CN114882083B - 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 - Google Patents
复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 Download PDFInfo
- Publication number
- CN114882083B CN114882083B CN202210441480.XA CN202210441480A CN114882083B CN 114882083 B CN114882083 B CN 114882083B CN 202210441480 A CN202210441480 A CN 202210441480A CN 114882083 B CN114882083 B CN 114882083B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- noise
- model
- points
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000007781 pre-processing Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 103
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 230000009469 supplementation Effects 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000003379 elimination reaction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 230000008030 elimination Effects 0.000 claims abstract description 5
- 230000001502 supplementing effect Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 10
- 238000002203 pretreatment Methods 0.000 claims description 10
- 230000000295 complement effect Effects 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 5
- 229910045601 alloy Inorganic materials 0.000 description 30
- 239000000956 alloy Substances 0.000 description 30
- 229910000601 superalloy Inorganic materials 0.000 description 17
- 230000000153 supplemental effect Effects 0.000 description 17
- 238000007789 sealing Methods 0.000 description 15
- 239000013589 supplement Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000001427 coherent effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000000465 moulding Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000275 quality assurance Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
为克服现有点云预处理方法在对复杂异形截面薄壁环形件的点云数据进行处理时难以保证精度的技术问题，本发明提出一种复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置。本发明联合面向检测平台与测量对象的噪点比例系数计算方法、基于非刚性配准的补充基准模型、基于具有密度差的CAD模型与配准的去噪策略、Alpha Shape轮廓提取算法及滤波技术，实现复杂异形截面薄壁环型件型面轮廓点云噪声的有效剔除与缺失点的有效补充。
Description
技术领域
本发明属于数字化测量领域，涉及一种复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置，特别适合用于航空、航天、核电等机械制造业数字化测量领域。
背景技术
复杂异形截面薄壁环型件是一类广泛应用于航空、航天、核电等领域的重要构件。随着数字化测量技术的不断发展与进步，对复杂异形截面薄壁环型件成型过程进行质量监测成为现实。点云作为一种空间离散点的集合，可有效表征复杂异形截面薄壁环型件的型面轮廓信息。
