CN118799365A - 一种面向智能制造的航空cad零件三维检测方法 - Google Patents
一种面向智能制造的航空cad零件三维检测方法 Download PDFInfo
- Publication number
- CN118799365A CN118799365A CN202410951716.3A CN202410951716A CN118799365A CN 118799365 A CN118799365 A CN 118799365A CN 202410951716 A CN202410951716 A CN 202410951716A CN 118799365 A CN118799365 A CN 118799365A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- calculating
- aviation
- distance
- 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 32
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 20
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims description 49
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000013519 translation Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- WANLLPADDCXPGO-WMKJBNATSA-N (6r,9s,12s)-3-[(2s)-butan-2-yl]-6-[(4-methoxyphenyl)methyl]-9-[6-(oxiran-2-yl)-6-oxohexyl]-1,4,7,10-tetrazabicyclo[10.4.0]hexadecane-2,5,8,11-tetrone Chemical compound C([C@@H]1C(=O)NC(C(N2CCCC[C@H]2C(=O)N[C@@H](CCCCCC(=O)C2OC2)C(=O)N1)=O)[C@@H](C)CC)C1=CC=C(OC)C=C1 WANLLPADDCXPGO-WMKJBNATSA-N 0.000 claims description 6
- HHNFORCFJOVQNF-UHFFFAOYSA-N cyl-1 Chemical compound N1C(=O)C(CCCCCC(=O)C2OC2)NC(=O)C2CCCN2C(=O)C(C(C)CC)NC(=O)C1CC1=CC=C(OC)C=C1 HHNFORCFJOVQNF-UHFFFAOYSA-N 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种面向智能制造的航空CAD零件三维检测方法，包括以下步骤：获取航空CAD零件的三维点云数据；分别进行基于点云距离和基于点云曲率的采样；使用PCA粗配准算法和ICP精配准算法将基于点云距离采样得到的点云数据与原始CAD模型配准，并根据配准结果的均方根误差进行零件整体轮廓误差分析；采用优化的区域生长分割算法将基于点云曲率采样得到的点云数据分割成不同部件的点云簇，并将点云簇拟合成几何模型，然后进行部件形位误差计算，包括航空CAD零件的平面度误差、圆柱度误差、球度误差和位置误差的平行度误差、同轴度误差。本发明实现了针对航空CAD零件外形的整体‑部件两个层面的三维形变分析，更精确地评估零件的制造质量。
Description
技术领域
本发明属于三维点云模型检测技术领域，具体涉及一种面向智能制造的航空CAD零件三维检测方法。
背景技术
随着计算机辅助设计技术的迅猛发展，零件的外形设计日趋复杂，这对检测手段提出了更高的挑战。传统的二维检测方法不仅过程繁琐、效率低下，而且其检测质量难以保证稳定性。
随着三维测量技术的迅速崛起，基于CAD模型的数字化三维检测方法逐渐成为工业检测领域的主流方案。然而，当前这些方法对于航空CAD零件的检测局限于整体尺寸上的误差，而在零件细节的多层面形位误差计算方面尚存在不足。因此，为了更精确地评估零件的制造质量，有必要进一步探索和完善基于CAD模型的数字化三维检测方法，特别是在形位误差计算方面，以提供更全面、更准确的检测结果。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足，提供一种面向智能制造的航空CAD零件三维检测方法，通过获取航空CAD零件的三维点云数据；对点云数据进行预处理，精简点云；采用基于主成分分析法(Principal Component Analysis，PCA)的粗配准算法和基于迭代最近点法(Iterative Closest Points，ICP)的精配准算法，将CAD模型和测量点云数据对齐，基于配准结果对零件进行整体轮廓误差分析；基于优化的区域生长分割算法将零件点云数据分割成各个部件，将分割得到的点云簇拟合成几何模型，进行形位误差分析；实现了针对航空CAD零件外形的整体-部件两个层面的三维形变分析，更精确地评估零件的制造质量。
