CN114383498B - 应用于涡轮叶片气膜孔检测的目标点云分割方法 - Google Patents
应用于涡轮叶片气膜孔检测的目标点云分割方法 Download PDFInfo
- Publication number
- CN114383498B CN114383498B CN202011107107.8A CN202011107107A CN114383498B CN 114383498 B CN114383498 B CN 114383498B CN 202011107107 A CN202011107107 A CN 202011107107A CN 114383498 B CN114383498 B CN 114383498B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- air film
- film hole
- data
- turbine blade
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/08—Measuring arrangements characterised by the use of optical techniques for measuring diameters
- G01B11/12—Measuring arrangements characterised by the use of optical techniques for measuring diameters internal diameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Laser Beam Processing (AREA)
Abstract
一种应用于涡轮叶片气膜孔检测的目标点云分割方法,通过五轴激光测量平台采集待测涡轮叶片的空间三维点云数据,根据激光传感器测量轨迹及激光点云分布特点,对叶片激光点云数据在前进方向上进行空间切片化降维处理,并结合各切片点云数据梯度分布特征,计算直线拟合残差、筛选气膜孔区域点云切片;在此基础上对筛选后点云切片进行去趋势化处理,得到各切片拟合误差类水平线;通过阈值筛选得到各切片上目标点集,实现气膜孔目标区域点云分割,继而对气膜孔目标区域点云进行轴线方向、孔径大小提取,实现对涡轮叶片气膜孔的质量检测,从而显著提高点云分割精度。
Description
技术领域
本发明涉及一种航空发动机制造领域的技术,具体涉及一种应用于涡轮叶片气膜孔检测的目标点云分割方法。
背景技术
为保证航空发动机在高机械负载下的可靠性,涡轮叶片气膜孔的轴线方向、孔径大小具有严格的精度要求,基于激光点云的气膜孔特征检测算法能够对气膜孔进行高精度的质量检测。但线激光传感器采集的叶片空间三维点云,除目标区域气膜孔点云数据外,还包含叶片表面点云及噪声点云,无法直接用于气膜孔空间几何特征提取。因此,还需要借助气膜孔目标点云分割方法,从涡轮叶片的整体三维点云中,处理得到单个气膜孔目标区域点云数据;然后,再进行轴线方向、孔径大小以及空间位置等几何特征参数的提取。
现有的点云分割算法包括:边缘检测法、区域生长法。以点云几何边缘为分界线的边缘检测法,大多将点云的方向矢量或者曲率突变处视为区域边界,进而实现目标区域点云分割的目的,但该算法受边缘检测精度影响较大,由于点云噪声、法矢量求解精度以及曲率误差等因素的影响,易出现欠分割或者过分割等情况。此外,通过选取特定种子点的区域生长法,按照相应增长策略向邻近点生长拓展,直至不再有符合增长策略的点为止,同样可以实现目标区域点云分割的目的,但由于受初始种子点的分布位置和生长策略的制定影响,分割精度难以保证,并且目前尚未有较为成熟的能够应用于气膜孔目标点云分割的种子点选取和增长策略。
发明内容
本发明针对现有技术存在的上述不足,提出一种应用于涡轮叶片气膜孔检测的目标点云分割方法,能够显著提高点云分割精度。
本发明是通过以下技术方案实现的:
本发明涉及一种应用于涡轮叶片气膜孔检测的目标点云分割方法,通过五轴激光测量平台采集待测涡轮叶片的空间三维点云数据,根据激光传感器测量轨迹及激光点云分布特点,对叶片激光点云数据在前进方向上进行空间切片化降维处理,并结合各切片点云数据梯度分布特征,计算直线拟合残差、筛选气膜孔区域点云切片;在此基础上对筛选后点云切片进行去趋势化处理,得到各切片拟合误差类水平线;通过阈值筛选得到各切片上目标点集,实现气膜孔目标区域点云分割,继而对气膜孔目标区域点云进行轴线方向、孔径大小提取,实现对涡轮叶片气膜孔的质量检测。
所述的激光传感器测量轨迹及激光点云分布特点是指:线激光扫描数据在前进方向上呈切片状分布,且相邻切片间隔一定。
所述的空间切片化降维处理是指:基于线激光传感器测量轨迹及点云分布特征,将扫描点云切片,在XZ平面投影得到X向长度为16mm的二维点云切片单元di,i=1,2,3,…,n,初始化i=1。
所述的各切片点云数据梯度分布特征是指:针对涡轮叶片不同区域扫描切片,其离散点云沿Z向具有不同的梯度分布规律,Z向梯度公式为Ti(pi,pi+1)=(Zi-Zi+1)/d,其中:pi为当前点云切片单元di上一点,Zi为该点的Z向高度,d为当前点云切片单元的离散点间隔。
所述的直线拟合残差是指:在处理第i个点云切片单元di时,采用最小二乘法拟合点云切片单元di中的离散点云,拟合直线为zi=bxi+a,计算直线拟合残差,其中:wi为残差拟合系数,Zi为离散点测量高度,Zi′为拟合直线高度,Zi′=bXi′+a。
所述的筛选气膜孔区域点云切片是指:基于直线拟合残差ε与筛选阈值λ对点云切片单元进行分类,得到包含有气膜孔区域目标点的点云切片单元di,具体为:其中:ltar为含有气膜孔目标点的点云切片单元,lunt为不包含有气膜孔目标点的点云切片单元。
优选地,为了将高低起伏等情况的涡轮叶片表面形貌的点云切片单元用于目标点云数据的分割提取,对点云切片单元做去趋势化处理,具体为:基于切片离散点云拟合直线,计算点云切片单元的拟合误差:得到各切片拟合误差类水平线dpi,其中:(xpi,ypi)为去趋势化后拟合误差类水平线中数据点的坐标,(xi,yi)为去趋势化前点云切片单元中数据点的坐标。
所述的阈值筛选是指:在处理得到的拟合误差类水平线dpi数据点集基础上,通过拟合误差统计密度梯度法,对去趋势化处理得到的拟合误差类水平线进行等距分层,计算各层误差分布密度ρE,依据ρE的密度梯度最大值确定点云数据筛选阈值φ,筛选得到各点云切片单元上目标点集。
所述的密度梯度Tk=ρE(k)-ρE(k-1),其中:ρE(k)、ρE(k-1)为邻近层误差分布密度,Tk为相对应的密度梯度。
所述的阈值筛选,经过多次迭代后得到的目标点云数据矩阵Datat,即为目标点云提取数据。
本发明涉及一种实现上述方法的系统,包括:运动平台模块、点云数据扫描模块、点云数据处理模块和数控系统模块,其中:运动平台模块与点云数据扫描模块、数控系统模块相连并实时采集三维激光点云数据,点云数据处理模块与点云数据扫描模块相连,通过基于点云切片单元拟合残差进行涡轮叶片气膜孔目标点云分割并提取气膜孔轴线方向、孔径大小,实现对涡轮叶片气膜孔的质量检测。
技术效果
本发明整体解决了自动化生产线上涡轮叶片气膜孔点云数据分割问题以及点云分割算法中特征量的求解精度以及聚类误差等因素的影响。
与现有技术相比,本发明采用单个点云切片单元拟合残差的方式进行目标点的筛选提取,避免了由于点云噪声或求解精度等因素的影响导致的分割效果不稳定的问题。在处理仿真噪声点云中,基于边缘检测法的分割准确率为0.897,本发明得到的分割准确率为0.942。
附图说明
图1为航空发动机涡轮叶片气膜孔示意图;
图2为涡轮叶片气膜孔空间三维点云示意图;
图3为单个点云切片单元示意图;
图4为单个点云切片单元目标点提取效果示意图;
图5为本实施例气膜孔目标点提取效果示意图;
图6为本发明分割过程流程图。
具体实施方式
如图6所示,为本实施例涉及一种应用于如图1所示的应用于航空发动机涡轮叶片气膜孔检测的目标点云分割方法,叶片上气膜孔为本发明中分割方法的目标点云区域。
本实施例包括以下步骤:
步骤1)涡轮叶片激光点云扫描:通过五轴线激光测量平台,以多位姿扫描方式采集涡轮叶片空间三维点云,如图2所示。
步骤2)扫描点云切片:基于激光传感器测量轨迹及激光点云分布特点,在前进方向上将扫描点云切片,在XZ平面投影为X向长度为16mm的二维点云切片单元di(i=1,2,3,…,n),初始化i=1。
步骤3)点云切片单元数据预处理:以激光点云切片为基本单元进行点云数据预处理,基于各切片相邻离散点Z向梯度Ti(pi,pi+1)分布特征,并通过计算直线拟合残差ε进行点云切片单元分类,如图3所示,切片单元分类阈值为λ。
所述的切片相邻离散点梯度分布特征是指:针对涡轮叶片不同区域扫描切片,其离散点沿Z向具有不同的梯度分布规律,Z向梯度公式Ti(pi,pi+1)=(Zi-Zi+1)/d,其中:pi为当前点云切片单元上一点,Zi为该点的Z向高度,d为当前点云切片单元的离散点间隔。