就目前而言，在使用三坐标测量机、激光轮廓传感器、三维扫描仪等测量设备获取复杂异形截面薄壁环型件的型面轮廓点云数据时，由于内部或外部因素而导致复杂异形截面薄壁环型件型面轮廓测量点云的质量不佳，具体表现为噪声、缺失严重，而现有的点云数据预处理方法并不能有效解决上述问题，这对后续的加工偏差比对分析与特征提取产生严重干扰。基于计算机辅助设计(Computer Aided Design，CAD)模型与配准的点云预处理策略是进行噪点去除与缺失点补全的有效手段，但复杂异形截面薄壁环型件的一大显著特点是易形变，此时依据原有的CAD模型进行去噪与补全，会导致剔除或添加大量伪点，近而失去精度保障。因此，在保证测量精度的前提下，如何解决上述问题，是数字化测量亟待解决的关键问题。
发明内容
为克服现有点云预处理方法在对复杂异形截面薄壁环形件的点云数据进行处理时难以保证精度的技术问题，本发明提出一种复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置，能解决复杂异形截面薄壁环型件型面轮廓测量点云噪声、缺失严重等问题，为其成型过程的质量保证与数字化测量发展提供支撑。
本发明的技术方案是：
一种复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特殊之处在于，包括以下步骤：
步骤1：对复杂异形截面薄壁环型件的型面轮廓的测量点云模型与CAD模型点云进行刚性配准，得到配准后的CAD模型点云；
步骤2：获取噪点比例系数、补充基准和去噪基准
2.1基于检测硬件平台多次重复检测得到若干组点云，求得每组点云的噪点比例，以其均值作为最优的噪点比例系数；
2.2基于所述噪点比例系数优化基于概率密度估计的非刚性配准算法，然后通过优化后的所述非刚性配准算法，将步骤1配准后的CAD模型点云非刚性变换至所述测量点云模型，得到补充基准；
2.3结合所述补充基准与上采样策略，构建具有密度差的去噪基准；
步骤3：基于所述噪点比例系数、去噪基准、补充基准，对所述测量点云模型依次进行噪点去除、缺失点补充、轮廓点提取、缺失点补全和滤波平滑，完成点云预处理。
进一步地，步骤1中所述的刚性配准具体为:
1.1通过刚性粗配准算法将所述CAD模型点云映射至测量点云模型，使两者位于公共坐标系，为后续精配准提供初始位置关系，得到刚性粗配准后的CAD模型点云；
1.2通过刚性精配准算法将步骤1.1刚性粗配准后的CAD模型点云进一步映射至所述测量点云模型，使两者实现最优化对齐，得到层次优化配准后的CAD模型点云。
进一步地，所述步骤2.2中对基于概率密度估计的非刚性配准算法进行优化的方法为：引入噪点比例系数c，为基于概率密度估计的非刚性配准算法中权系数的选择提供噪声、异常值的先验水平参考，实现对其的优化。
进一步地，所述步骤2.3具体为：
2.3.1)对所述补充基准进行采样因子为b的上采样，使测量点云内点个数N与去噪基准内点个数M(1)满足如下关系，形成点密度差
M(1)≥(N-Nc)×b
式中：N为测量点云模型中点的个数，c为噪点比例系数；
2.3.2)依据曲率变化对所述补充基准进行区域划分，对划分的区域进行样条拟合，得到拟合曲线；
2.3.3)基于等弧长原则与得到的拟合曲线生成具有M(1)个点的点集，该点集即去噪基准。
进一步地，所述步骤3中噪点去除的方法具体为：
依据测量点云模型与去噪基准的空间坐标信息，在去噪基准中搜索测量点云模型中各点的最近点，并计算与之对应的距离值，将距离值降序排列并存储，根据噪点比例系数c剔除距离值数据集中前c×100％的距离值对应于测量点云模型内的点，获得噪点剔除后的测量点云模型。
进一步地，所述步骤3中缺失点补充的方法具体为：
首先，依据噪点剔除后的测量点云模型与补充基准的空间坐标信息，在噪点剔除后的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点,从而得到补充点集；
然后，计算所述补充点集、与噪点剔除后的测量点云模型的并集，得到缺失点补充后的测量点云模型。
进一步地，所述步骤3中轮廓点提取的方法具体为：通过基于Alpha Shape轮廓提取算法在缺失点补充后的测量点云模型中提取轮廓点。
进一步地，所述步骤3中缺失点补全的方法具体为：
首先，依据Alpha Shape算法提取的测量点云模型与补充基准的空间坐标信息，在Alpha Shape算法提取的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点，从而得到补充点集；
然后，计算获得的补充点集与Alpha Shape算法提取的测量点云模型的并集，得到缺失点补全的测量点云模型。
进一步地，所述距离阈值基于CAD模型点云中邻点间距计算确定。
本发明还提供了一种复杂异形截面薄壁环型件型面轮廓点云预处理装置，其特殊之处在于：包括
层次优化配准模块，用于对复杂异形截面薄壁环型件的型面轮廓的测量点云模型与CAD模型点云进行刚性配准，得到配准后的CAD模型点云并发送给过度模块；
过度模块，用于获取噪点比例系数、补充基准和去噪基准并发送给点云预处理模块；
所述噪点比例系数的获取方法为：基于检测硬件平台多次重复检测得到若干组点云，求得每组点云的噪点比例，以其均值作为最优的噪点比例系数；
