CN116432052A - 一种新能源汽车模具用夹具质量检测方法 - Google Patents

Abstract

本发明涉及图像处理技术领域，具体涉及一种新能源汽车模具用夹具质量检测方法；首先获取待检测夹具和标准夹具的点云数据集，根据点云数据集中数据点与预设邻域范围内其他数据点的距离特征获得近邻密度；根据数据点与预设邻域范围内其他数据点的近邻密度获得近邻相对密度差异指数。根据近邻相对密度差异指数和曲率获得数据点的结构信息差异指数；根据点云数据集中结构信息差异指数的大小分布获得删除数量；根据删除数量以及数据点的预设邻域范围内其他数据点的数量特征和距离特征获得待删除数据点以及去冗余点云数据集。根据去冗余点云数据集进行点云匹配获得匹配率，根据匹配率分析夹具质量，提高了夹具检测的效率以及准确性。

Description

一种新能源汽车模具用夹具质量检测方法

技术领域

本发明涉及图像处理技术领域，具体涉及一种新能源汽车模具用夹具质量检测方法。

背景技术

随着新能源汽车工业的不断普及与发展，对于汽车零部件的要求越来越高。汽车模具用夹具作为重要的生产设备之一，夹具的质量对汽车零部件制造的精度和效率存在直接的影响关系。

对夹具的质量检测可通过计算机视觉的方法实现，计算机视觉的方法有着无损高效的特点，但部分夹具的结构较为复杂，且可能存在多种缺陷，需要投入较多的时间和算力对图像进行处理；其中可以通过点云匹配算法将待检测夹具和标准夹具的点云数据进行匹配，根据匹配结果分析待检测夹具的质量以及缺陷。但点云数量较多时，匹配效率较低，影响夹具质量检测的效率；同时点云数量较多时容易存在噪声，导致匹配结果不准确，影响夹具质量检测的准确性。

发明内容

为了解决上述夹具的点云数量较多时，影响夹具质量检测的准确性的技术问题，本发明的目的在于提供一种新能源汽车模具用夹具质量检测方法，所采用的技术方案具体如下：

分别获取待检测夹具和标准夹具的点云数据集；根据所述点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得所述数据点的近邻密度；根据所述数据点和预设邻域范围内其他数据点的所述近邻密度的差异特征获得所述数据点的近邻相对密度差异指数；

根据所述数据点与预设邻域范围内其他数据点所组成的曲面获得所述数据点的曲率；根据所述数据点的所述曲率和所述近邻相对密度差异指数获得所述数据点的结构信息差异指数；根据所述点云数据集中每个所述数据点的所述结构信息差异指数获得结构信息差异指数直方图；

根据预设比例获得所述结构信息差异指数直方图中不同区间的数据点的删除数量；根据所述删除数量、所述结构信息差异指数直方图中与每个所述数据点区间相同的预设邻域范围内的其他数据点的数量特征和距离特征，获得待删除数据点；将所述点云数据集中所述待删除数据点剔除获得去冗余点云数据集；将待检测夹具的所述去冗余点云数据集和标准夹具的所述去冗余点云数据集进行匹配获得匹配率，根据所述匹配率分析所述待检测夹具的质量。

进一步地，所述根据所述点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得所述数据点的近邻密度的步骤包括：

分别计算所述数据点和预设邻域范围内每个其他数据点的欧氏距离，计算预设第一极小正数与所述数据点和预设邻域范围内任意一个其他数据点的欧氏距离的和，获得所述数据点的距离表征值；计算所述数据点的所述距离表征值的倒数的平均值，获得所述近邻密度，平均值和近邻密度呈正相关关系。

进一步地，所述根据所述数据点和预设邻域范围内其他数据点的所述近邻密度的差异特征获得所述数据点的近邻相对密度差异指数的步骤包括：

对于所述数据点和预设邻域范围内的任意一个其他数据点，计算二者中最大的所述近邻密度和最小的所述近邻密度的比值，获得近邻密度差异度；计算常数一与所述近邻密度差异度的差值，获得近邻密度差异表征值，计算所述数据点和预设邻域范围内所有其他数据点的所述近邻密度差异表征值的平均值并正相关映射，获得近邻相对密度值，计算常数一与所述近邻相对密度值的差值，获得所述数据点的所述近邻相对密度差异指数。