所述的直线拟合残差是指:在处理第i行点云切片单元di时,采用最小二乘法拟合切片单元di中的离散点,拟合直线为zi=bxi+a,并计算直线拟合残差,其中:wi为残差拟合系数,Zi为离散点测量高度,Zi′为拟合直线高度,Zi′=bXi′+a。
步骤6)点云切片单元目标点云数据筛选:在处理得到的拟合误差类水平线dpi数据点集基础上,通过拟合误差统计密度梯度法确定点云数据筛选阈值φ,然后基于该阈值实现目标点云的分割,筛选后点云如图4红色点集所示。
所述的拟合误差统计密度梯度法是指:对去趋势化处理得到的拟合误差类水平线进行等距分层,计算各层误差分布密度ρE,依据ρE的密度梯度最大值确定点云数据筛选阈值φ。
所述的密度梯度计算公式为Tk=ρE(k)-ρE(k-1),其中:ρE(k)、ρE(k-1)为邻近层误差分布密度,Tk为相对应的密度梯度。
步骤7)气膜孔目标点云分割:依据上述基于点云切片单元拟合残差分割方法的具体步骤,得到分割后的目标点云数据矩阵Datat。重复上述步骤,进行点云切片单元点云分割迭代处理,最终得到目标点云提取数据,如图5所示。
利用本方法处理带有噪声的仿真噪声点云数据,并将分割效果与分割时间与边缘检测法进行对比,在Windows10 64位操作系统中,采用Intel(R)Core(TM)i5-7400 CPU@3.00GHz处理器,基于MATLAB R2018a软件处理单个气膜冷却孔点云数据的分割耗时为134ms,而基于边缘检测法的分割耗时376ms,分割准确率为0.897,本发明的分割算法耗时134ms,分割准确率为0.942,其中:分割准确率计算公示为(pt-pb-pn)*100%/po,pt为分割得到气膜孔点云数据,pb为分割得到叶片表面点云数据,pn为分割得到噪声点云数据。实验数据表明,本实施例有效提高了气膜孔点云分割精度,本发明并非处理全部点云切片单元,而是采用最小二乘法对点云切片单元进行直线拟合,借助拟合残差的大小,判别点云切片单元是否包含气膜孔目标点云,进而实现分类操作。后续算法仅处理包含有目标点云的切片单元,从而大幅度降低算法计算量。
综上,本方法在保证分割精度的基础上提高了分割效率,具有一定的工业实用价值,尤其适合自动化生产线上涡轮叶片气膜孔的目标点云分割。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整,本发明的保护范围以权利要求书为准且不由上述具体实施所限,在其范围内的各个实现方案均受本发明之约束。
Claims (8)
1.一种应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征在于,通过五轴激光测量平台采集待测涡轮叶片的空间三维点云数据,根据激光传感器测量轨迹及激光点云分布特点,对叶片激光点云数据在前进方向上进行空间切片化降维处理,并结合各切片点云数据梯度分布特征,计算直线拟合残差、筛选气膜孔区域点云切片;在此基础上对筛选后点云切片进行去趋势化处理,得到各切片拟合误差类水平线;通过阈值筛选得到各切片上目标点集,实现气膜孔目标区域点云分割,继而对气膜孔目标区域点云进行轴线方向、孔径大小提取,实现对涡轮叶片气膜孔的质量检测;
所述的筛选气膜孔区域点云切片是指:基于直线拟合残差ε与筛选阈值λ对点云切片单元进行分类,得到包含有气膜孔区域目标点的点云切片单元di,具体为:其中:ltar为含有气膜孔目标点的点云切片单元,lunt为不包含有气膜孔目标点的点云切片单元;
为了将高低起伏情况的涡轮叶片表面形貌的点云切片单元用于目标点云数据的分割提取,对点云切片单元做去趋势化处理,具体为:基于切片离散点云拟合直线,计算点云切片单元的拟合误差:得到各切片拟合误差类水平线dpi,其中:(xpi,ypi)为去趋势化后拟合误差类水平线中数据点的坐标,(xi,yi)为去趋势化前点云切片单元中数据点的坐标;
所述的阈值筛选是指:在处理得到的拟合误差类水平线dpi数据点集基础上,通过拟合误差统计密度梯度法,对去趋势化处理得到的拟合误差类水平线进行等距分层,计算各层误差分布密度ρE,依据ρE的密度梯度最大值确定点云数据筛选阈值φ,筛选得到各点云切片单元上目标点集。
2.根据权利要求1所述的应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征是,所述的激光传感器测量轨迹及激光点云分布特点是指:线激光扫描数据在前进方向上呈切片状分布,且相邻切片间隔一定。
3.根据权利要求1所述的应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征是,所述的空间切片化降维处理是指:基于线激光传感器测量轨迹及点云分布特征,将扫描点云切片,在XZ平面投影得到X向长度为16mm的二维点云切片单元di,i=1,2,3,…,n,初始化i=1。
