CN116503390A - 一种基于计算机视觉的五金零件缺陷检测方法 - Google Patents

Abstract

本申请涉及图像处理领域，提供一种基于计算机视觉的五金零件缺陷检测方法，包括采集五金零件的点云数据；基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符；基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符；基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。本发明针对每一个点云数据构建特征描述符，进而进行缺陷检测，该方法能够提高检测准确性。

Description

一种基于计算机视觉的五金零件缺陷检测方法

技术领域

本申请涉及图像处理领域，特别是涉及一种基于计算机视觉的五金零件缺陷检测方法。

背景技术

在五金零件生产过程中，不良的加工设备或工人的不当操作容易导致五金零件表面产生缺陷，如果直接将这些表面存在缺陷的五金零件应用于工业产品的制造上，将严重影响工业产品的质量。

传统的五金零件表面缺陷检测方法主要是通过计算机视觉进行检测，能够自动高效的完成对五金零件表面缺陷的检测，但对环境较为敏感，且电子烟五金零件较小，通过计算机视觉的方法在识别时存在精度不高的问题；基于模板匹配的方法相对简单，具有可靠性高、识别速度快等优点，但不同的电子烟五金零件具有不同的结构特点，使用模板匹配算法进行匹配时，匹配效果可能有一定差异。

发明内容

本发明提供一种基于计算机视觉的五金零件缺陷检测方法，该方法能够提高检测准确性。

第一方面，本申请提供一种基于计算机视觉的五金零件缺陷检测方法，包括：

采集五金零件的点云数据；

基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符；

基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符；

基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。

优选的，基于点云数据在空间中的分布混乱程度确定五金零件中每一点云数据的整体特征描述符，包括：

基于点云数据建立极对数空间直角坐标系；其中，极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向，Z轴正方向为点云数据的Z轴正方向；在极对数空间直角坐标系中，坐标点记为，其中/>表示坐标点到坐标原点的距离，/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角，记为方位角，/>表示坐标点与坐标原点的连线与z轴的夹角，记为极角；

基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符。

优选的，基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符，包括：

在极对数空间直角坐标系中将预设半径分为N段，以得到mN个区域，其中，m为三维空间的象限数量；

基于点云数据在各个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。

优选的，基于点云数据在各个区域内的分布情况定五金零件的整体特征描述符，包括：

根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率；

基于第i个区域的区域概率计算点云数据的K近邻分布熵：点云数据的K近邻分布熵为整体特征描述符，用于表征点云数据周围的点云数据分布混乱程度。

优选的，基于点云数据的局部弯曲程度确定五金零件的局部特征描述符，包括：

基于点云数据建立极对数空间直角坐标系；

将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点；

遍历点云数据对应的K近邻点，直至将点云数据对应的K近邻点连为一条路径；

根据路径构建结构复杂度，将结构复杂度确定为点云数据的局部特征描述符。

优选的，根据路径确定结构复杂度，包括：

根据路径经过的点云数据的顺序，得到极角序列和方位角序列；

通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性；方位角差分序列是通过对方位角序列一阶差分计算得到的；

通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性；

根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。

优选的，基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测，包括：

利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合，得到点云数据对应的拟合曲面；

利用曲率半径法计算点云数据对应的拟合曲面的曲率半径；

基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。

优选的，基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测，包括：

基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符构建五金零件中的每一点云数据对应的特征描述符；

计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度；

基于相似度确定五金零件是否存在缺陷。

优选的，计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度，包括：

基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；五金零件局部描述符相似度的权重，检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。

优选的，利用如下公式计算相似度：

；

其中RSD表示相似度，表示曲率半径相似度的权重，/>表示对括号内的数据进行线性归一化处理，避免量纲不同带来的影响，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离，反映其相似度，/>表示五金零件整体描述符相似度的权重，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；/>表示五金零件局部描述符相似度的权重，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。

本申请的有益效果，区别于现有技术，本申请的基于计算机视觉的五金零件缺陷检测方法，包括采集五金零件的点云数据；基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符；基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符；基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。本发明针对每一个点云数据构建特征描述符，进而进行缺陷检测，该方法能够提高检测准确性。

附图说明

图1为本发明基于计算机视觉的五金零件缺陷检测方法的一实施例的流程示意图；

图2为图1中步骤S13的一实施例的流程示意图；

图3是图1中步骤S14的一实施例的流程示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

下面结合附图和实施例对本申请进行详细的说明。

请参见图1，图1为本发明基于计算机视觉的五金零件缺陷检测方法的一实施例的流程示意图，具体包括：

步骤S11：采集五金零件的点云数据。

本申请以五金零件中的电子烟雾化芯支架为例进行说明。使用激光三维扫描仪获取电子烟雾化芯支架的三维模型，采集点云数据，得到每个点的空间坐标，由于获取到的点云数据中可能存在噪声和异常点影响后续的匹配，据此本发明使用VoxelGrid滤波器对点云数据进行预处理，既能够初步对点云数据进行降采样，在一定程度上减少计算量，又能够避免噪声和异常点对ICP匹配算法匹配结果的影响。

