CN116698847A - 用于风管法兰的焊缝检测方法、检测装置及可读存储介质 - Google Patents
用于风管法兰的焊缝检测方法、检测装置及可读存储介质 Download PDFInfo
- Publication number
- CN116698847A CN116698847A CN202310465428.2A CN202310465428A CN116698847A CN 116698847 A CN116698847 A CN 116698847A CN 202310465428 A CN202310465428 A CN 202310465428A CN 116698847 A CN116698847 A CN 116698847A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- cloud data
- included angle
- data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 56
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000013598 vector Substances 0.000 claims abstract description 99
- 238000003466 welding Methods 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 72
- 238000005070 sampling Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 14
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 3
- 238000001303 quality assessment method Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 230000005291 magnetic effect Effects 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000003302 ferromagnetic material Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000006249 magnetic particle Substances 0.000 description 1
- 239000006247 magnetic powder Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/25—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures by projecting a pattern, e.g. one or more lines, moiré fringes on the object
- G01B11/2518—Projection by scanning of the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/01—Arrangements or apparatus for facilitating the optical investigation
- G01N2021/0106—General arrangement of respective parts
- G01N2021/0112—Apparatus in one mechanical, optical or electronic block
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种用于风管法兰的焊缝检测方法、检测装置及可读存储介质,所述方法包括:激光扫描仪获取扫描数据,并传输至处理模块;将扫描数据转化为点云数据;获取各个点的点云深度方向的法向量;计算法向量与参考平面的夹角;获取点云数据与重构后曲面模型之间的拟合误差;若夹角>夹角阈值或拟合误差>拟合误差阈值,所述处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,所述处理模块不输出检测预警信号;本发明通过激光扫描仪获取焊缝处的点云数据,避免了对焊接结构的影响;通过夹角和拟合误差的双重判断对焊缝进行检测,可以快速、准确地获取焊缝的几何形状信息,并且可以对焊缝进行全方位、高精度的质量评估。
Description
技术领域
本发明涉及风管法兰生产技术领域,具体涉及一种用于风管法兰的焊缝检测方法、检测装置及可读存储介质。
背景技术
在风管法兰的生产中进行焊接是常见的工艺,而进行焊缝检查则是非常必要的。主要原因包括:
焊接的质量会直接影响风管法兰的安全性和使用寿命。焊接缺陷可能会导致风管法兰在使用过程中出现漏气、开裂等问题,从而影响风管系统的正常运行和使用寿命。
风管法兰的用途多样化,需要承受不同的压力和温度等环境因素。焊缝质量的差异会影响其承受能力,而焊缝缺陷可能会导致风管法兰在使用过程中不能满足实际需求。
