一种基于点云聚类的表面缺陷检测方法技术

本发明专利技术提供一种基于点云聚类的表面缺陷检测方法，属于检测技术与自动化装置领域。本发明专利技术充分利用三维点云高精确度、高信息量的特性，通过分析表面缺陷区域局部点密度特征变化，利用区域点KNN特征值，快速从点云中定位缺陷大致位置；利用区域点KNN特征值计算过程数据，预测当前点云聚类分割DBSCAN的输入参数，实现表面缺陷点云的自动化聚类分离。本发明专利技术实现了无需手动调参的自动化缺陷检测流程，并且在效率和准确度上具备较大优势。在效率和准确度上具备较大优势。在效率和准确度上具备较大优势。

【技术实现步骤摘要】
一种基于点云聚类的表面缺陷检测方法


[0001]本专利技术属于检测技术与自动化装置领域，涉及一种基于点云聚类的表面缺陷检测方法。

技术介绍

[0002]在产品生产制造过程中，表面缺陷的出现是无法完全避免的。表面缺陷不仅影响产品的外观，还会削弱产品的力学性能、降低其可靠性、对其功能产生一定影响；甚至带来安全隐患，造成严重的损失。因此，产品表面缺陷检测一直是生产过程中的重要环节。
[0003]在传统制造过程中，表面缺陷依赖工人通过目视或配合机械量具检查产品加工表面，以筛选出具有表面缺陷的产品。但是，人眼分辨能力有限，存在主观误判、检测效率低下等问题。在精密/超精密制造领域，高精度的三坐标测量系统或粗糙度检测仪也被用于检测表面的缺陷情况。但其测量速度极慢，也无法用于较大表面缺陷检测。现阶段，基于二维图像的视觉检测方法一直是工业领域常见的缺陷检测手段，其利用缺陷区域的灰度变化实现检测，如边缘检测、Hough变换、灰度统计等方法，在大批量平面类目标在机检测任务中表现优异。但由于缺乏高度/深度信息，基于二维图像的视觉检测方法易受到自然光、阴影、表面水和污渍的影响，导致错误的缺陷识别。并且表面缺陷通常伴随着如凹坑和凸点等高度异常，不同光照环境下的二维图像中会出现高反射斑和暗区，不利于缺陷的精确识别。
[0004]随着光学测量与视觉感知技术的快速发展，各类三维测量技术逐渐兴起，在机械加工、影视特技制作、虚拟现实领域有着广泛的应用。三维点云是指三维测量设备获取物体表面每个采样点的空间坐标形成的点的集合，是三维测量数据的载体，已逐渐成为计算机视觉领域中的重要数据处理格式。三维点云中深度信息的引入极大程度地扩展了后期算法处理的空间，在工业检测领域，尤其是面向高质量表面的高精度检测任务中更具优势。
[0005]现有的基于三维点云的缺陷检测方法根据有无参考三维模型进行整体划分，主要可以分为两类：有参考三维模型的表面缺陷识别，无参考三维模型的表面缺陷识别。对于有参考三维模型的表面缺陷识别，目前大量的研究工作主要采用基于配准的方法，将三维测量系统采集到的点云与参考目标在当前生产阶段CAD模型进行匹对，并将不匹配的部分标记为潜在缺陷。Besl等【Besl P J,McKay H D.Amethod for registration of 3D shapes[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1992,14(2):239】提出的迭代最近点算法(iterative closet point，ICP)成为最经典且最常用的点云精配准方法。虽然该方法在大型表面在机检测和复杂零件变形控制等问题中被广泛采用，但其只适用于可以获取精确三维模型的产品表面质量检测。对于无参考三维模型的表面缺陷识别，可划分为基于局部特征的缺陷检测和基于聚类的缺陷检测。前者一般是基于工业缺陷的特点提取局部特征并结合简单规则或分类器来进行检测，如Burcu等【BurcuGuldurErkal,Jerome F Hajjar.Laser
‑
based surface damage detection and quantification using predicted surface properties[J].Automation in Construction,2017,83:285】提出一种基于表面法线的损伤检测和量化方法，该方法使用
从激光扫描仪中提取的局部法向量、曲率及颜色信息，能够检测诸如裂缝、腐蚀和相关的表面缺陷等损伤类型。此类方法当缺陷规模缩小时，表面特征变化减小、点云噪声的影响却成倍放大，导致误识别率增加，具有一定的局限性。基于聚类的缺陷检测是基于特定的约束条件、规则或先验知识，将点云中的部分对象与缺陷区域进行区分，实现缺陷目标的定位和提取。Martin等【Ester M,Kriegel H P,Sander J,et al.A density
‑
based algorithm for discovering clusters in large spatial databases with noise[C]//kdd.1996,96(34):226
‑
231】提出的基于数据密度的分类方法DBSCAN(Density—Based Spatial Clustering of Application with Noise)，被广泛应用于点云噪声分离和缺陷提取任务中。但该方法处理大规模点云速度慢、聚类效果依赖人工反复调参，仍然具有一定的局限性。
[0006]综上所述，基于点云聚类的缺陷检测是一种极具实际应用潜力的方法，但仍需克服传统聚类方法需要反复手动调整、泛用性较差等问题。

