CN114092469B - 一种叶片的修补区域的确定方法、装置及可读存储介质 - Google Patents

一种叶片的修补区域的确定方法、装置及可读存储介质 Download PDF

Info

Publication number
CN114092469B
CN114092469B CN202111457661.3A CN202111457661A CN114092469B CN 114092469 B CN114092469 B CN 114092469B CN 202111457661 A CN202111457661 A CN 202111457661A CN 114092469 B CN114092469 B CN 114092469B
Authority
CN
China
Prior art keywords
point cloud
target
blade
determining
area
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
CN202111457661.3A
Other languages
English (en)
Other versions
CN114092469A (zh
Inventor
陶冶
李中元
马秀刚
郭春
赵武
李文强
李翔龙
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202111457661.3A priority Critical patent/CN114092469B/zh
Publication of CN114092469A publication Critical patent/CN114092469A/zh
Application granted granted Critical
Publication of CN114092469B publication Critical patent/CN114092469B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请提供了一种叶片的修补区域的确定方法、装置及可读存储介质，方法包括：对待检测叶片进行三维扫描确定出待检测叶片的叶片点云图像；其中，待检测叶片是已经被修补过的叶片；将叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出目标叶片点云图像中的第一目标加工区域；获取目标叶片点云图像的多个衡量参数，将多个衡量参数输入至预先训练好的标签分类模型，确定出目标叶片点云图像中的多个目标衡量参数；基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域。

Description

一种叶片的修补区域的确定方法、装置及可读存储介质
技术领域
本申请涉及数据处理技术领域，尤其是涉及一种叶片的修补区域的确定方法、装置及可读存储介质。
背景技术
局部损伤叶片的再制造修复有助于叶片的重复利用，延长使用寿命。在对叶片的再制造修复过程中，首先需要确定出损伤叶片的局部损伤区域，利用补焊工艺或激光熔覆等增材修复技术修补损伤区域，为保证叶片能恢复到理想状态，修补材料一般会过量的选取；然后需要确定出损伤叶片的修补区域，此时叶片的修补区域是损伤叶片中进行修补过程中产生的多余材料所属的区域；最后对修补区域材料进行精加工去除使得对精加工后的叶片进行重复利用。
现阶段，在完成叶片修补后，则需要将修补后的叶片与标准模型进行人工对比检查，从而进行局部的加工、抛光去除余量即多余修补材料，直到满足设定的公差要求时则停止。然而，目前的对比检查多为人工操作进行，不仅难以保证叶片修补区域确定的准确性还降低了叶片修补的效率，所以，如何快速准确的确定出叶片的修补区域是不容小觑的问题。
发明内容
有鉴于此，本申请的目的在于提供一种叶片的修补区域的确定方法、装置及可读存储介质，通过获取待检测叶片的叶片点云图像以及参考点云图像，利用叶片点云图像和参考点云图像进行配准比对得到目标叶片点云图像，进而能够快速的确定出目标叶片点云图像中的第一目标加工区域，然后利用标签分类模型确定出目标叶片点云的目标衡量参数，通过利用第一加工区域中的目标加工点筛选出目标衡量参数所对应的加工区域点云，从而得到了第二目标加工区域，利用第一目标加工区域和第二目标加工区域准确的确定出待检测叶片的修补区域，从而实现了提高对待检测叶片区域进行确定的准确性以及效率。
本申请实施例提供了一种叶片的修补区域的确定方法，所述确定方法包括：
对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；
将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；
获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；
基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；
基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域。
进一步的，所述将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域，包括：
确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离；
基于每一个所述最短欧式距离，确定出每一所述最短欧式距离的标准差；
筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将筛选出的目标叶片点云确定为参考叶片点云；
针对于每一个参考叶片点云，将该参考叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域；
基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
进一步的，通过以下步骤训练标签分类模型，包括：
基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签；
将所述标准点云图像中包括的各个标准点云移动预设距离后，确定出更新后的更新标准点云图像；
针对于所述参考图像中的每一个参考点云，从所述更新标准点云图像中确定出与该参考点云匹配的更新标准点云；
基于确定出的各个参考点云以及与各个参考点云相匹配的更新标准点云，确定出多个修补区域点云标签；
基于所述未修补区域点云标签以及所述修补区域点云标签对预先设定的初始分类模型进行迭代更新，确定出所述标签分类模型。
进一步的，所述基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签，包括：
将所述参考点云图像中包括的多个参考点云与所述标准点云图像中包括的多个标准点云进行匹配计算，确定出多个点云匹配对；
针对于每一个点云匹配对，确定出该点云匹配对的第一衡量参数；
根据确定出的多个第一衡量参数，确定出多个未修补区域点云标签；其中，所述未修补区域点云标签与所述第一衡量参数一一对应。
进一步的，所述获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，包括：
获取所述目标叶片点云图像中的多个目标叶片点云；
针对于每一个所述目标叶片点云，确定出该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的欧式距离；
确定出所述该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的高斯曲率差值；
