CN114820604B - 基于最邻近点距离损失的叶片型线数据拼接方法及设备 - Google Patents

Abstract

本发明公开了一种基于最邻近点距离损失的叶片型线数据拼接方法及设备，所述方法包括通过获取在线激光器坐标系下测得的特定截面的多视场型线数据，将该数据统一到转动平台R_T坐标系下，设定在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标及运动参数

进行拼接可以近似重合，并以转动平台R_T中心坐标作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化，从而得到优化后的值，从而能够将多视场型线数据在转动平台R_T坐标系下进行集中体现，实现对多个视场数据拼接，获得完整的叶片型线。

Description

基于最邻近点距离损失的叶片型线数据拼接方法及设备

技术领域

本发明涉及数据拼接技术领域，特别是涉及一种基于最邻近点距离损失的叶片型线数据拼接方法及设备。

背景技术

在现行的航发叶片型面检测标准中，如图1所示，叶片型面几何精度由几个特定截面高度处型线相关特征参数保证，如图1中的特定截面1至特定截面n，分别对应的高度为L₁至L_n。通过保证线激光器的激光面和叶片自身基准面A重合以建立Z向测量基准，然后结合平移轴X/Y/Z及旋转平台的四轴运动，即可完成若干特定截面高度处型线数据的测量。同时，在四轴运动过程中，检测系统可对运动参数进行保存。

由于单个视场下不能进行叶片型线的完整测量，且检测系统保存的各视场点云数据是关于线激光器坐标系O_L-X_LY_LZ_L，因此对某类叶片进行多视场测量最终获得的原始点云数据如图2所示，在包括视场1、视场2及视场3的三个视场下对叶片型线进行了完整的测量，从而显示出对应的三条曲线。而在现有技术中，还没有出现一种基于航发叶片型线自身数据信息并将多个视场数据进行拼接的方法。

发明内容

针对上述问题，本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法及设备，能够对多个视场数据进行拼接，以获得完整的叶片型线。

本发明的技术方案是：

第一方面，本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法，包括：

获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据V＝{V_i|i＝1,2,…,n}，其中，V_i＝{(x_j,y_j)|j＝1,2,…,m_i}，线激光器在采集多视场型线数据时的位置参数为

线激光器在第i视场采集位置处时的旋转参数为

则其对应的旋转矩阵为

其中，n为视场数量，m_i是关于i的变量，

且

且

将特定截面的型线多视场数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，存在转换关系：

其中，[C_x,C_y]表示转动平台R_T的中心坐标；V'＝{V_i'|i＝1,2,…,n}表示线激光器坐标系下测得的多视场型线数据V＝{V_i|i＝1,2,…,n}相对于转台中心的坐标值；

设定从视场0到视场1的运动参数仅为转动平台R_T旋转小角度ξ，此时在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，即

建立最邻近点距离损失函数如下：

其中m₀表示视场0中的点数；v_0i是视场0中一点，v_1j是视场1中距离v_0i最近的点，则(v_0i,v_1j)构成了一组对应点对；

将转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]。

上述技术方案的工作原理如下：

本发明通过获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据，将该数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，设定在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，并以转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]，从而得到优化后的[C_x,C_y]值，从而能够将多视场型线数据在转动平台R_T坐标系O_T-X_TY_TZ_T进行集中体现，实现对多个视场数据拼接，获得完整的叶片型线。

在进一步的技术方案中，所述迭代优化[C_x,C_y]具体包括：

S1、随机初始化：将中心坐标[C_x,C_y]初始化为待优化的随机数[C'_x,C'_y]，在计算过程中对可学习参数进行求梯度设置；

S2、正向传播：沿着神经网络第一层到最后一层的顺序，依次计算并存储网络的中间变量及输出，具体表示为

其中，V′₀和V′₁分别表示视场0和视场1数据整合到转动平台R_T坐标系O_T-X_TY_TZ_T下的结果；

S3、建立损失函数：取V′₀中的一点v′_0i，按距离最近原则在V′₁中找出与v′_0i距离最近的点v′_1j，则(v′_0i,v′_1j)构成了一组对应点对；当V′₀和V′₁达到理想情况下最佳重合，那么点对之间距离之和应该最小，即

其中，l表示计算V′₀与V′₁距离的函数；

S4、反向求导：沿着从网络最后一层到第一层的顺序，根据链式求导法则依次计算并存储损失函数关于中间变量以及可学习参数的梯度；

计算损失函数L＝l(V′₀,V′₁)关于中间变量V₁"的梯度：

计算中间变量V₁"有关可学习参数[C'_x,C'_y]的梯度：

输出变量V′₀有关可学习参数[C'_x,C'_y]的梯度：

最终得到可学习参数[C'_x,C'_y]的梯度：

S5、优化算法：随机生成可学习参数的一组初始值，接着对参数进行多次优化，在每次优化中，求得给定数目小批量样本的平均损失有关参数的梯度，然后将所获得的梯度与给定学习率相乘作为可学习参数在本次优化的减小量，此时可学习参数将作如下优化：

其中，η称作学习率，m₀及η均通过人为设定。

在进一步的技术方案中，所述学习率η随着迭代次数的增加逐步降低。

学习率η设置太小会降低模型参数优化的速度，增加参数优化时间；学习率η设置太大会导致模型参数在最优解附近来回摆动，因此在模型优化过程中，可使得学习率η随着迭代次数的增加逐步降低，这样既能保证优化速度也能保证模型收敛。

在进一步的技术方案中，在步骤S1中，在PyTorch中通过requires_grad函数对所述可学习参数进行求梯度设置。

第二方面，本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接设备，包括计算机存储介质及处理器，所述计算机存储介质存储有计算机可读指令；所述处理器执行所述计算机可读指令时实现如上所述的叶片型线数据拼接方法。

本发明的有益效果是：

本发明通过获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据，将该数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，设定在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，并以转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]，从而得到优化后的[C_x,C_y]值，从而能够将多视场型线数据在转动平台R_T坐标系O_T-X_TY_TZ_T进行集中体现，实现对多个视场数据拼接，获得完整的叶片型线。

附图说明

图1为现有技术中叶片型面检测标准示意图；

图2为现有技术中叶片特定截面的多视场型线测量原始数据图；

图3为本发明实施例1中小角度下线激光器采集的某叶片特定截面处型线点云数据对比图；

图4为本发明实施例2中叶片1的型面检测示意图；

图5为本发明实施例2中叶片2的型面检测示意图；

图6为本发明实施例2中叶片3的型面检测示意图；

图7为本发明实施例2中叶片1的Q1截面拼接前后对比图；

图8为本发明实施例2中叶片2的Q1截面拼接前后对比图；

图9为本发明实施例2中叶片3的Q1截面拼接前后对比图。

具体实施方式

下面结合附图对本发明的实施例作进一步说明。

实施例1

迭代最近点算法(Iterative Closest Point,ICP)是当前运用较广泛的点云配准算法，其包括以“距离”最近原则搜索对应点和通过奇异值分解(Singular ValueDecomposition，SVD)进行位姿求解。假设来自两不同视场的点云分别为源点云P和目标点云Q，其最终目标是求解源点云数据P到目标点云数据Q的旋转量和平移量。然而ICP并不适用于任意点云配准场景，针对两点云的初始位置相差太大以“距离”最近原则建立损失函数时，容易陷入局部最优解。发明人针对上述问题，拟通过视场规划来进行解决。

第一方面，本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接方法，包括以下步骤。

获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据V＝{V_i|i＝1,2,…,n}，其中，V_i＝{(x_j,y_j)|j＝1,2,…,m_i}，线激光器在采集多视场型线数据时的位置参数为

线激光器在第i视场采集位置处时检测平台中转动平台R_T的旋转角度为

则其对应的旋转矩阵为

其中，n为视场数量，m_i是关于i的变量，

且

且

将特定截面的型线多视场数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，存在转换关系：

其中，[C_x,C_y]表示转动平台R_T的中心坐标。

设定从视场0到视场1的运动参数仅为转动平台R_T旋转小角度ξ，此时在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，如图3所示，图3(a)显示的是某个特定截面处型线的点云数据图，包括视场0、视场2和视场3，而视场1与视场0的曲线基本完全重合，对于视场0和视场1，由于是小角度转动，因此避免了“距离”最近原则搜索对应点的难度，即可认为相邻视场中距离较近的区域即为型线对应部分。图3(c)和图3(b)中分别代表图3(a)中视场0和视场1末端方框的放大图，两者基本完全重合，由图3(b)和图3(c)也可以发现，小角度下型线对应部分在视场0和视场1位置下点云数据特征几乎一致，避免了相邻视场大角度变换密度显著不一致的问题。图3(d)表示手动旋转平移变换后的拼接结果，表明在视场0和视场1位置下型线对应部分点云数据也几乎重合。从而有下述关系：

