针对具有不完整基本图元的三维扫描点云实时配准方法技术

本发明专利技术提供一种针对具有不完整基本图元的三维扫描点云实时配准方法，包括以下步骤：S1：标准模型预处理；S2：数据准备；S3：点云模型基本图元的识别与提取；S4：在标准模型的基本图元数据集中，搜索点云模型基本图元集合中元素的对应图元特征集合；S5：在点云模型的基本图元集合中，确定所有可能的特征组合；S6：在标准模型中搜索点云模型的图元对集合中图元对的可能图元对，进行基本图元配准计算；S7：选择具有最小配准误差的基本图元对组合，输出最终的配准结果。本发明专利技术适用于现有技术中点云数据不完整的情况，提供的结果，可用于后续制造过程中，实现自动特征提取、自动检测分析、以及自动编程加工等，具有较高的实用价值。具有较高的实用价值。具有较高的实用价值。

【技术实现步骤摘要】
针对具有不完整基本图元的三维扫描点云实时配准方法


[0001]本专利技术属于智能制造
，具体涉及一种在自动制造工作站中，对利用三维扫描设备获得的零件点云数据与预先设定的标准模型进行在线实时配准的算法。

技术介绍

[0002]近年来利用三维扫描设备获取实际零件的点云数据来形成零件数字模型的技术已经成熟。借助三维扫描设备的帮助，针对生产线上的大批量零件进行三维扫描，可以获得零件的实时三维模型，从而为制造自动化提供了基本条件。以工业机器人相关的复杂曲线曲面加工如激光切割、打磨、抛光等应用为例，具有精度要求高、编程复杂、零件来料一致性无法保证等特点，针对其产品零件的在线自动化测量建模可以支持后续制造工艺如自动加工、自动装配，提升整条生产线的智能化水平。
[0003]三维扫描获得的零件点云模型需要进行模型重构，不仅要获得其零件外形的形状数据，而且要获得其特征（与工艺有关）数据，才能供质量检测以及后续工艺使用。其中一个关键问题，是将标准的零件模型与实际的点云零件模型进行配准，完成配准后，不仅可以获得实际零件的装夹姿态，还能帮助后续工艺进行特征识别和几何重构。但针对零件点云数据与标准零件模型的配准方法存在以下问题：1）针对零件的三维扫描的数据可能不完整；2）由于精度要求高，扫描的数据点数量巨大，计算效率上可能不满足在线计算的需求。3）扫描的数据可能包括环境（如装夹）数据，需要排除其对配准结果的干扰。克服以上问题，实现不完整点云数据与标准零件模型的配准，对于大批量高精度零件在线检测，具有重要的意义。考虑到大批量零件在设计、制造和装配中，都需要设定基准，而在零件的标准模型中，可以合理假设一定存在平面，圆柱，圆锥，球面，圆环面之中的一种或者多种（称为基本图元）。所以本专利技术针对具有基本图元的不完整扫描点云零件提供在线实时配准算法。
[0004]关于点云的配准已经有大量的文献，其中应用最广泛的是ICP（Iterative Cloased Point）以及ICP的各种改进算法。ICP通过欧式变换求解出两片点云的旋转平移矩阵及对应的配准误差。但ICP算法在处理大规模点云时存在效率问题，配准结果受初值影响且无法处理模型不完整的问题。后期Biber等基于概率密度模型提出了Normal Distribute Transform（NDT）算法，计算复杂度降低，但仍然无法处理模型不完整问题。研究者进一步公开了基于特征学习的配准方法，利用RANSAC(随机一致性采样)算法，作为特征提取工具，并通过特征学习来估计配准关系，这些方法需要大量训练数据，且如果场景与训练数据参在分布差异时，配准性能会急剧下降。现有技术中公布的算法有先在两组配准的点云中找到特征点对，利用RANSAC算法消除错误的配对关系，来完成粗配准，最后通过改进法线腹部变换算法来实现精配准。或将RANSAC用于无序点云中的基本图元识别，能从大规模点云中高效识别平面，球面，圆柱，圆锥以及圆环，为基于特征匹配的点云配准算法提供了基础的特征提取功能。
[0005]专利技术人前期工作产生的申请号为202110498865.5的专利技术专利申请：《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中，建立了针对不完整扫描点云与理
论模型的在线实时配准方法，但只考虑了零件模型中仅具有平面图元的情况。
[0006]综上，在处理具有标准模型的不完整点云模型的配准上，需要提供更通用的能在线实时完成的高效算法，以满足自动制造过程中的工序节拍要求，配准后的信息可用于后续的自动检测或者加工流程。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供一种针对具有不完整基本图元的三维扫描点云实时配准方法，以满足在线实时运行的需求。本专利技术适用的场景是针对具有制造基准的工业零件（模型几何中含平面，圆柱，圆锥，球面，圆环面之中的一种或者多种基本图元），并具有标准参考模型数据，其实际的点云模型数据由三维扫描设备获取，由于在制造过程中，可能无法完整扫描整个零件，所以所获得的点云模型数据大概率是不完整的。本专利技术为解决现有技术中存在的问题采用的技术方案如下：一种针对具有不完整基本图元的三维扫描点云实时配准方法，包括以下步骤：S1：标准模型预处理，包括以下子步骤：S11：输入标准模型文件，支持两种格式，第一种为CAD模型文件，如IGES,STEP等，另外一种为离散模型格式，如点云数据或者Facet(面片结构)模型文件等；S12：判断输入的标准模型文件格式，如果是CAD模型，进入S13，如果不是，则进入S14；S13：对CAD模型中的曲面几何对象进行遍历，获取其基本图元集合。对获得的所有基本图元对象，按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表，并在各自的数据列表中，按照特征辨识度（考虑图元面积，面积越大，辨识度越高）排序；若基础图元中，不包含上述五种基础图元类型中的任意一种，则该模型不满足本专利技术所适用的零件对象；S14：调用RANSAC形状识别算法对离散模型中的几何图元进行识别，获取其基本图元集合以及各图元的拟合误差数据，对获得的所有基本图元对象，按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表，并在各自的数据列表中，按照特征辨识度排序；若基础图元中，不包含上述五种基础图元类型中的任意一种，则该模型不满足本专利技术所适用的零件对象；S15：记录标准模型中基本图元的几何特征信息，包括但不限于几何中心的位置、材料侧方位，边界形状以及面积数据；并进行排序，排序的原则如下：首要考虑各类基本图元数据列表所包含的元素数目，基础图元的数目越少（独特性越强）排序越靠前；其次考虑基本图元类型序列“平面，球面，圆柱面，锥面，圆环面”的逆序，越靠后的，排序越高；最后在同类型的基本图元类型中，考虑面积的大小，面积越大，排序越高。
[0008]排序的目的是为了在大多数情况下，加速搜索迭代的收敛速度，并不是强制性的要求。
[0009]对基本图元数据的收集与排序可形成标准模型特征模板文件数据，记为，包括，，，，，其
中的下标i标识各图元数据列表的元素标号，表示各数据列表包含元素的数目，各数据列表的大小（所包含元素的数目）因模型而异，不尽相同。
[0010]S16：对标准模型的特征模板文件进行审查和优化，特别是当输入为离散模型时，可以人工干预识别结果，排除误识别或者不显著的基本图元。
[0011]S17：将，，，，}，输出为标准模型的基本图元特征模板文件，作为后续配准计算的输入数据。
[0012]S2：数据准备：提供三维扫描的点云模型文件，以及在标准模型文件和在预处理阶段产生的基本图元特征模板数据文件，作为算法的输入数据；S3：点云模型基本图元的识别与提取：对三维扫描点云模型调用RANSAC算法，识别出其中的所有基本图元集合，记为，，，，}，参考前述S15，对每个图元在同类型数据列表中的位置进行排序；S4：针对点云模型的基本图元集合中的元素，在标准模型的基本图元数据集中，搜索该元素可能的对应图元特征集合。首先设定判定允许误差（长度误差LTol，可取2mm；角度误差A本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种针对具有不完整基本图元的三维扫描点云实时配准方法，其特征在于，包括以下步骤：S1：标准模型预处理，具体包括以下子步骤：S11：输入标准模型文件，文件格式为CAD模型文件或离散模型格式文件；S12：判断输入的标准模型文件格式，如果是CAD模型，进入步骤S13，如果不是，则进入步骤S14；S13：对CAD模型中的曲面几何对象进行遍历，获取其基本图元集合，对获得的所有基本图元对象，按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表，并在各自的数据列表中，按照特征辨识度排序；S14：调用RANSAC形状识别算法对离散模型中的几何图元进行识别，获取其基本图元集合以及各图元的拟合误差数据，对获得的所有基本图元对象，按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表，并在各自的数据列表中，按照特征辨识度排序；S15：记录标准模型中基本图元的几何特征信息，并进行排序；将基本图元数据的收集与排序形成标准模型特征模板文件数据，记为，包括，，，，，其中的下标i标识各图元数据列表的元素标号，表示各数据列表包含元素的数目；S16：对标准模型的特征模板文件进行审查和优化，排除误识别或者不显著的基本图元；S17：将，，，，}，输出为标准模型的基本图元特征模板文件，作为后续配准计算的输入数据；S2：数据准备：提供三维扫描的点云模型文件，以及在标准模型文件和在预处理阶段产生的基本图元特征模板数据文件，作为算法的输入数据；S3：点云模型基本图元的识别与提取：对三维扫描点云模型调用RANSAC算法，识别出其中的所有基本图元集合，记为，，，，}，对每个图元在同类型数据列表中的位置进行排序；S4：针对点云模型的基本图元集合中的元素，在标准模型的基本图元数据集中，搜索该元素的对应图元特征集合；即对于点云模型中识别出来的任意图元，在标准模型中，建立其对应的图元集合，记为；S5：在点云模型的基本图元对象中，确定所有的特征组合，形成图元对集合，对集合中的图元按特征辨识度排序；S6: 对点云模型的图元对集合的所有图元对，在标准模型中搜索其对应的图元对，进行基本图元配准计算，寻找最优的配准结果；S7：选择具有最小配准误差的基本图元对组合，输出最终的配准结果。2.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法，其特征在于：所述步骤S11中CAD模型文件为IGES或STEP模型，所述离散模型格式，为点云数据或者面片结构模型文件。
3.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法，其特征在于：所述步骤S13和S14中特征辨识度考虑图元面积，面积越大，辨识度越高。4.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法，其特征在于：所述步骤S15中的基本图元的集合...

【专利技术属性】
技术研发人员：颜昌亚，方跃，马磊，王啸雄，李振瀚，
申请(专利权)人：武汉瀚迈科技有限公司，
类型：发明
国别省市：