步骤S12：基于点云数据在空间中的分布混乱程度确定五金零件中的每一点云数据的整体特征描述符。

在一实施例中，基于点云数据建立极对数空间直角坐标系；其中，极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向，Z轴正方向为点云数据的Z轴正方向；在极对数空间直角坐标系中，坐标点记为，其中/>表示坐标点到坐标原点的距离，/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角，记为方位角，/>表示坐标点与坐标原点的连线与z轴的夹角，记为极角；基于点云数据在极对数空间直角坐标系中的分布情况确定五金零件中每一点云数据的整体特征描述符。

具体的，以点云数据中的一个点为例，以该点/>为坐标原点、以点云数据中的x轴正方向作为x轴正方向、以点云数据中的z轴正方向作为z轴正方向建立极对数空间直角坐标系，使用极对数坐标是为了使构建的整体特征描述符对邻近采样点更敏感，强化局部特性。

根据点所在的极对数空间直角坐标系，则在极对数空间直角坐标系中点坐标记为/>，其中/>表示点到坐标原点的距离，/>表示点与坐标原点的连线在x-y平面上的投影与x轴的夹角，记为方位角，/>表示点与坐标原点的连线与z轴的夹角，记为极角，则可以根据雾化器支架点云在极对数空间直角坐标系中的分布情况确定雾化器支架中每一点云数据的整体特征描述符。

在一具体实施例中，在极对数空间直角坐标系中将预设半径r分为N段，以得到mN个区域，其中，m为三维空间的象限数量；基于点云数据在各个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。具体的，三维空间内有8个象限，以点为原点建立的极对数空间直角坐标系中，取预设半径r为2，将预设半径按照距离分为N段(N通常取经验值4)，得到8N个区域，基于点云数据在8N个区域内的分布情况定五金零件中每一点云数据的整体特征描述符。

在一实施例中，根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率。具体的，第i个区域的区域概率计算方式为：

；

其中，表示第i个区域的区域概率，/>表示点云数据出现在第i个区域的概率，即第i个区域内的点数占点总数的比例，/>表示第i个区域内点云数据的数量，/>表示第i个区域内第j个点云数据到坐标原点的距离，r表示区域半径，本发明中取经验值2。

基于第i个区域的区域概率计算点云数据的K近邻分布熵。具体的，K近邻分布熵的计算方式为：

；

E表示点云数据的K近邻分布熵。点云数据的K近邻分布熵为整体特征描述符，用于表征点云数据周围的点云数据分布混乱程度。

步骤S13：基于点云数据的局部弯曲程度确定五金零件中每一点云数据的局部特征描述符。

具体的，请结合图2，步骤S13具体包括：

步骤S21：基于点云数据建立极对数空间直角坐标系。

具体的，建立极对数空间直角坐标系的方式如上述步骤S12中，在此不再赘述。

步骤S22：将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点。

以点云数据 为例，通过上述步骤S21得到以点云数据点/>为中心的极对数空间直角坐标系，则距离点云数据 />最近的K个点记为该点云数据的K近邻点(K通常取经验值15)。

步骤S23：遍历点云数据对应的K近邻点，直至将点云数据对应的K近邻点连为一条路径。

以点云数据为起点，找到距离点云数据/>最近的点，记为点A，计算未在路径上的点中距离点A最近的点，记为点B，计算未在路径上的点中距离点B最近的点，如此往复，直至将点云数据/>的所有K近邻点连为一条路径。

步骤S24：根据路径构建结构复杂度，将结构复杂度确定为点云数据的局部特征描述符。

具体的，根据路径经过的点云数据的顺序，得到极角序列和方位对方位角序列一阶差分计算得到方位角差分序列，通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性；通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性；根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。从雾化芯支架图中可以看出，雾化芯支架中的平整表面不存在倾斜部分，即平整表面只有水平平面与竖直平面，在两种平面内的点，在极对数空间直角坐标系中，各点极坐标中或/>的变化较小，且接近于0，据此可以构建结构复杂度指标。

在一具体实施例中，结构复杂度的计算方式为：

；

其中，表示点云数据不在竖直平面的可能性，表示点云数据不在水平平面的可能性。

具体的，其中DPL表示点云数据的结构复杂度，K表示点云数据/>的近邻点数，通常取经验值15，/>表示方位角差分序列中第b个元素的值，/>表示极角序列中第c个元素的值。

反映了点云数据/>不在竖直平面的可能性，当点云数据/>与其K近邻点处于同一竖直平面时，各点之间极坐标中/>的变化越小，则越接近0，/>越接近0，表明点云数据/>越可能位于竖直平面内；当点云数据/>与其K近邻点不处于同一竖直平面时，各点极坐标中的大小可能各不相同，则/>越接近1，/>越接近1，表明点云数据/>越不可能位于竖直平面内。

反映了点云数据/>不在水平平面的可能性，当点云数据/>与其K近邻点处于同一水平平面时，各点极坐标中/>的值较小，接近于0，则越接近0，/>越接近0，表明点云数据/>越可能位于水平平面内；当点云数据/>与其K近邻点不处于同一水平平面时，各点极坐标中/>的大小可能各不相同，则/>越接近1，/>越接近1，表明点云数据/>越不可能位于水平平面内。

当点云数据位于水平平面时，/>的值较小，当点云数据/>位于竖直平面时，/>的值较小，故取二者最小值作为点云数据/>的结构复杂度，若二者最小值接近于0，则表明点云数据/>处于平面内，结构较为简单，对应的结构复杂度较小，若二者最小值较大，则表明点云数据/>既不处于水平平面内，又不处于竖直平面内，结构相对复杂，对应的结构复杂度较大。

将结构复杂度确定为点云数据的局部特征描述符。

步骤S14：基于整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。

具体的，请结合图3，步骤S14包括：

步骤S31：利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合，得到点云数据对应的拟合曲面。

以点云数据 为例，通过上述步骤S21得到以点云数据点/>为中心的极对数空间直角坐标系，则距离点云数据 />最近的K个点记为该点云数据的K近邻点(K通常取经验值15)。K近邻点所组成的曲面记为该点的K近邻曲面，通过最小二乘法对该点的K近邻曲面进行拟合，得到拟合曲面S。

步骤S32：利用曲率半径法计算点云数据对应的拟合曲面的曲率半径。

通过曲率半径法计算得到点云数据的拟合曲面S的曲率半径，将其作为点云数据/>的曲率半径。

步骤S33：基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符对五金零件进行缺陷检测。

具体的，基于点云数据对应的曲率半径、整体特征描述符以及局部特征描述符构建五金零件中的每一点云数据对应的特征描述符。

通过上述步骤所得点云数据的曲率半径反映了该点的弧度特征，整体特征描述符反映了点云数据/>周围空间内点的分布情况，局部特征描述符反映了点云数据/>所处位置的结构复杂性，则可以构建五金零件例如雾化芯支架的特征描述符，记为/>，反映了雾化芯支架整体与局部的结构特征，其中R表示点云数据/>的曲率半径，E表示点云数据/>整体特征描述符，DPL表示点云数据局部特征描述符。

计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。

在一实施例中，基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；五金零件局部描述符相似度的权重，检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。

具体的，利用如下公式计算相似度：

；

其中RSD表示相似度，表示曲率半径相似度的权重，通常取经验值0.3，/>表示对括号内的数据进行线性归一化处理，避免量纲不同带来的影响，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离，反映其相似度，/>表示五金零件整体描述符相似度的权重，通常取经验值0.3，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；/>表示五金零件局部描述符相似度的权重，通常取经验值0.4，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。距离越小，表明检测点云数据点与参考点云数据点越相似，对应的相似度越大；距离越大，表明检测点云数据点与参考点云数据点越不相似，对应的相似度越小。

通过上述方法，可以计算得到检测点云数据中各点与参考点云数据中各点的相似度，得到相似度矩阵。

基于相似度确定五金零件是否存在缺陷。根据上述步骤得到的相似度矩阵，使用ICP匹配算法对点云数据进行匹配，则可以根据匹配结果计算雾化芯支架标准匹配水平，其计算公式如下：

；

其中Q表示检测五金零件与参考五金零件的匹配水平，表示检测点云数据量，表示参考点云数据量，n表示匹配成功点对数，/>表示第q个匹配成功点对之间的距离。

匹配成功点对数越多，匹配点对之间的距离越小，表明待检测五金零件与参考五金零件的差异越小，越不可能存在缺陷，对应的匹配水平值越大。匹配成功点对数越少，匹配点对之间的距离越大，表明检测五金零件与参考五金零件的差异越大，越可能存在缺陷，对应的匹配水平值越小。

本发明通过分析五金零件的结构特征，分别基于点云数据在空间中的混乱程度构建雾化芯支架整体特征描述符、基于局部点云数据的表面特征构建结构复杂度作为雾化芯支架局部特征描述符，基于雾化芯支架整体特征描述符与雾化芯支架局部特征描述符，结合曲率半径，构建特征描述符，将其作为3DSC算法中电子烟雾化芯支架的结构特征描述符，进而计算相似度，得到相似度矩阵，在使用ICP算法进行匹配时，匹配结果更准确。

以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种基于计算机视觉的五金零件缺陷检测方法，其特征在于，包括：

采集五金零件的点云数据；

基于所述点云数据在空间中的分布混乱程度确定所述五金零件中的每一点云数据的整体特征描述符；

基于所述点云数据的局部弯曲程度确定所述五金零件中每一点云数据的局部特征描述符；

基于所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测。

2.根据权利要求1所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于所述点云数据在空间中的分布混乱程度确定所述五金零件中每一点云数据的整体特征描述符，包括：

基于所述点云数据建立极对数空间直角坐标系；其中，极对数空间直角坐标系中的X轴正方向为点云数据的X轴正方向，Z轴正方向为点云数据的Z轴正方向；在极对数空间直角坐标系中，坐标点记为，其中/>表示坐标点到坐标原点的距离，/>表示坐标点与坐标原点的连线在x-y平面上的投影与x轴的夹角，记为方位角，/>表示坐标点与坐标原点的连线与z轴的夹角，记为极角；

基于所述点云数据在所述极对数空间直角坐标系中的分布情况确定所述五金零件中每一点云数据的整体特征描述符。

3.根据权利要求2所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于所述点云数据在所述极对数空间直角坐标系中的分布情况确定所述五金零件中每一点云数据的整体特征描述符，包括：

在极对数空间直角坐标系中将预设半径分为N段，以得到mN个区域，其中，m为三维空间的象限数量；

基于点云数据在各个区域内的分布情况确定所述五金零件中每一点云数据的整体特征描述符。

4.根据权利要求3所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于点云数据在各个区域内的分布情况确定所述五金零件的整体特征描述符，包括：

根据点云数据出现在第i个区域的概率、第i个区域内点云数据的数量、第i个区域内第j个点云数据到坐标原点的距离、预设半径计算第i个区域的区域概率；

基于第i个区域的区域概率计算点云数据的K近邻分布熵：点云数据的K近邻分布熵为整体特征描述符，用于表征点云数据周围的点云数据分布混乱程度。

5.根据权利要求1所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于所述点云数据的局部弯曲程度确定所述五金零件的局部特征描述符，包括：

基于所述点云数据建立极对数空间直角坐标系；

将极对数空间直角坐标系中距离点云数据最近的k个点确定为点云数据的K近邻点；

遍历点云数据对应的K近邻点，直至将点云数据对应的K近邻点连为一条路径；

根据所述路径构建结构复杂度，将所述结构复杂度确定为点云数据的所述局部特征描述符。

6.根据权利要求5所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，根据所述路径确定结构复杂度，包括：

根据路径经过的点云数据的顺序，得到极角序列和方位角序列；

通过K近邻点的数量、方位角差分序列确定点云数据不在竖直平面的可能性；方位角差分序列是通过对方位角序列一阶差分计算得到的；

通过K近邻点的数量、极角序列计算点云数据不在水平平面的可能性；

根据点云数据不在竖直平面的可能性以及点云数据不在水平平面的可能性确定结构复杂度。

7.根据权利要求6所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测，包括：

利用最小二乘法对点云数据的K近邻点组成的K近邻曲面进行拟合，得到点云数据对应的拟合曲面；

利用曲率半径法计算点云数据对应的拟合曲面的曲率半径；

基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测。

8.根据权利要求7所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符对所述五金零件进行缺陷检测，包括：

基于点云数据对应的所述曲率半径、所述整体特征描述符以及所述局部特征描述符构建五金零件中的每一点云数据对应的特征描述符；

计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度；

基于所述相似度确定所述五金零件是否存在缺陷。

9.根据权利要求8所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于，计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度，包括：

基于曲率半径相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离、五金零件整体描述符相似度的权重、检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；五金零件局部描述符相似度的权重，检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离计算每一点云数据对应的特征描述符与参考五金零件中每一点云数据对应的参考特征描述符之间的相似度。

10.根据权利要求9所述的基于计算机视觉的五金零件缺陷检测方法，其特征在于：

利用如下公式计算相似度：

；

其中RSD表示相似度，表示曲率半径相似度的权重，/>表示对括号内的数据进行线性归一化处理，避免量纲不同带来的影响，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的曲率半径的欧氏距离，反映其相似度，/>表示五金零件整体描述符相似度的权重，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的整体描述符的欧氏距离；/>表示五金零件局部描述符相似度的权重，/>表示检测五金零件中点云数据点与参考五金零件中点云数据的局部描述符的欧氏距离。