所述补充基准的获取方法为：基于所述噪点比例系数对基于概率密度估计的非刚性配准算法进行优化，利用优化后的非刚性配准算法对所述配准后的CAD模型点云进行非刚性配准，得到补充基准；
所述去噪基准的获取方法为：结合所述补充基准与上采样策略，构建具有密度差的去噪基准；
点云预处理模块，用于基于所述噪点比例系数、去噪基准、补充基准，对所述测量点云模型依次进行噪点去除、缺失点补充、轮廓点提取、缺失点补全和滤波平滑，完成点云预处理。
本发明的有益效果如下：
1.当采用光学测量方法检测复杂异形截面薄壁环型件时，由于内部或外部因素而导致测量点云噪声严重。内部因素具体表现为：复杂异形截面薄壁环型件截面形状复杂、截面尺寸较小、整体呈环形封闭结构且金属表面光滑。外部因素具体表现为：成型现场的环境影响。目前去噪算法的研究多集中于三维点云，将其直接应用于二维点云时，去噪性能严重下降，二维点云去噪主要以传统算法为主，但传统的二维点云去噪算法并不能有效剔除复杂异形截面薄壁环型件型面轮廓点云包含的噪声。因此，本发明针对去噪，联合面向检测平台与测量对象的噪点比例系数计算方法、基于具有密度差的CAD模型与配准的去噪策略、Alpha Shape轮廓提取算法及滤波技术，实现复杂异形截面薄壁环型件型面轮廓点云噪声的有效剔除。面向检测平台与测量对象的噪点比例系数计算方法旨在分析检测系统的噪点生成比例，而不是依赖于传统的数学统计思想；基于CAD模型与配准的去噪策略可有效去除点云噪声，并高度保留轮廓的特征信息，通常，去噪基准与测量模型采用等密度(CAD模型与测量模型点数一般相同)导致无法识别振动微小的噪点，而本发明构建了具有密度差的去噪基准，当去噪基准点数与测量模型点数满足本发明所建立的约束条件时，可有效剔除测量模型中的细小噪声；基于Alpha Shape算法的轮廓点提取算法在调节补充点与测点的不匹配关系时，滤除测量点云模型中不符合轮廓变化趋势的点，进而起到去噪作用；滤波技术则对轮廓点云进一步修正，完成最终平滑。
2.目前主流的点云数据获取设备包括：三坐标测量机、激光轮廓传感器、三维扫描仪等，当使用上述测量设备获取复杂异形截面薄壁环型件的型面轮廓点云数据时，由于复杂异形截面薄壁环型件自身截面形状复杂、截面尺寸较小且整体呈环形封闭结构而导致探针、光路等无法到达构件的部分位置，这时获得的点云数据是不完整的，即产生缺失点，这不利于后续的加工偏差比对分析与特征提取。而现有技术多是针对三维点云的缺失孔洞修补(可理解为一次补充)，这些方法在面向二维点云时是效果不佳的。我们在对二维点云进行去噪与第一次补充后发现，第一次补充后的点云轮廓虽然光滑，但还存在细微的噪点，且补充点中的极小部分点与实际轮廓点有轻微的不匹配问题，也就是补充的点并不能表示轮廓点，更像是噪点，因此，本发明基于补充基准与配准策略对缺失数据进行两次补充，有效解决了上述问题，第一次补充旨在补充复杂异形截面薄壁环型件自身结构特点而导致的测点丢失，第二次补充旨在补充Alpha Shape轮廓提取算法滤除的少量噪点，以完成缺失点补全。
3.复杂异形截面薄壁环型件的一大典型特点是易形变，尤其是在其成型过程中，这一特点更为明显。现有的基于CAD模型与配准的去噪、补全方法多使用刚性配准，即通过平移、旋转实现CAD模型与测量模型的最优化对齐，并将空间变换后的CAD模型作为去噪、补充基准，但这在易形变零件的数字化测量中是不可行的，会剔除或补充大量伪点，这严重影响了测量点云的真实性。因此，本发明针对易形变零件，将测点作为非刚性配准算法的约束条件，基于非刚性配准算法中的非刚性建模建立了工件成型周期中实时的去噪、补充基准，有效的解决了上述问题。
4.本发明采用先去噪、再补充缺失点的方法，这样做是从两方面考虑的：首先，噪点会干扰补充的效果，有些噪点是要去除的，但是它的存在，使本该需要补充的点得不到补充。其次，由于缺失，轮廓点云是不连续的，独立的点云可能会被当作异常值，从而被去噪算法处理，因此本发明基于CAD模型与配准进行去噪，消除了这一问题，在排除噪声干扰的前提下，进行缺失点的补充。
5.本发明在对测量点云模型与CAD模型点云进行非刚性配准前，先采用刚性配准将两者放在公共坐标系中，获得良好的初始位置对应关系(实现最优化对齐)，保证了配准效果，能够有效得到补充基准与去噪基准。
附图说明
图1为本发明的方法流程图。
图2为W型高温合金封严环的型面轮廓测量点云模型示意图。
图3为W型高温合金封严环的型面轮廓CAD模型点云示意图。
图4为W型高温合金封严环的型面轮廓补充基准示意图。
图5为W型高温合金封严环的型面轮廓去噪基准示意图。
图6为噪点剔除后的W型高温合金封严环测量点云模型示意图。
图7为缺失点补充的W型高温合金封严环测量点云模型示意图。
图8为Alpha Shape算法提取的W型高温合金封严环测量点云模型示意图。
图9为缺失点补全的W型高温合金封严环测量点云模型示意图。
图10为预处理的W型高温合金封严环测量点云模型示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
如图1，本发明所提供的复杂异形截面薄壁环型件型面轮廓点云预处理方法，包括如下步骤：
