CN116109788A

CN116109788A - 一种实体件建模重构的方法

Info

Publication number: CN116109788A
Application number: CN202310114656.5A
Authority: CN
Inventors: 张春阳; 高袆萌; 张恣初
Original assignee: Individual
Current assignee: Individual
Priority date: 2023-02-15
Filing date: 2023-02-15
Publication date: 2023-05-12
Anticipated expiration: 2043-02-15
Also published as: CN116109788B

Abstract

本发明涉及一种实体件建模重构的方法，包括：选择测量方式；数据采样；选择算子；建立被测物数字模型；模型精细化处理；基于NURBS模型再次构建。本发明根据被测物件的内在基因，利用基因法选择算子，与传统的逆向工程相比，通过基因法所选择的算子更加贴合被测物件的造型需求，通过两次建模和两次建模之间的模型精细化处理，使被测物件所构建的数字模型更加精细化，能够达到256层，比传统的建模所能够达到的128层，检测程度增加了一倍，模型精细程度达到一个新的境界，模型的边缘更加清晰，模型还原程度更高。

Description

一种实体件建模重构的方法

技术领域

本发明涉及一种实体件建模重构的方法，是一种将实体物件数字化的方法，是一种使用数字化技术辅助构建虚拟模型的方法。

背景技术

将一个实体物件进行数字化处理，并在虚拟空间中构建数字化模型，这一过程被称为逆向工程。逆向工程是在没有产品原始图纸、文档的情况下，对产品实物进行测量和工程分析，经数据处理(形神兼备--精度要求)，重构几何模型(物理尺寸大小、位移和方向、材料学特性来帮助复制现有零件)，并成数控程序，由数控机床重新加工生产出产品的过程。特别是对于具有复杂曲面外形的零部件，逆向工程更成为其主要的设计方式。从更高的战略角度来讲，逆向工程是制造业实现快速产品创新设计的重要途径，实物原型的再现仅仅是逆向工程的初级阶段，在此基础上进行的再设计、再分析、再提高，从而实现重大改型的设计创新，才是逆向工程的真正价值和意义所在。现有的逆向工程的模型构建方式存在着精度不高、测量过程复杂等问题，如何提高测量精度，并简化构建模型的过程是一个需要解决的问题。

发明内容

为了克服现有技术的问题，本发明提出了一种实体件建模重构的方法。所述的方法利用基因法选择算子，使模型还原程度更高，同时通过两次建模使检测层数能够达到256层，更好的还原被测物件的形状和轮廓。

本发明的目的是这样实现的：一种实体件建模重构的方法，所述方法的步骤如下：

步骤1，选择测量方式：根据被测物的形状和类型选择测量仪器；激光扫描仪、三坐标测量仪、CCD视频扫描仪，或者相互组合；每种测量仪器均设置相应的数据库，记录各个仪器所测量的各种被测物，形成各种被测物的基因库；

步骤2，数据采样：首先将被测物固定，或确定被测物和测量仪器之间的确定距离，之后根据被测物和测量仪器之间的距离建立测量坐标系，之后根据被测物的形状和基因选择多条测量路径并进行优化，从中选出至少一条最佳的路径；

步骤3，选择算子：根据被测物点云和边缘特点，以及被测物件的基因选择算子；

常用的边缘检测算法主要有：

1)微积分边缘算子；

2)基于数学形态学的边缘检测；

3)基于小波变换的边缘检测；

4)基于神经网络的边缘检测；

5)基于模糊学的边缘检测；

6)基于遗传算法的边缘检测；

步骤4，建立被测物数字模型：曲线构建或曲面构建形成被测物的3D数字模型，从点云网格变成多边形模型，使用点层技术编辑点云大型数据集合，实现快速精确编辑；

步骤5，模型精细化处理：模型精细化处理包括深度处理，模型深度的处理包括：误差点、增加密度、数据平滑、补充测量、NURBS的曲线预处理；而模型广度的处理是对模型边缘的处理；

步骤6，基于NURBS模型再次构建：根据产品的特点和数据处理得到的新的、接近曲面形状的型值顶点Vij：

首先，读取经过数据处理的数据块，生成多条插值于型值点的NURBS截面曲线，u向,v向截面线分别生成；

其次，为保证生成的曲面模型连续、封闭，构造出封闭的NURBS边界曲线，该曲线插值于u向和v向的边界控制点；

第三，在已构造完成的u向、v向NURBS截面曲线以及封闭的NURBS边界曲线的基础上，利用曲面造型技术分别拟合生成若干个封闭、光滑的NURBS曲面；

最后，将各分块曲面进行拼接、过渡、延伸、裁剪、光顺的技术处理，最终获得在实体表面形状、尺寸精度范围内的曲面模型，该曲面模型要求各连接曲面光滑、平顺、封闭和连续。

进一步的是，所述的基因库构建方式为：

物件归类：

以行业划分的物件归类：机械类件、民用类件；机械零件又包含：机床、汽车、液压气动件、轴承和标准件；

以形状划分的物件归类：规则几何形状和不规则几何形状；规则几何形状类包括：轴类工件、箱体类工件和薄壁工件；不规则几何形状类包括：器皿、叶片；

基因提取的方式为：依据物件归类，提取各种物件的相同和类似的要素，归纳总结为特征，同时考虑加工、使用、环境的不同而影响物件的形变，同时考虑物件的变化趋势，分析物件的形位变化，形成基因要素并提取构建为基因库。

进一步的是，所述的使用点层技术编辑点云大型数据集合包括：生成初始点云后，在这组初始点云基础上建立第一次数模并计算残差，从而对点云迭代优化；二维纹理信息与三维几何信息融合，生成特征和精度都增强的点云，并迭代更新点云位置，最终还原成实物数模。

本发明的优点和有益效果是：本发明根据被测物件的内在基因，利用基因法选择算子，与传统的逆向工程相比，通过基因法所选择的算子更加贴合被测物件的造型需求，通过两次建模和两次建模之间的模型精细化处理，使被测物件所构建的数字模型更加精细化，能够达到256层，比传统的建模所能够达到的128层，检测程度增加了一倍，模型精细程度达到一个新的境界，模型的边缘更加清晰，模型还原程度更高。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明实施例一所述方法的流程图；

图2是本发明实施例一所述应用实例的图像测量系统结构框图；

图3是本发明实施例一所述应用实例的移动被测零件获取参数信息示意图；

图4是本发明实施例一所述应用实例的多CCD获取被测零件参数信息示意图；

图5是本发明实施例一所述应用实例的二维图像分析切割法原理示意图；

图6是本发明实施例一所述应用实例的三点定圆法原理示意图；

图7是本发明实施例一所述应用实例的三点定圆法流程图；

图8是本发明实施例三所述神经网络结构示意图；

图9是本发明实施例三所述以n＝3为例的神经网络加softmax回归函数结构流程图；

图10是发明实施例三所述目标值与概率值一一对应示意图；

图11是发明实施例三所述一层迭代过程示意图；

图12是发明实施例三所述比较调整过程示意图。

具体实施方式

实施例一：

本实施例是一种实体件建模重构的方法，所述方法的步骤如下，流程如图1所示：

对于各种不同的被测物，例如：涡轮机叶片，齿轮、轮胎、花瓶，各种物品形状不同，需要采用不同的测量仪器进行测量，或采用集中仪器结合进行测量，例如具有内部空间的花瓶，外部需要使用激光扫描，或三坐标测量仪进行测量，而内部则需要激光扫描或CCD视频扫描，甚至需要内窥镜通过狭小孔洞进入内部空间进行扫描。而对于齿轮等外廓形状特别复杂的特殊工业零件则需要专门的齿轮测量仪进行测量，而对于叶片等外形特别精细的工业零件则需要通过激光扫描、三坐标测量和CCD视频等多种手段进行反复测量，才能达到满意的效果。

各种物件均带有各自特质的基因，这些基因不论该物件的产生、应用、损坏均一直携带。每一个被测过的物件，都会通过数据库将该物件的基因存储起来，通过不断的积累形成各种物件的基因库。这一基因库将在之后的测量和建模中发挥重要的作用。

步骤2，数据采样：首先将被测物固定，或确定被测物和测量仪器之间的确定距离，之后根据被测物和测量仪器之间的距离建立测量坐标系，之后根据被测物的形状和基因选择多条测量路径并进行优化，从中选出至少一条最佳的路径。

数据采集是使用测量仪器对被测物体进行点云采集的过程。作为第一步，首先要将被测物体与测量仪器之间确定距离，这对一些仪器较为重要，例如三维坐标测量仪，首先要将被测物体固定在测量台上，而对于另外一些非接触式测量仪器则不太重要，例如激光扫描仪，只需要相对固定即可。同样的，建立坐标系也是这样，对于三维坐标测量仪需要精确的坐标位置，以确定被测物件的各个坐标，而激光扫描仪则更加关注的是相对位置，即物件内各个要素之间的相对位置，因此可以通过被测物件上确定归零点即能够确定被测物件其它各点的相对归零点的相对位置。

下面以三维坐标测量仪为例说明数据采集的过程：实物零件的数字化是通过特定的测量设备和测量方法获取零件表面离散点的几何坐标数据。只有获得了样件的表面三维信息，才能实现复杂曲面的建模，评价，改进，制造。因此，在反求过程中，形状测量(即数据采样)是最基本和必要的一步。

首先，在测量机上固定夹紧样件。将零件固定在三坐标测量机工作台面，便于测量和建立坐标系。应该注意：被测实体表面上的凸台，凹陷及其夹具固定位置应有利于测量的操作和测头的移动；同时，工件装夹后要使测头尽可能一次测完所有被测对象。

其次，建立零件坐标系。在建立零件坐标系时从零件的形状特点出发，要考虑所用CAD软件的坐标系统的方向与三坐标所建立的坐标系的方向之间的关系。以确保在实施数据转换后，在CAD中显示的图形与所需要的图形方向一致。

然后，规划测量路径，选择合适的扫描方式。

测量路径是测头的运动轨迹，建立测量路径的目的是为了有序，快速，高效地探测分布在曲面上各个实际点的坐标，所采集的数据能够反映样件特性。最简单易行的采样方法是等距扫描采样。为保证采样数据的合理性,有效性及其安全性，规划扫描路径时，应注意：确保测头不与工件发生碰撞；扫描路径须尽量覆盖被测表面；路径短，速度快，即根据坐标测量机的加减速特性，测头能以最短的时间到达下一测量点，且行走路线自然。