为实现上述技术目的，本发明采取的技术方案为：
一种面向智能制造的航空CAD零件三维检测方法，包括以下步骤：
(1)利用三维激光扫描仪扫描航空CAD零件，获取航空CAD零件的三维点云数据；
(2)对三维点云数据，分别进行基于点云距离和基于点云曲率的采样；
(3)使用PCA粗配准算法和ICP精配准算法将基于点云距离采样得到的点云数据与原始CAD模型配准，并根据配准结果的均方根误差进行零件整体轮廓误差分析；
(4)采用优化的区域生长分割算法将基于点云曲率采样得到的点云数据分割成不同部件的点云簇，并将点云簇拟合成几何模型，然后进行部件形位误差计算，包括航空CAD零件的平面度误差、圆柱度误差、球度误差和位置误差的平行度误差、同轴度误差。
为优化上述技术方案，采取的具体措施还包括：
上述的步骤(2)包括如下子步骤：
(2.1)在基于点云距离采样的过程中，遍历整个三维点云数据集，针对每一个尚未被标记为删除的点，计算其与K个邻近点之间的欧式距离，如果某个邻近点的距离小于预设的阈值，那么该邻近点被标记为待删除，直至所有点云数据中的点都经过处理，使余下任意的点云数据之间的距离都大于给定的距离阈值；
(2.2)在基于曲率采样的过程中，对于三维点云数据集中的任意一点，对其K个邻近点尝试平面拟合，得到的拟合平面视为该点的近似切平面，假定数据点pi，K个邻近点所拟合的平面fv使用点oi与单位法向量来表示，计算点到拟合平面的距离这一距离反映该点的曲率，以此来判断该点是否被删除，如果某个邻近点的曲率小于预设的阈值，那么该邻近点被标记为待删除，使余下任意的点云数据的曲率都大于给定的曲率阈值。
上述的步骤(3)中PCA粗配准算法的具体过程为：
(3.1.1)将原始CAD模型的点云数据作为源点云，将基于点云距离采样得到的点云数据作为目标点云，分别计算源点云和目标点云的主方向；
(3.1.2)求解能使源点云和目标点云的主方向在空间中达到重合的旋转矩阵；
(3.1.3)计算源点云和目标点云的质心，依据质心位置关系计算平移矩阵；
(3.1.4)基于旋转矩阵和平移矩阵配准源点云和目标点云。
上述的步骤(3)中ICP精配准算法的具体过程为：
(3.2.1)将原始CAD模型的点云数据作为源点云P，基于点云距离采样得到的点云数据作为目标点云Q；
(3.2.2)从目标点云Q中获得点qi∈Q；
(3.2.3)在源点云P中搜索点pi，使得距离‖pi-qi‖最小，确立两者之间的映射关系；
(3.2.4)通过计算平移矩阵T和旋转矩阵R，使误差函数达到最小值，其中n为参与计算的对应点对数量；
(3.2.5)依据步骤(3.2.4)获得的平移矩阵T和旋转矩阵R对目标点云中的点qi进行转换，并更新对应点集Q′{qi′＝Rqi+T,qi∈Q}；
(3.2.6)计算更新后点集Q′中点qi′与pi的平均距离
(3.2.7)如果d小于预设阈值或者迭代次数达到上限，则停止循环迭代，否则返回步骤(3.2.3)。
上述的步骤(4)中优化的区域生长分割算法的具体过程为：
(4.1)采用kd-tree结构来建立点云之间的拓扑关系；
(4.2)基于所述拓扑关系计算点云数据集中的任意一点的法线和曲率，选择曲率最低的点为初始种子点；
(4.3)对于当前的种子点，寻找其邻近点；
(4.4)计算每个邻近点的法线和当前种子点的法线之间的角度，如果角度小于法线夹角阈值，则将当前点添加到当前区域；
(4.5)计算每个邻近点的曲率值，如果曲率小于曲率阈值，那么对应点被添加到种子点列表中；
(4.6)将当前的种子点从种子点列表中移除，选择下一种子点重复步骤(4.3)-(4.6)，直至种子点列表为空，得到分割后的点云簇，若分割结果存在过分割现象则执行步骤(4.7)和(4.8)；
(4.7)计算分割得到的所有点云簇的质心位置及其尺寸，统计各个点云簇内所有点的法向，计算点云簇的平均法向；
(4.8)遍历所有点云簇，找出距离小于动态距离阈值的簇对作为候选合并对象，对于每个候选簇对，计算其平均法向之间的夹角，如果夹角小于预设阈值，则将此簇对合并为一个新的点云簇，直到没有更多的点云簇可以被合并为止。
上述的步骤(4)中计算航空CAD零件平面度误差的具体过程为：
对于需要分析误差的曲面fk，获得相应的点云簇m为点云簇中包含的点云数量，采用RANSAC估计拟合平面fv的最佳拟合参数fv:ax+by+cz+d＝0；计算Pk中的点到fv的距离得到集合其中表示点到拟合平面的距离fv，然后计算平面度误差
