【技术实现步骤摘要】
本申请涉及图像数据处理，具体涉及异形零件的生产质检方法、装置及系统。
技术介绍
1、在机械制造领域，异形零件用于生产定制化机器部件，以满足机器的特殊需求。由于其独特的形状，制造过程中常采用激光切割、数控加工(铣削和车削)、3d打印等特殊工艺和技术。当切削速度和深度设置不合理，或机床性能不稳定时，会导致切削力不当，形成毛刺和飞边。这些问题影响异形零件的表面质量、耐磨性和耐腐蚀性。故在生产加工过程中需要对异形零件表面进行缺陷检测，进而剔除不合格的产品。
2、在使用阿尔法形状算法处理异形零件的点云数据时，找到最佳的半径参数通常需要通过试验和调整。由于异形零件的独特形状，半径参数的选择会直接影响边界提取的精度和细节表现，若半径参数设置的不合适，会导致边界提取结果出现误差，从而影响后续质检结果的准确性。
技术实现思路
1、鉴于以上内容，有必要提供异形零件的生产质检方法、装置及系统，解决以上问题。
2、根据本申请的一方面，提供了异形零件的生产质检方法，所述方法包括：
3、获取异形零件的三维点云数据；
4、对异形零件的三维点云数据采用特征点检测算法，提取关键点及其对应的法向量；对于异形零件，基于关键点的法向量之间的相似特征以及关键点之间的距离特征，对关键点进行聚类；
5、对各聚类簇中的关键点进行主成分分析，获取关键点的高斯曲率分布，结合关键点之间的距离，得到各聚类簇的局部形状特征值；
6、在各聚类簇中，预设各关键点的近邻关键
7、根据所有关键点的调整指数，对阿尔法形状算法中的半径进行调整，得到异形零件的轮廓，与标准模版异形零件的轮廓进行相似性分析，得到异形零件质检结果。
8、其中，所述对关键点进行聚类，具体为：
9、计算关键点的法向量之间的余弦相似度；计算关键点之间的欧氏距离；将所述余弦相似度的归一化值与所述欧氏距离的归一化值的和值作为聚类算法的度量，结合所述度量采用聚类算法得到各聚类簇。
10、其中，所述得到各聚类簇的局部形状特征值，具体为：
11、基于高斯曲率对各聚类簇中所有关键点进行编号，根据相邻编号关键点之间的距离，筛选各聚类簇中的突出点，得到各聚类簇的区域平滑度；
12、对各聚类簇的区域平滑度进行归一化处理；计算各聚类簇中非突出点的关键点数量与所有关键点数量的比值，将归一化处理后的区域平滑度与所述比值进行融合，得到各聚类簇的局部形状特征值。
13、其中，所述筛选各聚类簇中的突出点，具体为：
14、将各聚类簇中的关键点按照高斯曲率从小到大进行编号，计算各关键点与相邻关键点之间的高斯曲率差值绝对值；将所述高斯曲率差值绝对值大于差异阈值的关键点标记为突出点。
15、其中，所述得到各聚类簇的区域平滑度，具体为：
16、获取各聚类簇中所有编号相邻关键点之间的距离的平均水平，记为第一距离；提取各聚类簇中所有关键点的高斯曲率的平均水平，记为平均曲率；将所述第一距离与所述平均曲率进行融合，得到各聚类簇的区域平滑度。
17、其中，所述得到各关键点的调整指数，包括：
18、在各聚类簇中，获取所有关键点与其预设数量个近邻关键点之间距离的平均水平，记为第二距离；
19、以各关键点为圆心，第二距离的预设倍数为邻域半径，将各关键点的邻域中所有关键点的数量作为各关键点的局部密度；
20、根据各聚类簇所述第二距离以及所述局部形状特征值，结合各关键点的局部密度，得到各关键点的调整指数；其中，所述调整指数与所述第二距离、所述局部密度均成正相关关系，与所述局部形状特征值成负相关关系。
21、其中，所述对阿尔法形状算法中的半径进行调整，具体为：其中，α表示关键点对应阿尔法形状算法中的半径；lca表示关键点的调整指数；λ表示预设值；μ表示关键点与其所有邻近关键点之间距离的平均值；e表示自然常数。
22、其中，所述得到异形零件质检结果，具体为：
23、将所有点云数据作为阿尔法形状算法的输入，结合所有关键点对应的半径，得到异形零件的轮廓，采用轮廓特征提取算法，获取异形零件轮廓的特征向量；计算异形零件轮廓与标准模版异形零件轮廓的特征向量之间的距离度量的归一化值；
24、当所述距离度量的归一化值小于等于所述预设距离阈值时，异形零件轮廓符合质检标准，否则，不符合质检标准。
25、根据本申请的另一方面，提供了异形零件的生产质检系统，包括：
26、异形零件点云数据获取模块，用于获取异形零件的三维点云数据；
27、异形零件点云数据处理模块，用于对异形零件的三维点云数据采用特征点检测算法，提取关键点及其对应的法向量；对于异形零件，基于关键点的法向量之间的相似特征以及关键点之间的距离特征，对关键点进行聚类；对各聚类簇中的关键点进行主成分分析，获取关键点的高斯曲率分布，结合关键点之间的距离，得到各聚类簇的局部形状特征值；在各聚类簇中，预设各关键点的近邻关键点，根据各聚类簇中各关键点及其近邻关键点之间的距离分布，结合所述局部形状特征值，得到各关键点的调整指数；
28、异形零件轮廓提取质检模块，用于根据所有关键点的调整指数，对阿尔法形状算法中的半径进行调整，得到异形零件的轮廓，与标准模版异形零件的轮廓进行相似性分析，得到异形零件质检结果。
29、根据本申请的又一方面，提供了异形零件的生产质检装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的异形零件的生产质检方法对应的操作。
30、在上述方案中，获取异形零件的三维点云数据，有助于理解异形零件表面的几何特性和处理表面缺陷；提取关键点及其对应的法向量，有助于获取异形零件的形状特征，提高分析效率；基于关键点的距离、法向量等特征对关键点进行聚类，有助于更全面地理解异形零件的结构和特征，并将结构相似的关键点聚到一个簇中；对各聚类簇中的关键点进行主成分分析，获取关键点的高斯曲率分布，结合关键点之间的距离，得到各聚类簇的局部形状特征值，其有益效果在于对异形零件的局部特征进行刻画，接着构建聚类簇中每个关键点的调整指数，便于根据异形零件的局部特征对阿尔法形状算法中的半径进行调整，根据异形零件的点云分布特征选择合适的半径，得到更加准确、有效的异形零件轮廓；最后将异形零件的轮廓与标准模版异形零件轮廓进行比较，使得异形零件质检结果更加准确。
本文档来自技高网...【技术保护点】
1.异形零件的生产质检方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述对关键点进行聚类，具体为：
3.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述得到各聚类簇的局部形状特征值，具体为：
4.如权利要求3所述的异形零件的生产质检方法，其特征在于，所述筛选各聚类簇中的突出点，具体为：
5.如权利要求3所述的异形零件的生产质检方法，其特征在于，所述得到各聚类簇的区域平滑度，具体为：
6.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述得到各关键点的调整指数，包括：
7.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述对阿尔法形状算法中的半径进行调整，具体为：其中，α表示关键点对应阿尔法形状算法中的半径；Lca表示关键点的调整指数；λ表示预设值；μ表示关键点与其所有邻近关键点之间距离的平均值；e表示自然常数。
8.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述得到异形零件质检结果，具体为：
9.
10.异形零件的生产质检装置，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的异形零件的生产质检方法对应的操作。
...【技术特征摘要】
1.异形零件的生产质检方法，其特征在于，该方法包括以下步骤：
2.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述对关键点进行聚类，具体为：
3.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述得到各聚类簇的局部形状特征值，具体为：
4.如权利要求3所述的异形零件的生产质检方法，其特征在于，所述筛选各聚类簇中的突出点，具体为：
5.如权利要求3所述的异形零件的生产质检方法，其特征在于，所述得到各聚类簇的区域平滑度，具体为：
6.如权利要求1所述的异形零件的生产质检方法，其特征在于，所述得到各关键点的调整指数，包括：
7.如权利要求1所述的...
【专利技术属性】
技术研发人员：甄君，胡伟杰，张永清，孔祥彬，
申请(专利权)人：湖南曼吉电子科技有限公司，
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。