针对风管法兰生产中进行焊缝检查的方法包括目视检查、磁粉检测法、超声波检测、X射线检测等,其中视觉检查法的缺点:只能检测表面缺陷,无法检测内部缺陷,检测结果容易受到检查人员主观因素的影响;磁粉检测法的缺点:只能检测铁磁性材料,不能检测非铁磁性材料,需要进行清洗和处理,容易对环境造成污染;超声波检测法的缺点:需要专业的技术和设备,对检测人员的要求较高,受焊缝的几何形状和材料性质的影响较大,检测结果存在误差,X射线检测法的缺点:需要专业的技术和设备,对检测人员的要求较高。检测成本较高,且对环境和人员有一定的辐射危险。
发明内容
本发明所要解决的技术问题是现阶段的风管法兰生产中存在焊接缺陷,目的在于提供一种用于风管法兰的焊缝检测方法、检测装置及可读存储介质,实现了对风管法兰的焊缝检查的目的。
本发明通过下述技术方案实现:
一种用于风管法兰的焊缝检测方法,基于一种焊缝检查装置,所述焊缝检查装置包括至少四个激光扫描仪,四个所述激光扫描仪分别固定设置在风管法兰的四个焊接点处,且所述激光扫描仪的扫描方向对准所述风管法兰的焊缝;
所述焊缝检测方法包括以下步骤:
第一步,激光扫描仪判断风管法兰达到设定的检测位置,启动多个激光扫描仪,分别获取风管法兰焊接位置的扫描数据,并将扫描数据传输至处理模块;
第二步,处理模块将扫描数据转化为点云数据;
第三步,获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解后,获取各个点的点云深度方向的法向量;
第四步,设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
第五步,建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
第六步,若夹角>夹角阈值或拟合误差>拟合误差阈值,所述处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,所述处理模块不输出检测预警信号。
具体地,第二步中,将扫描数据转换为点云数据的具体方法包括:
A1、获取扫描数据中每一个点的三维坐标信息,并将三维坐标信息保存为离散化的三维坐标点云数据;
A2、将三维坐标点云数据进行去噪处理,获取降噪点云数据;
A2-1、将三维坐标点云数据随机采样为固定大小的子集;
A2-2、使用高斯混合模型对每个子集进行建模,并拟合出点云中的真实分布;
A2-3、计算每个点的似然概率其中p(x)表示点x的似然概率,ωi,μi,Σi分布表示高斯混合模型的权重、均值和协方差矩阵,φ(x|μi,Σi)表示多变量高斯分布的概率密度函数;设定概率阈值p',若p(x)<p',则删除对应的点x;
A3、对降噪点云数据进行重构,获取重构三维模型;
A4、对重构三维模型进行平滑处理,并获取最终的点云数据。
具体地,步骤A4中,对重构三维模型进行平滑处理的方法包括:
A4-1、建立重构三维模型对应的三角形网络数据结构,并计算每个顶点的邻域;
A4-2、计算每个顶点i的拉普拉斯矩阵,并通过拉普拉斯矩阵获取点i的邻域点;
A4-3、构建平滑处理方程式:其中/>表示第k+1次迭代后点i的新位置,ni表示点i的邻域数量,N(i)表示点i的邻域点集合,wij表示点i和点j之间的权重值,/>表示第k次迭代后点j的位置;
A4-4、设定迭代平滑度或迭代次数,并重复迭代A4-2和A4-3直至获取平滑的三维模型;
步骤A4中,获取最终的点云数据的方法包括:
A4-5、建立平滑后的三维模型对应的三角形网络数据结构,并进行采样,获得采样点;
A4-6、对采样点进行曲面重建,生成曲面模型;
A4-7、获取曲面模型上的点云数据,作为最终的点云数据。
具体地,第三步中,点云数据对应的协方差矩阵为其中,n为点云中点的数量,xi为第i个点的位置向量,/>为点云的中心位置;
对协方差矩阵进行奇异值分解,获得特征向量和特征值:M=USVT,其中,U为特征向量矩阵,S为特征值对角矩阵,VT为特征向量矩阵;
获取协方差矩阵的最小特征值,并将最小特征值对应的特征向量作为点云深度方向的法向量n。
具体地,计算法向量n与参考平面的夹角方法为:将法向量n投影到参考平面,获得法向量n在参考平面上的投影向量u,计算投影向量u与法向量n的夹角:
具体地,在第五步中,进行三维模型重构的方法包括:
B1、获取每一个点的法向量,并计算法向量的特征向量,获得三个主方向向量;
B2、将三个主方向向量作为列向量组成3×3矩阵,获得旋转矩阵;
B3、将点云数据与旋转矩阵相乘,进行坐标变换,并获得坐标变换后的点云数据;
B4、将坐标变换后的点云数据进行三维模型二次重构。
具体地,在第五步中,拟合误差的获得方法包括:
B5、对二次重构后的三维模型进行曲面拟合,获得第二曲面模型;
B6、获取每一个点云数据对应的点在二次曲面模型的上投影点:Pt=P-(P-P0)·n·nT,其中,P为点云数据中的点,P0是第二曲面模型上距离点P最近的点,n是P点的法向量;
B7、计算点云数据中的点与其投影点之间的距离:L=||P-Pt||2;
B8、获取拟合误差,
一种用于风管法兰的焊缝检测装置,包括:激光扫描仪和处理模块,四个所述激光扫描仪分别固定设置在风管法兰的四个焊接点处,且所述激光扫描仪的扫描方向对准所述风管法兰的焊缝;所述激光扫描仪设置在焊接机器人的下游,所述激光扫描仪的数据输出端与所述处理模块的数据输入端电连接。
