發(fā)布時(shí)間：2020-04-09 05:45

【摘要】：點(diǎn)云特征提取是逆向工程領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容,可廣泛應(yīng)用于快速產(chǎn)品的逆向設(shè)計(jì)與開(kāi)發(fā)、汽車車身覆蓋件及裝飾件、飛機(jī)關(guān)鍵零件設(shè)計(jì)與修復(fù)等工業(yè)設(shè)計(jì)中。點(diǎn)云模型的數(shù)據(jù)分割、重采樣、配準(zhǔn)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(kāi)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(xué)術(shù)意義和實(shí)際應(yīng)用價(jià)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(kāi)展理論和技術(shù)研究。為保證點(diǎn)云分割、特征提取和數(shù)據(jù)配準(zhǔn)的精度,首先對(duì)點(diǎn)云的去噪算法展開(kāi)研究,然后對(duì)去噪后的點(diǎn)云進(jìn)行區(qū)域分割,并在此基礎(chǔ)上研究點(diǎn)云特征提取方法,最終實(shí)現(xiàn)汽車模具表面缺陷的定位識(shí)別與特征提取。本文主要研究工作如下:1、針對(duì)點(diǎn)云模型不同區(qū)域的去噪要求,分析點(diǎn)云模型區(qū)域特征信息,提出基于采樣點(diǎn)法向距離的特征信息分類法,對(duì)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(jì)不同的光順去噪算法,實(shí)現(xiàn)基于特征分類的混合去噪算法。選擇含有不同強(qiáng)度噪聲的點(diǎn)云模型來(lái)測(cè)試該算法的去噪效果,實(shí)驗(yàn)表明該算法既能增強(qiáng)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(guò)度光順和細(xì)節(jié)特征失真。并通過(guò)對(duì)不同去噪算法的去噪結(jié)果偏差及算法運(yùn)行時(shí)間對(duì)比,驗(yàn)證了該算法在精度和計(jì)算效率上的優(yōu)勢(shì)。2、針對(duì)模糊聚類效率和精度低的問(wèn)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(jìn)的社會(huì)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(huì)原子的跟隨特性,構(gòu)建社會(huì)粒子群優(yōu)化算法,并采用自適應(yīng)調(diào)整策略優(yōu)化常數(shù)跟隨閾值,設(shè)計(jì)出改進(jìn)的社會(huì)粒子群優(yōu)化算法模型,再利用該算法對(duì)模糊C-均值進(jìn)行優(yōu)化,實(shí)現(xiàn)了改進(jìn)的社會(huì)粒子群優(yōu)化FCM混合模糊區(qū)域聚類算法。選擇曲面復(fù)雜度不同的點(diǎn)云模型驗(yàn)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(shì)。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(cè)思想,從分析點(diǎn)云數(shù)據(jù)的鄰域信息及幾何特性入手,設(shè)計(jì)點(diǎn)云特征信息聚類、提取、特征點(diǎn)集細(xì)化、分段和排序方案,提出基于區(qū)域聚類分割的點(diǎn)云特征提取方法。聚類分割后的點(diǎn)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(duì)應(yīng)關(guān)系,特征提取的結(jié)果更為精準(zhǔn)。通過(guò)對(duì)不同點(diǎn)云密度和噪聲強(qiáng)度的點(diǎn)云模型展開(kāi)特征提取實(shí)驗(yàn),驗(yàn)證本方法對(duì)噪聲點(diǎn)、鄰域尺度或采樣質(zhì)量敏感度低,具有較高的準(zhǔn)確性和實(shí)用性。4、針對(duì)模具缺陷修復(fù)應(yīng)用,展開(kāi)點(diǎn)云模型的凹陷、皺褶缺陷檢測(cè),提出基于配準(zhǔn)的表面缺陷定位識(shí)別和特征提取方法。采用基于四點(diǎn)算法的初始配準(zhǔn)和改進(jìn)的最鄰近迭代點(diǎn)ICP精確配準(zhǔn)算法的兩級(jí)配準(zhǔn)方法進(jìn)行點(diǎn)云模型的配準(zhǔn);對(duì)配準(zhǔn)后模型進(jìn)行偏差分析,定位識(shí)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(duì)缺陷特征進(jìn)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(mén)立柱模具及鑲塊類模具(T059系列)為研究對(duì)象,展開(kāi)汽車模具表面缺陷檢測(cè)實(shí)驗(yàn),分離了待修復(fù)缺陷并給出了缺陷特征形態(tài)參數(shù),為后期模具修復(fù)設(shè)計(jì)和加工提供了量化依據(jù)。
【圖文】：

