点云配准的叶片轮廓光学检测方法、系统、设备及终端技术方案

本发明专利技术属于叶片轮廓的光学检测技术领域，公开了一种点云配准的叶片轮廓光学检测方法、系统、设备及终端，构建用于多视场数据精配准的深度特征交互网络DFInet，在深度特征交互网络中设计双分支结构，用于整合全局特征和局部特征来编码点云特征；设计特征交互模块，用于在特征提取过程中增强两点云之间的信息关联；利用注意力机制融合基于全局特征和局部特征的两个匹配矩阵之间的匹配信息。本发明专利技术新的基于深度学习的点云配准算法，减少了所开发的多视场系统的几何精度和运动稳定性的影响，提高了叶片轮廓的配准精度，利用特征交互模块加强源点云与目标点云之间的特征通信。对标记数据和实测数据的实验结果表明本发明专利技术方法的有效性。性。性。

【技术实现步骤摘要】
点云配准的叶片轮廓光学检测方法、系统、设备及终端


[0001]本专利技术属于叶片轮廓的光学检测
，尤其涉及一种点云配准的叶片轮廓光学检测方法、系统、设备及终端。

技术介绍

[0002]目前，叶片是航空发动机的关键部件，它决定了航空发动机的能量转换效率、运行安全和使用寿命。叶片的制造过程异常复杂，要求较高的尺寸精度和较高的表面完整性。因此，准确测量叶片轮廓对于保证加工质量和工作可靠性具有重要意义。目前，基于三坐标测量机(CMM)的叶片轮廓检测方法因其精度高而得到了广泛的应用。然而，该方法属于接触式测量，并且由于触头半径补偿的影响，在测量高曲率变化的曲面时具有固有的局限性。此外，测量过程复杂和效率低的问题与敏捷制造相冲突。因此，许多学者致力于对光学测量方法的研究来克服这些问题。
[0003]目前，叶片轮廓的光学测量方法，根据光源的类型和相应的数据采集形式，通常分为点光源法、线光源法和面光源法。基于光学检测方法的系统实施涉及到视场规划、传感器定位和叶片轮廓配准等几个常见步骤。其中，叶片轮廓配准是最具挑战性的问题。目前，对叶片轮廓配准方法的研究主要集中在引入外部标定物，例如：标准球、标定板和量块等。据我们所能了解到的来看，Wang 等首先提出基于叶片自特征使用激光传感器实现叶片轮廓测量而不用引入外部标定物，从而提高了配准精度，减小了累积误差。然而，这些方法都存在一个共同的问题，即测量精度仍然受所开发的多视场系统的几何精度和运动稳定性的影响。
[0004]最具代表性的点云配准方法是迭代距离最近点(Iterative Closest Point, ICP)，它被认为是求解点云配准的标准方法。随后，根据ICP的基本概念提出了许多变体。然而，ICP类型的方法采用的是一对一的硬对应关系，并且由于非凸性，很容易陷入局部极小值中。为了对两点云间的对应进行“软分配”，研究者们提出了概率模型，以提高对不确定数据的适应性。其中，相干点漂移 (Coherent Point Drift,CPD)是最著名的方法。但是概率模型更多地关注点之间的对应关系，而忽略了点云的几何特征。因此，基于特征的方法被设计出来，以解决点云配准问题。一般来说，基于特征的方法可分为两类：基于全局特征的方法和基于局部特征的方法，其主要区别在于它们使用的特征。全局特征描述了整个模型的形状，但不能完全表达重叠区域的特征。因此，这些算法识别能力有限，只适用于从特征突出的区域中提取特征。局部特征仅对邻域点进行编码。对于几乎是平面或球面的局部区域，很难建立局部参考坐标系。因此，对于具有特殊几何特征的叶片，这类算法提取有用信息以进行精配准的能力有限。最近，Yang等人将点云配准重新表述为截断最小二乘估计(TruncetedLeast Squares Estimation,TEASER)。虽然它对点之间错误的对应关系都有较强的鲁棒性，但它仍然不能解决提取合适特征的问题。
[0005]近年来，能够从给定数据中提取抽象信息的深度学习在点云配准方面有着特殊的应用前景。Elbaz等人提出了一种利用深度自动编码神经网络实现大规模点云与近距离扫
描点云之间的三维点云配准算法。Aoki等人对Lucas&Kanade (LK)算法进行了改进，并将PointNet和LK算法扩展为一个可训练的深度神经网络。Wang等人提出了深度最近邻点(Deep Closest Point,DCP))，通过计算各点特征的匹配概率来解决坐标变换问题。随后，Wang等人还设计了从点云局部到局部配准的部分配准网络(Partial Registration Network,PRNet)，并利用L2正则化得到了匹配的关键点。Yew和Lee提出了鲁棒点匹配(RobustPoint Matching,RPM)，它利用可微的Sinkhorn层和退火参数得到点之间对应关系的“软分配”。Li等人提出了迭代距离感知的相似度矩阵卷积(IterativeDistance
‑
Aware Similarity Matrix Convolution,IDAM)，它通过使用卷积神经网络计算匹配矩阵。Zhu等人使用具有差异特征的代表性重叠点 (Representative overlapping points,ROPNet)进行匹配，将局部到局部匹配转化为局部到全局的匹配。然而，这些工作只关注点云的局部特征或全局特征，不能从具有薄壁和扭曲空间表面的叶片提取到有效的特征。此外，这些研究并没有给出一个明确的方法来关联源点云和目标点云之间的信息，而只是在特征提取之后融合特征，来不及获取到足够的偏好知识。
[0006]此外，对于具有特殊几何特征的叶片，设计一种高效的精配准算法更具有挑战性。首先，为了提高效率，应该使用尽可能少的视场对叶片轮廓进行测量，而使得只有一小部分数据在两个相邻视场之间是重叠的。因此，叶片轮廓配准问题成为一个局部对局部的配准问题。其次，叶片表面为薄壁扭曲的外形，导致局部特征与全局特征之间存在很大差距。因此，它增加了算法提取包含局部信息和全局信息的显著特征的难度。再者，由于视场的差异，叶片轮廓同一部分在不同视场下的测量数据的点密度是不同的。因此，在不同视场的测量数据之间找到合适的匹配点是很困难的，故亟须设计一种新的点云配准的叶片轮廓光学检测方法及系统。
[0007]通过上述分析，现有技术存在的问题及缺陷为：
[0008](1)现有的叶片轮廓的光学测量方法的测量精度仍然受所开发的多视场系统的几何精度和运动稳定性的影响；ICP类型的方法容易陷入局部极小值中；基于概率模型的CPD方法更多关注点之间的对应关系，忽略点云的几何特征。 TEASER将点云配准重新表述为截断最小二乘估计，仍然不能解决提取合适特征的问题。
[0009](2)基于全局特征的方法不能完全表达重叠区域的特征，识别能力有限，只适用于从特征突出区域中提取特征；基于局部特征的方法仅对邻域点进行编码，对于具有特殊几何特征的叶片，提取有用信息进行精配准的能力有限。同时，基于深度学习的现有技术只关注点云的局部特征或全局特征，不能从具有薄壁和扭曲空间表面的叶片提取到有效的特征。
[0010](3)现有技术没有给出一个明确的方法来关联源点云和目标点云之间的信息，而只是在特征提取之后融合特征，来不及获取到足够的偏好知识。

技术实现思路

[0011]针对现有技术存在的问题，本专利技术提供了一种点云配准的叶片轮廓光学检测方法、系统、设备及终端，尤其涉及一种基于深度特征交互网络进行点云配准的叶片轮廓光学检测方法、系统、介质、设备及终端。
[0012]本专利技术是这样实现的，一种点云配准的叶片轮廓光学检测方法包括：
[0013]构建用于多视场数据精配准的深度特征交互网络，在所述深度特征交互网络中利用双分支结构整合全局特征和局部特征并进行点云特征编码；利用特征交互模块在特征提取过程中增强源点云与目标点云之间的信息关联；利用注意力机制融合基于全局特征和局部特征的两个匹配矩阵之间的匹配信息。
[0014]进一步，所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种点云配准的叶片轮廓光学检测方法，其特征在于，所述点云配准的叶片轮廓光学检测方法包括：构建用于多视场数据精配准的深度特征交互网络，在所述深度特征交互网络中利用双分支结构整合全局特征和局部特征并进行点云特征编码；利用特征交互模块在特征提取过程中增强源点云与目标点云之间的信息关联；利用注意力机制融合基于全局特征和局部特征的两个匹配矩阵之间的匹配信息。2.如权利要求1所述的点云配准的叶片轮廓光学检测方法，其特征在于，所述点云配准的叶片轮廓光学检测方法包括以下步骤：步骤一，在每次迭代i中，源点云X通过上一次迭代i
‑
1中获得的刚性变换[R
i
‑1,T
i
‑1]进行转换；局部特征提取模块分别从变换后的源点云X和原始目标点云Y中提取局部特征Fl
X
和Fl
Y
；步骤二，全局特征提取模块从两点云中提取全局特征Fg
X
和Fg
Y
，并利用结构相同、共享参数不同的两个附加多层感知机分别预测4个参数；其中，所述参数包括外点参数α
l
和α
g
、退火参数β
l
和β
g
；步骤三，提取的特征Fl
X
、Fl
Y
、Fg
X
、Fg
Y
和参数α
l
、β
l
、α
g
、β
g
分别用于计算两个匹配矩阵M
l
和M
g
；利用注意力机制融合局部特征空间和全局特征空间的匹配矩阵之间的信息，得到最终的匹配矩阵M；步骤四，从源点云X和匹配平均点得到刚性变换[R
i
,T
i
]，并用于下一次迭代i+1；其中，所述匹配平均点由匹配矩阵M和目标点云Y生成。3.如权利要求2所述的点云配准的叶片轮廓光学检测方法，其特征在于，所述步骤一中的局部特征提取包括：引入局部特征提取分支，并将点云X和Y嵌入到度量特征空间中，用于提取向量形式概括的点的局部几何特征；对于源点云X中的一个点x
i
，半径为r的圆以x
i
点为圆心；点x
i
的邻域用半径r确定；除x
i
外的圆内点是x
i
的近邻，表示为表示为如果一个点的邻域内包含的点数目小于k，则将重复一个固定点或随机采样点作为补充；如果一个点的邻域包含的点数目多于k，则随机采样k个点；将每个相邻点的原始坐标输入到一系列全连接层中，在第l层的特征表示为：其中，f
θ
:R2→
R
F
是具有一组可学习参数的非线性函数；由于点云排列不变性，使用对称函数汇聚局部几何特征：其中，是一个最大池化层，将任意数量的无序点和不规则点汇集到一个描述符中；将在第l层两个相邻的点云获得的特征和发送到FI模块进行信息交互；将描述符发送到一维卷积层中，进行l2规范化以获得局部特征向量Fl
X
.4.如权利要求2所述的点云配准的叶片轮廓光学检测方法，其特...

【专利技术属性】
技术研发人员：谢罗峰，朱杨洋，秦晟，吕梓枫，殷鸣，殷国富，
申请(专利权)人：四川大学，
类型：发明
国别省市：