CN111709934B - 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 - Google Patents
一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 Download PDFInfo
- Publication number
- CN111709934B CN111709934B CN202010553989.4A CN202010553989A CN111709934B CN 111709934 B CN111709934 B CN 111709934B CN 202010553989 A CN202010553989 A CN 202010553989A CN 111709934 B CN111709934 B CN 111709934B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- template
- actual measurement
- warping
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000001746 injection moulding Methods 0.000 title claims abstract description 32
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims description 12
- 101100004031 Mus musculus Aven gene Proteins 0.000 claims description 6
- 230000000449 premovement Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 abstract 1
- 239000007924 injection Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
- G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法。在注塑叶轮的实测点云和叶轮模型的模板点云基础上,将两组点云进行配准,统一到一个坐标系下;对比两组点云空间位置获取可能出现翘曲缺陷的危险区域,并提取危险区域的实测点云及模板点云;再进行分割,根据得到的点云簇数量判断危险区域是否发生翘曲;对翘曲的所有实测点云簇和模板点云簇进行叶轮叶片吸力面点云提取;然后将每处翘曲的实测点云簇和模板点云簇进行匹配;计算每处翘曲的翘曲度。本发明能通过三维点云的空间位置对比检测出注塑叶轮是否存在翘曲缺陷,并通过计算出翘曲度实现对叶轮翘曲缺陷的量化检测,为叶轮的翘曲检测提供了快速便利的方式。
Description
技术领域
本发明涉及了一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,尤其是涉及了一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法。
背景技术
薄壁注塑成型技术是在传统注塑成型基础上发展起来的针对薄壁类制品生产的一种新技术,由于其特有的优点越来越多的用在实际生产中。但由于薄壁注塑件的壁厚较薄,聚合物熔体在型腔中冷却迅速,成型难度加大,给塑件的质量控制带来了较大的困难,翘曲变形就是其制造过程中的主要缺陷。
很多叶轮目前采用注塑成型的方法制造而成,由于叶轮叶片一般为薄壁,在实际制造过程中,很容易出现翘曲变形。另外,由于叶轮叶片大多为自由曲面,因此对翘曲的检测较为困难,而且难以得到具体的量化检测,因此需要一种较为简便的方法检测翘曲,并得到合适的量化检测。
随着机器视觉的快速发展,3D机器视觉和点云处理越来越多的用在缺陷检测上。但目前的视觉缺陷检测及点云处理大多是针对物体的表面缺陷,很少有针对翘曲这种几何形状缺陷的检测。
发明内容
为了解决本发明的技术问题,本发明的目的是克服现有技术中叶轮翘曲缺陷检测困难、难以得到合适的量化检测等不足,提供了一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法。
本发明能通过三维点云的空间位置对比检测出注塑叶轮是否存在翘曲缺陷,并通过计算出翘曲度实现对叶轮翘曲缺陷的量化检测,为叶轮的翘曲检测提供了快速便利的检测方法。
如图1所示,本发明方法包括以下步骤:
步骤1:通过三维扫描仪三维扫描采集获取注塑叶轮的实测点云;
步骤2:对注塑叶轮已构建的数字化物理模型进行离散化,得到注塑叶轮的模板点云;
步骤3:将注塑叶轮的实测点云和模板点云进行配准,统一到同一个坐标系下;
步骤4:通过对比实测点云与模板点云的空间位置进行危险区域检测,获取可能出现翘曲缺陷的危险区域,并提取危险区域的实测点云及对应的模板点云;
步骤5:采用欧几里得聚类分割的方法对危险区域的实测点云和模板点云均进行分割处理,将点云中相邻距离小于距离阈值ε的点归为一类,距离阈值ε具体取为点云中两点最小间距的10-15倍,组成同一个点云簇,获得各个点云簇后将包含点云数量小于100的点云簇剔除,保留下来的点云簇作为翘曲处的点云簇;
对危险区域的实测点云和模板点云进行分割处理后获得各个实测点云簇及对应的模板点云簇,根据得到的点云簇数量是否大于0判断危险区域是否发生翘曲,若点云簇不止一处则说明有翘曲,一处点云簇代表了一处翘曲;
具体实施中可能存在多处翘曲,且因为点云的无序性和密度不均匀性,导致危险区域点云提取时会存在少量稀疏的非危险区域点,还要将各处翘曲分离,同时剔除这些稀疏的非危险区域点。
步骤6:对步骤5获得的实测点云簇及对应的模板点云簇分别进行叶轮叶片吸力面点云提取,即将叶轮叶片吸力面与压力面的点云分离,获取吸力面上的点云,而只保留叶片吸力面上的点云;
步骤7:计算实测点云簇与每个模板点云簇之间的距离,采用距离最小匹配方法将每处翘曲的实测点云簇和其对应的模板点云簇进行匹配;
步骤8:计算翘曲的实测点云簇中每个点到其对应模板点云簇对应切平面的垂直距离,选择其中最大的20个值,剔除离群点后求平均,作为该处翘曲的翘曲度。
所述步骤4具体包括以下步骤:
步骤4.1:分别将实测点云和模板点云构造为两个八叉树;无序点云之间没有一一对应的关系,采用构造八叉树进行空间动态检测的方法实现无序点云的对比检测。
步骤4.2:逐个遍历提取检测对象的一个八叉树的其中一个点作为搜索点,在另一个八叉树中进行体素查找,即以搜索点对应的相同位置为中心、边长为a的正方体内进行查找是否存在有点云中的点,其中a为点云中两点最小间距的4-8倍:若未存在有点云中的点,则该搜索点为实测点云和模板点云之间的差异区域;若存在有点云中的点,则该搜索点不为实测点云和模板点云之间的差异区域;
步骤4.3:将实测点云作为检测对象,按照步骤4.2处理得到差异区域,作为可能出现翘曲缺陷的危险区域的实测点云;再将模板点云作为检测对象,按照步骤4.2处理得到差异区域,作为危险区域的实测点云所对应的模板点云。
所述步骤4主要采用构造八叉树进行空间动态检测实现无序点云的对比检测,从而解决了无序点云没有一一对应关系的问题,具有检测方便、效率高等优势。
所述步骤6中,对实测点云簇和模板点云簇均采用以下方式处理:
步骤6.1:计算点云簇P={p1,p2,...,pm}中各点的法向量N={n1,n2,...,nm},并计算平均法向量均值其中,pi表示点云中第i个点,ni表示点云中第i个点的法向量,i表示点云中的点序数,m表示点云中的点总数,P,N,AveN均由坐标{x,y,z}组成表示。然后将点云簇沿平均法向量方向移动固定距离t,其中t为叶片的最大厚度,获得移动后点云簇SP:
其中,SP.x表示点云簇SP中点的x坐标,P.x表示点云簇P中点的x坐标,AveN.x表示平均法向量AveN的x坐标,xyz分别表示点的三个坐标值;
步骤6.2:遍历移动后点云簇中的每一点spi,以点位置为中心、搜索半径为0.9t在原来移动前的点云簇P中进行范围搜索:若范围中存在点云的至少一点,则说明点spi对应的原来移动前点云簇P中的点pi位于叶轮叶片吸力面;若范围中不存在点云的点,则说明点spi对应的原来移动前点云簇P中的点pi不位于叶轮叶片吸力面,由此划分获得叶轮叶片吸力面。
所述步骤7中,点云簇之间的距离计算方法为:
在实测点云簇中随机选择N个点,分别以每个点作为中心点,在模板点云簇中进行近邻搜索找到离中心点最近的K个点,计算K个点分别到中心点距离的均值,再将所有N个点获得的距离的均值相加求平均,作为两个点云之间的距离。其中,N和K可根据点云簇数量的不同进行调整,一般选取点云数量的10%-20%。
所述步骤8具体包括以下步骤:
步骤8.2:通过搜索到的三个点计算得到平面,作为点pi对应的切平面;
步骤8.3:计算点pi到该平面的距离di,作为点pi的翘曲值:
步骤8.4:计算翘曲的实测点云簇中所有点的翘曲值,从中选择最大的20个,计算均值μ和标准差σ:
最后将偏离均值一倍标准差的点作为离群点进行剔除,即将满足di<μ-σ或di>μ+σ对应的点pi剔除,然后将剩余的所有点pi的翘曲值求平均作为该实测点云簇的翘曲缺陷的翘曲度。
本发明在步骤8中,将用于表征平面弯曲程度的翘曲度进行拓展和创新,把从叶轮叶片曲面的切平面垂直测得的表面翘曲最大距离作为翘曲度,对叶轮叶片表面的翘曲缺陷进行检测,从而能得到翘曲缺陷的量化指标,使得叶片的翘曲程度更加直观,并可以反馈至生产过程,为产品质量的提高打下基础。
本发明的有益效果是:
1、本发明能通过三维点云空间位置的对比检测出注塑叶轮是否存在翘曲缺陷,并通过计算出翘曲度实现对叶轮翘曲缺陷的量化处理检测,为叶轮的翘曲检测提供了一种便利、准确有效的方法。
2、本发明采用计算量能准备表达平面弯曲程度的翘曲度,以从叶轮叶片的切平面垂直测得的表面翘曲最大距离作为翘曲度,是一种自由曲面翘曲的准备量化检测结果。
3、本发明通过搜索最近邻点拟合切平面再计算距离的方法获取翘曲度,不需要采用一般的曲面重建方法,提高了处理速度。
附图说明
图1为本发明算法流程图;
图2为本发明步骤2危险区域检测效果图;
图2(a)为叶轮实测点云图;
图2(b)为叶轮模板点云图;
图2(c)为危险区域实测点云图;
图2(d)为危险区域模板点云图;
图3为本发明步骤3欧几里得聚类分割结果图;
图3(a)为危险区域实测点云图;
图3(b)为危险区域模板点云图;
图3(c)为分割后的翘曲缺陷实测点云图;
图3(d)为分割后的翘曲缺陷模板点云图;
图4为本发明步骤4点云簇移动效果图;
图5为本发明步骤4单层点云提取结果图;
图6为本发明步骤6翘曲值计算示意图。
图中,移动前点云簇401,移动后点云簇402;翘曲的实测点云簇601,模板点云簇602,切平面603。
具体实施方式
下面结合附图和具体实施对本发明作进一步说明。
如图1所示,本发明的实施例及其实施过程如下:
步骤1:通过三维扫描仪三维扫描采集获取注塑叶轮的实测点云;
步骤2:对注塑叶轮已构建的数字化物理模型进行离散化,得到注塑叶轮的模板点云;
步骤3:将注塑叶轮的实测点云和模板点云进行配准,统一到同一个坐标系下;
步骤4:如图2所示,通过对比实测点云与模板点云的空间位置进行危险区域检测,获取可能出现翘曲缺陷的危险区域,并提取危险区域的实测点云及对应的模板点云;
步骤4.1:分别将实测点云和模板点云构造为两个八叉树;
步骤4.2:逐个遍历提取检测对象的一个八叉树的其中一个点作为搜索点,在另一个八叉树中进行体素查找,即以搜索点对应的相同位置为中心、边长为a的正方体内进行查找是否存在有点云中的点,其中a为点云中两点最小间距的4-8倍:若未存在有点云中的点,则该搜索点为实测点云和模板点云之间的差异区域;若存在有点云中的点,则该搜索点不为实测点云和模板点云之间的差异区域;
步骤4.3:将实测点云作为检测对象,按照步骤4.2处理得到差异区域,作为可能出现翘曲缺陷的危险区域的实测点云;再将模板点云作为检测对象,按照步骤4.2处理得到差异区域,作为危险区域的实测点云所对应的模板点云。
步骤5:如图3所示,采用欧几里得聚类分割的方法对危险区域的实测点云和模板点云均进行分割处理,将点云中相邻距离小于距离阈值ε的点归为一类,距离阈值ε具体取为点云中两点最小间距的10-15倍,组成同一个点云簇,获得各个点云簇后将包含点云数量小于100的点云簇剔除,保留下来的点云簇作为翘曲处的点云簇;
对危险区域的实测点云和模板点云进行分割处理后获得各个实测点云簇及对应的模板点云簇,根据得到的点云簇数量是否大于0判断危险区域是否发生翘曲,若点云簇不止一处则说明有翘曲,一处点云簇代表了一处翘曲。
分割后,图3左侧的叶轮实测点云和右侧的叶轮模板点云分别形成了两个点云簇,代表了两处不同的翘曲缺陷。同时,一些散乱的点云因为点的数量小于限定值,因此被剔除。
步骤6:对步骤5获得的实测点云簇及对应的模板点云簇分别进行叶轮叶片吸力面点云提取,即将叶轮叶片吸力面与压力面的点云分离,获取吸力面上的点云,而只保留叶片吸力面上的点云;
步骤6.1:计算点云簇P={p1,p2,...,pm}中各点的法向量N={n1,n2,...,nm},并计算平均法向量均值其中,pi表示点云中第i个点,ni表示点云中第i个点的法向量,i表示点云中的点序数,m表示点云中的点总数,P,N,AveN均由坐标{x,y,z}组成表示。如图4所示,然后将点云簇沿平均法向量方向移动固定距离t,其中t为叶片的最大厚度,获得移动后点云簇SP:
步骤6.2:遍历移动后点云簇中的每一点spi,以点位置为中心、搜索半径为0.9t在原来移动前的点云簇P中进行范围搜索:若范围中存在点云的至少一点,则说明点spi对应的原来移动前点云簇P中的点pi位于叶轮叶片吸力面;若范围中不存在点云的点,则说明点spi对应的原来移动前点云簇P中的点pi不位于叶轮叶片吸力面,如图5所示,由此划分获得叶轮叶片吸力面。
如图4、图5所示,由于点云为模型的表面轮廓,而叶轮有一定厚度,因此提取到的点云一般有两层,分别对应叶轮叶片吸力面和压力面的点云。如图4所示,点云簇401上方为吸力面,下方为压力面,将点云簇401沿其平均法向量方向即图中箭头方向移动一定距离t,得到移动后点云簇402。以移动后点云簇402的点为中心进行范围搜索,搜索半径取0.9t,由于移动后点云簇402的下方压力面点云到点云簇401各点的最近距离为t,因此这部分点云在将搜索不到点云簇401中的点,而若能搜索到其他点,则说明该点属于上方吸力面。叶轮叶片吸力面点云提取结果如图5所示,图中在垂直于上下层点云所在面的会出现部分噪点,因此后续进行距离计算时需将这些离群点剔除。
步骤7:计算实测点云簇与每个模板点云簇之间的距离,采用距离最小匹配方法将每处翘曲的实测点云簇和其对应的模板点云簇进行匹配;
在实测点云簇中随机选择N个点,分别以每个点作为中心点,在模板点云簇中进行近邻搜索找到离中心点最近的K个点,计算K个点分别到中心点距离的均值,再将所有N个点获得的距离的均值相加求平均,作为两个点云之间的距离。其中,N和K可根据点云簇数量的不同进行调整,一般选取点云数量的10%-20%。
步骤8:计算翘曲的实测点云簇中每个点到其对应模板点云簇对应切平面的垂直距离,选择其中最大的20个值,剔除离群点后求平均,作为该处翘曲的翘曲度。
步骤8.2:通过搜索到的三个点计算得到平面,作为点pi对应的切平面;
步骤8.3:计算点pi到该平面的距离di,作为点pi的翘曲值:
步骤8.4:计算翘曲的实测点云簇中所有点的翘曲值,从中选择最大的20个,计算均值μ和标准差σ:
最后将偏离均值一倍标准差的点作为离群点进行剔除,即将满足di<μ-σ或di>μ+σ对应的点pi剔除,然后将剩余的所有点pi的翘曲值求平均作为该实测点云簇的翘曲缺陷的翘曲度。
如图6所示,步骤8获得了从叶轮叶片曲面的切平面垂直测得的表面翘曲最大距离作为翘曲度,获得了叶轮叶片表面的翘曲缺陷情况。选取下方翘曲的实测点云簇601中的点A,搜索上方模板点云簇602中距离A最近的3个点,并计算得到切平面603,点A到切平面603的距离d即为该点处的翘曲值。由于在叶轮叶片吸力面点云提取时会出现部分噪点,因此通过统计学习的方法将这些离群点剔除。计算翘曲的实测点云簇中所有点的翘曲值,选择最大的20个剔除离群值后计算均值,即为该处翘曲缺陷的翘曲度。
Claims (5)
1.一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,其特征在于:包括以下步骤:
步骤1:通过三维扫描仪采集获取注塑叶轮的实测点云;
步骤2:对注塑叶轮已构建的数字化物理模型进行离散化,得到注塑叶轮的模板点云;
步骤3:将注塑叶轮的实测点云和模板点云进行配准,统一到同一个坐标系下;
步骤4:通过对比实测点云与模板点云的空间位置进行危险区域检测,获取可能出现翘曲缺陷的危险区域,并提取危险区域的实测点云及对应的模板点云;
步骤5:采用欧几里得聚类分割的方法对危险区域的实测点云和模板点云均进行分割处理,将点云中相邻距离小于距离阈值ε的点归为一类,组成同一个点云簇,获得各个点云簇后将包含点云数量小于100的点云簇剔除;
对危险区域的实测点云和模板点云进行分割处理后获得各个实测点云簇及对应的模板点云簇,根据得到的点云簇数量是否大于0判断危险区域是否发生翘曲;
步骤6:对步骤5获得的实测点云簇及对应的模板点云簇分别进行叶轮叶片吸力面点云提取,即将叶轮叶片吸力面与压力面的点云分离,获取吸力面上的点云;
步骤7:计算实测点云簇与每个模板点云簇之间的距离,采用距离最小匹配方法将每处翘曲的实测点云簇和其对应的模板点云簇进行匹配;
步骤8:计算翘曲的实测点云簇中每个点到其对应模板点云簇对应切平面的垂直距离,选择其中最大的20个值,20个值中剔除离群点后求平均,作为该处翘曲的翘曲度。
2.根据权利要求1所述的一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,其特征在于:所述步骤4具体包括以下步骤:
步骤4.1:分别将实测点云和模板点云构造为两个八叉树;
步骤4.2:逐个遍历提取检测对象的一个八叉树的其中一个点作为搜索点,在另一个八叉树中进行体素查找,即以搜索点对应的相同位置为中心、边长为a的正方体内进行查找是否存在有点云中的点,其中a为点云中两点最小间距的4-8倍:若未存在有点云中的点,则该搜索点为实测点云和模板点云之间的差异区域;若存在有点云中的点,则该搜索点不为实测点云和模板点云之间的差异区域;
步骤4.3:将实测点云作为检测对象,按照步骤4.2处理得到差异区域,作为可能出现翘曲缺陷的危险区域的实测点云;再将模板点云作为检测对象,按照步骤4.2处理得到差异区域,作为危险区域的实测点云所对应的模板点云。
3.根据权利要求1所述的一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,其特征在于:
所述步骤6中,对实测点云簇和模板点云簇均采用以下方式处理:
步骤6.1:计算点云簇P={p1,p2,...,pm}中各点的法向量N={n1,n2,...,nm},并计算平均法向量均值其中,pi表示点云中第i个点,ni表示点云中第i个点的法向量,i表示点云中的点序数,m表示点云中的点总数,然后将点云簇沿平均法向量方向移动固定距离t,其中t为叶片的最大厚度,获得移动后点云簇SP:
其中,SP.x表示点云簇SP中点的x坐标,P.x表示点云簇P中点的x坐标,AveN.x表示平均法向量AveN的x坐标,xyz分别表示点的三个坐标值;
步骤6.2:遍历移动后点云簇中的每一点spi,以点位置为中心、搜索半径为0.9t在原来移动前的点云簇P中进行范围搜索:若范围中存在点云的至少一点,则说明点spi对应的原来移动前点云簇P中的点pi位于叶轮叶片吸力面;若范围中不存在点云的点,则说明点spi对应的原来移动前点云簇P中的点pi不位于叶轮叶片吸力面。
4.根据权利要求1所述的一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,其特征在于:
所述步骤7中,点云簇之间的距离计算方法为:
在实测点云簇中随机选择N个点,分别以每个点作为中心点,在模板点云簇中进行近邻搜索找到离中心点最近的K个点,计算K个点分别到中心点距离的均值,再将所有N个点获得的距离的均值相加求平均,作为两个点云之间的距离。
5.根据权利要求1所述的一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法,其特征在于:
所述步骤8具体包括以下步骤:
步骤8.2:通过搜索到的三个点计算得到平面,作为点pi对应的切平面;
步骤8.3:计算点pi到该平面的距离di,作为点pi的翘曲值:
步骤8.4:计算翘曲的实测点云簇中所有点的翘曲值,从中选择最大的20个,计算均值μ和标准差σ:
最后将偏离均值一倍标准差的点作为离群点进行剔除,即将满足di<μ-σ或di>μ+σ对应的点pi剔除,然后将剩余的所有点pi的翘曲值求平均作为该实测点云簇的翘曲缺陷的翘曲度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553989.4A CN111709934B (zh) | 2020-06-17 | 2020-06-17 | 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010553989.4A CN111709934B (zh) | 2020-06-17 | 2020-06-17 | 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111709934A CN111709934A (zh) | 2020-09-25 |
CN111709934B true CN111709934B (zh) | 2021-03-23 |
Family
ID=72540914
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010553989.4A Active CN111709934B (zh) | 2020-06-17 | 2020-06-17 | 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709934B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112884057B (zh) * | 2021-03-04 | 2022-03-18 | 晶仁光电科技(苏州)有限公司 | 基于点云数据的三维曲面质量分类方法、***及存储介质 |
CN113313712B (zh) * | 2021-07-30 | 2021-11-09 | 季华实验室 | 一种电池涂胶缺陷检测方法、装置、电子设备及存储介质 |
CN117218123B (zh) * | 2023-11-09 | 2024-02-02 | 上海擎刚智能科技有限公司 | 一种基于点云的冷轧带钢飞丝设备故障检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767524A (zh) * | 2016-11-22 | 2017-05-31 | 江苏大学 | 一种水力机械叶片曲面检测方法和装置 |
CN108106576A (zh) * | 2018-01-22 | 2018-06-01 | 广东理工学院 | 一种陶瓷砖平整度在线检测装置及检测方法 |
WO2018136262A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN109345523A (zh) * | 2018-09-21 | 2019-02-15 | 中国科学院苏州生物医学工程技术研究所 | 表面缺陷检测和三维建模方法 |
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及*** |
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI310142B (en) * | 2003-05-28 | 2009-05-21 | Hon Hai Prec Ind Co Ltd | Cad-based cav system and method |
CN109532021B (zh) * | 2018-10-10 | 2020-08-25 | 浙江大学 | 基于结构光线性异常点的3d打印熔积缺陷逐层检测方法 |
CN110033447B (zh) * | 2019-04-12 | 2022-11-08 | 东北大学 | 一种基于点云方法的高铁重轨表面缺陷检测方法 |
CN110415342B (zh) * | 2019-08-02 | 2023-04-18 | 深圳市唯特视科技有限公司 | 一种基于多融合传感器的三维点云重建装置与方法 |
-
2020
- 2020-06-17 CN CN202010553989.4A patent/CN111709934B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106767524A (zh) * | 2016-11-22 | 2017-05-31 | 江苏大学 | 一种水力机械叶片曲面检测方法和装置 |
WO2018136262A1 (en) * | 2017-01-20 | 2018-07-26 | Aquifi, Inc. | Systems and methods for defect detection |
CN108106576A (zh) * | 2018-01-22 | 2018-06-01 | 广东理工学院 | 一种陶瓷砖平整度在线检测装置及检测方法 |
CN110390683A (zh) * | 2018-04-17 | 2019-10-29 | 河海大学 | 一种基于密集点云的古城墙三维裂缝检测方法 |
CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
CN109345523A (zh) * | 2018-09-21 | 2019-02-15 | 中国科学院苏州生物医学工程技术研究所 | 表面缺陷检测和三维建模方法 |
CN110378900A (zh) * | 2019-08-01 | 2019-10-25 | 北京迈格威科技有限公司 | 产品缺陷的检测方法、装置及*** |
Non-Patent Citations (3)
Title |
---|
《Building Change Detection from Bi-Temporal Dense-Matching Point Clouds and Aerial Images》;Shiyan Pang等;《Sensors 2018》;20180324;第18卷(第4期);第966篇 * |
《叶轮快速成型及熔模铸造过程仿真研究》;张浩;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20200315(第03期);第B022-504页 * |
《基于CAE的注塑件成型工艺参数优化研究》;张鲁滨;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20190915(第09期);第B016-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111709934A (zh) | 2020-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709934B (zh) | 一种基于点云特征对比的注塑叶轮翘曲缺陷检测方法 | |
CN107369161B (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN113298833A (zh) | 目标物点云特征线面提取方法及*** | |
CN110807781B (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN102750449B (zh) | 基于分步三维空间-特征域映射的点云直线特征提取方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN113935999B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN115830015A (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN111783722B (zh) | 一种激光点云的车道线提取方法和电子设备 | |
CN114383498B (zh) | 应用于涡轮叶片气膜孔检测的目标点云分割方法 | |
CN113219903A (zh) | 一种基于深度视觉的钢坯最优剪切控制方法及装置 | |
CN114139618A (zh) | 基于改进密度峰值聚类的信号依赖噪声参数估计方法 | |
CN102708367A (zh) | 基于目标轮廓特征的图像识别方法 | |
CN114022483A (zh) | 一种基于边缘特性的注塑飞边区域识别方法 | |
CN116642904A (zh) | 一种基于三维点云的飞机蒙皮缺陷检测及测量方法 | |
CN116309577A (zh) | 一种高强传送带物料智能检测方法及*** | |
CN114067147B (zh) | 一种基于局部形状匹配的舰船目标确认方法 | |
CN115293287A (zh) | 一种基于车载雷达的对目标进行聚类的方法、存储器及电子装置 | |
CN113744389B (zh) | 一种面向复杂零件曲面特征保留的点云精简方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
Li et al. | The research on traffic sign recognition based on deep learning | |
CN116843742B (zh) | 一种针对装载黑色煤车辆的点云配准后堆料体积的计算方法及*** | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN117292181A (zh) | 基于3d点云处理的钣金件孔组分类及全尺寸测量方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |