一种基于K-D树的无源三维点云模型缺陷识别方法技术

本发明专利技术公开了一种基于K‑D树的无源三维点云模型缺陷识别方法步骤1：建立点云模型K‑D树结构；步骤2：将两种法向量估算方法进行对比；步骤3：得出随机霍夫变换在精度上高；步骤4：估算点云模型法向量和曲率；步骤5：根据法向量阈值和曲率阈值，共同确定需要分割的区域；步骤6：选择模型中曲率值最小的点为初始种子点x

【技术实现步骤摘要】
一种基于K-D树的无源三维点云模型缺陷识别方法
本专利技术属于缺陷识别领域；具体涉及一种基于K-D树的无源三维点云模型缺陷识别方法。
技术介绍
在智能制造的大背景下，产品表面的缺陷识别是提高工业产品制造水平的关键环节。目前比较高效的产品表面缺陷识别的方法主要有五种，分别为基于磁通量、基于超声波、基于涡流、基于射线和基于机器视觉。基于磁通量的基本原理是，首先将待检测工件通电磁化，然后将细磁粉颗粒沉积在其表面上，粉末将沿着磁力线排列，缺陷区域上的磁力线将会变形，即可通过粉末分布图案来识别缺陷。比较磁通量法的二维磁场分量，使用平行于感应磁场的y分量有效的识别出铁板背面的凹坑并估计出凹坑的大小。基于超声波的基本原理是，超声波在工件表面传播时遇到缺陷部位会出现散射，通过波超声波传播的波形来即可确定是否存在缺陷，优点是成本低，但不能够直观的显示缺陷。使用超声波阵列识别缺陷，利用对可能散射体位置和方向的先验知识，使阵列缺陷识别的性能最大化。基于涡流的基本原理是，导体在通电的线圈附近会产生涡流，若表面存在缺陷，则会改变涡流的强度，优点是速度快，但工件的材料需要能够导电。采用阵列式低频涡流技术提高了受热管缺陷识别的效率。基于射线的基本原理是，将X射线或γ射线的能量注入工件中，能量与工件的物质发生交互作用，利用图像将能量与物质交互后的结果显示出来，然后判断是否存在缺陷，缺点是耗费胶片、周期性长、对人体有伤害。基于机器视觉可以分为二维图像和三维模型，前者利用光源和图像传感器获取图像，然后通过计算机系统进行处理，在成本、准确度、实时性等方面有较大优势，但环境的光线，产品表面的材质，缺陷的形状等因素都会对产品的成像质量有影响。采用改进的Retinex算法降低了光照变化对成像的影响，对钢轨表面缺陷的图像进行了增强。以三维模型为载体的缺陷识别技术利用计算机设备进行处理，其识别的方法可以归纳为：将标准模型与待检测模型进行比较，根据两者的偏差情况识别产品表面的缺陷，如何有效并且快速的计算模型间的偏差是该技术的难点。上述5种产品表面缺陷识别的方法均存在很大的缺陷。
技术实现思路
本专利技术提供一种基于K-D树的无源三维点云模型缺陷识别方法，在智能制造的大背景下，产品表面的缺陷识别是提高工业产品制造水平的关键环节；在没有标准模型的情况下，基于随机霍夫变换的法向量与特征值曲率估算对模型表面缺陷进行准确识别。本专利技术通过以下技术方案实现：一种基于K-D树的无源三维点云模型缺陷识别方法，所述识别方法包括以下步骤：步骤1：建立点云模型K-D树结构；步骤2：将主成分分析和随机霍夫变换这两种法向量估算方法进行对比；步骤3：根据步骤2对比后得出随机霍夫变换在精度上高；步骤4：根据步骤3的随机霍夫变换的法向量与特征值曲率估算，估算点云模型法向量和曲率；步骤5：利用法向量阈值和曲率阈值对点云模型进行区域划分，使用待测目标表面的法线特征和曲率特征共同确定需要分割的区域；步骤6：选择待测目标模型中曲率值最小的点为初始种子点xi；步骤7：对于每个xi，通过点云的拓扑结构找到其K领域内的近邻点yi，计算xi与yi法线nx和ny的夹角α，若α小于设定的阈值，则将yi添加到xi所在的区域；步骤8：比较xi与yi的曲率kx和ky，如果ky小于kx，则将yi添加到种子点集合中；步骤9：删除xi，循环执行步骤5到步骤7，直到种子集合为空结束缺陷识别。进一步的，所述步骤2中的随机霍夫变换法向量估算方法包括以下步骤：步骤2.1：球型累加器的纬线代表参数纬度圈之间的距离为定值经线代表参数θ，经线的分辨率取决于所在纬度圈的长度，其步长dθ的计算如下：其中，为在[0,180°]上平均划分的个数；nθ为θ在平均划分的个数；lmax为所在纬线的长度；为处纬线长度；步骤2.2：计算球型累加器中取得投票最多的一点将其转换为确定一个选取平面次数的上界TR；步骤2.3：根据步骤2.2得到的上界TR，投票数最多的单元m1的概率为投票数次多的单元m2的概率为当概率的置信度区间与概率不相交时，即可确认投票最多的单元不会改变，停止取平面操作；根据中心极限定理，定义一个服从正态分布N(0,1)的随机变量，则置信区间为：因为pm∈[0,1]，所以有：于是得到：进一步的，所述步骤2.2具体包括以下步骤：步骤2.2.1：定义一个函数f(t)，它表示第t∈{1,…,T}次选取平面并进行了霍夫变换后得到的累加器单元m∈{1,…,M}，其中T为法向量估算中选取平面的总次数，M为累加器的离散单元个数；步骤2.2.2：定义一个相互独立的随机变量Xm,t为：步骤2.2.3：同时记为投票到累加器单元m的经验概率由概率论得到实际概率pm与观测概率满足式(4)：其中，δ∈[0,1]表示pm与的最大距离；α∈[0,1]表示pm与的差值不超过δ的可能性；步骤2.2.4：因为Xm,t是独立的随机变量，通过霍夫丁不等式得到式(5)：其中，[bt-at]为Xm,t所在区间；步骤2.2.5：根据步骤2.2.4得到式(6)：步骤2.2.6：因为式(5)对任意的m都满足，所以可得：然后可以得到式(7)：又由式(6)，Tmin满足下式：步骤2.2.7：使用估算法向量时取平面的次数T能够取得Tmin的最小值时，设定投票次数的上界为：进一步的，所述步骤2的特征值曲率估算为，首先用二次曲面拟合点云模型邻域集合Np，采用PCA的协方差矩阵的特征值来计算曲率信息，具体为给定采样点p的3×3协方差矩阵C；其中，是点云数据中的点，是大小为Np邻域的重心；协方差矩阵C的特征值的定义如下：C·vl＝λl·vl,l∈{0,1,2}其中，C是对称且半正定的，C的所有特征值λl都是实数并且特征向量vl相互正交；特征值λl反应了pi,i∈Np沿着相应特征向量方向上的变化程度，总的变化程度是pi与其重心距离的平方和，见式(8)，其中，v0为平面的法向量，特征值λ0定量的描述了沿平面法线的变化程度，即邻域中的点与拟合平面T(x)的偏移量；定义大小为Np的邻域中点p的曲率为沿平面法线变换程度式(8)的比值，得到式(9)：如果式(9)为零，那么表示邻域中的点都在平面上，并且δn(p)的取值与邻域大小Np有关；综上所述，立方体点云模型因为在平面处的曲率为零，而在尖锐特征处的曲率大于零，因此，尖锐特征部分能够区分出来。进一步的，所述K-D树根据坐标轴将空间递归地进行分割，左右子树所存储的点各占点云模型的一半，将坐标的方差作为选择划分维度的依据，其中pi∈(x,y,z)为点云模型中的一点；将点云N中坐标分量的方差最大的作本文档来自技高网...

【技术保护点】
1.一种基于K-D树的无源三维点云模型缺陷识别方法，其特征在于，所述识别方法包括以下步骤：/n步骤1：建立点云模型K-D树结构；/n步骤2：利用随机霍夫变换的法向量与特征值曲率估算，估算点云模型法向量和曲率；/n步骤3：利用法向量阈值和曲率阈值对点云模型进行区域划分，使用待测目标表面的法线特征和曲率特征共同确定需要分割的区域；/n步骤4：选择待测目标模型中曲率值最小的点为初始种子点x

【技术特征摘要】
1.一种基于K-D树的无源三维点云模型缺陷识别方法，其特征在于，所述识别方法包括以下步骤：
步骤1：建立点云模型K-D树结构；
步骤2：利用随机霍夫变换的法向量与特征值曲率估算，估算点云模型法向量和曲率；
步骤3：利用法向量阈值和曲率阈值对点云模型进行区域划分，使用待测目标表面的法线特征和曲率特征共同确定需要分割的区域；
步骤4：选择待测目标模型中曲率值最小的点为初始种子点xi；
步骤5：对于每个xi，通过点云的拓扑结构找到其K领域内的近邻点yi，计算xi与yi法线nx和ny的夹角α，若α小于设定的阈值，则将yi添加到xi所在的区域；
步骤6：比较xi与yi的曲率kx和ky，如果ky小于kx，则将yi添加到种子点集合中；
步骤7：删除xi，循环执行步骤5到步骤7，直到种子集合为空，结束缺陷识别。


2.根据权利要求1所述一种基于K-D树的无源三维点云模型缺陷识别方法，其特征在于，所述步骤2中的随机霍夫变换法向量估算方法包括以下步骤：
步骤2.1：球型累加器的纬线代表参数纬度圈之间的距离为定值经线代表参数θ，经线的分辨率取决于所在纬度圈的长度，其步长dθ的计算如下：






其中，为在[0,180°]上平均划分的个数；nθ为θ在平均划分的个数；lmax为所在纬线的长度；为处纬线长度；
步骤2.2：计算球型累加器中取得投票最多的一点将其转换为确定一个选取平面次数的上界TR；
步骤2.3：根据步骤2.2得到的上界TR，投票数最多的单元m1的概率为投票数次多的单元m2的概率为当概率的置信度区间与概率不相交时，即可确认投票最多的单元不会改变，停止取平面操作；根据中心极限定理，定义一个服从正态分布N(0,1)的随机变量，



则置信区间为：



因为pm∈[0,1]，所以有：



于是得到：





3.根据权利要求2所述一种基于K-D树的无源三维点云模型缺陷识别方法，其特征在于，所述步骤2.2具体包括以下步骤：
步骤2.2.1：定义一个函数f(t)，它表示第t∈{1,…,T}次选取平面并进行了霍夫变换后得到的累加器单元m∈{1,…,M}，其中T为法向量估算中选取平面的总次数，M为累加器的离散单元个数；
步骤2.2.2：定义一个相互独立的随机变量Xm,t为：



步骤2.2.3：同时记为投票到累加器单元m的经验概率由概率论得到实际概率pm与观测概率满足式(4)：



其中，δ∈[0,1]表示pm与的最大距离；α∈[0,1]表示pm与的差值不超过δ的可能性；
步骤2.2.4：因为Xm,t是独立的随机变量，通过霍...

【专利技术属性】
技术研发人员：李鹏堂，石振锋，刘敏，李俊堂，宋海丰，
申请(专利权)人：哈尔滨岛田大鹏工业股份有限公司，
类型：发明
国别省市：黑龙江;23