4.根据权利要求1所述的应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征是,所述的各切片点云数据梯度分布特征是指:针对涡轮叶片不同区域扫描切片,其离散点云沿Z向具有不同的梯度分布规律,Z向梯度公式为Ti(pi,pi+1)=(Zi-Zi+1)/d,其中:pi为当前点云切片单元di上一点,Zi为该点的Z向高度,d为当前点云切片单元的离散点间隔。
6.根据权利要求1所述的应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征是,所述的密度梯度Tk=ρE(k)-ρE(k-1),其中:ρE(k)、ρE(k-1)为邻近层误差分布密度,Tk为相对应的密度梯度。
7.根据权利要求1所述的应用于涡轮叶片气膜孔检测的目标点云分割方法,其特征是,所述的阈值筛选,经过多次迭代后得到的目标点云数据矩阵Datat,即为目标点云提取数据。
8.一种实现权利要求1-7中任一所述方法的系统,其特征在于,包括:运动平台模块、点云数据扫描模块、点云数据处理模块和数控系统模块,其中:运动平台模块与点云数据扫描模块、数控系统模块相连并实时采集三维激光点云数据,点云数据处理模块与点云数据扫描模块相连,通过基于点云切片单元拟合残差进行涡轮叶片气膜孔目标点云分割并提取气膜孔轴线方向、孔径大小,实现对涡轮叶片气膜孔的质量检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107107.8A CN114383498B (zh) | 2020-10-16 | 2020-10-16 | 应用于涡轮叶片气膜孔检测的目标点云分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107107.8A CN114383498B (zh) | 2020-10-16 | 2020-10-16 | 应用于涡轮叶片气膜孔检测的目标点云分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114383498A CN114383498A (zh) | 2022-04-22 |
CN114383498B true CN114383498B (zh) | 2022-11-01 |
Family
ID=81192548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011107107.8A Active CN114383498B (zh) | 2020-10-16 | 2020-10-16 | 应用于涡轮叶片气膜孔检测的目标点云分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114383498B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115169481A (zh) * | 2022-07-21 | 2022-10-11 | 北京汉飞航空科技有限公司 | 一种发动机涡轮叶片质量检测的分析计算方法 |
CN115406355A (zh) * | 2022-10-31 | 2022-11-29 | 中国航发沈阳黎明航空发动机有限责任公司 | 一种外环块多空间角度气膜孔数字化检测方法 |
CN116174941B (zh) * | 2023-04-26 | 2023-09-08 | 弗斯迈智能科技(江苏)有限公司 | 一种激光切割钙钛矿薄膜切割定位方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717276A (zh) * | 2019-10-14 | 2020-01-21 | 西北工业大学 | 基于工业ct扫描的异型气膜孔几何结构检测与评定方法 |
CN111540001A (zh) * | 2020-04-09 | 2020-08-14 | 上海交通大学 | 航空发动机涡轮叶片气膜孔轴线方向检测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103292691A (zh) * | 2012-02-29 | 2013-09-11 | 西门子公司 | 一种用于检测燃气轮机叶片的冷却孔的方法 |
CN104050720B (zh) * | 2014-06-24 | 2017-02-15 | 中国科学院深圳先进技术研究院 | 点云曲面重建方法及系统 |
-
2020
- 2020-10-16 CN CN202011107107.8A patent/CN114383498B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717276A (zh) * | 2019-10-14 | 2020-01-21 | 西北工业大学 | 基于工业ct扫描的异型气膜孔几何结构检测与评定方法 |
CN111540001A (zh) * | 2020-04-09 | 2020-08-14 | 上海交通大学 | 航空发动机涡轮叶片气膜孔轴线方向检测方法 |
Non-Patent Citations (1)
Title |
---|
涡轮叶片密集点云数据与CAD模型配准方法;黄胜利等;《中国机械工程》;20110731;第22卷(第14期);第1699-1702页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114383498A (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114383498B (zh) | 应用于涡轮叶片气膜孔检测的目标点云分割方法 | |
CN108986048B (zh) | 基于线激光扫描三维点云快速复合滤波处理方法 | |
CN113298833A (zh) | 目标物点云特征线面提取方法及系统 | |
CN112699623B (zh) | 基于非结构网格规则化重构技术的高精度热流计算方法 | |
Li et al. | A case study of blade inspection based on optical scanning method | |
CN112964172B (zh) | 基于结构光相机的航空叶片表面量测方法及量测设备 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN111709934B (zh) | 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 | |
CN106780748A (zh) | 一种基于网格关联的四叉树索引点云排序方法 | |
CN107357994B (zh) | 一种分阶段的航空发动机性能衰退模式挖掘方法 | |
CN116091771A (zh) | 一种复杂机匣腔体点云分割方法、装置及设备 | |
CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
CN111400826B (zh) | 一种任意时刻冰形预测方法及系统 | |
CN116468767B (zh) | 基于局部几何特征和隐式距离场的飞机表面重建方法 | |
CN112767552A (zh) | 基于支持向量机的散乱点云三角化方法 | |
Mulleners et al. | Impact of surface roughness on the turbulent wake flow of a turbine blade | |
CN110781963B (zh) | 基于K-means聚类的空中目标分群方法 | |
CN113744389B (zh) | 一种面向复杂零件曲面特征保留的点云精简方法 | |
CN112381029B (zh) | 一种基于欧氏距离的机载LiDAR数据建筑物提取方法 | |
CN114608478A (zh) | 一种高精度曲面薄片的前后缘参数量测方法 | |
CN115797414A (zh) | 一种考虑测头半径的复杂曲面测量点云数据配准方法 | |
CN113177897A (zh) | 一种无序3d点云的快速无损滤波方法 | |
CN111964865B (zh) | 用于飞机冰风洞试验的砂纸冰型粗糙度的计算方法 | |
CN114782344A (zh) | 用于轨道车辆闸片的测量方法及测量系统 | |
JP2005257660A (ja) | 薄板の表面欠陥の分布形態解析装置、薄板の表面欠陥の分布形態解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 |
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 |