根据零件的特点选择合适的扫描方式。通常采用连续扫描方式测量自由曲面，点触发式测量曲面轮廓及其它规则部分。所得结果为测头中心轨迹，它与被测曲面偏离一个球半径。

扫描测量过程如下：建立零件坐标系，移动测头至测量起始点，固定某一坐标(如X)值，使测头沿着曲面在相应的坐标平面(如YOZ面)内以扫描测量方式采点至曲面边界；然后，在坐标X轴方向移动一个固定增量，继续以上述方式在YOZ面内扫描测量，依次遍历整个待测曲面。在CNC测量机上，利用测力方向确定接触点的三维法线方向，以进行三维测头半径补偿。测头运动始终与表面接触，并保持测力为一个预定值，沿一定方向，按表面曲率的变化，适时地调节运动速度，自动地，连续完成复杂曲面的测量，能够快速的获得相当高的型面精确度。

最后，设置扫描参数，进行样件扫描。具体过程如下：

(1)根据所用的扫描测头，将其正确定义并校验。

(2)根据零件要求，建立相应的零件坐标系。

(3)设置扫描参数如：接近，回退距离，扫描步长，扫描速度等参数。

(4)将测量模式转换为DCC模式，进行工件扫描。

边缘的形成是由于物体的材料不同或表面的朝向不同，引起图像中的边缘处存在明暗、色彩、纹理的变化。边缘检测的实质是采用某种算法来提取出图像中对象与背景间的交界线。将边缘定义为图像中灰度发生急剧变化的区域边界。因此反过来在图像中检查不同灰度、色彩等特性区域的交界处就可得到边缘。边缘检测主要采用各种算法来发现、强化图像中那些可能存在边缘的像素点。

常用的边缘检测算法主要有：

1)微积分边缘算子

一般常用一阶和二阶微分来检测边缘。经典的边缘检测算法都是以该理论为依据。

一阶微分边缘算子即梯度算子，主要包括Robert算子、Prewitt算子、Sobel算子、Kirsch算子、Canny算子等。Robert算子直接计算图像差分，不包含平滑，故不能抑制噪声，对具有陡峭的低噪声图像响应最好。Sobel算子和Prewitt算子都是对图像进行差分和滤波，只是平滑部分的权值有些差异，对灰度渐变和噪声较多的图像处理得较好。Canny算子实质是用一个准高斯函数作平滑运算，然后以带方向的一阶微分算子定位导数最大值，在实际工作应用中编程较为复杂，且运算偏慢。它是一阶微分中检测阶跃型边缘效果最好的算子之一，它比Prewitt算子、Sobel算子、Laplacian算子极小值算法的去噪能力都要强，但同时也容易平滑掉一些边缘信息。

二阶微分算子有拉普拉斯算子、LOG算子等。Laplacian算子用于检测屋顶型边缘的效果不错，但对噪声敏感性较大。LOG(Laplacian of Gaussian)算子的特点是图像首先与高斯滤波器进行卷积，这样既平滑了图像又降低了噪声，将孤立噪声点和较小的结构组织滤除。利用二阶导数零交叉所提取的边缘宽度为一个像素，所得的边缘结果无需细化，有利于边缘的精确定位。因此，二阶微分形式的边缘检测算子是目前边缘检测的主要手段之一。

以下分别采用上述几种最常用的微分边缘提取算子对标准的tire图像进行边缘特征提取，其结果如下图所示：

Roberts算子提取边缘的结果边缘较粗，边缘定位不很准确，Sobel算子和Prewitt算子对边缘的定位就准确了一些，而采用拉普拉斯高斯(LOG)算子进行边缘提取的结果要明显优于前三种算子，特别是边缘比较完整，位置比较准确。相比而言，Canny算子提取的边缘最为完整，而且边缘的连续性很好，效果优于以上其它算子，这主要是因为它进行了“非极大值抑制”和形态学连接操作的结果。

上面几种基于微分的经典边缘提取算子，它们共同的优点是计算简单、速度较快，缺点是对噪声的干扰都比较敏感。在实际应用中，由于图像噪声的影响，总要将经典的算法进行改善结合其它一些算法对一幅含噪声的图像进行处理，然后再采用算子提取图像边缘。

2)基于数学形态学的边缘检测

数学形态学是一门新兴的图像分析学科，是一种非线性的滤波方法，它以数学理论和几何学为基础，着重研究图像的几何结构及相互关系。数学形态学对图像的处理是基于填放结构元素的概念，结构元素的选择和图像的某种信息有密切的关系，构造不同的结构元素可完成不同的图像分析，并得到不同的结果。数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，其最大的特点是能将复杂的形状进行分解，并将有意义的形状分量从无用的信息中提取出来。用数学形态学对图像进行处理一般都要结合传统的图像分析方法实操使用。用数学形态学方法进行图像边缘检测，同时能较好地保持图像的细节特征，很好地解决了边缘检测精度与抗噪声性能的协调问题。

3)基于小波变换的边缘检测

小波变换作为一种信号处理方法，它具有良好的时-频局部特性，非常适合于图像处理。小波变换对不同的频率成分在时域上的取样步长具有调节性，高频者小，低频者大的特点。因此，小波变换能够把信号或图像分解成交织在一起的多种尺度成分，并对大小不同的尺度成分采用相应粗细的时域或空域取样步长，从而能够不断地聚焦到对象的任意微小细节。小波变换天生具有的多尺度特性，正好可以用于图像的边缘提取。

基于小波理论的边缘检测方法因小波理论时频分析的优越性而优于一般的传统图像边缘检测方法。它可检测出图像在不同尺度下的边缘特征。

4)基于神经网络的边缘检测

图像边缘检测本质上属于模式识别问题，而神经网络能很好地解决模式识别问题，因此用样本图像对多神经网络进行训练，再将训练后的网络进行实测图像的边缘检测。在各类神经网络模型中应用最广泛的一类是前馈神经网络，用于前馈网络最常用的学习方法是BP算法。

5)基于模糊学的边缘检测

模糊梯度法是基于图像灰度梯度变化的原理而产生的，应用边缘点模糊集隶属函数来反映灰度图像边缘穿越过程的可能性，并通过对图像的模糊处理、图像灰度梯度的计算和隶属函数参数的寻优求解，计算提取出灰度图像的边缘点。

6)基于遗传算法的边缘检测

通过遗传算法进行边缘提取阈值的自动选取，能够显著地提高阈值选取的速度，可以对视觉系统所产生的边缘图像进行阈值的实时自动选取，增强了整个视觉系统的实时性和鲁棒性。

步骤4，建立被测物数字模型：曲线构建或曲面构建形成被测物的3D数字模型，从点云网格变成多边形模型，使用点层技术编辑点云大型数据集合，实现快速精确编辑。在256个层阶之间移动点，隔离要详细编辑的区域。操作、清理和细分点云模型，以便清洁和丰富点云数模，使其更易于设计利用。

将点云逐个或批量处理(重点实操——大小、方向、相对坐标系下的位移)，平滑拼接和雕刻生成N个网格以遵守所必须的形状和精度。

①制作有精度要求的零件模型，生成网格模型(数模)，这时需要处理可视化大规模点云数据，使用点层技术中的解剖分层显示技术，处理可视化具有数以亿计的庞大数据点集。点云通过多种细微渐变选项，使点云精度处理更加简便高效。处理好的数模可以作为逆向设计的参考。

②数模一般需多次修改和局部调整，对应的实物模型也需手工修改，修改后再进行局部扫描，并与数模进行比对，以检测局部修改调整的变化量Xi，Yi，Zi，并保证两者统一。这个过程中修改和扫描会进行很多次，直至设计方案符合要求。同时对点云进行批注——向点云添加注释，确保零件关键信息的完整性，为下一步实操做准备。

在逆向工程中，曲面的造型方法分为两种：基于曲线的模型重建和基于曲面的直接拟合。

(1)曲线拟合造型

曲线是构建曲面的基础，在模型构建过程中，一种常用的模型重建方法是，现将数据点通过插值或逼近拟合成样条曲线，再利用造型工具，完成曲面片造型，再通过延伸、剪裁和过渡等曲面编辑，得到完整的曲面模型。这种方法适合处理数据量不大、而且数据呈有序排列的情况。

(2)曲面片直接拟合造型

曲面模型重建的另一种方法是直接对测量数据点进行曲面片拟合，获得曲面片经过过渡、混合、连接形成最终的曲面模型。这种方法既可以处理有序点，也可以处理点云数据(散乱点)。

模型精细化处理包括深度即增加模型层数的处理和模型广度的处理，所谓广度是指对模型边缘的处理。

复杂曲面的外形数据是通过坐标测量机来获取的，这样不可避免地会有随机误差的存在以及测量设备精度的影响或物体的某些细节丢失，使得采集的三维坐标数据存在一定的误差。若直接将测量数据用于曲线、曲面造型，势必会造成曲面数据误差大，精度低，甚至导致拟合曲面发生干涉、翘曲等变形。因此，需要根据产品曲面的几何特性及生成规律，在实施曲面重构之前进行测量数据预处理及半径补偿。

(1)误差点处理

通常由于测量设备的标定参数或测量环境的变化,及其他一些人为因素，造成测量数据失真,产生误差点。在曲面造型中，数据中的误差点对曲线的光顺性影响较大，因此测量数据的预处理首先是从数据点集中找出可能存在的“坏点”。如果在同一截面的数据扫描中，存在一个点与其相邻的点偏差较大，就可以认为这个点是“坏点”。判断“坏点”的方法有：直观检查法、曲线检查法、弦高差法。

(2)数据点增密

由于实物结构以及测量机的限制，在实物数字化时会存在一些探头无法测到的区域，另外则是实物零件中经常存在经剪裁或“布尔减”运算等生成的外形特征，如表面孔及槽等，使曲面出现缺口，这样在造型时就会出现数据“空白”现象，这样的情况使逆向建模变得困难，一种可选解决的办法是通过数据插补的方法来补齐“空白”处的数据，最大限度的获得实物剪裁前的信息，这将有助于模型的重建工作。目前常用的数据点增密技术主要有实物填充法、造型设计法和曲线、曲面插值补充法。

(3)数据平滑

数据平滑的目的是消除测量噪声，以得到精确的模型和好的特征提取效果。采用平滑处理方法，应力求保持带求参数所能提供的信息不变。考虑有限个节点处型值的平滑问题，平滑后的型值由原型值线性叠加而成。平滑处理方法有：平均法、五点三次平滑法和样条函数法。常用的是平均法。

(4)NURBS的曲线预处理

在数据处理中，分别对截面的点云数据进行NURBS的曲线预处理，首先保证拟合曲线光滑、平顺、误差小。曲线拟合步骤是：

1)取每组横向扫描(包括起点和终点)的最大测量点，采用插值逼近法进行NURBS拟合曲线，通过数据补偿、噪声点去除、数据点精化与平滑、数据点增密和数据点排序等方式，对拟合的曲线进行光滑和平顺处理，再对误差较大的点进行修正。使拟合的NURBS曲线光滑、平顺、误差小，形成纵向最大截面NURBS曲线。

2)读取各组横向测量点，通过以上方法分别对各横向截面曲线进行NURBS拟合，拟合时保证每组拟合的曲线其中一型值点通过纵向最大截面拟合曲线。

3)对各横向截面的曲线拟合的型值点分别组合，进行纵向截面曲线拟合，当横向截面拟合曲线的型值点与相应的纵向截面拟合曲线逼近或经过时，该型值点是有效的，若误差很大，则对该型值点进行修复。依次判断即可得出新的构建曲面的所有型值点，同时也得到新的曲面形状的型值顶点。

首先，读取经过数据处理的数据块，生成多条插值于型值点的NURBS截面曲线，u向,v向截面线分别生成；(其中，u为型值顶点的法线方向，v为型值顶点的切线方法)

曲面重构是整个反求工程的核心部分，对于复杂曲面产品来说,其实体模型可由曲面模型经一定计算演变过来.建立实体模型之前必须先得到曲面模型.

(1)以NURBS曲面为基础的曲面构造方案

在逆向工程中主要有三种曲面构造方案：以B样条及NURBS曲面为基础的曲面构造方案；以三角Bezier曲面为基础的曲面构造方案；及以多面体方式来描述曲面物体.本文主要介绍B样条及NURBS曲面为基础的曲面造型方案.

B样条及NURBS曲面是目前成熟的CAD/CAM系统中广泛采用的曲面表示方法，这类曲面可以应用四边参数曲面片插值、拉伸、旋转、放样(Lofting)或蒙皮(Skining)、扫掠(Sweeping)、混合(Blend)和四边界方法(Boundaries)构造，也称矩形域的参数曲面获四边曲面，以此为基础，形成一套完整的曲面延伸、求交、裁剪、变换、光滑拼接及曲面光顺等算法。

下面以图像测量为例说明详细说明本实施例所述的测量方法：

1图像测量系统的构成

图像测量系统是集光学、光电子学、精密机械及计算机技术为一体的综合系统。图像测量系统基本上由平行光照明系统、CCD图像采集系统以及相应的图像处理软件组成。为了达到良好的照明效果，并适当提高被测图像的对比度，从而提高图像处理中边缘提取的精度，采用光照均匀的柯拉照明方式并对被测物进行平行光背光照射。由于被测对象多为板型零件，因而可以较好地利用光照条件提取被测物的有效轮廓，有利于图像测量算法精度的提高。结构框图如图2所示。其工作过程为：将被测零件置于尽可能均匀照明的可控背景前,CCD和图像卡将被测零件图像采集到计算机里,计算机按一定的算法计算出被测物体的几何参数，最后，计算机对这些数据进行各种处理并将结果按一定的要求予以显示和存储。

在某些零件几何尺寸的测量中,由于受到CCD有效像面尺寸和高测量精度要求的限制,往往不可能在一幅图像中获得所需被测几何尺寸的全部信息。这时,可采用移动被测零件的方法来分别从两幅或多幅图像中获得所需全部信息,被测零件移动距离、坐标、角度由另一精密测量系统如光栅测量系统、激光测量系统、分度码盘测量系统来取得。图3是一种典型示例。由图可知,被测零件的尺寸d应为工作台位移量L与被测零件两边缘在两次成像所得L0之差,即：d＝L-L0。

对于大量生产零件的几何尺寸测量,可以设置二个或多个摄像机来同时获得所需边缘轮廓的全部信息,以提高检测效率。图4表示的是这种方法的一种典型示例。由图4可知,被测零件的尺寸为d＝L-(L1+L2)。

2图像预处理

由于光的散射、空间电磁干扰、电路杂波等原因,得到的图像中通常含有如椒盐噪声、脉冲噪声、高斯噪声等。噪声会影响图像质量,造成零件边缘模糊,降低系统测量精度,因此,必须对原始图像进行灰度校正、噪声过滤等预处理。对图像测量系统来说,所用的图像预处理方法可不考虑图像降质,只将图像中感兴趣的部分有选择地突出,衰减不需要的特征。考虑到待测物体参数大多由其外形轮廓决定,本文首先对原始图像进行直方图均衡化处理,然后采用边缘保持滤波算法对图像进行降噪。

2.1直方图修正

原始的图像的灰度值分布是不均匀的,其灰度值集中在一个较小的区间内,直方图修正是一种通过重新均匀分布各灰度值来增强零件图像对比度的方法,可提高图像的主观质量。

设原始图像灰度值分布在区间[a,b]期望灰度分布区间为[z1,zk],如果原始区间[a,b]

是[z1,zk]的子空间,则可将原区间内某象素点z映射为期望区间的点z′,具体为：

如果仅是大多数象素值分布在区间[a,b],则可以使用如下的映射函数

上述映射关系可以使图像的灰度分布更均匀,使曝光不充分的图像得到增强。

2.2边缘保持滤波

图像预处理使用平滑处理的方法,主要目的是减少噪声。由于均值滤波或高斯滤波的平滑功能会使图像边缘模糊,会牺牲零件图像的精确定位能力。而中值滤波在去除脉冲噪声的同时也会将图像的线条细节除掉,因此,本文采用边缘保持滤波器。

边缘保持滤波器是在均值滤波和中值滤波的基础上发展起来的一种滤波器,在有效滤除噪声的同时,又可基本保持边缘的阶跃特征,基本算法如下：

(1)对于象素点[i,j],其灰度值为f[i,j],选取适当大小的领域,如3×3领域；

(2)依公式V＝∑f²[i,j]-(∑f[i,j])²/N,其中N为各邻域的象素个数,分别计算左上角子邻域、左下角子邻域、右上角子邻域、右下角子邻域的灰度分布均匀度V；

(3)取最小灰度均匀度对应区域的均值作为象素点[i,j]的新灰度值。

3边缘轮廓提取

在图像测量系统中,图像边缘的检测是整个测量的基础和关键。图像边缘检测精度高,整个测量系统的精度就可大大提高。

基于图像边缘灰度突变的特性，可以利用像素点的梯度值来区分边缘点和非边缘点，通过比较各像素点的梯度来获得边缘位置。但是由于图像采集方面地原因，某些非边缘的梯度幅值可能高于弱边缘的梯度幅值。因此真正的边缘点应该是对应于梯度值的局部极值点。如果仅确定单一的阈值，因弱边缘的梯度幅值比较小，在选取边缘点时极易丢失。但对于弱边缘来说，在与边缘走向垂直的方向上，它也是一个局部峰值，还是可以检测出来的。

为更好地满足图像测量的需要，本实施例在检测边缘点时利用了Sobel算子非局部极大值抑制和Canny算法中的双阈值边缘连接理论，并通过对图像梯度直方图的统计自适应地选取阈值。

3.1象素级边缘提取

象素级边缘提取是用象素级的边缘检测算子对目标定位,得到象素级精度的定位过程。本文利用Sobel算子在梯度方向上去除非局部极大值点的基础上，引入了Canny边缘检测算法中的双阈值技术来提取候选的边缘点，成功地获取了象素级边缘。具体的步骤如下：

(1)用Sobel算子对预处理后的图像g(i,j)进行卷积,得到卷积图像。

(2)计算图像中每一点的梯度幅值M(i,j)与梯度方向值θ(i,j)。其计算公式为：

θ(i,j)＝tan^-1(p_y(i,j)/p_x(i,j)) (4)

这样就可以得到图像中每一点的梯度方向值θ(i,j)。

(3)非局部极大值抑制：

首先对图像中每一个像素点的梯度方向值θ进行量化，确定其在梯度方向上相邻的两点，以像素点O(i,j)为例进行如下分析：

当

或

时，相邻两点为O₁₂,O₃₂

当

时，相邻两点为O₁₃,O₃₁

当

时，相邻两点为O₂₁,O₂₃

当

时，相邻两点为O₁₁,O₃₃

而后将每一个梯度幅值非零的像素点与沿梯度方向上相邻的两个像素梯度值进行比较，若该像素点的梯度幅值M(i,j)小于其在梯度方向上相邻像素点对应值，则此点标记为非像素点，并置其梯度值为零。

(4)重新统计经非局部极大值抑制后的图像像素点梯度，并进行自适应双阈值操作：

考虑到光照不均匀等因素对图像的影响，将图像分成若干幅子图，在各个子图中利用其各自的梯度直方图自适应地选取阈值，避免检测到不连续地边缘，允许各幅子图有部分重叠。

为各子图设定高低两个阈值T1和T2。计算各个子图的梯度均值D与梯度方差σ，两者之和作为该子图边缘检测地高阈值T1，令高阈值与低阈值之间的比例为0.4，从而得到低阈值T2＝T1×0.4。对于大于T1的像素点标记为边缘点，而小于T2的一定不是边缘点，从而得到待选边缘点，需要进一步验证。

(5)对第四步处理所得的图像进行最后扫描。在与边缘点或待选边缘点梯度方向垂直的方向上选取小直线领域，直线两端各取两点。若此点在小领域中是极大值，则是边缘点，否则就不是边缘点。

(6)抑制细小边缘，提取出目标轮廓。对第(5)步操作后得到的图像中的边缘点进行8领域统计，将像素个数少于一定值的连通边缘视为非目标边缘，将其删除。

(7)边缘点连接。在图像中按照从左到右，从下到上的顺序遍历，选择一有效边缘点作为起点，按照轮廓跟踪算法将各个边缘点连接起来得到边缘链，对每一个由轮廓跟踪算法处理过的点，将其灰度标识为255，对那些没有处理的边缘点设为0。从而得到单像素边缘图像。

4零件二维图像分析

对获得边缘轮廓的零件图像进行分析及尺寸检测。下面以分割法和三点定圆法为例进行介绍：

切割法是通过水平和垂直两个方向的切割来求取长方形的长和宽，原理图如图5。

在求取长方形的金属零件的二维尺寸的时候，是通过求Li和Wi的平均值来获得其长和宽。也可以根据Li和Wi的变化趋势实现圆和长方形的自动识别。具体说：对于长方形，Li和Wi基本上没有太大变化。而对于圆来说，Li和Wi是从小变大，再变回小。由此可以引申到圆形槽或椭圆的自动识别方面。

三点定圆法是根据圆上三点来确定圆心坐标和半径。主要原理是：随机抽取圆上三点，这三点中任意两点连线的中垂线都相交于圆心。如图6所示。

但在实际应用中的圆并不可能是真正意义上的圆，也就是每一次在边缘上随机取得的三点所计算出来的圆心坐标与半径不可能都相等的。可以多次随机取圆边缘上的三点，求得圆心坐标和半径，然后取现出现频率最高的(x,y,r)。具体流程图如图7所示。

设定循环的总次数K，以及判别标准W。每次循环所算的圆心坐标Xi，Yi和半径ri，然后在其对应的三维参数空间X，Y，R内生成对应的点Pi(Xi，Yi，ri)。把Pi与Pi-1，Pi-2……P0相比较。取离Pi距离最小的点，设为Pm。如果此最小距离小于W，则将Pi并入Pm，并将Pm对应的累加器加1。之前的如果这次循环算出的X，Y和R和之前的结果的距离在判别标准W内。则在原对应的累加器上加1，否则在参数空间增加新的点，并且开辟新的累加器。当循环结束后，累加器数组中最大的值所对应的参数空间的X，Y，R即为所求的圆的半径和圆心坐标。

实施例二：

本实施例是实施例一的改进，是实施例一关于基因库构建方式的细化。本实施例所述的基因库构建方式为：

1)物件归类：

2)基因提取的方式为：依据物件归类，提取各种物件的相同和类似的要素，归纳总结为特征，同时考虑加工、使用、环境的不同而影响物件的形变，同时考虑物件的变化趋势，分析物件的形位变化，形成基因要素并提取构建为基因库。

工业工件的基因数据库可以分为两大类：箱体类工件和具有复杂几何形状的工件。

1、箱体类工件是由基本几何元素(点、线、面、圆、圆柱、圆锥、球等)组成的几何工件，包括齿轮箱工件，发动机箱体，机床加工部件和由自由形状曲面组成的冲压模、锻铸模、玻壳工件等。

2、复杂几何形状工件，这类工件是由具有数学定义的复杂曲线曲面构成，例如各种类型的齿轮，齿轮加工刀具，凸轮轴，配对螺旋压缩机转子部件，涡轮蜗杆以及步进齿轮等。

同理，基因数据库中还可以按行业领域划分。例如汽车制造行业，主要分为两大类部件：薄壁类工件和箱体类工件。

(一)薄壁件：这类工件对精度、工艺质量要求较高。主要包括白车身、分总成、冲压件、仪表板、内饰件、塑料件。

(二)箱体类工件：这类工件结构复杂，对刚性、强度有一定要求。诸如轴类，连杆活塞，发动机缸体，减速器。

这两类基因库可以单独使用，也可以相互调用嵌套使用。在实操中可以通过技术人员的工作经验选取调用；也可以在采集到第一批数据时，其中的一些重要参数与系统基因库中的正确数学算法有较高的匹配度(例如长度误差小于1um，角度误差小于1秒)，这时就可以完成自动判定(包括样件定位、元素识别、采集规划、数据采集和还原数学模型)。样件定位、元素识别、采集规划目的是使采集的数据正确而又高效。正确是指所采集的数据足够反映样件的特性和精度，而且不会产生错误；高效是指在能够正确表示样件的情况下，所采集的数据尽量少、所经过的路径尽量短、所化费的时间尽量少、工作效率最大化。

规则形状的数据采集规划：

对于诸如点、直线、圆弧、平面、圆柱、圆锥、球等，也包括双曲线、螺旋线等，依据数学理论定义这些元素所需的点信息来进行数据采集规划显然不够全面，虽然可以把一些产品的形状归纳总结为特征，但现实产品不可能都是有特征和有理论形状的，同时在加工、使用、环境上也不尽相同，同样影响着产品的形变。作为逆向工程的规划设计，就不能仅停留在特征的抽取，更应考虑产品的变化趋势，即分析形位公差。

元素名称	最少点数	备注
			点	1
直线	2	注意方向性
			圆弧	3
平面	3
			圆柱	4	注意点的分布
圆锥	4	注意点的分布
			球	4	注意点的分布
双曲线	3	注意点的分布

实施例三：

本实施例是上述实施例的改进，是上述实施例关于使用点层技术编辑点云大型数据集合的细化。本实施例所述的使用点层技术编辑点云大型数据集合包括：生成初始点云后，在这组初始点云基础上建立第一次数模并计算残差，从而对点云迭代优化；二维纹理信息与三维几何信息融合，生成特征和精度都增强的点云，并迭代更新点云位置，最终还原成实物数模。

完善模型——建立被测物第一次(初级)数字模型：曲线构建或曲面构建形成被测物的3D数字模型，从点云网格变成多边形模型。使用自己研发的点层技术编辑点云大型数据集合，实现快速精确编辑。在256个层阶之间移动点，隔离要详细编辑的区域。操作、清理和细分点云模型，以便清洁和丰富点云数模，使其更易于设计利用。点层技术：通过对工件或场景的点云进行处理，融合三维深度(256层深度)和二维物理信息(表面边缘广度)，提高点云重建的精度。点云大型数据集合：点云数据是指在一个三维坐标系中的一组向量的集合。点云大型数据集合是指一个点云中包含的对象或场景非常大，直观表现就是点数非常多的数据集。

“点层技术编辑点云大型数据集合”具体过程的解释：基于点云pointcloud神经网络框架。该方法首先通过机器设备生成初始点云，在这组初始点云基础上建立第一次数模并计算残差，从而对点云迭代优化。该方法将二维纹理信息与三维几何信息进行融合，生成特征和精度都增强的点云，并迭代更新点云位置，最终还原成实物数模。经过生产实操，该算法可以达到更高的精度，计算效率加快、灵活性更强。点层技术基于三维点云的多视角三维重建神经网络结构，利用待处理点云以及点云附近的局部区域优化(不同深度投影+边缘广度)。点云特征包含从二维神经网络中提取的物理特征(广度)和从三维中提取的几何特征(深度)，通过这些特征优化更新点云位置。这个优化过程会经过N次迭代，每次迭代都会更新点云特征和更接近真实值，以获得更准确的位置预测。利用动态特征提取网络中的三维点云以及每个点在图像中的物理特征，用来构建特征增强的新点云。这与其它软件存在本质区别：其它软件是每个图像特征是其空间的人为划分所确定并且无法改变(静态)，而本实施例的方法会根据每次迭代后的新点云位置动态的从图像中提取物理特征。对于点云中的每一个点，沿着采样的步长值，为每个点的三维位移，运用概率分布理论(大数定律+中心极限定理)，将神经网络邻域的三维结构信息都用于各点间的特征传递，正向迭代的作用于更新的三维点云坐标，从而逐步优化点云位置，以达到最佳(特征+精度)的预测效果。因为其它软件是静态图像物理特征，所以在深度128层(2的7次方)以后求导结果都相同或为0；由于本实施例的原理是基于不断迭代更新的动态图像物理特征，所以在深度128层(2的7次方)到256层(2的8次方)之间求导数，每次都能求导出不同的结果(每次都有位移)且不为0(Δ位移≠0)。这就使最终数模更能有效还原真实值，真正达到神形兼备。总之，将点云逐个或批量处理(重点实操——大小、方向、相对坐标系下的位移)，平滑拼接和雕刻生成N个网格要遵守所必须的形状特征和精度。

①制作有精度要求的零件模型，生成网格模型(数模)，这时需要处理可视化大规模点云数据，使用研发的点层技术中的动态解剖分层显示技术，处理可视化具有数以亿计的庞大数据点集。点云通过多种、多层次细微渐变，使点云处理更加简便高效。处理好的数模可以作为逆向设计的参考。

模型迭代优化：

神经网络的数学模型(如图8所示)——神经网络中设置n个输出节点，任意工件图像或者实物场景发生的概率都在0和1之间，且总会有某一个事件发生(概率的和为1)。如果将逆向工程看成是一个概率事件，那么最终的结果就符合一个概率分布。本实施例在软件编写中引入softmax回归函数就可以将神经网络输出转换成概率结果输出，图9是以n＝3为例的结构流程图。数学表达式：

这样就有了神经网络预测的概率分布和真实零件或者场景之间的“距离”。为了能够衡量这些距离，就需要把目标值与概率值一一对应，如图10所示。

误差值的计算：

-(0log(0.10)+0log(0.05)+0log(0.15)+0log(0.10)+0log(0.05)+0log(0.20)+1log(0.10)+0log(0.05)+0log(0.10)+0log(0.10))＝-1log(0.10)。

计算结果为-1log(0.10)。为了减少误差，就要不断迭代调整对应目标值为1的位置输出概率的大小。因为算法中是log函数，log函数的属性是单调递增的，所以取反后就会单调递减。因此要减小误差值，就要加大所对应的概率值。同时根据softmax回归函数的属性，其他类别的概率值也会减小。因此只要提高对应目标值为1的位置输出概率即可。接下来使用链式求导法则，层层深入运算推进，计算出每一层神经节点的偏导数，利用测量步长梯度下降来迭代N次(256层阶内)用以优化数模，不断调整每一个节点的权重。迭代优化神经网络数模的过程其实就是将误差损失最小化，从而达到整体误差为最小值的计算结果。图11是其中一层的迭代过程：左侧为初始5*5，中间为运算中3*3，右侧为结果2*2。

图12是比较调整过程的示例。

结果分析：

通过实验和生产实践，在其它软件上平均准确率是86.53％，本实施例的平均准确率是96.44％。数模准确率有9.91％的提升，说明本实施例在实体工件和场景建模重构中探索出了正确的方法和规律并可以和生产实践相结合。

备注解释：计算机都是64位(2⁶),少数老式计算机是32位(2⁵)。因为其它软件是基于静态图像物理特征的运算，所以在深度为128层(2⁷)及其以后求导结果都相同或为0。由于本实施例的原理是基于不断迭代更新的动态图像物理特征上的运算，所以在深度128层(2⁷)到256层(2⁸)之间求一阶、二阶导数，每次都能求导出不同的结果(每次都有位移)且不为0(Δ位移≠0)。

最后应说明的是，以上仅用以说明本发明的技术方案而非限制，尽管参照较佳布置方案对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案(比如被测物件的形状和测量仪器的应用、各种公式的运用、步骤的先后顺序等)进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims

1.一种实体件建模重构的方法，其特征在于，所述方法的步骤如下：

常用的边缘检测算法主要有：

1)微积分边缘算子；

2)基于数学形态学的边缘检测；

3)基于小波变换的边缘检测；

4)基于神经网络的边缘检测；

5)基于模糊学的边缘检测；

6)基于遗传算法的边缘检测；

2.根据权利要求1所述的方法，其特征在于，所述的基因库构建方式为：

物件归类：

3.根据权利要求2所述的方法，其特征在于，所述的使用点层技术编辑点云大型数据集合包括：生成初始点云后，在这组初始点云基础上建立第一次数模并计算残差，从而对点云迭代优化；二维纹理信息与三维几何信息融合，生成特征和精度都增强的点云，并迭代更新点云位置，最终还原成实物数模。