进一步地，所述根据所述数据点的所述曲率和所述近邻相对密度差异指数获得所述数据点的结构信息差异指数的步骤包括：

计算所述数据点的所述曲率与预设第二极小正数的和，计算所述数据点的所述曲率与预设第二极小正数的和与对应的所述近邻相对密度差异指数的乘积，获得所述结构信息差异指数。

进一步地，所述根据所述点云数据集中每个所述数据点的所述结构信息差异指数获得结构信息差异指数直方图的步骤包括：

根据所述点云数据集中所述数据点的所述结构信息差异指数的大小范围和预设区间数量，构建所述点云数据集中所述数据点与所述结构信息差异指数的结构信息差异指数直方图，其中横轴为不同的所述结构信息差异指数的等长范围区间，纵轴为对应的所述数据点的数量，获得所述结构信息差异指数直方图。

进一步地，所述根据预设比例获得所述结构信息差异指数直方图中不同区间的数据点的删除数量的步骤包括：

计算不同预设比例与所述结构信息差异指数直方图中每个所述等长范围区间中的数据点的数量的乘积，获得所述结构信息差异指数直方图中不同区间的数据点的删除数量；其中所述结构信息差异指数越大的所述等长范围区间所对应的所述预设比例越小。

进一步地，所述获得待删除数据点的步骤包括：

对于任意一个所述数据点，统计所述数据点的预设邻域范围内的其他数据点与所述数据点在相同的所述等长范围区间的数量，获得每个所述数据点的相同区间数量值；

对于任意一个所述等长范围区间中对应的所有数据点，根据对应的所述相同区间数量值从大到小排序获得序列，根据所述删除数量在所述序列中从第一位开始遍历选取所述数据点，且后续选取的数据点与所有已选取的所述数据点之间的欧氏距离需要大于预设距离，直至获得所述删除数量的数据点后，停止选取，获得所述待删除数据点。

进一步地，所述根据所述匹配率分析所述待检测夹具的质量的步骤包括：

根据点云匹配算法将待检测夹具的所述去冗余点云数据集和标准夹具的所述去冗余点云数据集进行匹配获得匹配率，当所述匹配率超过预设匹配阈值时，所述待检测夹具的质量合格；当所述匹配率不超过预设匹配阈值时，所述待检测夹具的质量不合格。

本发明具有如下有益效果：

在本发明实施例中，获取近邻密度能够反映数据点与其预设邻域范围内的其他数据点的距离特征，通过近邻密度可初步表征夹具在数据点位置处的结构复杂程度；近邻相对密度差异指数能够表征数据点和其预设邻域范围内其他数据点的近邻密度的差异，通过近邻密度的差异反映不同位置夹具结构上的差异。因曲率能够反映表面弯曲的程度，故通过曲率和近邻相对密度差异指数获得结构信息差异指数，更准确地表征数据点位置处的结构复杂程度，根据结构信息差异指数能够初步分析数据点能够删除的概率。结构信息差异指数直方图能够直观反映点数据点的结构信息差异指数的分布情况，根据结构信息差异指数直方图可准确合理地获得不同结构信息差异指数的区间的删除数量。待删除数据点表示夹具表面重要程度低的数据点，删除后获得的去冗余点云数据集可提高点云匹配的效率且对准确性没有影响。通过匹配率能够反映待检测夹具和标准夹具的表面结构差异，实现夹具质量的检测；最终提高了夹具质量检测的效率和准确性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它附图。

图1为本发明一个实施例所提供的一种新能源汽车模具用夹具质量检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种新能源汽车模具用夹具质量检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种新能源汽车模具用夹具质量检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种新能源汽车模具用夹具质量检测方法流程图，该方法包括以下步骤：

步骤S1，分别获取待检测夹具和标准夹具的点云数据集；根据点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得数据点的近邻密度；根据数据点和预设邻域范围内其他数据点的近邻密度的差异特征获得数据点的近邻相对密度差异指数。

在本发明实施例中，实施场景为通过计算机视觉对新能源汽车模具用夹具的外观质量的检测。主要逻辑为分析待检测夹具和标准夹具的点云匹配情况，根据点云匹配情况分析待检测夹具的外观质量。但由于点云数据较多，影响质量检测的效率和准确性；故需要对夹具质量检测的过程进行改进，提高夹具质量检测的效率与准确性。

首先，分别获取待检测夹具和标准夹具的点云数据集，具体包括：使用激光三维扫描仪获取夹具的三维模型，采集点云数据，得到每个数据点的空间坐标与RGB颜色信息。由于获取的点云中可能存在噪声和异常点，故需要对点云数据进行处理，在本发明实施例中通过体素滤波器对获取的点云数据进行预处理，需要说明的是，体素滤波器是一种现有的下采样的滤波器，作用是使用体素化方法减少点云数量；能够在一定程度上减少计算量以及避免噪声和异常点对点云匹配准确性的影响，预处理完成后，分别获得待检测夹具和标准夹具的点云数据集。

进一步地，为了减少点云数量，提高夹具质量检测的效率和准确性，则需要对能够删除的数据点进行选取，分析能够删除的数据点的特征。首先根据点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得数据点的近邻密度，具体包括：分别计算所述数据点和预设邻域范围内每个其他数据点的欧氏距离，计算预设第一极小正数与所述数据点和预设邻域范围内任意一个其他数据点的欧氏距离的和，获得所述数据点的距离表征值；计算所述数据点的所述距离表征值的倒数的平均值，获得所述近邻密度，平均值和近邻密度呈正相关关系；获取近邻密度的具体公式包括：

式中，

表示数据点的近邻密度，/>

表示数据点的预设邻域范围内的其他数据点的数量，/>

表示数据点与其预设邻域范围内的第/>

个数据点的欧氏距离，/>

表示距离表征值，其中/>

表示预设第一极小正数，目的是防止分母为零，在本发明实施例中预设第一极小正数为1，实施者可根据实施场景自行确定；/>

表示以自然常数为底的指数函数，目的是使两数据点之间的距离特征更敏感。

关于近邻密度的获取，在本发明实施例中，预设邻域范围为该数据点的最近9个其他数据点所组成的范围，实施者可根据实施场景自行确定。当数据点与其预设邻域范围内其他数据点的欧氏距离越大，则意味着该数据点附近的密度越小；故当数据点与其预设邻域范围内的其他数据点的欧氏距离越大，则该数据点的近邻密度越接近零。通过近邻密度能够反映该数据点附近点云的密度情况，当某数据点附近的其他数据点数量较多，则可将该数据点剔除的概率较大，对后续的点云匹配影响较小；若某数据点附近的其他数据点较少，则需要避免将该数据点进行剔除，否则会影响后续点云匹配的准确性。

因为夹具部分位置结构比较复杂，若只根据数据点的近邻密度进行数据点的选取可能会影响后续的点云匹配准确性，故还需要结合数据点周围其他数据点的近邻密度特征共同分析，故根据数据点和预设邻域范围内其他数据点的近邻密度的差异特征获得数据点的近邻相对密度差异指数，具体包括：对于数据点和预设邻域范围内的任意一个其他数据点，计算二者中最大的近邻密度和最小的近邻密度的比值，获得近邻密度差异度；计算常数一与近邻密度差异度的差值，获得近邻密度差异表征值，计算数据点和预设邻域范围内所有其他数据点的近邻密度差异表征值的平均值并正相关映射，获得近邻相对密度值，计算常数一与近邻相对密度值的差值，获得数据点的近邻相对密度差异指数，获取近邻相对密度差异指数的获取公式具体包括：

式中，

表示数据点的近邻相对密度差异指数，/>

表示数据点的预设邻域范围内第

个其他数据点的近邻密度，/>

表示取最大值，/>

表示取最小值；/>

表示近邻密度差异度，/>

表示近邻密度差异表征值，/>

表示近邻相对密度值。

关于近邻相对密度差异指数的获取，分析了数据点与其预设邻域范围内其他数据点的近邻密度；当数据点和其预设邻域范围内其他数据点的近邻密度越接近时，对应的近邻密度差异度越接近1，该数据点的近邻相对密度差异指数越接近0，此类情况可以反映该数据点处于夹具结构中较为平整简单的位置处，因为该数据点周围的近邻密度相似。对于近邻相对密度差异指数较小的数据点，因处于结构较为简单的位置，故在该位置处可用较少的数据点表示该位置的特征并参与后续的点云匹配，并且对夹具质量检测的准确性影响较小；因此该数据点可被删除的概率较大。当数据点和其预设邻域范围内其他数据点的近邻密度差异较大时，对应的近邻密度差异度越大，该数据点的近邻相对密度差异指数越接近1，此类情况可反映该数据点处于夹具结构中较为复杂的位置，因为数据点之间的欧氏距离相差较大导致近邻密度差异较大，例如开槽或圆孔区域。对于近邻相对密度差异指数较大的数据点，因为处于结构较为复杂的位置，故在该位置处需要较多的数据点表示该位置的特征并参与后续的点云匹配；因此该数据点被删除的概率较小，否则会影响到夹具质量检测的准确性。

至此，获得了点云数据集中所有数据点的近邻相对密度差异指数，后续步骤可根据数据点的近邻相对密度差异指数结合对应位置的形状特征，选取需要删除的数据点。

步骤S2，根据数据点与预设邻域范围内其他数据点所组成的曲面获得数据点的曲率；根据数据点的曲率和近邻相对密度差异指数获得数据点的结构信息差异指数；根据点云数据集中每个数据点的结构信息差异指数获得结构信息差异指数直方图。

因为夹具不同位置处的结构复杂程度不同，对于表面较为平整的位置，因结构较为简单，可用较少的数据点表征该位置的特征；而对于表面较为复杂的位置，需要较多的数据点表征该位置的特征，从而提高质量检测的准确性。为了表征夹具表面不同位置的复杂程度，故根据数据点与预设邻域范围内其他数据点所组成的曲面获得数据点的曲率；曲率能够反映表面的平整程度，当曲率越小，意味着该位置处越平整，可用较少的数据点进行后续的点云匹配；当曲率越大，意味该位置处结构越复杂，需要用较多的数据点进行后续的点云匹配。

进一步地，获得了点云数据集中数据点的近邻相对密度差异指数和对应的曲率后，则需要分析能够删除的数据点，故首先根据数据点的曲率和近邻相对密度差异指数获得数据点的结构信息差异指数，具体包括：计算数据点的曲率与预设第二极小正数的和，计算数据点的曲率与预设第二极小正数的和与对应的近邻相对密度差异指数的乘积，获得结构信息差异指数。其中预设第二极小正数的目的是避免曲率为零的时候使得结构信息差异指数为零，影响后续的数据点分析。对于数据点的结构信息差异指数，当该数值越大，意味着该数据点位置处的结构越复杂，故该数据点在后续的点云匹配过程越重要，对质量检测的准确性影响较大；当该数值越小，意味着该数据点位置处的结构越简单，故该数据点在后续的点云匹配过程中的重要性较低，对质量检测的准确性影响较小。

获得了点云数据集中每个数据点的结构信息差异指数后，则可根据数据点的结构信息差异指数值分析能够剔除的数据点，为了能够合理地选取以及分配能够剔除的数据点，需要确定点云数据集中结构信息差异指数的大小分布情况，故根据点云数据集中每个数据点的结构信息差异指数获得结构信息差异指数直方图，具体包括：根据所述点云数据集中所述数据点的所述结构信息差异指数的大小范围和预设区间数量，构建所述点云数据集中所述数据点与所述结构信息差异指数的结构信息差异指数直方图，其中横轴为不同的所述结构信息差异指数的等长范围区间，纵轴为对应的所述数据点的数量，获得所述结构信息差异指数直方图。在本发明实施例中，预设区间数量为10，实施者可根据实施场景自行确定。根据结构信息差异指数的大小分布以及预设区间数量，确定分布直方图中横轴不同结构信息差异指数的等长范围区间和纵轴对应的数据点数量，获得结构信息差异指数直方图。该结构信息差异指数直方图能够直观地反映各个区间中数据点数量的情况，后续可基于该结构信息差异指数直方图分析能够删除的数据点。

步骤S3，根据预设比例获得结构信息差异指数直方图中不同区间的数据点的删除数量；根据删除数量、结构信息差异指数直方图中与每个数据点区间相同的预设邻域范围内的其他数据点的数量特征和距离特征，获得待删除数据点；将点云数据集中待删除数据点剔除获得去冗余点云数据集；将待检测夹具的去冗余点云数据集和标准夹具的去冗余点云数据集进行匹配获得匹配率，根据匹配率分析待检测夹具的质量。

