured light and photogrammetry for cultural heritage applications
CN113298090B (zh) 一种基于最大轮廓的热压罐航空复合材料坯料识别方法
CN113345084B (zh) 三维建模系统及三维建模方法
CN113642397A (zh) 一种基于手机视频的物体长度测量方法
US20220068018A1 (en) Method for 3d reconstruction of an object
CN111197976A (zh) 一种顾及弱纹理区域多阶段匹配传播的三维重建方法
Huang et al. Appearance modeling via proxy-to-image alignment
Dornaika et al. Mosaicking images with parallax
Mahmoud et al. Fast 3d structure from motion with missing points from registration of partial reconstructions
CN114511637A (zh) 一种基于构造强特征的弱特征物体图像三维重建系统及方法
CN113379890B (zh) 一种基于单张照片的人物浅浮雕模型生成方法
CN109631850B (zh) 一种基于深度学习的倾斜摄像相对定位方法

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