步骤1：向层次优化配准模块中输入复杂异形截面薄壁环型件的型面轮廓测量点云模型与相应的CAD模型点云其中，N、M为点云中点的个数；RD×1是实数域上的D维向量空间；xn是点云XN×D中的第n个点；n分别取1,2，…,N；ym是点云YM×D中的第m个点；m分别取1,2,…,M。
步骤2：层次优化配准模块接收测量点云模型与相应的CAD模型点云后，对测量点云模型与相应的CAD模型点云进行配准，得到层次优化配准后的CAD模型点云并将层次优化配准后的CAD模型点云发送至过度模块，同时，传递测量点云模型至过度模块和点云预处理模块。
步骤2.1：基于刚性粗配准算法建立初始映射；
依据测量点云模型与相应的CAD模型点云的空间坐标信息，通过刚性粗配准算法将CAD模型点云映射至测量点云模型使两者位于公共坐标系，进而为精配准提供初始位置关系，并得到刚性粗配准后的CAD模型点云
步骤2.2：基于刚性精配准算法细化初始映射。
依据测量点云模型与步骤2.1刚性粗配准后的CAD模型点云的空间坐标信息，通过刚性精配准算法将刚性粗配准后的CAD模型点云进一步映射至测量点云模型使两者实现最优化对齐，得到层次优化配准后的CAD模型点云
步骤3：过度模块接收到测量点云模型和层次优化配准后的CAD模型点云后，生成并发送噪点比例系数c、补充基准和去噪基准至点云预处理模块。
步骤3.1：基于面向检测平台与测量对象的噪点比例系数c,优化基于概率密度估计的非刚性配准算法；
噪点比例系数c是在基于检测硬件平台的前提下，通过重复检测测量对象，获得若干组点云，求得每组点云的噪点比例，以均值作为最优的噪点比例系数，其计算公式为：
式中，K为测量的点云组数，ck为第k组点云的噪点比例。面向检测平台与测量对象的噪点比例系数c，其目标之一是用于分析检测系统的噪点生成比例，而不是依赖于传统的数学统计思想。基于概率密度估计的非刚性配准算法为相干点漂移(Coherent PointDrift，CPD)算法，在CPD算法中，点集Y视为高斯混合模型质心，点集X视为由高斯混合模型产生的模型，高斯概率密度函数为：
式中，σ2为各向同性协方差， ω为权系数，ω满足0≤ω≤1，ω反映了噪声、异常值的先验水平。通常在使用CPD算法前，要对权系数ω进行估计。因此，通过引入噪点比例系数c，为CPD算法中权系数ω赋值(即用噪点比例系数c代替权系数ω)，提供噪声、异常值的先验水平参考，以优化基于概率密度估计的非刚性配准算法。
步骤3.2：基于优化的非刚性配准算法建立补充基准；
依据测量点云模型与层次优化配准后的CAD模型点云的空间坐标信息，通过步骤3.1优化的CPD非刚性配准算法，将层次优化配准后的CAD模型点云非刚性变换至测量点云模型得到非刚性变换后的CAD模型点云即补充基准。
步骤3.3：联合补充基准与上采样策略，构建具有密度差的去噪基准
3.3.1)确定去噪基准中点个数M(1)：对补充基准进行采样因子为b的上采样，构建测量点云模型与去噪基准之间的密度差，去噪基准中的点个数M(1)应满足如下关系：
M(1)≥(N-Nc)×b (3)
3.3.2)确定M(1)后，依据曲率变化对补充基准进行区域划分，对划分的区域进行样条拟合，得到拟合曲线；
3.3.3)基于等弧长原则与得到的拟合曲线生成具有M(1)个点的点集，即去噪基准通过构建测量点云与去噪基准之间的密度差，以分辨出测量点云模型中的微小噪声。
步骤4：点云预处理模块接收到测量点云模型噪点比例系数c、补充基准和去噪基准后，对测量点云模型依次进行噪点去除、缺失点补充、轮廓点提取、缺失点补全、滤波平滑后，输出预处理的测量点云模型
步骤4.1：基于去噪基准与噪点比例系数的轮廓点云去噪；
依据测量点云模型与去噪基准的空间坐标信息，通过KD树在去噪基准中搜索测量点云模型中各点的最近点，并计算与之对应的距离值，将距离值降序排列并存储，根据噪点比例系数c剔除距离值数据集中前c×100％的距离值对应于测量点云模型内的点，获得噪点剔除后的测量点云模型N(1)为噪点剔除后的测量点云模型中点的个数。
步骤4.2：基于补充基准与距离阈值的缺失点补充；
4.2.1)依据噪点剔除后的测量点云模型与补充基准的空间坐标信息，在噪点剔除后的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点,从而得到补充点集距离阈值基于CAD模型点云中邻点间距计算。
4.2.2)计算获得的补充点集与噪点剔除后的测量点云模型的并集，得到缺失点补充后的测量点云模型N(2)为缺失点补充后的测量点云模型中点的个数。
步骤4.3：基于Alpha Shape算法的轮廓点提取；
缺失点补充后的测量点云模型是噪点剔除后的测量点云模型与补充点集的并集，因此，通过基于AlphaShape轮廓提取算法在缺失点补充后的测量点云模型中提取轮廓点，以解决补充点集与真实测点不匹配的问题。依据Alpha Shape轮廓提取算法在缺失点补充后的测量点云模型中提取轮廓点，得到Alpha Shape算法提取的测量点云模型N(3)为Alpha Shape算法提取的测量点云模型中点的个数。
步骤4.4：基于补充基准与距离阈值的缺失点补全；
4.4.1)在基于Alpha Shape算法提取轮廓点的过程中，会滤除缺失点补充后的测量模型中不符合轮廓变化趋势的点，这时产生了少量缺失点，因此，依据Alpha Shape算法提取的测量点云模型与补充基准的空间坐标信息，在Alpha Shape算法提取的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点，从而得到补充点集距离阈值基于CAD模型点云中邻点间距计算。
4.4.2)计算获得的补充点集与Alpha Shape算法提取的测量点云模型的并集，得到缺失点补全的测量点云模型N(4)为缺失点补全的测量点云模型中点的个数。
步骤4.5：基于滤波的轮廓点云平滑。
通过滤波技术对缺失点补全的测量点云模型进一步修正，完成最终的平滑，得到预处理的测量点云模型并输出。
为了使本领域技术人员更好地理解本发明，下面结合具体实施例对本发明进行详细说明。
实施例：
以W型高温合金型封严环某一成型道次型面轮廓点云为例，本发明对其进行预处理的过程如下：
步骤1：向层次优化配准模块中输入W型高温合金型封严环的型面轮廓测量点云模型与相应的CAD模型点云参见附图2、3，其中，N、M为点云中点的个数，RD×1是实数域上的D维向量空间。W型高温合金型封严环的型面轮廓测量点云模型由两台对位安装的激光轮廓传感器scanCONTROL LTT2900-25获取。
步骤2：层次优化配准模块接收W型高温合金型封严环的型面轮廓测量点云模型与相应的CAD模型点云后，生成并发送层次优化配准后的CAD模型点云至过度模块，同时，传递W型高温合金型封严环的型面轮廓测量点云模型至过度模块和点云预处理模块。
步骤2.1：基于刚性粗配准算法建立初始映射；
依据W型高温合金型封严环的型面轮廓测量点云模型与相应的CAD模型点云的空间坐标信息，通过刚性粗配准算法将CAD模型点云映射至W型高温合金型封严环的型面轮廓测量点云模型使两者位于公共坐标系，进而为精配准提供初始位置关系，并得到刚性粗配准后的CAD模型点云
步骤2.2：基于刚性精配准算法细化初始映射。
依据W型高温合金型封严环的型面轮廓测量点云模型与刚性粗配准后的CAD模型点云的空间坐标信息，通过刚性精配准算法将刚性粗配准后的CAD模型点云进一步映射至W型高温合金型封严环的型面轮廓测量点云模型使两者实现最优化对齐，得到层次优化配准后的CAD模型点云
步骤3：过度模块接收到W型高温合金型封严环的型面轮廓测量点云模型和层次优化配准后的CAD模型点云后，生成并发送噪点比例系数c、补充基准和去噪基准至点云预处理模块。
步骤3.1：基于面向检测平台与测量对象的噪点比例系数c，优化基于概率密度估计的非刚性配准算法；
噪点比例系数c是在基于检测硬件平台的前提下，通过重复检测W型高温合金型封严环的型面轮廓，获得若干组点云，求得每组点云的噪点比例，以均值作为最优的噪点比例系数，其计算公式为：
式中，K为测量的点云组数，ck为第k组点云的噪点比例。面向检测平台与测量对象的噪点比例系数c的计算方法，其目标之一是分析检测系统的噪点生成比例，而不是依赖于传统的数学统计思想。基于概率密度估计的非刚性配准算法为相干点漂移(CoherentPoint Drift，CPD)算法，在CPD算法中，点集Y视为高斯混合模型质心，点集X视为由高斯混合模型产生的模型，高斯概率密度函数为：
式中，σ2为各向同性协方差， ω为权系数，ω满足0≤ω≤1，ω反映了噪声、异常值的先验水平。通常在使用CPD算法前，要对权系数ω进行估计。因此，通过引入噪点比例系数c，为CPD算法中权系数ω赋值，提供噪声、异常值的先验水平参考，以优化基于概率密度估计的非刚性配准算法。
步骤3.2：基于优化的非刚性配准算法建立补充基准；
依据W型高温合金型封严环的型面轮廓测量点云模型与层次优化配准后的CAD模型点云的空间坐标信息，通过优化的CPD非刚性配准算法，将层次优化配准后的CAD模型点云非刚性变换至W型高温合金型封严环的型面轮廓测量点云模型得到非刚性变换后的CAD模型点云即补充基准，参见附图4。
步骤3.3：联合补充基准与上采样策略,构建具有密度差的去噪基准
3.3.1)确定去噪基准中点个数M(1)：依据上采样因子b构建W型高温合金型封严环的型面轮廓测量点云与去噪基准之间的密度差，去噪基准中的点个数M(1)应满足如下关系：
M(1)≥(N-Nc)×b (3)
3.3.2)确定M(1)后，依据曲率变化对进行区域划分，对划分的区域进行样条拟合，以得到拟合曲线；
3.3.3)基于等弧长原则与得到的拟合曲线生成具有M(1)个点的点集，即去噪基准参见附图5，通过构建W型高温合金型封严环型面轮廓测量点云与去噪基准之间的密度差，以分辨出W型高温合金型封严环型面轮廓测量点云中的微小噪声。
步骤4：点云预处理模块接收到W型高温合金型封严环的型面轮廓测量点云模型噪点比例系数c、补充基准和去噪基准后，输出预处理的W型高温合金型封严环型面轮廓测量点云模型
步骤4.1：基于去噪基准与噪点比例系数的轮廓点云去噪；
依据W型高温合金型封严环型面轮廓测量点云模型与去噪基准的空间坐标信息，通过KD树在去噪基准中搜索W型高温合金型封严环型面轮廓测量点云模型中各点的最近点，并计算与之对应的距离值，将距离值降序排列并存储，根据噪点比例系数c剔除距离值数据集中前c×100％的距离值对应于W型高温合金型封严环型面轮廓测量点云模型内的点，获得噪点剔除后的W型高温合金型封严环型面轮廓测量点云模型参见附图6。
步骤4.2：基于补充基准与距离阈值的缺失点补充；
4.2.1)依据噪点剔除后的W型高温合金型封严环型面轮廓测量点云模型与补充基准的空间坐标信息，在噪点剔除后的W型高温合金型封严环型面轮廓测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点,从而得到补充点集距离阈值基于CAD模型点云中邻点间距计算。
4.2.2)计算获得的补充点集与噪点剔除后的W型高温合金型封严环型面轮廓测量点云模型的并集，获得缺失点补充的W型高温合金型封严环型面轮廓测量点云模型参见附图7。
步骤4.3：基于Alpha Shape算法的轮廓点提取；
缺失点补充后的W型高温合金型封严环的型面轮廓测量点云模型是噪点剔除后的W型高温合金型封严环的型面轮廓测量点云模型与补充点集的并集，因此，通过基于AlphaShape轮廓提取算法在缺失点补充后的W型高温合金型封严环的型面轮廓测量点云模型中提取轮廓点，以解决补充点集与真实测点不匹配的问题。依据Alpha Shape轮廓提取算法在缺失点补充后的W型高温合金型封严环的型面轮廓测量点云模型中提取轮廓点，得到Alpha Shape算法提取的W型高温合金型封严环的型面轮廓测量点云模型参见附图8。
步骤4.4：基于补充基准与距离阈值的缺失点补全；
4.4.1)在基于Alpha Shape算法提取轮廓点的过程中，会滤除缺失点补充的W型高温合金型封严环的型面轮廓测量点云模型中不符合轮廓变化趋势的点，这时产生了少量缺失点，因此，依据Alpha Shape算法提取的W型高温合金型封严环的型面轮廓测量点云模型与补充基准的空间坐标信息，在Alpha Shape算法提取的W型高温合金型封严环的型面轮廓测量点云模型)内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点，从而得到补充点集距离阈值基于CAD模型点云中邻点间距计算。
4.4.2)计算获得的补充点集与Alpha Shape算法提取的W型高温合金型封严环型面轮廓测量点云模型的并集，获得缺失点补全的W型高温合金型封严环型面轮廓测量点云模型参见附图9。
步骤4.5：基于滤波的轮廓点云平滑。
通过高斯滤波对缺失点补全的W型高温合金型封严环的型面轮廓测量点云模型进一步修正，完成最终的平滑，得到预处理的W型高温合金型封严环型面轮廓测量点云模型并输出，参见附图10。
Claims (10)
1.复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于，包括以下步骤：
步骤1：对复杂异形截面薄壁环型件的型面轮廓的测量点云模型与CAD模型点云进行刚性配准，得到配准后的CAD模型点云；
步骤2：获取噪点比例系数、补充基准和去噪基准
2.1基于检测硬件平台多次重复检测得到若干组点云，求得每组点云的噪点比例，以其均值作为最优的噪点比例系数；
2.2基于所述噪点比例系数优化基于概率密度估计的非刚性配准算法，然后通过优化后的所述非刚性配准算法，将步骤1配准后的CAD模型点云非刚性变换至所述测量点云模型，得到补充基准；
2.3结合所述补充基准与上采样策略，构建具有密度差的去噪基准；
步骤3：基于所述噪点比例系数、去噪基准、补充基准，对所述测量点云模型依次进行噪点去除、缺失点补充、轮廓点提取、缺失点补全和滤波平滑，完成点云预处理。
2.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：步骤1中所述的刚性配准具体为:
1.1通过刚性粗配准算法将所述CAD模型点云映射至测量点云模型，使两者位于公共坐标系，为后续精配准提供初始位置关系，得到刚性粗配准后的CAD模型点云；
1.2通过刚性精配准算法将步骤1.1刚性粗配准后的CAD模型点云进一步映射至所述测量点云模型，使两者实现最优化对齐，得到层次优化配准后的CAD模型点云。
3.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤2.2中对基于概率密度估计的非刚性配准算法进行优化的方法为：引入噪点比例系数c，为基于概率密度估计的非刚性配准算法中权系数的选择提供噪声、异常值的先验水平参考，实现对其的优化。
4.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤2.3具体为：
2.3.1)对所述补充基准进行采样因子为b的上采样，使测量点云内点个数N与去噪基准内点个数M(1)满足如下关系，形成点密度差
M(1)≥(N-Nc)×b
式中：N为测量点云模型中点的个数，c为噪点比例系数；
2.3.2)依据曲率变化对所述补充基准进行区域划分，对划分的区域进行样条拟合，得到拟合曲线；
2.3.3)基于等弧长原则与得到的拟合曲线生成具有M(1)个点的点集，该点集即去噪基准。
5.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤3中噪点去除的方法具体为：
依据测量点云模型与去噪基准的空间坐标信息，在去噪基准中搜索测量点云模型中各点的最近点，并计算与之对应的距离值，将距离值降序排列并存储，根据噪点比例系数c剔除距离值数据集中前c×100％的距离值对应于测量点云模型内的点，获得噪点剔除后的测量点云模型。
6.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤3中缺失点补充的方法具体为：
首先，依据噪点剔除后的测量点云模型与补充基准的空间坐标信息，在噪点剔除后的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点,从而得到补充点集；
然后，计算所述补充点集、与噪点剔除后的测量点云模型的并集，得到缺失点补充后的测量点云模型。
7.根据权利要求1所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤3中轮廓点提取的方法具体为：通过基于Alpha Shape轮廓提取算法在缺失点补充后的测量点云模型中提取轮廓点。
8.根据权利要求7所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述步骤3中缺失点补全的方法具体为：
首先，依据Alpha Shape算法提取的测量点云模型与补充基准的空间坐标信息，在Alpha Shape算法提取的测量点云模型内搜索补充基准中各点的最近点，并计算与之对应的距离值，当对应点之间的距离大于距离阈值时，将对应点中属于补充基准的点标记为补充点，从而得到补充点集；
然后，计算获得的补充点集与Alpha Shape算法提取的测量点云模型的并集，得到缺失点补全的测量点云模型。
9.根据权利要求6或8所述的复杂异形截面薄壁环型件型面轮廓点云预处理方法，其特征在于：所述距离阈值基于CAD模型点云中邻点间距计算确定。
10.复杂异形截面薄壁环型件型面轮廓点云预处理装置，其特征在于：包括
层次优化配准模块，用于对复杂异形截面薄壁环型件的型面轮廓的测量点云模型与CAD模型点云进行刚性配准，得到配准后的CAD模型点云并发送给过度模块；
过度模块，用于获取噪点比例系数、补充基准和去噪基准并发送给点云预处理模块；
所述噪点比例系数的获取方法为：基于检测硬件平台多次重复检测得到若干组点云，求得每组点云的噪点比例，以其均值作为最优的噪点比例系数；
所述补充基准的获取方法为：基于所述噪点比例系数对基于概率密度估计的非刚性配准算法进行优化，利用优化后的非刚性配准算法对所述配准后的CAD模型点云进行非刚性配准，得到补充基准；
所述去噪基准的获取方法为：结合所述补充基准与上采样策略，构建具有密度差的去噪基准；
点云预处理模块，用于基于所述噪点比例系数、去噪基准、补充基准，对所述测量点云模型依次进行噪点去除、缺失点补充、轮廓点提取、缺失点补全和滤波平滑，完成点云预处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441480.XA CN114882083B (zh) | 2022-04-25 | 2022-04-25 | 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441480.XA CN114882083B (zh) | 2022-04-25 | 2022-04-25 | 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114882083A CN114882083A (zh) | 2022-08-09 |
| CN114882083B true CN114882083B (zh) | 2024-07-30 |
Family
ID=82671528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210441480.XA Active CN114882083B (zh) | 2022-04-25 | 2022-04-25 | 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114882083B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118279363B (zh) * | 2024-05-29 | 2024-09-06 | 西北工业大学 | 薄壁复杂构件在线测量点云的处理及质量评估方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
| CN110111349A (zh) * | 2019-04-22 | 2019-08-09 | 西安交通大学 | 一种基于点云的非刚体复杂构件高精度边缘提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489218B (zh) * | 2013-09-17 | 2016-06-29 | 中国科学院深圳先进技术研究院 | 点云数据质量自动优化方法及系统 |
| CN111077535B (zh) * | 2019-12-11 | 2022-03-01 | 中煤能源研究院有限责任公司 | 一种激光雷达数据采集系统及数据处理方法 |
| CN114240871B (zh) * | 2021-12-12 | 2024-09-06 | 西北工业大学 | 一种面向工件成型过程中轮廓检测的点云数据处理方法 |
-
2022
- 2022-04-25 CN CN202210441480.XA patent/CN114882083B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
| CN110111349A (zh) * | 2019-04-22 | 2019-08-09 | 西安交通大学 | 一种基于点云的非刚体复杂构件高精度边缘提取方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114882083A (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113432600B (zh) | 基于多信息源的机器人即时定位与地图构建方法及系统 | |
| CN105976312B (zh) | 基于点特征直方图的点云自动配准方法 | |
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| CN109887015A (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
| CN110889243A (zh) | 一种基于深度相机的飞机油箱三维重建方法与检测方法 | |
| CN107526875A (zh) | 一种航空叶片型面加工误差可视化方法 | |
| CN114240871B (zh) | 一种面向工件成型过程中轮廓检测的点云数据处理方法 | |
| CN113516695B (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
| CN111340834B (zh) | 基于激光雷达和双目相机数据融合的衬板装配系统及方法 | |
| CN115797418B (zh) | 一种基于改进icp的复杂机械零件测量点云配准方法及系统 | |
| CN109483887B (zh) | 激光选区熔化过程中成形层轮廓精度在线检测方法 | |
| CN111504191A (zh) | 一种基于三维激光扫描的航空零件自动快速测量方法 | |
| CN114882083B (zh) | 复杂异形截面薄壁环型件型面轮廓点云预处理方法及装置 | |
| CN109919955A (zh) | 地基式激光雷达点云的隧道轴线提取和分割方法 | |
| 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 | |
| CN115482211A (zh) | 隧道超欠挖检测方法、装置、电子设备和存储介质 | |
| CN116703989A (zh) | 基于深度学习与自适应拓扑保持非刚配准的点云处理方法 | |
| Dou et al. | An adaptive method of measuring the rake face wear of end mills based on image feature point set registration | |
| Mao et al. | A Hybrid Algorithm for the Laser Stripe Centreline Extraction | |
| Yang et al. | Center extraction algorithm of linear structured light stripe based on improved gray barycenter method | |
| CN113240721B (zh) | 一种应用于巷道复杂场景的导航灭点检测方法 | |
| CN110555826B (zh) | 一种基于局部离群因子的三维点云特征提取方法 | |
| Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination | |
| CN110021027A (zh) | 一种基于双目视觉的切边点计算方法 | |
| CN114972306B (zh) | 一种基于图像的叶片参数测量方法 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230504 Address after: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant after: Northwestern Polytechnical University Applicant after: AECC CHANGJIANG ENGINE CO.,LTD. Address before: 710072 No. 127 Youyi West Road, Shaanxi, Xi'an Applicant before: Northwestern Polytechnical University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |