本发明专利技术属于点云重建领域，具体涉及一种面向精密切削的低特征辨识度、高精度、低延时点云重建方法及测量系统。包括以下步骤：1)对待切削零件的多个分段进行点云数据采集，并对采集到的点云数据进行噪声和离群点过滤；2)采用多视角三维点云重建方法进行点云配准，得到重构后的点云数据；3)对重构后的点云数据进行裁剪，得到数据精简后的待切削零件的点云；4)获取待切削零件裁剪后的点云对应的三角网格曲面模型，对其进行网格平滑处理，得到待切削零件的点云。本发明专利技术采用的端对端的、可交替学习的多视角三维点云重建方法，相比于现有的粗配准与精配准两阶段配准，节约了计算资源，提高了三维重建的精度。
【技术实现步骤摘要】
本专利技术属于点云重建领域，具体涉及一种面向精密切削的低特征辨识度、高精度、低延时点云重建方法及测量系统。
技术介绍
1、零件的高精度测量对于精密切削具有重要的意义。常用的复杂零件精度检测方法主要包括:专用夹具检具检测、三坐标机测量和摄影测量，但这些方法只能对零件有限位置的尺寸进行检测，无法完成零件整体形面的三维测量和精度分析，因此难以为切削优化提供完整和全面的数据支持。
2、为了获得零件表面三维数据，近年来以面结构光三维测量技术为代表的光学三维测量技术发展迅速，并在锻造、铸造、切削等多个材料加工领域得到广泛应用，取得了良好的应用效果。
3、受到物体形状及结构光相机精度的限制，单次全局测量难以达到精密切削所需要的点云数据，因此对物体表面的扫描需要通过多次测量来完成。由于多次测量时测量设备与被测物体之间空间位置的相对变化通常无法有效估计，需要用算法对扫描得到的三维点云进行整合、配准和表面映射，以得到一副物体的完整三维模型。
4、但是该方法提及的点云配准算法依赖于非常局部的特征，对于3d场景结构简单的情况十分有害，导致精度不高，速度较慢，影响点云数据精度。具体来说，不同物体表面的特征密度差距明显。对于表面起伏变化复杂的点云，例如人脸模型以及一些标准数据库模型，其特征密度高、辨识度高、提取难度低，非常有利于点云的配准；而对于表面平滑的点云，例如服装模特、人体器官模型等，这类模型表面具有明显特征的点数量少、提取困难，尤其是工业切削模型有低特征辨识度及一定对称性的特点，给配准带来了巨大的挑战。
<
br/>技术实现思路
1、为了克服现有面向精密切削的低特征辨识度零件表面三维数据重构方法精度不足的问题，本专利技术提供一种基于端对端的、可学习的多视角三维点云重建算法及测量系统，能够对已有的点云映射数据进行调整，重新建立针对当前点云的映射关系，提升点云的测量精度，减小测距误差，有效解决低特征辨识度的问题，更好的指导零件的精密切削。
2、本专利技术为实现上述目的所采用的技术方案是：
3、一种面向精密切削的低特征辨识度点云重建方法，包括以下步骤：
4、1)对待切削零件的多个分段进行点云数据采集，并对采集到的点云数据进行噪声和离群点过滤；
5、2)采用多视角三维点云重建方法进行点云配准，得到重构后的点云数据；
6、3)对重构后的点云数据进行裁剪，得到数据精简后的待切削零件的点云；
7、4)获取待切削零件裁剪后的点云对应的三角网格曲面模型，对其进行网格平滑处理，得到待切削零件的点云。
8、所述对采集到的点云数据进行噪声和离群点过滤，具体为：
9、使用kd-tree算法查找点云数据中点pi(xi,yi,zi),i＝1,2……,n的空间临近点pj(xj,yj,zj),j＝1,2……,n,求解空间点pi与其临近点pj的平均距离di，如果di在[μ-ασ,μ+ασ]范围之外，则该临近点为离群噪声点，将其从点云集中去除，其中，μ为全局距离平均值，σ为标准差，n为点云个数，α为常数：
10、
11、所述步骤2)包括以下步骤：
12、2.1)使用transformer模型对点云数据进行特征提取；
13、2.2)利用提取到的点云特征进行成对配准，得到成对点云的旋转矩阵和平移矩阵
14、2.3)基于旋转矩阵和平移矩阵构建图g，将图g输入刚体变换同步层，并通过刚体变换对损失函数的参数迭代优化；
15、2.4)使用adam优化器训练并调整网络参数，获得全局的旋转矩阵和全局的平移向量得到配准后的全局点云。
16、所述步骤2.1)包括以下步骤：
17、2.1.1)使用基于稀疏体素的骨干网络将每个点云处理成鸟瞰图bev特征表示；
18、2.1.2)采用多尺度中心提议网络cpn将bev特征编码为不同尺度特征图，并预测中心提议，得到预测初始中心位置：
19、2.1.2.1)在每个尺度结束时，添加一个卷积注意力模块cbam；
20、2.1.2.2)使用最高比例特征图c上的中心头预测目标中心通道的heatmap；
21、2.1.2.3)每个通道包含一个类的heatmap分数，将前n个heatmap分数的位置作为中心提案；
22、2.1.3)将提议的中心作为嵌入在transformer解码器中的query特征；
23、2.1.4)在transformer解码器中的每个模块中，使用可变形的交叉注意力层聚合来自多尺度特征图的特征：
24、2.1.4.1)可变形交叉注意力层使用线性层学习参考中心位置p在所有头和尺度上的2d偏移量δp；
25、2.1.4.2)通过双线性采样，将p+δp处的特征提取为交叉注意力attending特征；
26、2.1.4.3)使用线性层从查询嵌入中学习注意力分数；
27、2.1.4.4)将多个尺度的特征聚合作为交叉注意力层的输出，表示为：
28、
29、其中，p为中心提议，m为注意力头，wm为可学习的权重，s为尺度，k为围绕中心提议的采样点，c(p为中心特征，σ为softmax函数，为注意力权重，xs为多尺度bev特征，wmsk和δpmsk分别表示第s个尺度和第m个注意力头中第k个采样点的注意权重和采样偏移；
30、2.1.5)使用回归头预测每个增强中心特征；
31、2.1.6)通过transformer解码器的对应关系函数φ(·)获得点云数据中的每一个点计算得到的一个高维的特征描述子：
32、2.1.6.1)通过在高维特征空间中的最近邻搜索得到点云p和q的对应关系{φ(·)}；
33、2.1.6.2)通过计算一个分类分布的概率向量s，将最近邻选择以概率的方式进行变形，得到点p在点云q中的预测的对应关系：
34、
35、其中，dl:＝||fp-(fq)l||2，fq为点云q经过transformer得到的嵌入特征，l为分类索引，fp是点p通过transformer得到的嵌入特征，t为一个控制变量；
36、2.1.6.3)使用对比损失函数监督φ(·)的学习，所述对比损失函数为：
37、
38、其中，是一组随机抽取的小批量数据n中的正对集合，为负对集合，mp和mn分别是正对和负对的边距。
39、所述步骤2.2)包括以下步骤：
40、2.2.1)构建成对配准块fθ，所述成对配准块fθ的输入是假定的对应关系γ的坐标，输出权重w:＝ψinit(γ):＝tanh(relu(fθ(γ)))；
41、2.2.2)将权重w与对应关系γ一起输入到的封闭解中，得到旋转矩阵和平移矩阵
42、其中,φ(pl,q)是对应函数，wl:＝(w)l是假定的对应关系所对应的权重；
<本文档来自技高网...
【技术保护点】
1.一种面向精密切削的低特征辨识度点云重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述对采集到的点云数据进行噪声和离群点过滤，具体为：
3.根据权利要求1所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2)包括以下步骤：
4.根据权利要求3所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2.1)包括以下步骤：
5.根据权利要求3所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2.2)包括以下步骤：
6.根据权利要求3所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2.3)包括以下步骤：
7.根据权利要求3所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2.4)具体为：
8.根据权利要求1所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤4)中，通过Laplacian平滑算法进行平滑处理。
【技术特征摘要】
1.一种面向精密切削的低特征辨识度点云重建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述对采集到的点云数据进行噪声和离群点过滤，具体为：
3.根据权利要求1所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2)包括以下步骤：
4.根据权利要求3所述的一种面向精密切削的低特征辨识度点云重建方法，其特征在于，所述步骤2.1)包括以下步骤：
5.根据权利要...
【专利技术属性】
技术研发人员：贺云鹏，曾鹏，孙勇，刘玉奇，李庆鑫，孙乙铭，彭瑞飞，张瑞峰，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。