建立最邻近点距离损失函数如下：

其中m₀表示视场0中的点数；v_0i是视场0中一点，v_1j是视场1中距离v_0i最近的点，则(v_0i,v_1j)构成了一组对应点对。

将转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]。

上述技术方案的工作原理如下：

本发明通过获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据，将该数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，设定在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，并以转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]，从而得到优化后的[C_x,C_y]值，从而能够将多视场型线数据在转动平台R_T坐标系O_T-X_TY_TZ_T进行集中体现，实现对多个视场数据拼接，获得完整的叶片型线。

在另外的实施例中，所述迭代优化[C_x,C_y]具体包括以下步骤：

S1、随机初始化：将中心坐标[C_x,C_y]初始化为待优化的随机数[C'_x,C'_y]，在计算过程中对可学习参数进行求梯度设置。

S2、正向传播：沿着神经网络第一层到最后一层的顺序，依次计算并存储网络的中间变量及输出，具体表示为

其中，V′₀和V′₁分别表示视场0和视场1数据整合到转动平台R_T坐标系O_T-X_TY_TZ_T下的结果。

S3、建立损失函数：取V′₀中的一点v′_0i，按距离最近原则在V′₁中找出与v′_0i距离最近的点v′_1j，则(v′_0i,v′_1j)构成了一组对应点对；当V′₀和V′₁达到理想情况下最佳重合，那么点对之间距离之和应该最小，即

其中，l表示计算V′₀与V′₁距离的函数。

S4、反向求导：沿着从网络最后一层到第一层的顺序，根据链式求导法则依次计算并存储损失函数关于中间变量以及可学习参数的梯度。

计算损失函数L＝l(V′₀,V′₁)关于中间变量V₁"的梯度：

计算中间变量V₁"有关可学习参数[C′_x,C'_y]的梯度：

输出变量V′₀有关可学习参数[C'_x,C'_y]的梯度：

最终得到可学习参数[C'_x,C'_y]的梯度：

S5、优化算法：随机生成可学习参数的一组初始值，接着对参数进行多次优化，在每次优化中，求得给定数目小批量样本的平均损失有关参数的梯度，然后将所获得的梯度与给定学习率相乘作为可学习参数在本次优化的减小量，此时可学习参数将作如下优化：

其中，η称作学习率，m₀及η均通过人为设定。

在另外的实施例中，所述学习率η随着迭代次数的增加逐步降低。学习率η设置太小会降低模型参数优化的速度，增加参数优化时间；学习率η设置太大会导致模型参数在最优解附近来回摆动，因此在模型优化过程中，可使得学习率η随着迭代次数的增加逐步降低，这样既能保证优化速度也能保证模型收敛。

在另外的实施例中，在步骤S1中，在PyTorch中通过requires_grad函数对所述可学习参数进行求梯度设置。

实施例2

如图4、图5、图6所示，在三种不同种类的叶片上进行测量实验，在当前的测量标准中，叶片的型面几何精度是由几个特定的截面型线所保证，它们已经在图中用线条标出，均为Q1、Q2和Q3三个截面,下面以截面Q1为例对叶片1、叶片2和叶片3进行数据拼接。

基于所开发的四轴检测平台，在完成对线激光器和叶片位姿校准及Z向测量基准的建立后，根据特定截面所在高度值，调节检测平台的运动系统中平移轴Z，使线激光器沿着惯性坐标系的ZW轴方向移动相应距离到达特定截面处。结合四轴检测平台中运动系统平移轴X/Y的平移运动及转动平台R_T旋转运动，完成叶片该特定截面的型线测量。叶片1、叶片2和叶片3分别需要4、4和5个测量视场，叶片1和叶片2均具有视场0、视场1、视场2和视场3共四个视场，叶片3具有视场0、视场1、视场2、视场3和视场4共5个视场，如图7、图8、图9三者的第一行所示为叶片特定截面Q1在线激光器坐标系O_L-X_LY_LZ_L下的测量数据。由如图7、图8、图9三者的第二行可以发现，基于距离最近点建立损失函数优化得到的转动平台R_T中心坐标的求解过程最终使得视场0和视场1型线数据已经达到完全贴合，即全局最优。与此同时，基于所提出的可学习参数的转台中心求解方法对测量数据进行拼接结果如图7、图8、图9三者的第三行所示。可以看出，基于视场0和视场1以传统迭代最邻近点算法建立损失函数具有合理性，该方法引入可学习参数可以准确地优化得到转动平台R_T中心坐标。

实施例3

第二方面，本发明提供了一种基于最邻近点距离损失的叶片型线数据拼接设备，包括计算机存储介质及处理器，所述计算机存储介质存储有计算机可读指令；所述处理器执行所述计算机可读指令时实现如上所述的叶片型线数据拼接方法。

以上所述实施例仅表达了本发明的具体实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (4)

1.一种基于最邻近点距离损失的叶片型线数据拼接方法，其特征在于，包括：

获取在线激光器坐标系O_L-X_LY_LZ_L下测得的特定截面的多视场型线数据V＝{V_i|i＝1,2,...,n}，其中，V_i＝{(x_j,y_j)|j＝1,2,…,m_i}，线激光器在采集多视场型线数据时的位置参数为

线激光器在第i视场采集位置处时的旋转参数为

对应的旋转矩阵为

其中，n为视场数量，m_i是关于i的变量，

且

且

将特定截面的型线多视场数据统一到转动平台R_T坐标系O_T-X_TY_TZ_T下，存在转换关系：

其中，[C_x,C_y]表示转动平台R_T的中心坐标；V'＝{V_i'|i＝1,2,...,n}表示线激光器坐标系下测得的多视场型线数据V＝{V_i|i＝1,2,...,n}相对于转台中心的坐标值；

设定从视场0到视场1的运动参数仅为转动平台R_T旋转小角度ξ，此时在视场0和视场1位置下采集的特定截面型线数据通过转动平台R_T中心坐标[C_x,C_y]及运动参数ξ进行拼接可以近似重合，即

建立最邻近点距离损失函数如下：

其中m₀表示视场0中的点数；v_0i是视场0中一点，v_1j是视场1中距离v_0i最近的点，则(v_0i,v_1j)构成了一组对应点对；

将转动平台R_T中心坐标[C_x,C_y]作为可学习参数，以最邻近点距离损失函数损失最小原则迭代优化[C_x,C_y]；

所述迭代优化[C_x,C_y]具体包括以下步骤：

S1、随机初始化：将中心坐标[C_x,C_y]初始化为待优化的随机数[C'_x,C'_y]，在计算过程中对可学习参数进行求梯度设置；

S2、正向传播：沿着神经网络第一层到最后一层的顺序，依次计算并存储网络的中间变量及输出，具体表示为

其中，V₀′和V₁′分别表示视场0和视场1数据整合到转动平台R_T坐标系O_T-X_TY_TZ_T下的结果；

S3、建立损失函数：取V′₀中的一点v′_0i，按距离最近原则在V′₁中找出与v′_0i距离最近的点v′_1j，则(v′_0i,v′_ij)构成了一组对应点对；当V₀′和V₁′达到理想情况下最佳重合，那么点对之间距离之和应该最小，即

其中，l表示计算V₀'与V₁'距离的函数；

S4、反向求导：沿着从网络最后一层到第一层的顺序，根据链式求导法则依次计算并存储损失函数关于中间变量以及可学习参数的梯度；

计算损失函数L＝l(V₀',V₁')关于中间变量V₁"的梯度：

计算中间变量V₁"有关可学习参数[C'_x,C'_y]的梯度：

输出变量V₀'有关可学习参数[C'_x,C'_y]的梯度：

最终得到可学习参数[C'_x,C'_y]的梯度：

S5、优化算法：随机生成可学习参数的一组初始值，接着对参数进行多次优化，在每次优化中，求得给定数目小批量样本的平均损失有关参数的梯度，然后将所获得的梯度与给定学习率相乘作为可学习参数在本次优化的减小量，此时可学习参数将作如下优化：

其中，η称作学习率，m₀及η均通过人为设定。

2.根据权利要求1所述的基于最邻近点距离损失的叶片型线数据拼接方法，其特征在于，所述学习率η随着迭代次数的增加逐步降低。

3.根据权利要求1所述的基于最邻近点距离损失的叶片型线数据拼接方法，其特征在于，在步骤S1中，在PyTorch中通过requires_grad函数对所述可学习参数进行求梯度设置。

4.一种基于最邻近点距离损失的叶片型线数据拼接设备，其特征在于，包括计算机存储介质及处理器，所述计算机存储介质存储有计算机可读指令；所述处理器执行所述计算机可读指令时实现权利要求1-3任一项所述的叶片型线数据拼接方法。

Images