上述的步骤(4)中计算航空CAD零件圆柱度误差的具体过程为：
选取需分析误差的圆柱曲面fk，得到相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合圆柱曲面fv的最佳拟合参数fv:l(x-x0)2+m(y-y0)2+n(z-z0)2＝R2；通过计算Pk中的点到fv的距离获得集合其中表示点到拟合圆柱面fv的距离，然后计算圆柱度误差
上述的步骤(4)中计算航空CAD零件球度误差的具体过程为：
选取要进行误差分析的球面fk，获取相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合球面fv的最佳拟合参数fv:(x-x0)2+(y-y0)2+(z-z0)2＝R2；计算Pk中的点到fv的距离得到集合其中表示点到拟合球面fv的距离，然后计算球度误差
上述的步骤(4)中计算航空CAD零件平行度误差的具体过程为：
选取需要分析误差的曲面f1和f2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合平面的最佳拟合参数f1:a1x+b1y+c1z+d1＝0和f2:a2x+b2y+c2z+d2＝0，计算它们的平行度然后计算平行度误差parError＝1-par(f1,f2)，作为衡量两个平面或轴线之间偏离程度的参数。
上述的步骤(4)中计算航空CAD零件同轴度误差的具体过程为：
选取需要分析误差的曲面cyl1和cyl2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合圆柱面的最佳拟合参数，得到其轴线和计算同轴度然后计算同轴度误差coaError＝1-coa(cyl1,cyl2)，作为衡量两个圆柱面轴线之间相对位置关系的指标。
本发明具有以下有益效果：
本发明的航空CAD零件三维检测方法从整体-部件两个层面对航空CAD零件外形进行三维形变分析，整体上利用PCA算法和ICP算法配准测量点云和CAD模型，部件上使用优化的基于区域生长的分割算法，选取了曲率值最小的点作为初始种子节点，采用结合动态点距离阈值和表面法向一致性的后处理合并优化算法，综合考虑航空CAD零件的几何特征和表面特性把测量点云分成不同的区域，同时对于常见的形位误差设计了一系列算法以分析每个区域的误差，深入剖析每个区域的误差特性，实现了航空CAD零件外形形变的高效、准确、智能检测，为零件质量的全面评估提供有力支持。
附图说明
图1是本发明面向智能制造的航空CAD零件三维检测方法的流程图；
图2为本发明中点云数据采样示意图；
图3为本发明中测量点云和原始CAD模型配准结果示意图；
图4为本发明中基于优化的区域生长分割算法流程图；
图5为通过本发明航空CAD零件三维检测结果的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明中的步骤虽然用标号进行了排列，但并不用于限定步骤的先后次序，除非明确说明了步骤的次序或者某步骤的执行需要其他步骤作为基础，否则步骤的相对次序是可以调整的。可以理解，本文中所使用的术语“和/或”涉及且涵盖相关联的所列项目中的一者或一者以上的任何和所有可能的组合。
如图1所示，本发明的一种面向智能制造的航空CAD零件三维检测方法，包括以下步骤：
(1)利用三维激光扫描仪扫描航空CAD零件，获取航空CAD零件的三维点云数据；
(2)基于三维点云数据后续处理需求，采用基于点云距离采样和基于点云曲率采样的方法精简零件点云数据；
(3)将步骤(2)得到的基于点云距离采样的点云数据，使用PCA粗配准算法和ICP精配准算法实现与原始CAD模型配准，为后续零件整体误差的计算提供了必要条件；基于点云配准结果的均方根误差进行零件整体轮廓误差分析；
(4)将步骤(2)得到的基于点云曲率采样的点云数据，采用优化的区域生长分割算法实现零件点云数据分割成不同部件的点云簇；将点云分割得到的点云簇拟合成几何模型，进行部件形位误差分析，包括形状误差的平面度误差、球度误差、圆柱度误差和位置误差的平行度误差、同轴度误差。
如图2所示，步骤(2)包括如下子步骤：
(2.1)在基于距离采样的过程中，遍历整个点云数据集，针对每一个尚未被标记为删除的点，计算其与邻近K个点(K邻域)之间的欧式距离。如果某个邻近点的距离小于预设的阈值，那么该邻近点将被标记为待删除。这一步骤持续进行，直至所有点云数据中的点都经过处理，使余下任意的点云数据之间的距离都大于给定的距离阈值；
(2.2)在基于曲率采样的过程中，对于数据集中的任意一点，对其K邻域尝试平面拟合，得到的拟合平面视为该点的近似切平面。假定数据点pi，K邻域点所拟合的平面fv使用点oi与单位法向量来表示，计算点到拟合平面的距离这一距离反映了该点的曲率，进而以此来判断该点是否被删除，如果某个邻近点的曲率小于预设的阈值，那么该邻近点将被标记为待删除，使余下任意的点云数据的曲率都大于给定的曲率阈值。
针对点云数据分布杂乱、不均匀的点云数据，使用基于距离的采样算法，能够有效地实现点云的均匀采样，提高数据处理的效率。基于曲率信息采样更适合曲率差异大、特征明显的零件点云数据，能够精准地保留点云中的关键特征信息，如边缘、角点等，从而确保后续分析和处理的准确性。在实际检测中，采用基于点云距离采样的方法处理零件点云数据，以进行点云配准操作；同时，对于需要进行点云分割的数据，将运用基于点云曲率采样的算法。
步骤(3)中使用PCA算法进行粗配准的具体过程为：
(3.1.1)将原始CAD模型的点云数据作为源点云，将基于点云距离采样得到的点云数据作为目标点云，分别计算源点云和目标点云的主方向；
(3.1.2)求解能使源点云和目标点云的主方向在空间中达到重合的旋转矩阵；
(3.1.3)计算源点云和目标点云的质心，依据质心位置关系计算平移矩阵；
(3.1.4)通过旋转和平移操作的综合应用达到源点云和目标点云配准的效果。
步骤(3)中使用ICP算法进行精配准的具体过程为：
(3.2.1)将原始CAD模型的点云数据作为源点云P，基于点云距离采样得到的点云数据作为目标点云Q；
(3.2.2)从目标点云Q中获得点qi∈Q；
(3.2.3)在源点云P中搜索对应的点pi，使得距离‖pi-qi‖最小，确立两者之间的映射关系；
(3.2.4)通过计算平移矩阵T和旋转矩阵R，使所面对的误差函数 达到最小值，其中n为参与计算的对应点对数量；
(3.2.5)依据步骤(3.2.4)获得的位姿变换矩阵对目标点云中的点qi进行转换，并更新对应点集Q′{qi′＝Rqi+T,qi∈Q}；
(3.2.6)计算更新后点集Q′中点qi′与对应点集pi的平均距离d，
(3.2.7)如果d小于预设阈值或者迭代次数达到上限，则停止循环迭代，否则返回步骤(3.2.3)。
如图3所示，粗配准使得在短时间内达到点云数据的大概对齐，使后续的精配准阶段拥有较好的初始位姿，精配准进一步提升配准精度，使得原始CAD模型与测量点云在空间中实现对齐。
步骤(3)使用点云配准最终结果的轮廓误差作为零件整体外形误差的评价指标，引入均方根误差RMSE量化点云配准误差，其中n表示参与计算的对应点对数量，Xi表示配准后第i个对应点对之间的欧式距离，表示对应点之间欧式距离的真值。
如图4所示，步骤(4)中基于优化的区域生长点云分割算法的具体过程为：
(4.1)采用kd-tree结构来建立点云之间的拓扑关系，以改善邻域点的搜索方式，从而增强分割效率，本发明中K邻域的K值设定为50；
(4.2)计算点云数据集中的任意一点的法线和曲率，选择曲率最低的点为初始种子点；
(4.3)对于当前的种子点，寻找它的邻近点；
(4.4)计算每个邻近点的法线和当前种子点的法线之间的角度，如果角度小于法线夹角阈值，则将当前点添加到当前区域；
(4.5)计算每个邻近点的曲率值，如果曲率小于曲率阈值，那么这个点被添加到种子点列表中；
(4.6)将当前的种子点从种子点列表中移除，选择下一种子点重复步骤(4.3)-(4.6)，直至种子点列表为空，得到分割后的点云簇，若分割结果存在过分割现象则执行步骤(4.7)和(4.8)；
(4.7)计算分割得到的所有点云簇的质心位置及其尺寸，统计各个点云簇内所有点的法向，计算点云簇的平均法向；
(4.8)遍历所有点云簇，找出距离小于动态距离阈值的簇对作为候选合并对象。对于每个候选簇对，计算其平均法向之间的夹角。如果夹角小于预设阈值，则将此满足距离和法向一致性条件的簇对合并为一个新的点云簇。重复该步骤，直到没有更多的点云簇可以被合并为止。
在本发明对120度小沉头铆螺母的检测中，法线夹角阈值设定为3°，曲率阈值设定为0.1；对六角盖形螺母的检测中，法线夹角阈值设定为3.8°，曲率阈值设定为0.055；对法兰的检测中，法线夹角阈值设定为10°，曲率阈值设定为0.05。同时对六角盖形螺母点云数据进行基于区域生长的分割时存在过分割现象，结合动态点距离阈值和表面法向一致性进行合并优化，动态距离阈值设定为9，平均法向之间的夹角阈值设定为0.15°。
步骤(4)中从点云分割得到的点云簇中选取需要分析误差的曲面fk，采用RANSAC估计拟合成平面、圆柱体、球体等几何模型，根据获得的最佳拟合参数计算Pk中的点到拟合平面fv的距离，然后计算部件形位误差，包括形状误差的平面度误差、球度误差、圆柱度误差和位置误差的平行度误差、同轴度误差。
计算航空CAD零件平面度误差的具体过程为：
对于需要分析误差的曲面fk，获得相应的点云簇m为点云簇中包含的点云数量，采用RANSAC估计拟合平面fv的最佳拟合参数fv:ax+by+cz+d＝0；计算Pk中的点到fv的距离得到集合其中表示点到拟合平面的距离fv，然后计算平面度误差
计算航空CAD零件圆柱度误差的具体过程为：
选取需分析误差的圆柱曲面fk，得到相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合圆柱曲面fv的最佳拟合参数fv:l(x-x0)2+m(y-y0)2+n(z-z0)2＝R2；通过计算Pk中的点到fv的距离获得集合其中表示点到拟合圆柱面fv的距离，然后计算圆柱度误差
计算航空CAD零件球度误差的具体过程为：
选取要进行误差分析的球面fk，获取相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合球面fv的最佳拟合参数fv:(x-x0)2+(y-y0)2+(z-z0)2＝R2；计算Pk中的点到fv的距离得到集合其中表示点到拟合球面fv的距离，然后计算球度误差
计算航空CAD零件平行度误差的具体过程为：
选取需要分析误差的曲面f1和f2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合平面的最佳拟合参数f1:a1x+b1y+c1z+d1＝0和f2:a2x+b2y+c2z+d2＝0，计算它们的平行度然后计算平行度误差parError＝1-par(f1,f2)，作为衡量两个平面或轴线之间偏离程度的参数。
计算航空CAD零件同轴度误差的具体过程为：
选取需要分析误差的曲面cyl1和cyl2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合圆柱面的最佳拟合参数，得到其轴线和计算同轴度然后计算同轴度误差coaError＝1-coa(cyl1,cyl2)，作为衡量两个圆柱面轴线之间相对位置关系的指标。
图5为采用本发明面向智能制造的航空CAD零件三维检测方法对于120度小沉头铆螺母、六角盖形螺母、法兰的检测结果示意图，通过图5的结果，本发明航空CAD零件三维检测方法能够实现针对航空CAD零件外形的整体-部件两个层面的三维形变分析，能够克服当前数字化三维检测方法在零件细节形位误差计算方面的不足，提供更全面、更准确的检测结果,更精确地评估零件的制造质量。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种面向智能制造的航空CAD零件三维检测方法，其特征在于，包括以下步骤：
(1)利用三维激光扫描仪扫描航空CAD零件，获取航空CAD零件的三维点云数据；
(2)对三维点云数据，分别进行基于点云距离和基于点云曲率的采样；
(3)使用PCA粗配准算法和ICP精配准算法将基于点云距离采样得到的点云数据与原始CAD模型配准，并根据配准结果的均方根误差进行零件整体轮廓误差分析；
(4)采用优化的区域生长分割算法将基于点云曲率采样得到的点云数据分割成不同部件的点云簇，并将点云簇拟合成几何模型，然后进行部件形位误差计算，包括航空CAD零件的平面度误差、圆柱度误差、球度误差和位置误差的平行度误差、同轴度误差。
2.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(2)包括如下子步骤：
(2.1)在基于点云距离采样的过程中，遍历整个三维点云数据集，针对每一个尚未被标记为删除的点，计算其与K个邻近点之间的欧式距离，如果某个邻近点的距离小于预设的阈值，那么该邻近点被标记为待删除，直至所有点云数据中的点都经过处理，使余下任意的点云数据之间的距离都大于给定的距离阈值；
(2.2)在基于曲率采样的过程中，对于三维点云数据集中的任意一点，对其K个邻近点尝试平面拟合，得到的拟合平面视为该点的近似切平面，假定数据点pi，K个邻近点所拟合的平面fv使用点oi与单位法向量来表示，计算点到拟合平面的距离这一距离反映该点的曲率，以此来判断该点是否被删除，如果某个邻近点的曲率小于预设的阈值，那么该邻近点被标记为待删除，使余下任意的点云数据的曲率都大于给定的曲率阈值。
3.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(3)中PCA粗配准算法的具体过程为：
(3.1.1)将原始CAD模型的点云数据作为源点云，将基于点云距离采样得到的点云数据作为目标点云，分别计算源点云和目标点云的主方向；
(3.1.2)求解能使源点云和目标点云的主方向在空间中达到重合的旋转矩阵；
(3.1.3)计算源点云和目标点云的质心，依据质心位置关系计算平移矩阵；
(3.1.4)基于旋转矩阵和平移矩阵配准源点云和目标点云。
4.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(3)中ICP精配准算法的具体过程为：
(3.2.1)将原始CAD模型的点云数据作为源点云P，将基于点云距离采样得到的点云数据作为目标点云Q；
(3.2.2)从目标点云Q中获得点qi∈Q；
