一种由粗到精的叶片型面多视场数据配准方法技术

本发明专利技术属于叶片检测技术领域，本发明专利技术公开了一种由粗到精的叶片型面多视场数据配准方法，包括如下步骤：步骤100，叶片三维轮廓数据的获取；步骤200，采用叶片基准面轮廓数据对原始扫描数据进行位置矫正；步骤300，粗配准：采用位置矫正后的根据基准面几何尺寸约束计算各视场扫描数据基于视场1数据坐标系下的偏移量，实现多视场数据粗配准；步骤400，精配准：提取出相邻视场间重叠区域数据，将多个重叠区域数据置于全局约束框架下进行精确配准与对齐，以实现叶片三维型面的高精度重构。本发明专利技术在不提高检测系统设备成本的前提下，有效的提高了重构精度与通用性，显示出了良好应用前景。显示出了良好应用前景。显示出了良好应用前景。

【技术实现步骤摘要】
一种由粗到精的叶片型面多视场数据配准方法


[0001]本专利技术涉及叶片检测
，具体涉及一种由粗到精的叶片型面多视场数据配准方法。

技术介绍

[0002]叶片是航空发动机、燃机、汽轮机等设备的核心零部件之一，其型面的精度会直接影响到整个设备的工作性能和使用寿命。近年来，光学非接触式测量方法由于其良好的检测效率和灵活性，受到了广泛关注，并在叶片型面重构方面展现出了良好的应用前景。然而，受光学测量视野范围限制，通常需要在多个视场下对叶片型面进行多次扫描，并将这些扫描数据进行拼接与配准以恢复完整的叶片型面信息。多视场扫描数据配准是重构过程中的关键步骤之一，其准确性直接影响整个叶片型面的重构和检测可靠性。然而，目前的大多数方法直接利用检测系统在每个视场下的定位信息或引入标定物对扫描数据进行配准。这些方法容易受到检测设备运动精度和标定物误差的影响，从而降低配准和重构的可靠性。
[0003]专利号CN202011134900.7在中国专利技术专利公布了一种基于叶片局部前缘曲线特征标定转动中心的方法，该方法利用转动前后两次叶片局部前缘曲线特征求解出转动中心，实现转动中心坐标标定，从而完成二维型面扫描数据的粗配准，该方法虽然有效避免了现有方法中需要引入标定物如矩形块、标定球等标定转动中心时的累计误差，但同时也容易受到检测系统的几何与运动精度等多因素的影响，且仅适用于前缘轮廓的曲率半径较小的叶片和数据较少的二维轮廓数据粗配。

技术实现思路

[0004]为解决上述问题，本专利技术的目的在于提供一种由粗到精的叶片型面多视场数据配准方法，该方法首先利用叶片基准面几何尺寸约束来实现多视场扫描数据粗配准，避免求解转动中心减少计算复杂度，再提取出相邻视场间重叠区域数据，将多个重叠区域数据置于全局约束框架下进行精确配准与对齐，以实现叶片三维型面的高精度重构。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种由粗到精的叶片型面多视场数据配准方法，包括如下步骤：步骤100，叶片三维轮廓数据的获取：调整线结构光传感器的位姿，使线结构光传感器的激光面与基准面A和基准面B同时相交，此时为视场1，线结构光传感器以Z轴为扫描方向前进对叶片轮廓进行扫描，线结构光传感器采集的扫描数据包括叶片轮廓数据W1、基准面A的轮廓数据A1和基准面B的轮廓数据B1；视场1轮廓数据扫描完成后调整线结构光传感器回到初始位置，转动转台使线结构光传感器的激光面同时与基准面A和基准面D相交，转动角度θ=90
°
，此时为视场2，并再以Z轴为扫描方向前进对叶片轮廓进行扫描，线结构光传感器采集的扫描数据包括叶片轮廓数据W2、基准面A的轮廓数据A2和基准面D的轮廓数据D1；重复操作，获取的视场3的扫描数据包括叶片轮廓数据W3、基准面D的轮廓数据D2和基准面C的轮廓数据C1、以及获取的视场4的扫描数据包括叶片轮廓数据W4、基准面C的轮廓数据C2和
基准面B的轮廓数据B2；步骤200，扫描数据位置矫正：采用叶片基准面轮廓数据对原始扫描数据进行位置矫正；步骤300，粗配准：采用位置矫正后的根据基准面几何尺寸约束计算各视场扫描数据基于视场1数据坐标系o
s
‑
x
s
y
s
的偏移量实现多视场数据粗配准；
[0007]在数据坐标系下根据两次采集得到的轮廓数据寻找位置约束点；基准面B的轮廓数据B1的约束点坐标为，基准面D的轮廓数据D1的约束点坐标为；根据叶片基准面的y
s
向几何尺寸约束，两个约束点位置信息计算出视场2扫描数据基于视场1数据坐标系在y
s
向位置的偏移量dy1：，根据叶片基准面的x
s
向几何尺寸约束，轮廓数据A2和C1计算出视场3基于视场2数据坐标系的x
s
向位置的偏移量dx：，轮廓数据B2和D2计算出视场4基于视场3数据坐标系的y
s
向位置的偏移量dy2：，其中X和Y为叶片基准面在x
s
和y
s
向上的几何尺寸约束量；将所有视场数据整合到视场1的数据坐标系完成粗配准，配准如下：，，，，，其中，P为粗配准后的叶片轮廓，View
1、
View
2、
View
3、
View4为粗配准后叶片轮廓数据，R
i
为第i次转台转动矩阵，，其中，V1、V2、V3、V4为位置矫正后的叶片轮廓数据；E
i
为与第i个视场轮廓数据相同点数量且元素全为1的行向量；dx和dy1、dy2为扫描数据在视场1数据坐标系x
s
和y
s
轴向位置的偏移量，1、2和为同一轮廓数据的微小偏移量；
[0008]步骤400，精配准：将所有重叠区域数据纳入全局约束框架，然后计算出各重叠区域内两视场点云数据之间的配准误差为，其中为第i个视场与第i+1个视场之间的重叠区域数据；在全局约束框架中，所有配准误差同时进行优化，当误差和达到最小时，即满足目标函数时，得到最优转动矩阵R
i
和平移矩阵T
i
，再将其反馈到粗配准结果中完成叶片三维型面多视场数据的精配准，具体包括如下步骤：
[0009]步骤401，将重叠区域点云数据中的属于第i+1个视场的点云数据定义为源点云，属于第i个视场的点云数据定义为目标点云，并分别计算源点云中每一个点与目标点云中所有点之间的前向距离和后向距离，进一步根据两距离值构造新的误差度量函数：
，式中，为误差度量，为源点云中每一个点与目标点云中所有点之间前向距离之和，为目标点云中每一个点与源点云中所有点之间的后向距离之和，N为源点云中点的个数，M为目标点云中点的个数，R为旋转矩阵，T为平移矩阵，为高斯核函数，p为可自由调节的损失函数阶数，为源点云中第i个点，为以点为参考点在目标点云中找到距离最近的对应点；为目标点云中第j个点，为以点为参考点在源点云中找到距离最近的对应点；
[0010]步骤402，迭代求解与之间的最优转动矩阵R
i
和平移矩阵T
i
，基于k
‑
1次迭代中求解出的转换矩阵（、）更新源点云，以中的所有点依次作为参考点，根据前向距离最小寻找中的对应点，再以中的所有点依次作为参考点，根据后向距离最小寻找中的对应点，则在第k次迭代中寻找双向对应关系为：，式中，为以源点云中第i个点为参考点在目标点云中找到的对应点，为以目标点云中第j个点为参考点在源点云中找到的对应点，和分别为第k
‑
1次迭代中得到的转动矩阵和平移矩阵；
[0011]步骤403，利用已知的对应关系优化第k次的转动矩阵和平移矩阵构建新点集，和，，其中，为新点集中的第j个点，为新点集中的第j个点，D=M+N，为新点集中点的个数，为以目标点云中第j个点为参考点在源点云中找到的对应点，为以源点云中第j个点为参考点在目标点云中找到的对应点；
[0012]步骤404，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种由粗到精的叶片型面多视场数据配准方法，其特征在于，包括如下步骤：步骤100，叶片三维轮廓数据的获取：调整线结构光传感器的位姿，使线结构光传感器的激光面与基准面A和基准面B同时相交，此时为视场1，线结构光传感器以Z轴为扫描方向前进对叶片轮廓进行扫描，线结构光传感器采集的扫描数据包括叶片轮廓数据W1、基准面A的轮廓数据A1和基准面B的轮廓数据B1；视场1轮廓数据扫描完成后调整线结构光传感器回到初始位置，转动转台使线结构光传感器的激光面同时与基准面A和基准面D相交，转动角度θ=90
°
，此时为视场2，并再以Z轴为扫描方向前进对叶片轮廓进行扫描，线结构光传感器采集的扫描数据包括叶片轮廓数据W2、基准面A的轮廓数据A2和基准面D的轮廓数据D1；重复操作，获取的视场3的扫描数据包括叶片轮廓数据W3、基准面D的轮廓数据D2和基准面C的轮廓数据C1、以及获取的视场4的扫描数据包括叶片轮廓数据W4、基准面C的轮廓数据C2和基准面B的轮廓数据B2；步骤200，扫描数据位置矫正：采用叶片基准面轮廓数据对原始扫描数据进行位置矫正；步骤300，粗配准：采用位置矫正后的根据基准面几何尺寸约束计算各视场扫描数据基于视场1数据坐标系o
s
‑
x
s
y
s
的偏移量实现多视场数据粗配准；在数据坐标系下根据两次采集得到的轮廓数据寻找位置约束点；基准面B的轮廓数据B1的约束点坐标为，基准面D的轮廓数据D1的约束点坐标为；根据叶片基准面的y
s
向几何尺寸约束，两个约束点位置信息计算出视场2扫描数据基于视场1数据坐标系在y
s
向位置的偏移量dy1：，根据叶片基准面的x
s
向几何尺寸约束，轮廓数据A2和C1计算出视场3基于视场2数据坐标系的x
s
向位置的偏移量dx：，轮廓数据B2和D2计算出视场4基于视场3数据坐标系的y
s
向位置的偏移量dy2：，其中X和Y为叶片基准面在x
s
和y
s
向上的几何尺寸约束量；将所有视场数据整合到视场1的数据坐标系完成粗配准，配准如下：，，，，，其中，P为粗配准后的叶片轮廓，View
1、
View
2、
View
3、
View4为粗配准后叶片轮廓数据，R
i
为第i次转台转动矩阵，，其中，V1、V2、V3、V4为位置矫正后的叶片轮廓数据；E
i
为与第i个视场轮廓数据相同点数量且元素全为1的行向量；dx和dy1、dy2为扫描数据在视场1数据坐标系x
s
和y
s
轴向位置的偏移量，1、2和为同一轮廓数据的微小偏移量；步骤400，精配准：将所有重叠区域数据纳入全局约束框架，然后计算出各重叠区域内两视场点云数据之间的配准误差为，其中为第i个视场与第i+1个
视场之间的重叠区域数据；在全局约束框架中，所有配准误差同时进行优化，当误差和达到最小时，即满足目标函数时，得到最优转动矩阵R
i
和平移矩阵T
i
，再将其反馈到粗配准结果中完成叶片三维型面多视场数据的精配准，具体包括如下步骤：步骤401，将重叠区域点云数据中的属于第i+1个视场的点云数据定义为源点云，属于第i个视场的点云数据定义为目标点云，并分别计算源点云中每一个点与目标点云中所有点之间的前向距离和后向距离，进一步根据两距离值构造新的误差度量函数：，式中，为误差度量，为源点云中每一个点与目标点云中所有点之间前向距离之和，为目标点云中...

【专利技术属性】
技术研发人员：王宗平，徐培淞，殷鸣，秦晟，殷国富，
申请(专利权)人：四川大学，
类型：发明
国别省市：