针对于每一个所述目标叶片点云，基于该目标叶片点云的所述欧式距离以及所述高斯曲率差值确定出该目标叶片点云的衡量参数；
将多个所述衡量参数输入至所述标签分类模型中，确定出所述目标叶片点云图像中的多个目标衡量参数。
进一步的，所述基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域，包括：
基于多个所述目标加工点云确定出目标标准差，基于所述目标标准差确定出多个目标加工点云的聚类半径；
基于每一个所述目标加工点云的聚类半径对与多个所述目标衡量参数映射的多个加工区域点云进行筛选，确定出至少一个所述加工区域点云的加工区域；
基于多个所述加工区域，确定出第二目标加工区域。
本申请实施例还提供了一种叶片的修补区域的确定装置，所述确定装置包括：
第一确定模块，用于对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；
第一目标加工区域模块，用于将将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；
目标衡量参数模块，用于获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；
第二目标加工区域模块，用于基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；
修补区域确定模块，用于基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域。
进一步的，所述第一目标加工区域模块在用于所述将所述目标叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出所述目标叶片点云图像中的第一目标加工区域时，所述第一目标加工区域模块用于：
确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离；
基于每一个所述最短欧式距离，确定出每一所述最短欧式距离的标准差；
筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将筛选出的目标叶片点云确定为样本叶片点云；
针对于每一个参考叶片点云，将该参考叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域；
基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
本申请实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的一种叶片的修补区域的确定方法的步骤。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行如上述的一种叶片的修补区域的确定方法的步骤。
本申请提供了一种叶片的修补区域的确定方法、装置及可读存储介质，确定方法包括：对获取到的待检测叶片进行三维扫描确定出待检测叶片的叶片点云图像；其中，待检测叶片是已经被修补过的叶片；将叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出目标叶片点云图像中的第一目标加工区域；获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；基于第一目标加工区域以及第二目标加工区域，确定出待检测叶片的修补区域。
这样，通过获取待检测叶片的叶片点云图像以及参考点云图像，利用叶片点云图像和参考点云图像进行配准比对得到目标叶片点云图像，进而能够快速的确定出目标叶片点云图像中的第一目标加工区域，然后利用标签分类模型确定出目标叶片点云的目标衡量参数，通过利用第一加工区域中的目标加工点筛选出目标衡量参数所对应的加工区域点云，从而得到了第二目标加工区域，利用第一目标加工区域和第二目标加工区域准确的确定出待检测叶片的修补区域，从而实现了提高对待检测叶片区域进行确定的准确性以及效率。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例所提供的一种叶片的修补区域的确定方法的流程图；
图2为本申请实施例所提供的修补区域的点云示意图；
图3为本申请实施例所提供的一种叶片的修补区域的确定装置的结构示意图之一；
图4为本申请实施例所提供的一种叶片的修补区域的确定装置的结构示意图之二；
图5为本申请实施例所提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解，本申请中的附图仅起到说明和描述的目的，并不用于限定本申请的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了根据本申请的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
另外，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本申请保护的范围。
为了使得本领域技术人员能够使用本申请内容，结合特定应用场景“对于叶片的修补区域进行确定”，给出以下实施方式，对于本领域技术人员来说，在不脱离本申请的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
本申请实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要对于叶片的修补区域进行确定场景，本申请实施例并不对具体的应用场景作限制，任何使用本申请实施例提供的一种叶片的修补区域的确定方法、装置及可读存储介质的方案均在本申请保护范围内。
首先，对本申请可适用的应用场景进行介绍。本申请可应用于本申请可应用于数据处理技术领域。
局部损伤叶片的再制造修复有助于叶片的重复利用，延长使用寿命。在对叶片的再制造修复过程中，首先需要确定出损伤叶片的局部损伤区域，利用补焊工艺或激光熔覆等增材修复技术修补损伤区域，为保证叶片能恢复到理想状态，修补材料一般会过量的选取；然后需要确定出损伤叶片的修补区域，此时叶片的修补区域是损伤叶片中进行修补过程中产生的多余材料所属的区域；最后对修补区域材料进行精加工去除使得对精加工后的叶片进行重复利用的过程。
经研究发现，现阶段，在完成叶片修补后，则需要将修补后的叶片与标准模型进行人工对比检查，从而进行局部的加工、抛光去除余量即多余修补材料，直到满足设定的公差要求时则停止。然而，目前的对比检查多为人工操作进行，不仅难以保证叶片修补区域确定的准确性还降低了叶片修补的效率，所以，如何快速准确的确定出叶片的修补区域是不容小觑的问题。
现在有如下方法公开了一种整体叶盘损伤叶片的修补方法，在该方法中论述了损伤区域识别的步骤，即首先使得测量点集与设计模型配准并找出两组点云的截面线条，然后在设计模型截面线上搜索配准后的测量点集中的最近点对并对二者进行误差分析，得出对应最近点相对于设计模型的扭转角度和平移量，其次计算损伤叶片和相邻叶片所以截面线扭转角及平移量，最终找出超出公差范围的截面数据点作为损伤区域的边界点完成最终的识别。该识别方法的公差范围确定仍需根据损伤区域形状和大小进行手动调节，不具备识别过程自动化与智能化，对不在叶盘上的单个叶片修补效果更差。
基于此，本申请的目的在于提供一种叶片的修补区域的确定方法，通过获取待检测叶片的叶片点云图像以及参考点云图像，利用叶片点云图像和参考点云图像进行配准比对得到目标叶片点云图像，进而能够快速的确定出目标叶片点云图像中的第一目标加工区域，然后利用标签分类模型确定出目标叶片点云的目标衡量参数，通过利用第一加工区域中的目标加工点筛选出目标衡量参数中的加工区域点云，从而得到了第二目标加工区域，利用第一目标加工区域和第二目标加工区域准确的确定出待检测叶片的修补区域，从而实现了提高对待检测叶片区域进行确定的准确性以及效率。