(3.2.3)在源点云P中搜索点pi，使得距离‖pi-qi‖最小；
(3.2.4)通过计算平移矩阵T和旋转矩阵R，使误差函数达到最小值，其中n为参与计算的对应点对数量；
(3.2.5)依据步骤(3.2.4)获得的平移矩阵T和旋转矩阵R对目标点云中的点qi进行转换，并更新对应点集Q′{qi′＝Rqi+T,qi∈Q}；
(3.2.6)计算更新后点集Q′中点qi′与pi的平均距离
(3.2.7)如果d小于预设阈值或者迭代次数达到上限，则停止循环迭代，否则返回步骤(3.2.3)。
5.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中优化的区域生长分割算法的具体过程为：
(4.1)采用kd-tree结构来建立点云之间的拓扑关系；
(4.2)基于所述拓扑关系计算点云数据集中的任意一点的法线和曲率，选择曲率最低的点为初始种子点；
(4.3)对于当前的种子点，寻找其邻近点；
(4.4)计算每个邻近点的法线和当前种子点的法线之间的角度，如果角度小于法线夹角阈值，则将当前点添加到当前区域；
(4.5)计算每个邻近点的曲率值，如果曲率小于曲率阈值，那么对应点被添加到种子点列表中；
(4.6)将当前的种子点从种子点列表中移除，选择下一种子点重复步骤(4.3)-(4.6)，直至种子点列表为空，得到分割后的点云簇，若分割结果存在过分割现象则执行步骤(4.7)和(4.8)；
(4.7)计算分割得到的所有点云簇的质心位置及其尺寸，统计各个点云簇内所有点的法向，计算点云簇的平均法向；
(4.8)遍历所有点云簇，找出距离小于动态距离阈值的簇对作为候选合并对象，对于每个候选簇对，计算其平均法向之间的夹角，如果夹角小于预设阈值，则将此簇对合并为一个新的点云簇，直到没有更多的点云簇可以被合并为止。
6.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中计算航空CAD零件平面度误差的具体过程为：
对于需要分析误差的曲面fk，获得相应的点云簇m为点云簇中包含的点云数量，采用RANSAC估计拟合平面fv的最佳拟合参数fv：ax+by+cz+d＝0；计算Pk中的点到fv的距离得到集合其中表示点到拟合平面的距离fv，然后计算平面度误差
7.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中计算航空CAD零件圆柱度误差的具体过程为：
选取需分析误差的圆柱曲面fk，得到相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合圆柱曲面fv的最佳拟合参数fv：l(x-x0)2+m(y-y0)2+n(z-z0)2＝R2；通过计算Pk中的点到fv的距离获得集合其中表示点点到拟合圆柱面fv的距离，然后计算圆柱度误差
8.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中计算航空CAD零件球度误差的具体过程为：
选取要进行误差分析的球面fk，获取相应的点云簇m为点云簇中包含的点云数量，使用RANSAC估计拟合球面fv的最佳拟合参数fv：(x-x0)2+(y-y0)2+(z-z0)2＝R2；计算Pk中的点到fv的距离得到集合其中表示点到拟合球面fv的距离，然后计算球度误差
9.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中计算航空CAD零件平行度误差的具体过程为：
选取需要分析误差的曲面f1和f2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合平面的最佳拟合参数f1：a1x+b1y+c1z+d1＝0和f2：a2x+b2y+c2z+d2＝0，计算它们的平行度然后计算平行度误差parError＝1-par(f1，f2)，作为衡量两个平面或轴线之间偏离程度的参数。
10.根据权利要求1所述的一种面向智能制造的航空CAD零件三维检测方法，其特征在于，步骤(4)中计算航空CAD零件同轴度误差的具体过程为：
选取需要分析误差的曲面cyl1和cyl2，获得相应的点云簇和其中m1为点云簇P1中包含的点云数量，m2为点云簇P2中包含的点云数量，采用RANSAC估计拟合圆柱面的最佳拟合参数，得到其轴线和计算同轴度然后计算同轴度误差coaError＝1-coa(cyl1,cyl2)，作为衡量两个圆柱面轴线之间相对位置关系的指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410951716.3A CN118799365A (zh) | 2024-07-16 | 2024-07-16 | 一种面向智能制造的航空cad零件三维检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410951716.3A CN118799365A (zh) | 2024-07-16 | 2024-07-16 | 一种面向智能制造的航空cad零件三维检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118799365A true CN118799365A (zh) | 2024-10-18 |
Family
ID=93023484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410951716.3A Pending CN118799365A (zh) | 2024-07-16 | 2024-07-16 | 一种面向智能制造的航空cad零件三维检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118799365A (zh) |
-
2024
- 2024-07-16 CN CN202410951716.3A patent/CN118799365A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | A modified ICP algorithm based on dynamic adjustment factor for registration of point cloud and CAD model | |
| Woo et al. | A new segmentation method for point cloud data | |
| CN111696210A (zh) | 一种基于三维点云数据特征轻量化的点云重构方法及系统 | |
| CN109919984A (zh) | 一种基于局部特征描述子的点云自动配准方法 | |
| CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
| CN111710023B (zh) | 一种三维点云数据特征点提取方法及应用 | |
| CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
| CN106373118A (zh) | 可有效保留边界和局部特征的复杂曲面零件点云精简方法 | |
| CN113516695B (zh) | 激光轮廓仪平面度测量中的点云配准策略 | |
| 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 | |
| CN116452583B (zh) | 点云缺陷检测方法、装置、系统及存储介质 | |
| CN113192116A (zh) | 基于结构光相机的航空叶片厚度参数量测方法 | |
| Li et al. | Differential evolution algorithm-based range image registration for free-form surface parts quality inspection | |
| CN116642904A (zh) | 一种基于三维点云的飞机蒙皮缺陷检测及测量方法 | |
| 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 | |
| CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 | |
| CN110310322A (zh) | 一种10微米级高精度器件装配表面检测方法 | |
| Zhong et al. | Triple screening point cloud registration method based on image and geometric features | |
| CN111599016B (zh) | 点云误差计算方法 | |
| CN115147433A (zh) | 点云配准方法 | |
| CN118799365A (zh) | 一种面向智能制造的航空cad零件三维检测方法 | |
| CN118334367A (zh) | 基于点云数据的碎片轮廓点提取方法 | |
| CN115935447B (zh) | 一种基于离散Morse理论特征识别的混合建模方法 | |
| CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 | |
| CN115147471A (zh) | 一种基于曲率密度特征的激光点云自动配准方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |