基于點云數(shù)據(jù)的零件數(shù)字化檢測技術(shù)研究

邢宏文，劉思仁，邱磊，張亞

(上海飛機制造有限公司，上海 200436)

0 引言

激烈的市場競爭對產(chǎn)品研制開發(fā)的周期提出了更高的要求，利用更加自動化、智能化的技術(shù)來實現(xiàn)生產(chǎn)線上零件的檢測對于縮短產(chǎn)品的生產(chǎn)周期顯得更為重要。傳統(tǒng)的零件檢測方法是模板檢具以及三坐標(biāo)測量機(coordinate measuring machine，CMM)。其中，模板式檢具由于是手工操作，檢測結(jié)果易受到主觀因素影響，并且難以和企業(yè)已有的質(zhì)量管理系統(tǒng)兼容。三坐標(biāo)測量機能夠進行復(fù)雜型面的高精度測量，但由于其工作方式只能對個別關(guān)鍵檢測點進行測量，無法獲取待測零件表面全貌，效率低，成本高。因此，需要一套在保證獲取零件精確外形前提下的高效零件檢測方案。

隨著測量技術(shù)的不斷發(fā)展，作為非接觸式測量系統(tǒng)，光學(xué)掃描技術(shù)借助其高效、精確的特點已經(jīng)在各行各業(yè)得到了廣泛的應(yīng)用。由于點云在數(shù)據(jù)結(jié)構(gòu)的表現(xiàn)形式上呈現(xiàn)出無序、散亂以及數(shù)量大等特性，對于點云數(shù)據(jù)的處理顯得尤為重要。目前，一方面，針對獲取零件點云數(shù)據(jù)的噪聲問題，國內(nèi)外很多學(xué)者進行了大量的研究。其中對于散亂點云去噪的經(jīng)典算法主要有Laplace算法、平均曲率流和均值漂移算法。另外，基于正交整體最小二乘平面擬合的點云數(shù)據(jù)去噪方法，以點到平面的正交距離平方和最小為準(zhǔn)則，兼顧因變量和自變量的誤差影響，算法簡單可行，去噪精度高。但此方法只針對具有平面特征的物體點云去噪，對復(fù)雜零件點云效果較差。同時，各向異性的去噪算法對于明顯特征具有較高的敏感度，但是需要大量的模型結(jié)構(gòu)信息，計算量較大。另一方面，針對零件點云數(shù)據(jù)的配準(zhǔn)問題，主要分為初始配準(zhǔn)和精確配準(zhǔn)。初始配準(zhǔn)最常見的是基于人機交互選擇的三點配準(zhǔn)法，通過交互選擇三對不共線的點構(gòu)建兩個坐標(biāo)系，進行剛體轉(zhuǎn)換實現(xiàn)初始匹配；基于幾何特征的方法是通過提取點云數(shù)據(jù)中對應(yīng)的特征點進行配準(zhǔn)，利用對應(yīng)點求取點云數(shù)據(jù)之間的剛體變換關(guān)系。采用上述初始配準(zhǔn)過程，為進一步提高配準(zhǔn)精度，還需要進行精確配準(zhǔn)。其中ICP算法是最經(jīng)典的配準(zhǔn)算法，但是有一定的局限性，即對模型初始位置要求比較高，否則算法容易陷入局部最優(yōu)。另外，帶權(quán)重的ICP算法在一定程度上可以對配準(zhǔn)位置進行調(diào)整，從而逼近全局最優(yōu)，但是調(diào)整的參數(shù)較多，算法復(fù)雜度較高，且受密度影響較大。

因此，基于零件檢測的實際需求，針對傳統(tǒng)檢測及點云數(shù)據(jù)處理方法的不足，本文提出了基于掃描數(shù)據(jù)的零件質(zhì)量評估方法。總體思路為：先針對不同零件指定相應(yīng)的掃描策略，利用掃描儀獲取零件表面的點云數(shù)據(jù)；進行預(yù)處理對點云進行離群點去除、點云分割處理之后進行零件提取，從獲取的原始數(shù)據(jù)中將需要的零件提取出來；再對點云與理論數(shù)模進行配準(zhǔn)比較從而得到零件制造誤差。整體流程如圖1所示。

圖1 零件掃描與估計方案

1 數(shù)據(jù)采集

三維激光掃描技術(shù)因其能夠快速、高效地獲取高密度、高精度的三維點云圖像，已在近年來被廣泛應(yīng)用于各行各業(yè)[1]。手持式三維掃描儀操作簡單、小巧便攜、具有高分辨率和極高精度，因而適用于零件掃描[2-4]。本方法使用如圖2所示的handy scan 700掃描儀作為主要的數(shù)據(jù)采集工具，其具體的各項參數(shù)如表1所示。

圖2 測量工具

表1 激光掃描儀技術(shù)參數(shù)

2 數(shù)據(jù)預(yù)處理

2.1 提取零件

在實際掃描中，由于背景噪聲以及掃描環(huán)境的影響，掃描結(jié)果中可能存在被測零件之外的其他數(shù)據(jù)點[5]，如圖3(a)所示。因此為了將被測零件之外的點云數(shù)據(jù)去除，方便后續(xù)的操作，在掃描之后首先需要對點云數(shù)據(jù)進行分割處理，去掉平面部分只保留平面上的物體[2]。本文采用的方法是RANSAC平面擬合算法[6]，篩選出點云數(shù)據(jù)中的平面部分，并將平面點云去除。該算法的基本思路是：

1)隨機選擇3個點擬合1個平面模型；

2)計算模型中全部點云數(shù)據(jù)到平面模型的距離；

3)找到所有距離小于閾值的點(內(nèi)點)并記錄滿足條件的點的個數(shù)；

4)重復(fù)1)-3)過程，達到迭代次數(shù)或完成全部擬合后，選出內(nèi)點個數(shù)最多的模型作為問題的解。

RANSAC算法中，將內(nèi)點在整個數(shù)據(jù)集中的比例t作為選擇最終解的標(biāo)準(zhǔn)，具體定義為：

(1)

其中：ninliers是內(nèi)點的個數(shù)；noutliers是外點的個數(shù)。

該算法經(jīng)過k次迭代擬合出合適的平面模型，然后在所有點云數(shù)據(jù)中去除內(nèi)點，得到余下零件的點云數(shù)據(jù)。

圖3為零件點云提取前后示意圖，圖3(a)為利用RANSAC處理前的點云數(shù)據(jù)；圖3(b)為利用RANSAC去除平面之后的點云數(shù)據(jù)，可以觀察到平面點云已被很好地去除。

圖3 提取零件

2.2 離群點的去除

去除平面之后的其他微小離群點本身并不具備特定的幾何形狀，為了將其從點云數(shù)據(jù)中去除，有效的方式是采用一種基于聚類的方法，將離群點聚為一類之后將其去除。本文采用的是基于歐式距離的K-means聚類方法[7-8]去噪，具體算法為：

1)隨機從點云數(shù)據(jù)中產(chǎn)生K個點Ci{C1,C2,…,CK}(Ci為第i個點的坐標(biāo)值)作為初始聚類中心，K值的大小決定了聚類精度和點云提取的時間復(fù)雜度，K值越大，聚類精度越高，提取過程的時間復(fù)雜度越高。為了獲取合適的K值需要進行多次測試，根據(jù)K-means聚類數(shù)目和算法運行時間的關(guān)系來確定合適的聚類數(shù)目。

2)對于點云中的每個數(shù)據(jù)點，根據(jù)它們與聚類中心的歐氏距離，按距離最近的準(zhǔn)則將它們歸類到最近的類。

點云中一點P到聚類中心C的歐式距離定義為：

(2)

3)針對每一類，添加新的點之后，計算聚類中內(nèi)部數(shù)據(jù)點的平均距離，根據(jù)平均距離最小，選擇新的聚類中心。平均距離公式如下：

(3)

4)針對每一類，計算每個點Pij和新的聚類中心Ci的平均距離，小于閾值的聚類會被刪除。Ki的取值會影響不合格點的刪除數(shù)量，Ki取值越小就會導(dǎo)致越多的點被刪除；反之，Ki取值越大導(dǎo)致噪聲點被保留。

5)通過測試獲取合適的Ki值。

如圖4(a)所示，去噪前的點云中除了兩個目標(biāo)零件之外，還存在一些小的噪點，利用K-means聚類方法聚類之后，去除較小的類別，實現(xiàn)了離群點的去除。通過所述方法處理后得到的結(jié)果圖如圖4(b)所示，可以觀察到該方法可以有效實現(xiàn)點云去噪。

圖4 點云去噪

2.3 點云分割

經(jīng)過離群點去除之后的點云數(shù)據(jù)往往包含不止一個零件，不同零件的位姿通常也各不相同。為了能夠利用零件點云數(shù)據(jù)進行質(zhì)量分析，需要從全部點云中將單個的零件提取出來[9]。本文采用區(qū)域增長算法[10]對去噪后的點云進行分割。

基于區(qū)域增長的點云分割算法基本思想如下：

a)選擇種子點。點云中有未標(biāo)記點，按照點的曲率值對點進行排序，找到最小曲率值點，并把它添加到種子點集。

b)對于每個種子點：1)計算每個近鄰點與當(dāng)前種子點的距離值，進行測試2)；2)如果距離值小于設(shè)定的閾值，這個點就被添加到種子點集，即屬于當(dāng)前區(qū)域。

1) 在光路中一直沿主軸傳輸?shù)腅1111和波列.這是光程倍增光纖陀螺的主波列，E1111傳輸路徑和偏振態(tài)表示為∥→A(∥)→R(⊥)→B(⊥)→E(⊥)→D(⊥)→C(⊥)→R(∥)→B(∥)→E(∥)→F(∥)→∥，同理為∥→F(∥)→E(∥)→B(∥)→R(⊥)→C(⊥)→D(⊥)→E(⊥)→B(⊥)→R(∥)→A(∥)→∥，其相位差為零.

c)通過2次檢驗的點，被從原始點云去除。

d)設(shè)置最小點簇的點數(shù)為min，最大點簇為max。

e)重復(fù)a)-c)步，并對不同平面標(biāo)記不同顏色加以區(qū)分。

圖5為點云分割前后示意圖，可以觀察到點云數(shù)據(jù)已被分隔為不同的零件，并用不同的顏色加以區(qū)分(本刊為黑白印刷，如有疑問請咨詢作者)。

圖5 點云分割

3 數(shù)據(jù)配準(zhǔn)及分析

為了直觀地反映零件的質(zhì)量情況，需要將分割后的零件實測點云同零件的理論模型點云進行配準(zhǔn)。

由于被測物體為近似剛體，點云的旋轉(zhuǎn)變換可以用以下的方程表示：

pt=R·ps+T

(4)

式中：pt、ps表示源點云與目標(biāo)點云中一對對應(yīng)的點；R、T表示要求的旋轉(zhuǎn)、平移矩陣。本文采用ICP算法[11]實現(xiàn)源點集到目標(biāo)點集的配準(zhǔn)。

配準(zhǔn)的主要算法流程如下：

1)首先給定源點云與目標(biāo)點云；

2)提取特征確定對應(yīng)點；

3)估計匹配點對應(yīng)的變換矩陣；

4)應(yīng)用變換矩陣進行源點云到目標(biāo)點云的變換。

ICP算法核心是最小化一個目標(biāo)函數(shù)：

(7)

圖6為點云配準(zhǔn)后示意圖。通過計算掃描點云與理論數(shù)模之間的距離，可以得到圖7所示的零件誤差分布，從而得到最終的零件檢測結(jié)果。

圖6 點云配準(zhǔn)

圖7 零件誤差分布

4 結(jié)語

三維激光掃描技術(shù)具有速度快、精度高、受環(huán)境因素影響小等優(yōu)勢。本文主要研究將其應(yīng)用于零件掃描與評估的一套數(shù)據(jù)采集流程，包括點云采樣和去噪、點云分割、平面擬合、點云配準(zhǔn)等過程。通過具體實例進行了分析，為生產(chǎn)線上零件的質(zhì)量評估提供了一種新的思路。