發(fā)布時間：2020-04-09 05:45

【摘要】：點云特征提取是逆向工程領(lǐng)域的一項重要研究內(nèi)容,可廣泛應用于快速產(chǎn)品的逆向設(shè)計與開發(fā)、汽車車身覆蓋件及裝飾件、飛機關(guān)鍵零件設(shè)計與修復等工業(yè)設(shè)計中。點云模型的數(shù)據(jù)分割、重采樣、配準和表面缺陷判定等處理,都需要依賴特征提取的結(jié)果,因此,開展面向汽車模具的表面缺陷特征提取關(guān)鍵技術(shù)研究具有非常重要的學術(shù)意義和實際應用價值。鑒于此,課題圍繞汽車模具表面缺陷特征提取任務(wù)深入開展理論和技術(shù)研究。為保證點云分割、特征提取和數(shù)據(jù)配準的精度,首先對點云的去噪算法展開研究,然后對去噪后的點云進行區(qū)域分割,并在此基礎(chǔ)上研究點云特征提取方法,最終實現(xiàn)汽車模具表面缺陷的定位識別與特征提取。本文主要研究工作如下:1、針對點云模型不同區(qū)域的去噪要求,分析點云模型區(qū)域特征信息,提出基于采樣點法向距離的特征信息分類法,對包含特征信息較少的平滑區(qū)域和含有特征信息較多的尖銳區(qū)域,設(shè)計不同的光順去噪算法,實現(xiàn)基于特征分類的混合去噪算法。選擇含有不同強度噪聲的點云模型來測試該算法的去噪效果,實驗表明該算法既能增強平滑區(qū)域的光順度,又能保持尖銳區(qū)域的幾何特征,避免過度光順和細節(jié)特征失真。并通過對不同去噪算法的去噪結(jié)果偏差及算法運行時間對比,驗證了該算法在精度和計算效率上的優(yōu)勢。2、針對模糊聚類效率和精度低的問題,基于模糊聚類和群智能優(yōu)化思想,提出一種混合模糊區(qū)域聚類算法,即改進的社會粒子群優(yōu)化模糊C-均值聚類算法。在粒子群算法的基礎(chǔ)上,引入社會原子的跟隨特性,構(gòu)建社會粒子群優(yōu)化算法,并采用自適應調(diào)整策略優(yōu)化常數(shù)跟隨閾值,設(shè)計出改進的社會粒子群優(yōu)化算法模型,再利用該算法對模糊C-均值進行優(yōu)化,實現(xiàn)了改進的社會粒子群優(yōu)化FCM混合模糊區(qū)域聚類算法。選擇曲面復雜度不同的點云模型驗證算法的可行性,結(jié)果表明混合模糊區(qū)域聚類算法具有良好的聚類性能,算法在聚類精度、穩(wěn)定性和收斂速度上有明顯優(yōu)勢。3、根據(jù)區(qū)域聚類分割結(jié)果和圖像處理中的邊緣檢測思想,從分析點云數(shù)據(jù)的鄰域信息及幾何特性入手,設(shè)計點云特征信息聚類、提取、特征點集細化、分段和排序方案,提出基于區(qū)域聚類分割的點云特征提取方法。聚類分割后的點云可以使其曲面的參數(shù)線在局部區(qū)域內(nèi)保持與幾何特征的對應關(guān)系,特征提取的結(jié)果更為精準。通過對不同點云密度和噪聲強度的點云模型展開特征提取實驗,驗證本方法對噪聲點、鄰域尺度或采樣質(zhì)量敏感度低,具有較高的準確性和實用性。4、針對模具缺陷修復應用,展開點云模型的凹陷、皺褶缺陷檢測,提出基于配準的表面缺陷定位識別和特征提取方法。采用基于四點算法的初始配準和改進的最鄰近迭代點ICP精確配準算法的兩級配準方法進行點云模型的配準;對配準后模型進行偏差分析,定位識別缺陷區(qū)域,并采用混合模糊聚類方法分割缺陷區(qū)域;再采用多尺度有向線段角度差方法提取缺陷區(qū)域特征信息,并對缺陷特征進行形態(tài)參數(shù)化分析,判別缺陷區(qū)域類型。以江鈴全順汽車后門立柱模具及鑲塊類模具(T059系列)為研究對象,展開汽車模具表面缺陷檢測實驗,分離了待修復缺陷并給出了缺陷特征形態(tài)參數(shù),為后期模具修復設(shè)計和加工提供了量化依據(jù)。
【圖文】：

第 2 章 散亂點云微分幾何信息估算法向量估算結(jié)果分析取具有尖銳特征的 Smooth-feature 點云模型和八面體點云模型，分法和文獻[127]的方法估算點云法向量，并調(diào)整法向量方向為同一法估算法向量結(jié)果如圖 2.4 所示，圖中法向量方向指向模型外部。出，在曲面交界處，角點的法向量不垂直于其所在的曲面。圖 2.5獻[127]方法估算的法向量結(jié)果，法向量方向指向模型外部。從結(jié)面相交的角點處和尖銳特征點處的法向量均垂直于點云所在的局域內(nèi)同一曲面上的法向量接近平行，估算結(jié)果明顯優(yōu)于圖 2.4（量估算結(jié)果。

圖 2.5 文獻[127]方法估算法向量結(jié)果云的曲率估算數(shù)二次曲面的建立云的曲率可以定義為采樣點ip 及其 k 鄰域擬合的局部平面所對本文采用二次曲面擬合鄰域點集的方法來估算點云的曲率。已方程為：( )2 22 200 10 01 11 12 210 0i jijj iS u,v Q u v Q Q u Q v Q uv Q uv Q u v= ==∑ ∑= + + + + + +2 2 2 2 2 202 20 221 1TQ v + Q u + Q u v = u u Q v v 中：Q為 3×3 的系數(shù)矩陣。陣方程的建立和參數(shù)求解步驟如下：）以p 為原點，該點法向量n 為 z 軸，，構(gòu)造 u-v-z 局部直角坐標
【學位授予單位】：南昌大學
【學位級別】：博士
【學位授予年份】：2019
【分類號】：TP18;TP391.41;U468.2

【相似文獻】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識別中字符的特征提取方法[J];科技傳播;2009年05期

2 徐德友,胡壽松;利用粗集上近似處理特征提取中的噪聲問題[J];南京理工大學學報(自然科學版);2002年S1期

3 佟德純;王永興;;一種新的齒輪狀態(tài)的分類識別方法—CEP-AR特征提取與分類[J];振動與沖擊;1988年03期

4 羅斌;黃端旭;;皮膚癌表面圖象特征提取[J];安徽大學學報(自然科學版);1989年03期

5 王仁華;宋原章;;漢語孤立音節(jié)的分段研究[J];信號處理;1989年02期

6 楊小軍;;圖片特征提取[J];中小企業(yè)管理與科技(中旬刊);2017年03期

7 武弘;;六種常用的網(wǎng)絡(luò)流量特征提取工具[J];計算機與網(wǎng)絡(luò);2017年06期

8 李晉徽;楊俊安;王一;;一種新的基于瓶頸深度信念網(wǎng)絡(luò)的特征提取方法及其在語種識別中的應用[J];計算機科學;2014年03期

9 唐朝霞;;一種基于特征提取的簡答題閱卷算法[J];湖南工程學院學報(自然科學版);2010年01期

10 曹國輝;;車輛特征提取方法綜述[J];中國水運(理論版);2006年03期

相關(guān)會議論文 前10條

1 王紀凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學習方法[A];第17屆中國系統(tǒng)仿真技術(shù)及其應用學術(shù)年會論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學芳;;人臉識別中特征提取的一種改進方法[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運動目標的分割與特征提取[A];全國第二屆信號處理與應用學術(shù)會議�？痆C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無聲語音接口的超聲圖像的混合特征提取[A];第十三屆全國人機語音通訊學術(shù)會議(NCMMSC2015)論文集[C];2015年

5 徐繼偉;李建中;柳勃;楊昆;;使用支持向量機和改進特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國數(shù)據(jù)庫學術(shù)會議論文集（技術(shù)報告篇）[C];2005年

6 劉德剛;邵國凡;;高維遙感數(shù)據(jù)分析的特征提取方法[A];西部大開發(fā) 科教先行與可持續(xù)發(fā)展——中國科協(xié)2000年學術(shù)年會文集[C];2000年

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號分解與稀疏恢復的空間群目標微動特征提取[A];第八屆中國航空學會青年科技論壇論文集[C];2018年

8 許強;楊佳;;基于線性加權(quán)的免疫克隆算法的手指靜脈特征提取[A];中國自動化學會控制理論專業(yè)委員會B卷[C];2011年

9 高學;金連文;尹俊勛;;基于筆劃密度的彈性網(wǎng)格特征提取方法[A];2001年中國智能自動化會議論文集（上冊）[C];2001年

10 徐萍;武其松;羅昕煒;陶俊;;基于畸變拖曳陣的高保真特征提取方法[A];中國聲學學會水聲學分會2019年學術(shù)會議論文集[C];2019年

相關(guān)重要報紙文章 前3條

1 宇航智控;預測與健康管理(PHM)技術(shù)[N];中國航空報;2018年

2 記者 賈玎玎;北京紡控主營業(yè)務(wù)收入增長11.39%[N];首都建設(shè)報;2015年

3 中國信息通信研究院泰爾終端實驗室 曾晨曦 段虎才;深度學習框架的前世今生[N];人民郵電;2018年

相關(guān)博士學位論文 前10條

1 王曉輝;汽車模具表面缺陷特征提取關(guān)鍵技術(shù)研究[D];南昌大學;2019年

2 蘇雷曼 施查布（SOULEYMAN CHAIB）;面向高分辨率圖像場景分類的特征提取與選擇研究[D];哈爾濱工業(yè)大學;2018年

3 宋洪超;基于微波的乳腺癌檢測算法研究[D];北京郵電大學;2018年

4 溫柳英;多模態(tài)數(shù)據(jù)特征提取的粒計算方法研究與應用[D];西南石油大學;2017年

5 李文娟;基于局部特征提取的人臉識別方法研究[D];天津大學;2017年

6 王振宇;面向人臉識別的特征提取技術(shù)應用研究[D];東南大學;2016年

7 馬麗紅;復雜背景下人臉的定位和特征提取[D];華南理工大學;1999年

8 謝平;故障診斷中信息熵特征提取及融合方法研究[D];燕山大學;2006年

9 張紹武;基于支持向量機的蛋白質(zhì)分類研究[D];西北工業(yè)大學;2004年

10 李建生;圖像元數(shù)據(jù)特征提取及其在檢索中的應用[D];南京師范大學;2006年

相關(guān)碩士學位論文 前10條

1 裴震宇;基于Micro-CT的單籽粒小麥內(nèi)部蟲害可視化及特征提取研究[D];華北水利水電大學;2019年

2 劉雨田;人臉屬性魯棒特征提取與分析算法研究[D];北京交通大學;2019年

3 郭艷博;基于腦電源活動對早期營養(yǎng)不良的識別[D];電子科技大學;2019年

4 韋杰英;一種新的房顫心電融合特征提取方法研究[D];西北大學;2019年

5 王迪;基于小波相干分析的房顫心電特征提取方法[D];西北大學;2019年

6 俞凱;基于彩繪文物高光譜圖像降維與融合的隱含信息挖掘方法[D];西北大學;2019年

7 解金豹;基于深度學習的無線電特征提取[D];合肥工業(yè)大學;2019年

8 寧暑光;基于特征提取與學習的無線通信數(shù)字調(diào)制方式自動識別方法研究[D];合肥工業(yè)大學;2019年

9 索帥;基于壓縮感知的無線信道稀疏特征提取方法[D];合肥工業(yè)大學;2019年

10 張曉寧;基于機器學習的年齡估計算法的研究[D];電子科技大學;2019年

本文編號：2620375