[发明专利]一种基于形状-空间联合特征的曲面轮廓监控方法

说明书

本发明涉及一种基于形状‑空间联合特征的曲面轮廓监控方法，包括获取点云数据，计算工件的拉普拉斯‑贝尔特拉米谱作为曲面特征数据，将点云数据以若干种不同的尺寸分割为分块点云，计算分块点云中任意两块点群的最小测地线距离，构建空间测地线距离矩阵，计算并选择Greary’s G指数最低的分块尺寸作为统计尺寸，根据统计尺寸计算每个分块点云的集聚度；根据集聚度及拉普拉斯‑贝尔特拉米谱计算每个分块点云的Hotelling’s T²统计量，从而检测异常曲面。本发明的方法利用了点云内在的丰富信息检测出工件表面的微小变化，实现了对工件表面质量变化的监控。

技术领域

本发明属于曲面监控技术领域，具体涉及一种基于形状-空间联合特征的曲面轮廓监控方法。

背景技术

随着高精密光学测量和传感技术的应用和发展，对于曲面的测量已从传统的单点、片段测量迈向高稠密点云、全轮廓测量，如近年来应用广泛的激光三角测量仪、高精度复合式三维激光扫描仪等，它可以在几十秒内生成数十万点云数据以表征整个工件的三维曲面轮廓。

曲面轮廓质量是衡量工件加工质量的重要指标，它可以反映出工件在加工过程中受设备精度、原材料的成分以及加工工艺等各种因素的影响情况，故监控曲面轮廓质量的变化能更精确地识别工件加工质量特征是否在受控范围内。目前曲面轮廓监控方法主要有使用张量回归的多元线性代数方法建模和监测点云数据的结构，以及将三维点云转化为二维图像后监控等，这些方法只监控单一变量，仅仅提取了曲面点云离散的关键质量特性，未充分利用点云丰富的内在信息，无法检测出较小的质量缺陷或故障。同时，曲面点云的各点之间存在很强的空间相关性，而现有方法无法体现这种空间关系，所以在监控过程中常常会出现错检或漏检，对工件的生产制造过程产生了极大的影响。

目前常用的曲面轮廓监控方法基于参数化建模实现，通过将点云数据映射嵌入到它们的二维流形空间中，输入矢量来获得低维流形参数化，并对参数化模型进行监控。与传统方法相比，这种方法能够描述工件形状的变化，但它在监控前需要对曲面点云进行配准，计算成本较高，且其参数化模型仅仅考虑了工件形状的变化，未考虑工件表面点云的空间相关性，无法准确监控工件加工质量的变化。因此需要一种能够结合工件表面点云的空间相关性判断曲面轮廓是否合格的检测方法。

发明内容

基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种基于形状-空间联合特征的曲面轮廓监控方法。

为了达到上述发明目的，本发明采用以下技术方案：

一种基于形状-空间联合特征的曲面轮廓监控方法，方法包括如下步骤：

S1、获取工件表面的点云数据；

S2、根据点云数据计算工件表面的拉普拉斯-贝尔特拉米谱，并选择拉普拉斯-贝尔特拉米谱的前若干个值的平均值作为工件表面的曲面特征数据；

S3、将点云数据以若干种不同的尺寸分割为分块点云；

S4、计算分块点云中任意两块点群的最小测地线距离，根据最小测地线距离构建空间测地线距离矩阵；

S5、根据空间测地线距离矩阵计算每个分块点云的Greary’s G指数；

S6、选择Greary’s G指数最低的分块点云的尺寸作为统计尺寸，根据统计尺寸计算每个分块点云的集聚度；

S7、根据集聚度及拉普拉斯-贝尔特拉米谱计算每个分块点云的Hotelling’sT²统计量；

S8、根据Hotelling’s T²统计量检测存在异常曲面。

作为优选方案，步骤S1之后、S2之前还包括步骤：