具体地,所述数据处理模块包括:
转化模块,其用于将扫描数据转化为点云数据;
法向量获取模块,其用于获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解,获取各个点的点云深度方向的法向量;
夹角计算模块,其用于设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
拟合误差计算模块,其用于建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
判断模块,其用于对夹角和拟合误差进行判断,若夹角>夹角阈值或拟合误差>拟合误差阈值,所述处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,所述处理模块不输出检测预警信号。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的方法的步骤。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明通过激光扫描仪获取焊缝处的点云数据,并根据点云数据对焊缝进行评估,无需对焊缝进行任何物理破坏,避免了对焊接结构的影响;
通过引入协方差矩阵和奇异值分解等获取法向量后计算夹角,并采用旋转矩阵进行坐标变换和三维重构获取拟合误差,通过夹角和拟合误差的双重判断对焊缝进行检测,可以快速、准确地获取焊缝的几何形状信息,并且可以对焊缝进行全方位、高精度的质量评估。
附图说明
附图示出了本发明的示例性实施方式,并与其说明一起用于解释本发明的原理,其中包括了这些附图以提供对本发明的进一步理解,并且附图包括在本说明书中并构成本说明书的一部分,并不构成对本发明实施例的限定。
图1是根据本发明所述的一种用于风管法兰的焊缝检测方法的流程示意图。
图2是根据本发明所述的一种用于风管法兰的焊缝检测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合附图和实施方式对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施方式仅用于解释相关内容,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分。
在不冲突的情况下,本发明中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本发明。
实施例一
本实施提供如图2所示的一种用于风管法兰的焊缝检测装置,包括:激光扫描仪和处理模块,四个激光扫描仪分别固定设置在风管法兰的四个焊接点处,且激光扫描仪的扫描方向对准风管法兰的焊缝;激光扫描仪设置在焊接机器人的下游,激光扫描仪的数据输出端与处理模块的数据输入端电连接。
激光扫描仪是一种能够快速、高精度地获取三维物体表面点云数据的测量设备。它通过发射一束激光,并接收激光经过反射后返回的信号来确定物体表面的三维坐标。激光扫描仪的工作原理是利用激光器产生一束高能量的激光束,通过一组透镜和扫描镜进行聚焦和扫描,将激光束沿着水平和垂直方向扫描,形成一个扫描平面,然后照射到被测物体表面上。物体表面反射回的激光束被接收器接收并转化为电信号,经过处理后可以获得该点的三维坐标信息。
在激光扫描仪的测量中,激光束到达物体表面后会产生反射和散射,从而形成反射光和散射光。反射光指的是激光束到达物体表面后按照反射定律,以相同的角度反射回来的光线。散射光指的是激光束到达物体表面后由于表面的粗糙度和不均匀性,光线会以各种不同的角度散射回来的光线。
因此,在实际的激光扫描中,通过采集反射光和散射光,可以得到物体表面的点云数据。点云数据是由大星离散的点坐标组成的集合,每个点的坐标表示物体表面在该位置的三维坐标。
本申请中通过将激光扫描仪设置在焊接机器人的下游,则当焊接机器人对风管法兰进行焊接后,通过机械手或者传送带等移动至激光扫描仪所处的位置,然后即可以通过激光扫描仪对焊缝的形态进行采集。
其中,处理模块包括多个不同的内部逻辑模块,当然,可以由多个不同的处理器组成一个处理集群,将其作为处理模块,数据处理模块包括:
转化模块,其用于将扫描数据转化为点云数据;
法向量获取模块,其用于获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解,获取各个点的点云深度方向的法向量;
夹角计算模块,其用于设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
拟合误差计算模块,其用于建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
判断模块,其用于对夹角和拟合误差进行判断,若夹角>夹角阈值或拟合误差>拟合误差阈值,处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,处理模块不输出检测预警信号。
实施例二
本实施例提供一种用于风管法兰的焊缝检测方法,基于实施例一中的用于风管法兰的焊缝检测装置,本方法利用激光扫描仪获取点云数据,通过奇异值分解获取法向量,并建立点云数据和法向量对应的旋转矩阵进行三维模型重构,从而实现对风管法兰焊缝的检测。通过设定夹角阈值和拟合误差阈值,可以判断焊缝是否符合要求,并在必要时输出预警信号。
如图1所示,焊缝检测方法包括以下步骤:
第一步,激光扫描仪判断风管法兰达到设定的检测位置,启动多个激光扫描仪,分别获取风管法兰焊接位置的扫描数据,并将扫描数据传输至处理模块;
在该步骤中,首先需要确定风管法兰的检测位置。可以通过设置一个触发器或者传感器来检测风管法兰的到位情况,当风管法兰到达设定的位置时,触发器或传感器将信号传递给激光扫描仪,激光扫描仪开始扫描焊接位置。
接下来,需要启动多个激光扫描仪,分别对风管法兰的四个焊接点处进行扫描。这些激光扫描仪可以同时工作,或者按照一定的时间间隔轮流扫描。激光扫描仪通过发送激光束并记录其返回的反射光的时间和位置信息,以获取风管法兰的三维空间信息。
最后,扫描数据将传输到处理模块进行处理。处理模块可以将多个激光扫描仪获取的数据进行融合,以获得更为准确的点云数据,并为后续步骤提供输入数据。在这一步中,需要确保扫描数据的准确性和完整性,以保证后续的数据处理和分析结果的准确性和可靠性。
第二步,处理模块将扫描数据转化为点云数据;
点云数据是由三维空间中的点构成的集合,每个点都有其自身的位置坐标和其他属性信息。在焊缝检测中,点云数据是由激光扫描仪获取到的一系列点构成的。这些点的坐标位置可以表示风管法兰的表面形状,从而反映出焊缝的形态信息。
在进行点云数据转化之前,需要对扫描数据进行一定的处理和过滤。这些处理包括去除噪点、平滑数据、剔除离群点等。这些处理可以提高点云数据的质量,减少数据中的噪声和异常点。
然后,需要将经过处理后的扫描数据转化为点云数据。转化过程主要涉及到将扫描数据中的点坐标、反射强度等信息转化为点云数据中的点坐标、法向量等信息。
最后,点云数据可以被用于进行后续的数据处理和分析,例如获取焊缝的形状信息、计算法向量、进行三维模型重构等。这些分析结果可以用于判断焊缝是否符合要求,并输出相应的检测预警信号。
第三步,获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解后,获取各个点的点云深度方向的法向量;
在点云数据中,每个点都有其自身的位置坐标和其他属性信息。点云数据的分析和处理需要对这些属性信息进行计算和推导。其中,法向量是点云数据中一项重要的属性信息之一,可以用于表征点云数据的曲率和表面法线信息。在焊缝检测中,法向量的计算可以帮助确定焊缝的位置和形态信息。
点云数据中的法向量可以通过计算每个点与其周围点的协方差矩阵来获取。奇异值分解是一种线性代数的方法,可以将矩阵分解为三个部分:左奇异向量、奇异值和右奇异向量。通过分解协方差矩阵,可以获取到点云深度方向的法向量信息。
第四步,设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
设定平行于焊接平面的一个平面为参考平面(参考平面与焊接平面之间的距离即为焊缝的标准厚度),计算法向量与参考平面的夹角。夹角越小,表明法向量与参考平面越接近,从而表示点云数据中的点越可能属于参考平面。为了判断点云数据中的点是否属于参考平面,需要设定一个夹角阈值。如果法向量与参考平面的夹角小于设定的阈值,则将其归为达到设定的标准厚度的焊缝点;如果夹角大于设定的阈值,则将其归为未达到标准厚度的焊缝点。阈值的设定需要根据实际情况进行调整,以保证检测结果的准确性和可靠性。
第五步,建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
在进行三维模型重构之前,需要建立点云数据和法向量对应的旋转矩阵。旋转矩阵可以将点云数据中的点沿法向量方向进行旋转,以使焊缝所在平面垂直于点云数据所在的坐标系。这样可以消除因点云数据在坐标系中的倾斜造成的误差,从而提高焊缝检测的精度和准确性。
在进行三维模型重构后,需要计算点云数据与重构后曲面模型之间的拟合误差。拟合误差表示点云数据与曲面模型之间的差异程度,是评估重构精度的指标之一。
第六步,若夹角>夹角阈值或拟合误差>拟合误差阈值,处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,处理模块不输出检测预警信号。
根据设定的阈值,可以判断点云数据中的点是否属于参考平面,并输出相应的检测预警信号。如果法向量与参考平面的夹角大于设定的阈值,或者点云数据与重构后曲面模型之间的拟合误差大于设定的阈值,则认为该焊缝不符合要求,需要进行修复或重新焊接,并输出相应的检测预警信号。如果法向量与参考平面的夹角小于设定的阈值且点云数据与重构后曲面模型之间的拟合误差小于设定的阈值,则认为该焊缝符合要求,不需要进行修复或重新焊接,并不输出检测预警信号。
检测预警信号可以采用声音、光信号或者其他方式进行提示,以便及时发现问题并进行处理。
实施例三
本实施例是对第二步进行详细说明,在第二步中,将扫描数据转换为点云数据的具体方法包括:
A1、获取扫描数据中每一个点的三维坐标信息,并将三维坐标信息保存为离散化的三维坐标点云数据;
在扫描过程中,激光扫描仪会记录每个点在三维空间中的位置坐标信息。这些点的位置信息可以表示为三维坐标,通过获取扫描数据中的每一个点的三维坐标信息,并将其保存为离散化的三维坐标点云数据。离散化的点云数据通常是由大量的点构成的,每个点都具有其自身的位置坐标和其他属性信息。
A2、将三维坐标点云数据进行去噪处理,获取降噪点云数据;
在点云数据处理过程中,会出现一些噪声点,这些点通常会对点云数据的分析和处理产生干扰和误差。因此,在进行后续的点云数据分析和处理之前,需要对点云数据进行去噪处理。去噪处理的目的是尽可能地去除噪声点,保留有用的点云数据信息。
A2-1、将三维坐标点云数据随机采样为固定大小的子集;在进行去噪处理时,常常会采用子采样(Subsampling)的方法,以减少点云数据的数量和复杂度。子采样通常是将点云数据随机采样为固定大小的子集。这样可以降低数据量,加速算法的运行速度,并使处理结果更稳定。
A2-2、使用高斯混合模型对每个子集进行建模,并拟合出点云中的真实分布;高斯混合模型是一种常用的统计模型,它可以将复杂的分布分解为多个高斯分布的加权和,其中每个高斯分布对应一个簇。在点云去噪处理中,可以采用高斯混合模型对每个子集进行建模,并拟合出点云中的真实分布。通过这种方式,可以更好地描述点云数据的特征和分布,以便后续的处理和分析。
A2-3、计算每个点的似然概率其中p(x)表示点x的似然概率,ωi,μi,Σi分布表示高斯混合模型的权重、均值和协方差矩阵,φ(x|μi,Σi)表示多变量高斯分布的概率密度函数;设定概率阈值p',若p(x)<p',则删除对应的点x;似然概率是指一个点来自于某一高斯分布的概率,可以通过多变量高斯分布的概率密度函数来计算。设定概率阈值是为了保留点云数据中真实的信息,并删除可能是噪声的点。如果一个点的似然概率低于设定的概率阈值,则认为它是噪声点,应该从点云数据中删除。
A3、对降噪点云数据进行重构,获取重构三维模型;常用的三维模型重构方法包括基于网格的重构算法、基于体素的重构算法等。
A4、对重构三维模型进行平滑处理,并获取最终的点云数据。
重构的三维曲面模型可能会存在一些不光滑的区域,这些区域可能会对后续的分析和处理产生干扰和误差。因此,在重构后的三维曲面模型上进行平滑处理是必要的。
在步骤A4中,需要对重构三维模型进行平滑处理,其具体的方法包括:
A4-1、建立重构三维模型对应的三角形网络数据结构,并计算每个顶点的邻域;
这个过程是将三维模型的顶点、边和面转换为三角形的数据结构,以便后续的处理和分析。在此步骤中,您需要建立重构三维模型对应的三角形网络数据结构,并计算每个顶点的邻域。每个顶点的邻域是指与该顶点相邻的其他顶点的集合。
A4-2、计算每个顶点i的拉普拉斯矩阵,并通过拉普拉斯矩阵获取点i的邻域点;
拉普拉斯矩阵是一种表示图结构的矩阵,它可以描述节点之间的关系和相互影响。在进行平滑处理时,可以使用拉普拉斯矩阵来描述三维模型的邻域结构和点之间的相互影响,邻域点是指与点i相邻的其他点的集合。
A4-3、构建平滑处理方程式:其中/>表示第k+1次迭代后点i的新位置,ni表示点i的邻域数量,N(i)表示点i的邻域点集合,wij表示点i和点j之间的权重值,/>表示第k次迭代后点j的位置;
A4-4、平滑处理通常需要进行多次迭代,以达到更好的平滑效果,设定迭代平滑度或迭代次数,并重复迭代A4-2和A4-3直至获取平滑的三维模型;
在步骤A4中,获取最终的点云数据的方法包括:
A4-5、建立平滑后的三维模型对应的三角形网络数据结构,并进行采样,获得采样点;
在完成三维模型的平滑处理后,需要将平滑后的三维模型转换为三角形网络数据结构,并进行采样,以获得采样点。采样点是三维模型上的一组点,可以表示三维模型的特征和形状,也可以作为后续曲面重建的输入。
A4-6、对采样点进行曲面重建,生成曲面模型;曲面重建是指从点云数据中恢复曲面形状的过程。在进行曲面重建时,可以使用各种曲面重建算法,如泊松重建、基于网格的重建和基于深度学习的重建等。
A4-7、获取曲面模型上的点云数据,作为最终的点云数据。
实施例四
本实施例对第三步进行进一步说明。
协方差矩阵是一个描述数据分布和相关性的矩阵,可以用于计算点云数据的特征和形状,点云数据对应的协方差矩阵为其中,n为点云中点的数量,xi为第i个点的位置向量,/>为点云的中心位置;
对协方差矩阵进行奇异值分解,获得特征向量和特征值:M=USVT,其中,U为特征向量矩阵,S为特征值对角矩阵,VT为特征向量矩阵;奇异值分解是一种线性代数运算,用于将一个矩阵分解为三个矩阵的乘积,其中包括一个特征向量矩阵、一个特征值对角矩阵和另一个特征向量矩阵的转置。
在计算特征向量和特征值后,可以根据特征值的大小来确定点云数据的主要方向和形状,通常情况下,点云数据的深度方向与特征值最小的特征向量相对应,获取协方差矩阵的最小特征值,并将最小特征值对应的特征向量作为点云深度方向的法向量n。点云深度方向的法向量可以用于计算点云数据的法向量和表面法线,以描述点云数据的形状和特征。
第三步中,计算法向量n与参考平面的夹角方法为:将法向量n投影到参考平面,获得法向量n在参考平面上的投影向量u,计算投影向量u与法向量n的夹角:
实施例五
在第五步中,进行三维模型重构的方法包括:
B1、获取每一个点的法向量,并计算法向量的特征向量,获得三个主方向向量;主方向向量可以用于描述点云数据的主要方向和形状。
B2、将三个主方向向量作为列向量组成3×3矩阵,获得旋转矩阵;旋转矩阵描述了点云数据的旋转变换,可以用于将点云数据从当前坐标系旋转到另一个坐标系。
B3、将点云数据与旋转矩阵相乘,进行坐标变换,并获得坐标变换后的点云数据;
B4、将坐标变换后的点云数据进行三维模型二次重构。在进行坐标变换后,对点云数据进行进一步的处理和分析,以提取点云数据的特征和形状,从而生成更准确和完整的三维模型。
在第五步中,拟合误差的获得方法包括:
B5、对二次重构后的三维模型进行曲面拟合,获得第二曲面模型;曲面拟合是指对点云数据进行拟合,得到一个连续曲面的过程。
B6、获取每一个点云数据对应的点在二次曲面模型的上投影点:Pt=P-(P-P0)·n·nT,其中,P为点云数据中的点,P0是第二曲面模型上距离点P最近的点,n是P点的法向量;
B7、计算点云数据中的点与其投影点之间的距离:L=||P-Pt||2;此处的距离是指点云数据中的点与其在第二曲面模型上的投影点之间的欧几里得距离。
B8、获取拟合误差,拟合误差是指点云数据中的点与其在第二曲面模型上的投影点之间的距离的平均值。
实施例六
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述任一项的方法的步骤。
不失一般性,计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令数据结构,程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM、EEPROM、闪存或其他固态存储技术,CD-ROM、DVD或其他光学存储﹑磁带盒﹑磁带﹑磁盘存储或其他磁性存储设备。当然,本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器和大容量存储设备可以统称为存储器。
在本说明书的描述中,参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
本领域的技术人员应当理解,上述实施方式仅仅是为了清楚地说明本发明,而并非是对本发明的范围进行限定。对于所属领域的技术人员而言,在上述发明的基础上还可以做出其它变化或变型,并且这些变化或变型仍处于本发明的范围内。
Claims (10)
1.一种用于风管法兰的焊缝检测方法,其特征在于,基于一种焊缝检查装置,所述焊缝检查装置包括至少四个激光扫描仪,四个所述激光扫描仪分别固定设置在风管法兰的四个焊接点处,且所述激光扫描仪的扫描方向对准所述风管法兰的焊缝;
所述焊缝检测方法包括以下步骤:
第一步,激光扫描仪判断风管法兰达到设定的检测位置,启动多个激光扫描仪,分别获取风管法兰焊接位置的扫描数据,并将扫描数据传输至处理模块;
第二步,处理模块将扫描数据转化为点云数据;
第三步,获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解后,获取各个点的点云深度方向的法向量;
第四步,设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
第五步,建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
第六步,若夹角>夹角阈值或拟合误差>拟合误差阈值,所述处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,所述处理模块不输出检测预警信号。
2.根据权利要求1所述的一种用于风管法兰的焊缝检测方法,其特征在于,第二步中,将扫描数据转换为点云数据的具体方法包括:
A1、获取扫描数据中每一个点的三维坐标信息,并将三维坐标信息保存为离散化的三维坐标点云数据;
A2、将三维坐标点云数据进行去噪处理,获取降噪点云数据;
A2-1、将三维坐标点云数据随机采样为固定大小的子集;
A2-2、使用高斯混合模型对每个子集进行建模,并拟合出点云中的真实分布;
A2-3、计算每个点的似然概率其中p(x)表示点x的似然概率,ωi,μi,Σi分布表示高斯混合模型的权重、均值和协方差矩阵,φ(x|μi,Σi)表示多变量高斯分布的概率密度函数;设定概率阈值p',若p(x)<p',则删除对应的点x;
A3、对降噪点云数据进行重构,获取重构三维模型;
A4、对重构三维模型进行平滑处理,并获取最终的点云数据。
3.根据权利要求2所述的一种用于风管法兰的焊缝检测方法,其特征在于,步骤A4中,对重构三维模型进行平滑处理的方法包括:
A4-1、建立重构三维模型对应的三角形网络数据结构,并计算每个顶点的邻域;
A4-2、计算每个顶点i的拉普拉斯矩阵,并通过拉普拉斯矩阵获取点i的邻域点;
A4-3、构建平滑处理方程式:其中/>表示第k+1次迭代后点i的新位置,ni表示点i的邻域数量,N(i)表示点i的邻域点集合,wij表示点i和点j之间的权重值,/>表示第k次迭代后点j的位置;
A4-4、设定迭代平滑度或迭代次数,并重复迭代A4-2和A4-3直至获取平滑的三维模型;
步骤A4中,获取最终的点云数据的方法包括:
A4-5、建立平滑后的三维模型对应的三角形网络数据结构,并进行采样,获得采样点;
A4-6、对采样点进行曲面重建,生成曲面模型;
A4-7、获取曲面模型上的点云数据,作为最终的点云数据。
4.根据权利要求1所述的一种用于风管法兰的焊缝检测方法,其特征在于,第三步中,点云数据对应的协方差矩阵为其中,n为点云中点的数量,xi为第i个点的位置向量,/>为点云的中心位置;
对协方差矩阵进行奇异值分解,获得特征向量和特征值:M=USVT,其中,U为特征向量矩阵,S为特征值对角矩阵,VT为特征向量矩阵;
获取协方差矩阵的最小特征值,并将最小特征值对应的特征向量作为点云深度方向的法向量n。
5.根据权利要求4所述的一种用于风管法兰的焊缝检测方法,其特征在于,计算法向量n与参考平面的夹角方法为:将法向量n投影到参考平面,获得法向量n在参考平面上的投影向量u,计算投影向量u与法向量n的夹角:
6.根据权利要求1所述的一种用于风管法兰的焊缝检测方法,其特征在于,在第五步中,进行三维模型重构的方法包括:
B1、获取每一个点的法向量,并计算法向量的特征向量,获得三个主方向向量;
B2、将三个主方向向量作为列向量组成3×3矩阵,获得旋转矩阵;
B3、将点云数据与旋转矩阵相乘,进行坐标变换,并获得坐标变换后的点云数据;
B4、将坐标变换后的点云数据进行三维模型二次重构。
7.根据权利要求6所述的一种用于风管法兰的焊缝检测方法,其特征在于,在第五步中,拟合误差的获得方法包括:
B5、对二次重构后的三维模型进行曲面拟合,获得第二曲面模型;
B6、获取每一个点云数据对应的点在二次曲面模型的上投影点:Pt=P-(P-P0)·n·nT,其中,P为点云数据中的点,P0是第二曲面模型上距离点P最近的点,n是P点的法向量;
B7、计算点云数据中的点与其投影点之间的距离:L=||P-Pt||2;
B8、获取拟合误差,
8.一种用于风管法兰的焊缝检测装置,其特征在于,包括:激光扫描仪和处理模块,四个所述激光扫描仪分别固定设置在风管法兰的四个焊接点处,且所述激光扫描仪的扫描方向对准所述风管法兰的焊缝;所述激光扫描仪设置在焊接机器人的下游,所述激光扫描仪的数据输出端与所述处理模块的数据输入端电连接。
9.根据权利要求8所述的一种用于风管法兰的焊缝检测装置,其特征在于,所述数据处理模块包括:
转化模块,其用于将扫描数据转化为点云数据;
法向量获取模块,其用于获取点云数据对应的协方差矩阵,对协方差矩阵进行奇异值分解,获取各个点的点云深度方向的法向量;
夹角计算模块,其用于设定参考平面,计算法向量与参考平面的夹角;并设定夹角阈值;
拟合误差计算模块,其用于建立点云数据和法向量对应的旋转矩阵,并对焊缝进行三维模型重构;获取点云数据与重构后曲面模型之间的拟合误差;并设定拟合误差阈值;
判断模块,其用于对夹角和拟合误差进行判断,若夹角>夹角阈值或拟合误差>拟合误差阈值,所述处理模块输出检测预警信号;若夹角≤夹角阈值且拟合误差≤拟合误差阈值,所述处理模块不输出检测预警信号。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465428.2A CN116698847A (zh) | 2023-04-26 | 2023-04-26 | 用于风管法兰的焊缝检测方法、检测装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310465428.2A CN116698847A (zh) | 2023-04-26 | 2023-04-26 | 用于风管法兰的焊缝检测方法、检测装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116698847A true CN116698847A (zh) | 2023-09-05 |
Family
ID=87840033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310465428.2A Pending CN116698847A (zh) | 2023-04-26 | 2023-04-26 | 用于风管法兰的焊缝检测方法、检测装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116698847A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557553A (zh) * | 2023-12-28 | 2024-02-13 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
CN117571341A (zh) * | 2024-01-16 | 2024-02-20 | 山东中亚轮胎试验场有限公司 | 一种轮胎全方位磨损检测系统及方法 |
-
2023
- 2023-04-26 CN CN202310465428.2A patent/CN116698847A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117557553A (zh) * | 2023-12-28 | 2024-02-13 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
CN117557553B (zh) * | 2023-12-28 | 2024-05-24 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
CN117571341A (zh) * | 2024-01-16 | 2024-02-20 | 山东中亚轮胎试验场有限公司 | 一种轮胎全方位磨损检测系统及方法 |
CN117571341B (zh) * | 2024-01-16 | 2024-05-14 | 山东中亚轮胎试验场有限公司 | 一种轮胎全方位磨损检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116698847A (zh) | 用于风管法兰的焊缝检测方法、检测装置及可读存储介质 | |
CN112581457B (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
US11268881B2 (en) | System and method for fan blade rotor disk and gear inspection | |
Xu et al. | TLS-based composite structure deformation analysis validated with laser tracker | |
US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
JP2006519369A (ja) | 腐食と表面欠陥を走査するための方法と装置 | |
CN114626470B (zh) | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 | |
Rodríguez-Martín et al. | Macro-photogrammetry as a tool for the accurate measurement of three-dimensional misalignment in welding | |
US20090138231A1 (en) | Inspection artifacts, systems and methods for fusing multi-modality inspection data | |
Dong et al. | A weld line detection robot based on structure light for automatic NDT | |
Rodríguez-Gonzálvez et al. | Weld bead detection based on 3D geometric features and machine learning approaches | |
Zheng et al. | A primitive-based 3D reconstruction method for remanufacturing | |
Wu et al. | Concrete spalling detection for metro tunnel from point cloud based on roughness descriptor | |
CN110849882A (zh) | 一种用于识别、定位、检测管道焊缝的设备及方法 | |
KR20210018397A (ko) | 3차원 자동 스캔 시스템 및 방법 | |
Zhang et al. | Optimisation of camera positions for optical coordinate measurement based on visible point analysis | |
Ouabi et al. | A fastslam approach integrating beamforming maps for ultrasound-based robotic inspection of metal structures | |
Ye et al. | Method for automatic railway track surface defect classification and evaluation using a laser‐based 3D model | |
Ghorbani et al. | Accurate registration of point clouds of damaged aeroengine blades | |
CN116579955B (zh) | 一种新能源电芯焊缝反光点去噪和点云补全方法及系统 | |
CN115578429B (zh) | 一种基于点云数据的模具在线精度检测方法 | |
Judek et al. | Analysis of measurement errors in rail vehicles’ pantograph inspection system | |
Kjellander et al. | Planar segmentation of data from a laser profile scanner mounted on an industrial robot | |
Shen et al. | Multiple-sensor planning and information integration for automatic coordinate metrology | |
Wu et al. | Surface defects 3D localization for fluorescent magnetic particle inspection via regional reconstruction and partial-in-complete point clouds registration |
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 |