第 2 章 散亂點(diǎn)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(diǎn)云模型和八面體點(diǎn)云模型，分法和文獻(xiàn)[127]的方法估算點(diǎn)云法向量，并調(diào)整法向量方向?yàn)橥�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(diǎn)的法向量不垂直于其所在的曲面。圖 2.5獻(xiàn)[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(diǎn)處和尖銳特征點(diǎn)處的法向量均垂直于點(diǎn)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(xiàn)[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(diǎn)ip 及其 k 鄰域擬合的局部平面所對(duì)本文采用二次曲面擬合鄰域點(diǎn)集的方法來(lái)估算點(diǎn)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(diǎn)，該點(diǎn)法向量n 為 z 軸，，構(gòu)造 u-v-z 局部直角坐標(biāo)
【學(xué)位授予單位】：南昌大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP18;TP391.41;U468.2

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳輝;;淺議車牌識(shí)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(wèn)題[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)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(shí)別方法—CEP-AR特征提取與分類[J];振動(dòng)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(xué)學(xué)報(bào)(自然科學(xué)版);1989年03期

5 王仁華;宋原章;;漢語(yǔ)孤立音節(jié)的分段研究[J];信號(hào)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(jì)算機(jī)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(yǔ)種識(shí)別中的應(yīng)用[J];計(jì)算機(jī)科學(xué);2014年03期

9 唐朝霞;;一種基于特征提取的簡(jiǎn)答題閱卷算法[J];湖南工程學(xué)院學(xué)報(bào)(自然科學(xué)版);2010年01期

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

相關(guān)會(huì)議論文 前10條

1 王紀(jì)凱;王鵬;張啟彬;陳宗海;;激光數(shù)據(jù)特征提取與學(xué)習(xí)方法[A];第17屆中國(guó)系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會(huì)論文集（17th CCSSTA 2016）[C];2016年

2 薛燕;李建良;朱學(xué)芳;;人臉識(shí)別中特征提取的一種改進(jìn)方法[A];第十三屆全國(guó)圖象圖形學(xué)學(xué)術(shù)會(huì)議論文集[C];2006年

3 黃先鋒;韓傳久;陳旭;周劍軍;;運(yùn)動(dòng)目標(biāo)的分割與特征提取[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

4 路文煥;曲悅欣;楊亞龍;王建榮;黨建武;;用于無(wú)聲語(yǔ)音接口的超聲圖像的混合特征提取[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)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(jī)和改進(jìn)特征提取方法的蛋白質(zhì)分類[A];第二十二屆中國(guó)數(shù)據(jù)庫(kù)學(xué)術(shù)會(huì)議論文集（技術(shù)報(bào)告篇）[C];2005年

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

7 姜成柱;劉志成;何其芳;卞榮;席聞;;基于信號(hào)分解與稀疏恢復(fù)的空間群目標(biāo)微動(dòng)特征提取[A];第八屆中國(guó)航空學(xué)會(huì)青年科技論壇論文集[C];2018年

8 許強(qiáng);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(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)B卷[C];2011年

9 高學(xué);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(guó)智能自動(dòng)化會(huì)議論文集（上冊(cè)）[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(guó)聲學(xué)學(xué)會(huì)水聲學(xué)分會(huì)2019年學(xué)術(shù)會(huì)議論文集[C];2019年

相關(guān)重要報(bào)紙文章 前3條

1 宇航智控;預(yù)測(cè)與健康管理(PHM)技術(shù)[N];中國(guó)航空?qǐng)?bào);2018年

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

3 中國(guó)信息通信研究院泰爾終端實(shí)驗(yàn)室 曾晨曦 段虎才;深度學(xué)習(xí)框架的前世今生[N];人民郵電;2018年

相關(guān)博士學(xué)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(xué);2019年

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

3 宋洪超;基于微波的乳腺癌檢測(cè)算法研究[D];北京郵電大學(xué);2018年

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

5 李文娟;基于局部特征提取的人臉識(shí)別方法研究[D];天津大學(xué);2017年

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

7 馬麗紅;復(fù)雜背景下人臉的定位和特征提取[D];華南理工大學(xué);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(xué);2006年

9 張紹武;基于支持向量機(jī)的蛋白質(zhì)分類研究[D];西北工業(yè)大學(xué);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(yīng)用[D];南京師范大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

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

3 郭艷博;基于腦電源活動(dòng)對(duì)早期營(yíng)養(yǎng)不良的識(shí)別[D];電子科技大學(xué);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(xué);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(xué);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(xué);2019年

7 解金豹;基于深度學(xué)習(xí)的無(wú)線電特征提取[D];合肥工業(yè)大學(xué);2019年

8 寧暑光;基于特征提取與學(xué)習(xí)的無(wú)線通信數(shù)字調(diào)制方式自動(dòng)識(shí)別方法研究[D];合肥工業(yè)大學(xué);2019年

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

10 張曉寧;基于機(jī)器學(xué)習(xí)的年齡估計(jì)算法的研究[D];電子科技大學(xué);2019年

本文編號(hào)：2620375