当数据点的结构信息差异指数越小时，该数据点在点云数据集中越不重要，可删除性越大，为了提高点云匹配的效率，同时又需要保证质量检测的准确性；故可根据预设比例获得结构信息差异指数直方图中不同区间的数据点的删除数量，具体包括：计算不同预设比例与结构信息差异指数直方图中每个等长范围区间中的数据点的数量的乘积，其中结构信息差异指数越大的等长范围区间所对应的预设比例越小；获得结构信息差异指数直方图中不同区间的数据点的删除数量。根据结构信息差异指数直方图可直观反映不同等长范围区间内的数据点数量，同时结构信息差异指数越小的等长范围区间内数据点可删除的数量越多，而结构信息差异指数越大的等长范围区间内数据点可删除的数量越少。在本发明实施例中，对预设的10个等长范围区间的预设比例分别为百分之十到百分之十九，结构信息差异指数最小的等长范围区间对应的预设比例为百分之十九；结构信息差异指数最大的等长范围区间对应的预设比例为百分之十；实施者可根据实施场景自行确定。

获得了每个结构信息差异指数的等长范围区间内的数据点的数量后，则需要具体分析需要删除的数据点，故根据删除数量、结构信息差异指数直方图中与每个数据点相同区间的预设邻域范围内的其他数据点的数量特征和距离特征，获得待删除数据点；具体包括：对于任意一个数据点，统计数据点的预设邻域范围内的其他数据点与数据点在相同的等长范围区间的数量，获得每个数据点的相同区间数量值；对于任意一个等长范围区间中对应的所有数据点，根据对应的相同区间数量值从大到小排序获得序列，根据删除数量在序列中从第一位开始遍历选取数据点，且后续选取的数据点与所有已选取的数据点之间的欧氏距离需要大于预设距离，直至获得删除数量的数据点后，停止选取，获得待删除数据点。在本发明实施例中，预设距离为0.5，实施者可根据实施场景自行确定。预设距离的目的是防止夹具某局部地区的大量数据点被剔除，不能够反映该位置的表面特征，影响后续质量检测的准确性。对于根据对应的相同区间数量值从大到小排序获得序列，根据删除数量在序列中从第一位开始遍历选取数据点，目的是选取数据点与其周围其他数据点的结构信息差异指数相似的数据点进行剔除，因结构信息差异指数相似的数据点，意味者该数据点位置处较为平整，故可删除的概率较大。至此夹具的点云数据集中删除的数据点分布较为离散，且大部分数据点皆在结构简单位置处。

获得了待删除数据点后，则将点云数据集中待删除数据点剔除获得去冗余点云数据集；将待检测夹具的去冗余点云数据集和标准夹具的去冗余点云数据集进行匹配获得匹配率，根据匹配率分析待检测夹具的质量，具体包括：根据点云匹配算法将待检测夹具的去冗余点云数据集和标准夹具的去冗余点云数据集进行匹配获得匹配率，当匹配率超过预设匹配阈值时，则待检测夹具的质量合格。在本发明实施例中，使用迭代最近点算法对去冗余点云数据集进行匹配，需要说明的是迭代最近点算法为一种现有经典的数据配置算法，具体匹配步骤不再赘述。在本发明实施例中，预设匹配阈值为0.95，实施者可根据实施场景自行确定，当匹配率大于预设匹配阈值时，则可认为待检测夹具的表面质量较好。至此，通过对点云数据集中数据点进行合理地选取删除后完成点云匹配，提高了夹具表面质量检测的效率以及准确性。

综上所述，本发明实施例提供了一种新能源汽车模具用夹具质量检测方法；首先获取待检测夹具和标准夹具的点云数据集，根据点云数据集中数据点与预设邻域范围内其他数据点的距离特征获得近邻密度；根据数据点与预设邻域范围内其他数据点的近邻密度获得近邻相对密度差异指数。根据近邻相对密度差异指数和曲率获得数据点的结构信息差异指数；根据点云数据集中结构信息差异指数的大小分布确定删除数量；根据删除数量以及数据点的预设邻域范围内其他数据点的数量特征和距离特征获得待删除数据点以及去冗余点云数据集。根据去冗余点云数据集进行点云匹配获得匹配率，根据匹配率分析夹具质量，提高了夹具检测的效率以及准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (8)

1.一种新能源汽车模具用夹具质量检测方法，其特征在于，所述方法包括以下步骤：

分别获取待检测夹具和标准夹具的点云数据集；根据所述点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得所述数据点的近邻密度；根据所述数据点和预设邻域范围内其他数据点的所述近邻密度的差异特征获得所述数据点的近邻相对密度差异指数；

