【技術實現步驟摘要】
本專利技術涉及一種基于三維點云數據的工業表面缺陷檢測方法，屬于缺陷檢測。
技術介紹
1、在現代工業制造過程中，產品質量的控制和管理始終是保證產品性能和安全性的關鍵因素之一。尤其是在航空航天、汽車制造、船舶制造、電子制造以及精密機械制造等高精尖領域，產品表面的微小缺陷都可能對最終產品的性能產生重大影響。傳統的表面缺陷檢測方法主要依賴于視覺檢測、超聲檢測、磁粉檢測等技術手段。然而，這些方法在面對復雜曲面和微小缺陷時，往往存在檢測精度低、效率低下以及對操作人員經驗依賴性強等問題，難以滿足現代工業生產的高精度、高效率要求。
2、隨著計算機視覺技術的迅猛發展，基于圖像處理的表面缺陷檢測技術逐漸成為研究的熱點。然而，二維圖像的局限性使得在復雜曲面或三維結構上進行準確的缺陷檢測仍然面臨諸多挑戰。二維圖像只能捕捉物體的表面紋理信息，無法全面反映物體的三維幾何形狀。對于形狀復雜、具有不規則曲面的工件，基于二維圖像的檢測方法容易出現誤判或漏判。此外，光照條件、表面反射性等因素也會顯著影響檢測結果的穩定性和可靠性。
3、為克服上述問題，近年來，三維點云數據的采集與處理技術逐漸引起了廣泛關注。三維點云數據能夠完整地描述物體的幾何形狀和空間結構，為表面缺陷檢測提供了更加豐富和精準的數據信息。點云數據通過激光掃描、結構光掃描、時間飛行(time-of-flight,tof)傳感器等設備獲取，能夠精確捕捉物體的三維形態，特別是在處理復雜曲面和微小結構時，具有明顯的優勢。
4、盡管三維點云數據具有高精度和高信息量的優點，但其
5、現有的基于三維點云的表面缺陷檢測方法可以分為兩大類：一類是傳統方法，一類是基于深度學習的方法。傳統的方法主要是利用點云的局部幾何特征，如曲率等，然后用閾值分割法來去除背景點并獲得缺陷點，傳統方法相對直觀，但如果分割閾值選擇不當，缺陷分割性能可能相對較差，因此其魯棒性和適用性值得進一步提高。對于基于深度學習的方法，缺陷分割任務可以被視為深度學習中的3d語義分割問題或3d實例分割問題。pointnet、pointnet++和point?transformer等是典型的先進3d語義分割網絡，然而，即使是最新的最先進的語義分割網絡，它們在公共數據集上的分割平均交并比(meanintersection?of?union,miou)性能指標仍然不足80％。
6、現有的基于三維點云的表面缺陷檢測方法，盡管在某些特定場景下取得了一定的成效，但普遍存在算法復雜度高、計算時間長、對硬件要求高等問題，限制了其在實際工業應用中的推廣。為了提高檢測效率和準確性，研究人員開始探索將機器學習、深度學習與三維點云處理技術相結合，通過學習模型自動提取和識別缺陷特征。然而，現有的基于機器學習的檢測方法大多依賴于大量的訓練數據，且在不同工件類型或表面紋理下的泛化能力有限，仍需進一步的優化和改進。
7、綜上所述，現有的表面缺陷檢測技術在面對復雜工業場景時仍然存在諸多不足，亟需一種高效、魯棒性強且易于推廣的三維表面缺陷檢測方法，以滿足現代工業制造對高精度質量檢測的需求。
技術實現思路
1、本專利技術解決的技術問題是：克服現有技術的不足，提出了一種基于三維點云數據的工業表面缺陷檢測方法，通過數據預處理、多頭前景提取、多頭空間聚類、共享分類和非極大抑制五方面的檢測設計，顯著提高對復雜表面缺陷的檢測精度。
2、本專利技術的技術解決方案是：
3、一種基于三維點云數據的工業表面缺陷檢測方法，包括：
4、對采集到的三維點云數據進行預處理，去除離群點；
5、對預處理后的三維點云數據進行多頭前景提取，得到候選缺陷點集；
6、對候選缺陷點集進行多頭空間聚類處理，生成多個候選缺陷實例簇；
7、對各候選缺陷實例簇進行分類處理，得到選缺陷實例簇的缺陷概率，篩選出可能為真實缺陷的實例簇；
8、將篩選出的可能為真實缺陷的實例簇去除重疊和冗余，最終輸出檢測出的三維表面缺陷實例簇。
9、進一步地，對預處理后的三維點云數據進行多頭前景提取，具體方法為：
10、計算三維點云中每個點的局部幾何特征值；
11、建立多個并行的前景提取器，為各個前景提取器設定相應的百分比分割閾值，在每一個前景提取器中進行如下處理：將點三維點云中各個點的局部幾何特征值與前景提取器的百分比分割閾值進行比較，若局部幾何特征值大于閾值，則將該點標記為候選缺陷點；
12、將各個前景提取器中標記的候選缺陷點聚集形成候選缺陷點集。
13、進一步地，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為法矢變化率，計算三維點云中點pi的法矢變化率：
14、
15、其中，||·||表示向量的歐幾里得范數，ni為點pi的法向量；點pi鄰域內的點的法向量為{ni1,ni2,…,nik}，k是鄰域點的數量。
16、進一步地，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為全方差特征，計算三維點云中點pi的全方差特征：
17、fi＝gvf＝tr(σ)＝λ1+λ2+λ3
18、其中，λ1,λ2,λ3是方差矩陣σ的特征值，方差矩陣通過對點pi的鄰域點進行主成分分析得到。
19、進一步地，設計多個并行且具有不同參數值的空間聚類器，候選缺陷點集經過各個空間聚類器進行多頭空間聚類處理；
20、在每個空間聚類器內進行空間聚類處理的方法為：
21、對于候選缺陷點集的每一個點，計算該點在半徑eps內的鄰域點數，若超過設定值，則標記該點為核心點；
22、從任一核心點開始，聚類器對該核心點鄰域內的所有點進行擴展，形成簇；簇的擴展過程包括對鄰域內的所有點進行類似的處理，直到簇的擴展不能再包括新的點；在任何簇內的點數少于minpts的點被標記為噪聲點，并不參與任何簇的形成；其中，eps、minpts為超參數，在不同空間聚類器中設定不同的值。
23、進一步地，對各候選缺陷實例簇進行分類，計算每一類的缺陷概率，具體方法為：
24、從各候選缺陷實例簇中提取特征向量，特征向量中的特征值包括定向包圍盒特征值、凸包特征值、形狀特征值；
25、對特征向量的特征值進行標準化處理；
26、采用成熟的分類模型對標準化處理后的特征向量進行分類，預測表面缺陷類別的概率值。
27、進一步地，通過神經網絡算法或xgboost分類器建立分類模型，將標準化特征向量作為輸入，將表面缺陷本文檔來自技高網...
【技術保護點】
1.一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，對預處理后的三維點云數據進行多頭前景提取，具體方法為：
3.根據權利要求2所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為法矢變化率，計算三維點云中點pi的法矢變化率：
4.根據權利要求2所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為全方差特征，計算三維點云中點pi的全方差特征：
5.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，設計多個并行且具有不同參數值的空間聚類器，候選缺陷點集經過各個空間聚類器進行多頭空間聚類處理；
6.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，對各候選缺陷實例簇進行分類，計算每一類的缺陷概率，具體方法為：
7.根據權利要求6所述的一種基于三
8.根據權利要求6所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，特征向量表示為X＝[X1,X2,…,X8]，X1,X2,X3分別為定向包圍盒的長度、寬度、高度，X4,X5分別為凸包的表面積和體積，X6,X7,X8分別為形狀特征的法線一致度、球面度、平面度。
9.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，將篩選出的實例簇去除重疊和冗余，具體方法為：
10.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，對采集到的三維點云數據進行預處理，去除離群點的方法為：
...【技術特征摘要】
1.一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，包括：
2.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，對預處理后的三維點云數據進行多頭前景提取，具體方法為：
3.根據權利要求2所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為法矢變化率，計算三維點云中點pi的法矢變化率：
4.根據權利要求2所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，計算三維點云中每個點的局部幾何特征值，局部幾何特征值為全方差特征，計算三維點云中點pi的全方差特征：
5.根據權利要求1所述的一種基于三維點云數據的工業表面缺陷檢測方法，其特征在于，設計多個并行且具有不同參數值的空間聚類器，候選缺陷點集經過各個空間聚類器進行多頭空間聚類處理；
6.根據權利要求1所述的一種基于三維點云數據的工業表面缺...
【專利技術屬性】
技術研發人員：張晨，李河林，姚祺，柳云釗，楊云華，王金明，王新永，裴天河，魏金花，李鴻宇，劉巒，
申請(專利權)人：航天材料及工藝研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。