技术实现思路

[0007]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于点云聚类的表面缺陷检测方法，该方法充分利用三维点云高精确度、高信息量的特性，通过分析表面缺陷区域局部点密度特征变化，利用区域点K近邻算法(K
‑
Nearest Neighbor，KNN)特征值，快速实现点云缺陷位置粗定位，同时自动计算当前点云聚类分割DBSCAN的最优输入参数，实现点云正常区域和缺陷区域的自动化聚类辨识，进而实现缺陷检测。
[0008]为了达到上述目的，本专利技术采用的技术方案为：
[0009]一种基于点云聚类的表面缺陷检测方法，该方法充分利用三维点云高精确度、高信息量的特性，通过分析表面缺陷区域局部点密度特征变化，利用区域点KNN特征值，快速从点云中定位缺陷大致位置；利用区域点KNN特征值计算过程数据，预测当前点云聚类分割DBSCAN的输入参数，实现表面缺陷的自动化聚类分离。其包括如下步骤：
[0010]S1：获取待测表面点云并进行待测表面点云预处理，通过半径统计滤波方法(Radius Outlier Removal)去除原始点云中的游离噪声点。随后依照待测表面在X和Y方向上的最长边长和点云密度，将待测表面点云划分为N个m
×
n大小的子区块R＝{r
i
,i＝1,2,
…
N}及其对应点集合P＝{p
i
,i＝1,2,
…
N}。
[0011]S2：对于步骤S1中分割的每个区块r
i
，逐个访问区块内点按距离从小到大排序，取距离最小的前k个点(其中k为目标邻域点数量，通常取k<20)，计算点与点之间的欧氏距离(Euclid Distance)，取其平均值为该点的KNN特征值通过将区块内全p
i
点依照KNN特征值大小从低到高进行排列，获得该区块R
i
的KNN特征曲线，并依照KNN特征曲线形态特征判定区块R
i
是否存在表面缺陷，得到缺陷区块和非缺陷区块，进行预定位，并对其中M(M<N)个缺陷区块进行标记。
[0012]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于点云聚类的表面缺陷检测方法，其特征在于，所述的检测方法利用三维点云高精确度、高信息量的特性，通过分析表面缺陷区域局部点密度特征变化，利用区域点KNN特征值，快速从点云中定位缺陷大致位置；利用区域点KNN特征值计算过程数据，预测当前点云聚类分割DBSCAN的输入参数，实现表面缺陷的自动化聚类分离。2.根据权利要求1所述的一种基于点云聚类的表面缺陷检测方法，其特征在于，包括如下步骤：S1：获取待测表面点云并进行待测表面点云预处理，去除原始点云中的游离噪声点；根据待测表面在X和Y方向上的最长边长和点云密度，将待测表面点云划分为N个m
×
n大小的子区块R＝{r
i
,i＝1,2,
…
N}及其对应点集合P＝{p
i
,i＝1,2,
…
N}；S2：对于步骤S1中分割的每个区块r
i
，逐个访问区块内点按距离从小到大排序，取距离最小的前k个点其中k为目标邻域点数量，计算点与点之间的欧氏距离取其平均值为该点的KNN特征值通过将区块内全p
i
点依照KNN特征值大小从低到高进行排列，获得该区块R
i
的KNN特征曲线，并依照KNN特征曲线形态特征判定区块R
i
是否存在表面缺陷，得到缺陷区块和非缺陷区块，进行预定位，并对其中M(M<N)个缺陷区块进行标记；S3：利用步骤S2中获得的所有非缺陷区块的密度特征，计算参数Epsilon和MinPts；S4：对于步骤S2中标记的所有M(M<N)个缺陷区块，将步骤S3得到的参数Epsilon和MinPts作为DBSCAN的输入参数，采用DBSCAN密度聚类算法分离M个有缺陷区块中的非缺陷点云和缺陷点云，进行精确定位，实现待测表面缺陷检测。3.根据权利要求2所述的一种基于点云聚类的表面缺陷检测方法，其特征在于，所述步骤S2中，构建区块R
i
的KNN特征曲线并利用KNN特征曲线判定缺陷区块的具体过程如下：2.1)构建区块R
i
内任意两点间欧氏距离矩阵：其中，则到区块R
i
内一点最近的k个点的距离取平均值即为...

【专利技术属性】
技术研发人员：刘行健，叶济东，王悦，刘海波，王永青，郭东明，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：