根据所述数据点与预设邻域范围内其他数据点所组成的曲面获得所述数据点的曲率；根据所述数据点的所述曲率和所述近邻相对密度差异指数获得所述数据点的结构信息差异指数；根据所述点云数据集中每个所述数据点的所述结构信息差异指数获得结构信息差异指数直方图；

根据预设比例获得所述结构信息差异指数直方图中不同区间的数据点的删除数量；根据所述删除数量、所述结构信息差异指数直方图中与每个所述数据点区间相同的预设邻域范围内的其他数据点的数量特征和距离特征，获得待删除数据点；将所述点云数据集中所述待删除数据点剔除获得去冗余点云数据集；将待检测夹具的所述去冗余点云数据集和标准夹具的所述去冗余点云数据集进行匹配获得匹配率，根据所述匹配率分析所述待检测夹具的质量。

2.根据权利要求1所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据所述点云数据集中数据点与预设邻域范围内其他数据点之间的距离特征获得所述数据点的近邻密度的步骤包括：

分别计算所述数据点和预设邻域范围内每个其他数据点的欧氏距离，计算预设第一极小正数与所述数据点和预设邻域范围内任意一个其他数据点的欧氏距离的和，获得所述数据点的距离表征值；计算所述数据点的所述距离表征值的倒数的平均值，获得所述近邻密度，平均值和近邻密度呈正相关关系。

3.根据权利要求1所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据所述数据点和预设邻域范围内其他数据点的所述近邻密度的差异特征获得所述数据点的近邻相对密度差异指数的步骤包括：

对于所述数据点和预设邻域范围内的任意一个其他数据点，计算二者中最大的所述近邻密度和最小的所述近邻密度的比值，获得近邻密度差异度；计算常数一与所述近邻密度差异度的差值，获得近邻密度差异表征值，计算所述数据点和预设邻域范围内所有其他数据点的所述近邻密度差异表征值的平均值并正相关映射，获得近邻相对密度值，计算常数一与所述近邻相对密度值的差值，获得所述数据点的所述近邻相对密度差异指数。

4.根据权利要求1所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据所述数据点的所述曲率和所述近邻相对密度差异指数获得所述数据点的结构信息差异指数的步骤包括：

计算所述数据点的所述曲率与预设第二极小正数的和，计算所述数据点的所述曲率与预设第二极小正数的和与对应的所述近邻相对密度差异指数的乘积，获得所述结构信息差异指数。

5.根据权利要求1所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据所述点云数据集中每个所述数据点的所述结构信息差异指数获得结构信息差异指数直方图的步骤包括：

根据所述点云数据集中所述数据点的所述结构信息差异指数的大小范围和预设区间数量，构建所述点云数据集中所述数据点与所述结构信息差异指数的结构信息差异指数直方图，其中横轴为不同的所述结构信息差异指数的等长范围区间，纵轴为对应的所述数据点的数量，获得所述结构信息差异指数直方图。

6.根据权利要求5所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据预设比例获得所述结构信息差异指数直方图中不同区间的数据点的删除数量的步骤包括：

计算不同预设比例与所述结构信息差异指数直方图中每个所述等长范围区间中的数据点的数量的乘积，获得所述结构信息差异指数直方图中不同区间的数据点的删除数量；其中所述结构信息差异指数越大的所述等长范围区间所对应的所述预设比例越小。

7.根据权利要求5所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述获得待删除数据点的步骤包括：

对于任意一个所述数据点，统计所述数据点的预设邻域范围内的其他数据点与所述数据点在相同的所述等长范围区间的数量，获得每个所述数据点的相同区间数量值；

对于任意一个所述等长范围区间中对应的所有数据点，根据对应的所述相同区间数量值从大到小排序获得序列，根据所述删除数量在所述序列中从第一位开始遍历选取所述数据点，且后续选取的数据点与所有已选取的所述数据点之间的欧氏距离需要大于预设距离，直至获得所述删除数量的数据点后，停止选取，获得所述待删除数据点。

8.根据权利要求1所述的一种新能源汽车模具用夹具质量检测方法，其特征在于，所述根据所述匹配率分析所述待检测夹具的质量的步骤包括：

根据点云匹配算法将待检测夹具的所述去冗余点云数据集和标准夹具的所述去冗余点云数据集进行匹配获得匹配率，当所述匹配率超过预设匹配阈值时，所述待检测夹具的质量合格；当所述匹配率不超过预设匹配阈值时，所述待检测夹具的质量不合格。

Images