请参阅图1，图1为本申请实施例所提供的一种叶片的修补区域的确定方法的流程图。如图1所示，本申请实施例提供的确定方法，包括：
S101：对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片。
该步骤中，对获取到的待检测叶片进行三维扫描确定出带检测叶片的叶片点云图像，这里，待检测叶片是已经被修补过的叶片。
这里，叶片可以为日常生活中风扇的叶片、也可以是飞机启动时螺旋桨的旋转叶片，此部分不限定叶片的类型。
这里，叶片点云图像为携带着待检测叶片的点云数据的图像。
这里，已被修补过的叶片为由于叶片出现过损失对叶片进行修补后形成的新的叶片。
S102：将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域。
该步骤中，将叶片点云图像和预先确定的参考点云图像进行配准比对，在配准比对完成之后得到目标叶片点云图像，并确定出在目标叶片点云图像中的第一目标加工区域。
这里，目标叶片点云图像是叶片点云图像与参考点云图像进行配准比对完成后形成新的点云图像，其中，目标叶片点云图像的实质上是叶片点云图像进行位置更新后的图像，目标叶片点云图像与叶片点云图像相比只是图像中的点云坐标不同。
这里，参考点云图像为在标准叶片模型中获取的标准叶片点云，将该标准叶片点云组成的图像作为参考点云图像。
这里，通过对将叶片点云图像中的叶片点云数据和参考点云图像中的参考点云进行精准配准，使得配准后的误差小于预设的精度后则停止进行图像配准比对，获得配准比对配准完成后的目标叶片点云图像。
在本申请的具体实施例中，其中，采用三维扫描设备获取补焊叶片完成后的叶片表面点云的图像(以下称之为叶片点云图像)，对叶片点云图像中的点云数据进行去噪、精简、光顺等预处理，并利用标准叶片模型生成一组新的参考点云图像，此时对这两组点图像进行精配准，使得配准后的误差小于或等于预设的精度0.05mm停止，并记录下此时配准后的目标叶片点云图像的欧式变换矩阵R和T。
这里，第一目标加工区域为在目标叶片点云图像中筛选出的大部分已经修补过的叶片点云数据所在的区域。
进一步的，所述将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域，包括：
A：确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离。
其中，在确定出目标叶片点云图像之后，确定的该出目标叶片点云图像中的每一个目标叶片点云与参考点云图像中的与该目标叶片点云相对应的参考点叶片点云之间的最短欧式距离。
其中，目标叶片点云为叶片点云图像进行配准比对后形成的目标叶片点云图像中的待检测叶片的点云信息。
其中，参考点云图像中存在目标叶片点云图像中的目标叶片点云的对应点，其中对应点为参考点云图像中的参考叶片点云，且设置一一对应是基于目标叶片点云和参考叶片点云的最短欧式距离相设置的，如，第一目标叶片点云距离第一参考叶片点云的欧式距离为1厘米，第一目标叶片点云距离第二参考叶片点云的欧式距离为2厘米，则第一参考叶片点云为第一目标叶片点云所对应的点云，即，第一目标叶片点云和第一参考叶片点云为配对点。
这里，通过以下公式确定出每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离。
di＝||pi-qi||→min；
其中，di为最短欧式距离，Pi为目标叶片点云，qi为参考叶片点云。
在本申请的具体实施例中，求取最终精配准后的目标叶片点云图像中的每个目标叶片点云在参考叶片图像中的欧式距离最近点，并组成一组的新的对应点对，记录下每个对应点对之间的最短欧式距离di。
B：基于每一个所述最短欧式距离，确定出每一所述最短欧式距离的标准差。
其中，根据确定出来的每一个最短欧式距离确定出每一个最短欧式距离的标准差。
这里，通过以下公式求取出每一个最短欧式距离的标准差：
Figure BDA0003388356770000121
其中，(di)min为目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的最短欧式距离，dave是目标叶片点云的最短欧式距离的标准差，其中，n为目标叶片点云的数量。
C：筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将该目标叶片点云确定为样本叶片点云。
其中，筛选出目标叶片点云图像中最短欧式距离大于该最短欧式距离标准差的至少一个目标叶片点云，并将筛选出来的目标叶片点云确定为样本叶片点云，用于确定出第一目标加工区域。
这里，通过以下公式筛选出目标叶片点云图像中最短欧式距离大于该最短欧式距离标准差的至少一个目标叶片点云。
(di)min>β·dave；
其中β为自适应的筛选系数，(di)min为目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的最短欧式距离，dave是目标叶片点云的最短欧式距离的标准差对所有求得的最小欧式距离(di)min从小到大排序，并求出其最小欧式距离的中位数(di)min，med，当dave>(di)min，med时β＝1.5，当dave<(di)min，med时β＝0.8。
D：针对于每一个样本叶片点云，将该样本叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域。
其中，样本叶片点云为筛选出目标叶片点云图像中最短欧式距离大于该最短欧式距离标准差的目标叶片点云。
其中，对于每一个样本叶片点云，将该样本叶片点云在目标叶片点云图像中的位置确定为子目标加工区域。
这里，可以欧式变换矩阵确定出样本叶片点云在目标叶片点云图像中的位置信息。
E：基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
其中，根据多个子目标加工区域确定出第一目标加工区域。
其中，在根据欧式变换矩阵确定出样本叶片点云的子目标加工区域之后，通过多个子目标加工区域组合的形式确定出第一目标加工区域，这里不限定子目标加工区域确定第一目标加工区域的方法。
S103：获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云。
该步骤中，将目标叶片点云图像中的多个衡量参数输入到预先训练好的标签分类模型之中，确定的该出目标叶片点云图像中的目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云。
这里，标签分类模型是用于对目标叶片点云图像中的已修补的叶片点云和未修补的点云进行分类。
这里，衡量参数为目标叶片点云图像中的目标叶片点云的最短欧式距离以及高斯曲率差值的绝对值的组合，衡量参数可以表示为(di，|ΔCi|)，di为该目标叶片点云与该目标叶片点云相对应的参考点云之间的最短欧式距离，|ΔCi|为该目标叶片点云与该目标叶片点云相对应的参考点云之间的高斯曲率差值的绝对值。
这里，目标衡量参数携带着目标叶片点云图像中的加工区域点云，其中加工区域点云为待检测叶片的修补区域处的点云，在标签分类模型之中先提取出多个衡量参数中的携带未修补区域点云的标签，保留携带修补区域点云标签的衡量参数，将携带修补区域点云标签的衡量参数确定为目标衡量参数。
其中，目标衡量参数可以表示为(di2，|ΔCi2|)，其中，di2为该加工区域点云与该加工区域点云相对应的参考点云之间的最短欧式距离，|ΔCi2|为该加工区域点云与该加工区域点云相对应的参考点云之间的高斯曲率差值的绝对值。
在具体实施例中，将目标叶片点云图像的多个衡量参数输入到预先训练好的标签分类模型之中，标签分类模型会对提取出多个衡量参数中携带着未修补区域点云标签，保留携带着修补区域点云标签的衡量参数，将携带着修补区域点云标签的衡量参数确定为目标衡量参数，然后根据目标衡量参数中的参数信息确定出每一个目标衡量参数所对应的目标叶片点云，将该目标叶片点云确定为加工区域点云。
进一步的，通过以下步骤训练标签分类模型，包括：
a：基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签。
其中，根据参考点云图像中包括的各个参考点云和标准点云图像中的各个标准点云确定出多个未修补区域点云标签。
其中，标准点云图像是由于通过移动空间的位置，将标准叶片模型生成的点云数据组成的。
这里，未修补区域点云标签为标准点云图像中的叶片没有损伤进行修补过的点云数据，由多个叶片没有损伤进行修补过的点云数据组成的标签信息。
所述基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签，包括：
1)：将所述参考点云图像中包括的多个参考点云与所述标准点云图像中包括的多个标准点云进行匹配计算，确定出多个点云匹配对。
其中，将参考点云图像中包括的多个参考点云图像与标准点云图像中的多个标准点云进行匹配计算确定出多个点云匹配对。
其中，点云匹配对是由参考点云图像和与之相对应的标准点云图像组成的。
这里，通过以下方式确定出多个点云匹配对：
首先将标准点云和参考点云分别存入集合P＝{pi}和集合U＝{uj}中，设n和m分别是两组点云中点的个数，则有i＝1,2,…，n和j＝1,2,…，m，然后通过在参考点云U中搜索寻找标准点云P中的每个标准点云的对应的参考点云，在确定出每个标准点云对应的参考点云之后将与之相对应的参考点云存入集合Q＝{qi}中，这里，通过标准点云与参考点云的最短欧式距离确定的出与标准点云相对应的参考点云，具体计算过程与上述确定出目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考点云之间的最短欧式距离相一致，此部分不在进行赘述。
2)：针对于每一个点云匹配对，确定出该点云匹配对的第一衡量参数。
其中，针对于每一个点云匹配对，确定出该点云匹配对的第一衡量参数。
这里，第一衡量参数为该点云配对的(di1，|ΔCi1|)，其中，di1为该点云配对中的标准点云与该标准点云相对应的参考点云之间的最短欧式距离，|ΔCi1|为该点云配对中的标准点云与该标准点云相对应的参考点云之间的高斯曲率差值的绝对值。
这里，通过以下方式确定出该点云匹配对的第一衡量参数：
首先，先对于标准点云构建用于拟合的二阶曲面，该二阶曲面如下：
f(x，y)＝a0+a1x+a2x+a3xy+a4x2+a5y2；
其中f(x,y)为该二阶面的函数，a0，a1，a2，a3，a4，a5均为待定的系数，x为标准点云的点在其所处坐标中x轴上投影的位置，y为标准点云的点在其所处坐标系中y轴上投影的位置。
然后对于三维的任意一个标准点云(x，y，z)，找到与该标准点云的欧式距离最近的5个参考点云组成一簇，对该簇内的所有点做最小二乘的拟合，即求解：
Figure BDA0003388356770000161
其中，b代表该点标准云簇内的第b个点，即b＝1,2,3,4,5,6。
在解得出待定系数之后，确定为参数方程形式，即：
Figure BDA0003388356770000171
其中，x为标准点云的点在其所处坐标中x轴上投影的位置，y为标准点云的点在其所处坐标系中y轴上投影的位置。
求取t(x,y)分别对x,xx,y,yy,xy的偏微分tx，txx，ty，tyy，txy，从而可以得到该簇内标准点云拟合到的二次曲面的第一基本形式参数E＝tx·tx，F＝tx·ty，G＝ty·ty和曲面的第二基本形式参数
Figure BDA0003388356770000172
Figure BDA0003388356770000173
其中
Figure BDA0003388356770000174
该曲面的单位法向量，其计算公式为：
Figure BDA0003388356770000175
求取该点(x，y，z)的高斯曲率，其计算方法为：
Figure BDA0003388356770000176
求出配准点云中的点在参考点云中欧式距离的最近点，组成对应点对的点集，计算出对应点对之间的欧式距离差值△d与高斯曲率差的绝对值|ΔCi|，构建衡量参数(di，|ΔCi|)。
3)：根据确定出的多个第一衡量参数，确定出多个未修补区域点云标签；其中，所述未修补区域点云标签与所述第一衡量参数一一对应。
其中，根据确定出来的第一衡量参数，确定出多个未修补区域点云标签。
其中，每一个点对匹配对对来说都有一个衡量参数(di，|ΔCi|)，同时记录下该对应关系，同时以对应点对之间的欧式距离d为横轴，高斯曲率差值的绝对值|ΔC|为纵轴构建平面直角坐标系d-o-|ΔC|，将所有的衡量参数绘制在坐标系d-o-|ΔC|下，并对这些第一衡量参数作未修补区域点云标签。
b：将所述标准点云图像中包括的各个标准点云移动预设距离后，确定出更新后的更新标准点云图像。
其中，将标准点云图像中的各个标准点云进行移动到预设距离后，确定出更新后的更新标准点云图像。
这里，更新后的标准点云图像为标准点云图像中的多个标准点云进行移动后所产生的。
c：针对于所述参考图像中的每一个参考点云，从所述更新标准点云图像中确定出与该参考点云匹配的更新标准点云。
其中，针对于参考图像中的每一个参考点云，在更新标准点云图像中确定出与该参考点云相匹配的更新标准点云，这里，是通过每一个参考点云与更新标准点云图像中相对应的每一更新标准点云之间的最短欧式距离进行确定出更新标准点云图像中确定出与该参考点云匹配的更新标准点云。
d：基于确定出的各个参考点云以及与各个参考点云相匹配的更新标准点云，确定出多个修补区域点云标签。
其中，根据，确定出的各个参考点云和各个参考点云相匹配的更新标准点云确定出多个修补标签，其中，修补标签为更新标准点云图像中的已修补的叶片所对应的更新点云数据。
在本申请的具体实施例中，将标准点云图像中的标准点云以步长0.05mm沿垂直于截面线方向外移动1cm，然后确定出在每步长移动后此时更新点云在参考点云当中的欧式距离最短距离所对应的参考点云作为对应点，然后计算出各个参考点云和与各个参考点云相匹配的更新标准点云之间的高斯曲率差值ΔCi，并计算出其绝对值，同样地，在标准点云进行移动的时候都有一个衡量参数(di，|ΔCi|)与该更新后的标准点云相映射。在标准点云移动完成之后，将所有步长移动后得到的衡量参数(di，|ΔCi|)绘制坐标系d-o-|ΔC|下，对于新加入的这些衡量参数作修补区域点云标签。
e：基于所述未修补区域点云标签以及所述修补区域点云标签进行对预先设定的初始分类模型进行迭代更新，确定出所述标签分类模型。
其中，利用未修补区域点云标签和修补标签对预先设定的初始分类模型进行迭代更行进而确定出标签分类模型。
这里，通过以下方式利用未修补区域点云标签和修补区域点云标签进行训练确定出标签分类模型。
首先，计算未修补区域点云标签与修补标签数据出现的概率，其概率计算方式为该标签数据的总数除以整个样本的总数，即
Figure BDA0003388356770000191
Figure BDA0003388356770000192
其中p+1，p-1分别为未修补区域点云标签与修补标签出现的概率，N+1，N-1分别为未修补区域点云标签与修补区域点云标签的数目。
其次，构建样本集的Gini不纯度指标G(YB)，当样本数据只属于某一类时Gini不纯度指标为0，当样本均匀地分布于所有类中的时候Gini不纯度指标的值最大，该指标定义公式如下：
Figure BDA0003388356770000193
其中μ取+1或者-1，即pμ为带有“μ”标签数据出现的概率。其次，构建分类的不纯度指标G，该指标由下式计算：
Figure BDA0003388356770000194
其中G(YBL)为左子集的不纯度，G(YBR)为右子集的不纯度，NL为左子集的样本数，NR为右子集的样本数。
将指标定义公式带入公式(1)计算可得：
Figure BDA0003388356770000201
其中NL,μ是左子节点中带有“μ”标签数据的样本数，NR,μ是右子节点中带有“μ”标签数据的样本数。将第一衡量参数(di，|ΔCi|)的两个参数值di和|ΔCi|分别按照每个点的此参数值从小到大进行排序，即生成一个关于di的排列序列和一个关于|ΔCi|的排列序列。接下来从关于di的序列中依次选取di，将该特征参数分为两类，并计算其不纯度指标G；同样地，从关于|ΔCi|的序列中依次选取|ΔCi|，将该特征参数也分为两类，并计算其不纯度指标G。这样对于两个特征di和|ΔCi|均有i个不纯度指标，不纯度指标G越小就越接近最佳的分类策略。将带有未修补区域点云标签的数据完全递归建立左子树，带有修补标签数据的数据完全递归建立右子树，利用计算机学习并记下该分类方法与阈值，生成相应的标签分类模型。
进一步的，所述获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，包括：
(1)：获取所述目标叶片点云图像中的多个目标叶片点云。
其中，将目标叶片点云图像中的多个目标叶片点云进行提取。
其中，目标叶片点云为目标叶片点云图像中的点云信息。
(2)：针对于每一个所述目标叶片点云，确定出该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的欧式距离。
其中，对于每一个目标叶片点云，通过欧式距离公式确定出目标叶片点云和目标叶片点云相对应的参考叶片点云之间的欧式距离，关于通过欧式距离公式确定出目标叶片点云和目标叶片点云相对应的参考叶片点云之间的欧式距离此部分不在进行赘述。
(3)：确定出所述该目标叶片点云与该目标叶片点云相对应的参考点云之间的高斯曲率差值。
其中，确定出目标叶片点云和该目标叶片点云相对应的参考点云之间的高斯曲率差值。
其中，关于确定出目标叶片点云和该目标叶片点云相对应的参考点云之间的高斯曲率差值的步骤，此部分不在进行赘述，与上文的计算步骤相一致。
(4)：针对于每一个所述目标叶片点云，基于该目标叶片点云的所述欧式距离以及所述高斯曲率差值确定出该目标叶片点云的衡量参数。
其中，根据确定出来的每一个目标叶片点云的最短欧式距离和高斯曲率差值的绝对值，确定出每一个目标叶片点云的衡量参数，其中，关于衡量参数的表达形式上文中已经出现，此部分不在进行赘述。
(5)将多个所述衡量参数输入至所述标签分类模型中，确定出所述目标叶片点云图像中的多个目标衡量参数。
其中，将多个衡量参数输入到标签分类模型之中，标签分类模型挑选出携带着未修补区域点云标签的衡量参数，将携带着修补区域点云标签的衡量参数确定为目标衡量参数。
这里，目标衡量参数为(di2，|ΔCi2|)，其中，di2为目标叶片点云与该目标叶片点云相对应的参考点云的最短欧式距离，|ΔCi2|为目标叶片点云和该目标叶片点云相对应的参考点云之间的高斯曲率差值的绝对值。
S104：基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域。
该步骤中，根据确定出的第一目标加工区域中包括的多个的多个加工区域点云，在多个目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，根据至少一个加工区域点云确定的出第二目标加工区域。
这里，目标加工点云为确定出的第一目标加工区域中的点云数据。
这里，目标衡量参数与目标叶片点云是一一映射的。
进一步的，基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域，包括：
i：基于多个所述目标加工点云确定出目标标准差，基于所述目标标准差确定出多个目标加工点云的聚类半径。
其中，根据确定出的目标加工点云确定出目标标准差，根据确定出的目标标准差确定出目标加工点云的聚类半径。
其中，通过以下方式确定出目标标准差。
Figure BDA0003388356770000221
其中s代表第s个目标加工点云，e代表第s个目标加工点云k邻域内的第e个目标加工点云，(ds)e代表第s个目标区域加工点云的k邻域内的第e个目标加工点云与该目标加工点云的空间欧式距离，k取值为3-10内的任意自然数，欧式距离的平均值(ds)ave。
Figure BDA0003388356770000222
其中，其中n标为所有目标加工点云的数目，(d标记)ave为目标标准差，欧式距离的平均值(ds)ave，s为第几个目标加工点云。
其中，通过以下方式确定出聚类半径：
构建自适应的变量(r，num)，其中r代表以空间内指定点为圆心，r为球体半径所组成的空间球体的聚类半径；num代表该球体内目标加工区域点的数量。num可在区间[1,20]内选取任意整数，而聚类半径r通过以下公式进行确定：
r＝γ·(d标记)ave；
其中γ为自适应的选取系数，可在开区间(0,2)内任意选取，(d标记)ave为目标标准差，r为聚类半径。
ii：基于所述每一个目标加工点云的聚类半径对与多个所述目标衡量参数映射的多个加工区域点云进行筛选，确定出至少一个所述加工区域点云的加工区域。
其中，根据每一个目标加工点云的聚类半径对目标衡量参数所映射的加工区域点云进行筛选，确定的出至少一个加工区域点云的加工区域。
这里，通过以下方式确定的出至少一个加工区域点云的加工区域。
在依次判断每个点r球体内含有目标加工点云的数目ω，若ω满足预设的约束条件时，该点也作为目标加工点云。所设定的约束条件为：ω≥num直到剩余的所有加工区域点云中没有一个点可再被看作目标加工点云时则停止。
iii：基于多个所述加工区域，确定出第二目标加工区域。
其中，根据确定出来的多个加工区域进行加工区域组合确定出第二目标加工区域。
S105：基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域。
该步骤中，根据确定出的第一目标加工区域和第二目标加工区域共同确定出待检测叶片的修补区域，从而提高对待检测叶片的修补区域进行确定的准确定。
这里，可以通过将第一目标加工区域和第二目标加工区域进行区域组合的形式确定出待检测叶片的修补区域，此部分不限定利用第一目标加工区域和第二目标加工区域确定出修补区域的方式。
这里，修补区域为待检测叶片损伤后对待检测叶片进行材料修补后，出现多余修补材料的区域。举例来讲，当风扇的叶片出现损伤后，确定出风扇的叶片的损伤区域，利用白色金属材料对损伤区域进行修补，在修补过程中出现了白色金属材料多余的状况，则多余白色金属材料所在的区域为本方案中的修补区域。
在具体实施例中，请参阅图2，图2为本申请实施例所提供的修补区域的点云示意图，如图2所示，图2中所显示的多个黑色实心圆点所组成的图像为待检测叶片的叶片点云图像进行进行配准后的目标叶片点云图像，在目标叶片点云图像中先筛选出第一目标加工区域，在根据第一目标加工区域的点云筛选出第二目标加工区域，将第一目标加工区域和第二目标加工区域进行组合确定出修补区域。
本申请提供了一种叶片的修补区域的确定方法，确定方法包括：对待检测叶片进行三维扫描确定出待检测叶片的叶片点云图像；其中，待检测叶片是已经被修补过的叶片；将叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出目标叶片点云图像中的第一目标加工区域；获取目标叶片点云图像的多个衡量参数，将多个衡量参数输入至预先训练好的标签分类模型，确定出目标叶片点云图像中的多个目标衡量参数；基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域。
这样，通过获取待检测叶片的叶片点云图像以及参考点云图像，利用叶片点云图像和参考点云图像进行配准比对得到目标叶片点云图像，进而能够快速的确定出目标叶片点云图像中的第一目标加工区域，然后利用标签分类模型确定出目标叶片点云的目标衡量参数，通过利用第一加工区域中的目标加工点筛选出目标衡量参数中的加工区域点云，从而得到了第二目标加工区域，利用第一目标加工区域和第二目标加工区域准确的确定出待检测叶片的修补区域，从而实现了提高对待检测叶片区域进行确定的准确性以及效率。
请参阅图3为本申请实施例所提供的一种叶片的修补区域的确定装置的结构示意图之一，请参阅图4为本申请实施例所提供的一种叶片的修补区域的确定装置的结构示意图之二。如图3中所示，所述确定装置300包括：
第一确定模块310，用于对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；
第一目标加工区域模块320，用于将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；
目标衡量参数模块330，用于获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；
第二目标加工区域模块340，用于基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；
修补区域确定模块350，用于基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域。
进一步的，所述第一目标加工区域模块320在用于所述将所述目标叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出所述目标叶片点云图像中的第一目标加工区域时，所述第一目标加工区域模块320用于：
确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离；
基于所述每一个最短欧式距离，确定出每一所述最短欧式距离的标准差；
筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将筛选出的目标叶片点云确定为参考叶片点云；
针对于每一个参考叶片点云，将该参考叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域；
基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
进一步的，如图4所示，所述确定装置300还包括模型训练模块360，所述模型训练模块360通过以下步骤训练标签分类模型，包括：
基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签；
将所述标准点云图像中包括的各个标准点云移动预设距离后，确定出更新后的更新标准点云图像；
针对于所述参考图像中的每一个参考点云，从所述更新标准点云图像中确定出与该参考点云匹配的更新标准点云；
基于确定出的各个参考点云以及与各个参考点云相匹配的更新标准点云，确定出多个修补区域点云标签；
基于所述未修补区域点云标签以及所述修补区域点云标签对预先设定的初始分类模型进行迭代更新，确定出所述标签分类模型。
进一步的，如图4中所示，所述模型训练模块360在用于所述基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签时，所述模型训练模块360用于：
将所述参考点云图像中包括的多个参考点云与所述标准点云图像中包括的多个标准点云进行匹配计算，确定出多个点云匹配对；
针对于每一个点云匹配对，确定出该点云匹配对的第一衡量参数；
根据确定出的多个第一衡量参数，确定出多个未修补区域点云标签；其中，所述未修补区域点云标签与所述第一衡量参数一一对应。
进一步的，目标衡量参数模块330在用于所述将所述目标叶片点云图像输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的目标衡量参数时，目标衡量参数模块330用于：
获取所述目标叶片点云图像中的多个目标叶片点云；
针对于每一个所述目标叶片点云，确定出该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的欧式距离；
确定出所述该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的高斯曲率差值；
针对于每一个所述目标叶片点云，基于该目标叶片点云的所述欧式距离以及所述高斯曲率差值确定出该目标叶片点云的衡量参数；
将多个所述衡量参数输入至所述标签分类模型中，确定出所述目标叶片点云图像中的多个目标衡量参数。
进一步的，第二目标加工区域模块340在用于基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域时，第二目标加工区域模块340用于：
基于多个所述目标加工点云确定出目标标准差，基于所述目标标准差确定出多个目标加工点云的聚类半径；
基于每一个所述目标加工点云的聚类半径对与多个所述目标衡量参数映射的多个加工区域点云进行筛选，确定出至少一个所述加工区域点云的加工区域；
基于多个所述加工区域，确定出第二目标加工区域。
本申请实施例提供的一种叶片的修补区域的确定装置，所述确定装置包括：第一确定模块，用于对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；第一目标加工区域模块，用于将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；目标衡量参数模块，用于获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，多个所述目标衡量参数中携带着多个加工区域点云；第二目标加工区域模块，用于基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；修补区域确定模块，用于基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域。
这样，通过获取待检测叶片的叶片点云图像以及参考点云图像，利用叶片点云图像和参考点云图像进行配准比对得到目标叶片点云图像，进而能够快速的确定出目标叶片点云图像中的第一目标加工区域，然后利用标签分类模型确定出目标叶片点云的目标衡量参数，通过利用第一加工区域中的目标加工点筛选出目标衡量参数中的加工区域点云，从而得到了第二目标加工区域，利用第一目标加工区域和第二目标加工区域准确的确定出待检测叶片的修补区域，从而实现了提高对待检测叶片区域进行确定的准确性以及效率。
请参阅图5，图5为本申请实施例所提供的一种电子设备的结构示意图。如图5中所示，所述电子设备500包括处理器510、存储器520和总线530。
所述存储器520存储有所述处理器510可执行的机器可读指令，当电子设备500运行时，所述处理器510与所述存储器520之间通过总线530通信，所述机器可读指令被所述处理器510执行时，可以执行如上述图1所示方法实施例中的叶片的修补区域的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1所示方法实施例中的叶片的修补区域的确定方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种叶片的修补区域的确定方法，其特征在于，所述确定方法包括：
对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；
将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；其中，所述第一目标加工区域为在目标叶片点云图像中筛选出的大部分已经修补过的叶片点云数据所在的区域；
获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；所述标签分类模型是用于对目标叶片点云图像中的已修补的叶片点云和未修补的点云进行分类；在标签分类模型之中先提取出多个衡量参数中的携带未修补区域点云的标签，保留携带修补区域点云标签的衡量参数，将携带修补区域点云标签的衡量参数确定为目标衡量参数；所述加工区域点云为待检测叶片的修补区域处的点云；
基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；
基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域；其中，所述修补区域为待检测叶片损伤后对待检测叶片进行材料修补后，出现多余修补材料的区域。
2.根据权利要求1所述的确定方法，其特征在于，所述将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域，包括：
确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离；
基于每一个所述最短欧式距离，确定出每一所述最短欧式距离的标准差；
筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将筛选出的目标叶片点云确定为样本叶片点云；
针对于每一个样本叶片点云，将该样本叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域；
基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
3.根据权利要求1所述的确定方法，其特征在于，通过以下步骤训练标签分类模型，包括：
基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签；
将所述标准点云图像中包括的各个标准点云移动预设距离后，确定出更新后的更新标准点云图像；
基于确定出的各个参考点云以及与各个参考点云相匹配的更新标准点云，确定出多个修补区域点云标签；
基于多个所述未修补区域点云标签以及多个所述修补区域点云标签对预先设定的初始分类模型进行迭代更新，确定出所述标签分类模型。
4.根据权利要求3所述的确定方法，其特征在于，所述基于参考点云图像中包括的各个参考点云以及标准点云图像中包括的各个标准点云，确定出多个未修补区域点云标签，包括：
将所述参考点云图像中包括的多个参考点云与所述标准点云图像中包括的多个标准点云进行匹配计算，确定出多个点云匹配对；
针对于每一个点云匹配对，确定出该点云匹配对的第一衡量参数；
根据确定出的多个第一衡量参数，确定出多个未修补点云标签；其中，所述未修补区域点云标签与所述第一衡量参数一一对应。
5.根据权利要求1所述的确定方法，其特征在于，所述获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，包括：
获取所述目标叶片点云图像中的多个目标叶片点云；
针对于每一个所述目标叶片点云，确定出该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的欧式距离；
确定出所述该目标叶片点云与该目标叶片点云相对应的参考叶片点云之间的高斯曲率差值；
针对于每一个所述目标叶片点云，基于该目标叶片点云的所述欧式距离以及所述高斯曲率差值确定出该目标叶片点云的衡量参数；
将多个所述衡量参数输入至所述标签分类模型中，确定出所述目标叶片点云图像中的多个目标衡量参数。
6.根据权利要求1所述的确定方法，其特征在于，所述基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云中筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域，包括：
基于多个所述目标加工点云确定出目标标准差，基于所述目标标准差确定出多个目标加工点云的聚类半径；
基于每一个所述目标加工点云的聚类半径对与多个所述目标衡量参数映射的多个加工区域点云进行筛选，确定出至少一个所述加工区域点云的加工区域；
基于多个所述加工区域，确定出第二目标加工区域。
7.一种叶片的修补区域的确定装置，其特征在于，所述确定装置包括：
第一确定模块，用于对获取到的待检测叶片进行三维扫描确定出所述待检测叶片的叶片点云图像；其中，所述待检测叶片是已经被修补过的叶片；
第一目标加工区域模块，用于将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域；其中，所述第一目标加工区域为在目标叶片点云图像中筛选出的大部分已经修补过的叶片点云数据所在的区域；
目标衡量参数模块，用于获取所述目标叶片点云图像的多个衡量参数，将多个所述衡量参数输入至预先训练好的标签分类模型，确定出所述目标叶片点云图像中的多个目标衡量参数，其中，每一所述目标衡量参数映射着一个加工区域点云；所述标签分类模型是用于对目标叶片点云图像中的已修补的叶片点云和未修补的点云进行分类；在标签分类模型之中先提取出多个衡量参数中的携带未修补区域点云的标签，保留携带修补区域点云标签的衡量参数，将携带修补区域点云标签的衡量参数确定为目标衡量参数；所述加工区域点云为待检测叶片的修补区域处的点云；
第二目标加工区域模块，用于基于所述第一目标加工区域中包括的多个目标加工点云，从多个所述目标衡量参数映射的多个加工区域点云筛选出至少一个加工区域点云，基于所述至少一个加工区域点云确定出第二目标加工区域；
修补区域确定模块，用于基于所述第一目标加工区域以及所述第二目标加工区域，确定出所述待检测叶片的修补区域；其中，所述修补区域为待检测叶片损伤后对待检测叶片进行材料修补后，出现多余修补材料的区域。
8.根据权利要求7所述的确定装置，其特征在于，所述第一目标加工区域模块在用于将所述叶片点云图像与预先确定的参考点云图像进行图像配准比对，确定出目标叶片点云图像，并确定出所述目标叶片点云图像中的第一目标加工区域时，所述第一目标加工区域模块用于：
确定出所述目标叶片点云图像中的每一个目标叶片点云与所述参考点云图像中相对应的每一参考叶片点云之间的最短欧式距离；
基于每一个所述最短欧式距离，确定出每一所述最短欧式距离的标准差；
筛选出所述目标叶片点云图像中最短欧式距离大于该最短欧式距离的标准差的至少一个目标叶片点云，将筛选出的目标叶片点云确定为样本叶片点云；
针对于每一个样本叶片点云，将该样本叶片点云在的所述目标叶片点云图像中的位置，确定为子目标加工区域；
基于确定出的多个子目标加工区域，确定出所述第一目标加工区域。
9.一种电子设备，其特征在于，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过所述总线进行通信，所述机器可读指令被所述处理器运行时执行如权利要求1至6任一所述的一种叶片的修补区域的确定方法的步骤。
10.一种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上存储有计算机程序，所述计算机程序被处理器运行时执行如权利要求1至6任一所述的一种叶片的修补区域的确定方法的步骤。
CN202111457661.3A 2021-12-02 2021-12-02 一种叶片的修补区域的确定方法、装置及可读存储介质 Active CN114092469B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111457661.3A CN114092469B (zh) 2021-12-02 2021-12-02 一种叶片的修补区域的确定方法、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111457661.3A CN114092469B (zh) 2021-12-02 2021-12-02 一种叶片的修补区域的确定方法、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN114092469A CN114092469A (zh) 2022-02-25
CN114092469B true CN114092469B (zh) 2022-08-26

Family

ID=80306202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111457661.3A Active CN114092469B (zh) 2021-12-02 2021-12-02 一种叶片的修补区域的确定方法、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN114092469B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590825A (zh) * 2017-07-31 2018-01-16 东南大学 一种基于sfm的点云孔洞修补方法
CN113700334A (zh) * 2021-09-06 2021-11-26 东南大学 一种基于cnn的倾斜碑石文物纠偏加固实时监测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201607462D0 (en) * 2016-04-29 2016-06-15 Rolls Royce Plc Adaptive repair method for aerofoil blades
US20180216464A1 (en) * 2017-01-31 2018-08-02 General Electric Company Method of repairing a blisk
US10262243B2 (en) * 2017-05-24 2019-04-16 General Electric Company Neural network point cloud generation system
CN109426828B (zh) * 2017-08-28 2022-02-11 中国科学院深圳先进技术研究院 点云分类方法、装置、设备及存储介质
US11498132B2 (en) * 2019-01-30 2022-11-15 General Electric Company Additive manufacturing systems and methods of calibrating for additively printing on workpieces
CN111783798B (zh) * 2020-07-01 2023-09-15 北京大学深圳研究生院 基于显著性特征的模拟残缺点云的遮罩生成方法
CN112967219B (zh) * 2021-03-17 2023-12-05 复旦大学附属华山医院 基于深度学习网络的二阶段牙体点云补全方法及系统
CN113627250B (zh) * 2021-07-06 2024-06-04 东南大学 一种巡检、修复一体化的桥面铺装养护车
CN113223063B (zh) * 2021-07-09 2021-09-21 四川大学 一种基于icp算法与点云剔除算法的牙齿配准方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590825A (zh) * 2017-07-31 2018-01-16 东南大学 一种基于sfm的点云孔洞修补方法
CN113700334A (zh) * 2021-09-06 2021-11-26 东南大学 一种基于cnn的倾斜碑石文物纠偏加固实时监测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于点的计算机图形学研究与进展;邱航等;《计算机科学》;20090615;第36卷(第06期);10-15 *
逆向工程辅助零部件再制造关键技术及应用;李聪波等;《计算机集成制造系统》;20150115;第21卷(第01期);143-150 *

Also Published As

Publication number Publication date
CN114092469A (zh) 2022-02-25

Similar Documents

Publication Publication Date Title
CN108492281B (zh) 一种基于生成式对抗网络的桥梁裂缝图像障碍物检测与去除的方法
CN107543828B (zh) 一种工件表面缺陷检测方法及系统
CN109614935B (zh) 车辆定损方法及装置、存储介质及电子设备
CN107063228B (zh) 基于双目视觉的目标姿态解算方法
CN112347550B (zh) 耦合式室内三维语义建图及建模方法
US9123112B2 (en) Method for the pre-processing of a three-dimensional image of the surface of a tyre for use in the inspection of said surface
CN115362471A (zh) 一种金属表面缺陷检测方法及装置
US20130266189A1 (en) Method for the pre-processing of a three-dimensional image of the surface of a tyre using successive b-spline deformations
CN110490190B (zh) 一种结构化图像文字识别方法及系统
CN115457044B (zh) 基于类激活映射的路面裂缝分割方法
CN111814852A (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN115511856A (zh) 一种部件的缺陷检测方法、装置、电子设备及存储介质
CN112364881A (zh) 一种进阶采样一致性图像匹配算法
WO2022222160A1 (en) Method and apparatus for identifying planes of objects in 3d scenes
CN114092469B (zh) 一种叶片的修补区域的确定方法、装置及可读存储介质
CN110580497B (zh) 一种基于旋转不变性的空间场景匹配方法
CN112529850A (zh) 一种基于多视角多尺度图片测量苗木尺寸的方法及系统
CN105809657A (zh) 一种角点检测方法和装置
CN107977961B (zh) 基于峰值覆盖值和混合特征的纺织品瑕疵检测方法
CN116452826A (zh) 基于机器视觉的遮挡情况下煤矸石轮廓估计方法
CN114548250B (zh) 一种基于数据分析的手机外观检测方法及装置
CN113366535B (zh) 识别三维场景中物体平面的方法和装置
Dixon et al. Measuring optical distortion in aircraft transparencies: a fully automated system for quantitative evaluation
CN113284158A (zh) 一种基于结构约束聚类的图像边缘提取方法及系统
CN112884057A (zh) 基于点云数据的三维曲面质量分类方法、系统及存储介质

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