[发明专利]针对具有不完整基本图元的三维扫描点云实时配准方法

说明书

本发明提供一种针对具有不完整基本图元的三维扫描点云实时配准方法，包括以下步骤：S1：标准模型预处理；S2：数据准备；S3：点云模型基本图元的识别与提取；S4：在标准模型的基本图元数据集中，搜索点云模型基本图元集合中元素的对应图元特征集合；S5：在点云模型的基本图元集合中，确定所有可能的特征组合；S6：在标准模型中搜索点云模型的图元对集合中图元对的可能图元对，进行基本图元配准计算；S7：选择具有最小配准误差的基本图元对组合，输出最终的配准结果。本发明适用于现有技术中点云数据不完整的情况，提供的结果，可用于后续制造过程中，实现自动特征提取、自动检测分析、以及自动编程加工等，具有较高的实用价值。

技术领域

本发明属于智能制造技术领域，具体涉及一种在自动制造工作站中，对利用三维扫描设备获得的零件点云数据与预先设定的标准模型进行在线实时配准的算法。

背景技术

近年来利用三维扫描设备获取实际零件的点云数据来形成零件数字模型的技术已经成熟。借助三维扫描设备的帮助，针对生产线上的大批量零件进行三维扫描，可以获得零件的实时三维模型，从而为制造自动化提供了基本条件。以工业机器人相关的复杂曲线曲面加工如激光切割、打磨、抛光等应用为例，具有精度要求高、编程复杂、零件来料一致性无法保证等特点，针对其产品零件的在线自动化测量建模可以支持后续制造工艺如自动加工、自动装配，提升整条生产线的智能化水平。

三维扫描获得的零件点云模型需要进行模型重构，不仅要获得其零件外形的形状数据，而且要获得其特征（与工艺有关）数据，才能供质量检测以及后续工艺使用。其中一个关键问题，是将标准的零件模型与实际的点云零件模型进行配准，完成配准后，不仅可以获得实际零件的装夹姿态，还能帮助后续工艺进行特征识别和几何重构。但针对零件点云数据与标准零件模型的配准方法存在以下问题：1）针对零件的三维扫描的数据可能不完整；2）由于精度要求高，扫描的数据点数量巨大，计算效率上可能不满足在线计算的需求。3）扫描的数据可能包括环境（如装夹）数据，需要排除其对配准结果的干扰。克服以上问题，实现不完整点云数据与标准零件模型的配准，对于大批量高精度零件在线检测，具有重要的意义。考虑到大批量零件在设计、制造和装配中，都需要设定基准，而在零件的标准模型中，可以合理假设一定存在平面，圆柱，圆锥，球面，圆环面之中的一种或者多种（称为基本图元）。所以本发明针对具有基本图元的不完整扫描点云零件提供在线实时配准算法。

关于点云的配准已经有大量的文献，其中应用最广泛的是ICP（IterativeCloased Point）以及ICP的各种改进算法。ICP通过欧式变换求解出两片点云的旋转平移矩阵及对应的配准误差。但ICP算法在处理大规模点云时存在效率问题，配准结果受初值影响且无法处理模型不完整的问题。后期Biber等基于概率密度模型提出了Normal DistributeTransform（NDT）算法，计算复杂度降低，但仍然无法处理模型不完整问题。研究者进一步公开了基于特征学习的配准方法，利用RANSAC(随机一致性采样)算法，作为特征提取工具，并通过特征学习来估计配准关系，这些方法需要大量训练数据，且如果场景与训练数据参在分布差异时，配准性能会急剧下降。现有技术中公布的算法有先在两组配准的点云中找到特征点对，利用RANSAC算法消除错误的配对关系，来完成粗配准，最后通过改进法线腹部变换算法来实现精配准。或将RANSAC用于无序点云中的基本图元识别，能从大规模点云中高效识别平面，球面，圆柱，圆锥以及圆环，为基于特征匹配的点云配准算法提供了基础的特征提取功能。

发明人前期工作产生的申请号为202110498865.5的发明专利申请：《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中，建立了针对不完整扫描点云与理论模型的在线实时配准方法，但只考虑了零件模型中仅具有平面图元的情况。

综上，在处理具有标准模型的不完整点云模型的配准上，需要提供更通用的能在线实时完成的高效算法，以满足自动制造过程中的工序节拍要求，配准后的信息可用于后续的自动检测或者加工流程。

发明内容