基于点云注册合并技术的逆向设计的研究与实现

逆向工程（ReverseEngineering）是一种产品的再设计和创新过程。点云注册合并技术是逆向工程设计中的一种常用技术方法。针对小熊造型储蓄罐的特点,使用EXAscan激光扫描仪将分区扫描的点云数据用Geomagic软件的注册合并技术进行处理,以得到完整的可视化的多边形模型。实现了储蓄罐由实物到点云、再由点云到三维模型的快速逆向设计。     

逆向工程中基于SOFM和FCM的组合分区算法

点云数据分区是逆向工程中至关重要的一步。提出基于自组织特征映射神经网络（SOFM）和模糊聚类（FCM）的组合分区算法。用SOFM算法进行粗略分区，SOFM收敛时的权值作为初始聚类中心，输入到FCM得到最后的分区结果，解决了FCM算法对初始值敏感的问题。分区结束时根据隶属度可识别出区域内部点和边界附近点，有利于后续的曲面几何特征参数的精确提取。实验结果表明，此分区算法是有效的，且具有较强的抗噪性能。     

基于点云数据的逆向工程技术研究综述

在介绍了逆向工程的定义、逆向工程的流程及应用的基础上,综述了点云数据测量、数据预处理和模型重构的研究现状。首先介绍了点云数据测量方法的分类,然后重点分析了点云数据拓扑关系建立的方法及K近邻域索引的研究,多视点云数据拼合的点位法、固定球法、优化匹配法、特征匹配法及辅助装置法的研究,滤波去噪的方法,孔洞修复的原理,数据精简的方法,特征提取和曲面重建的基本思想和研究成果,最后展望了逆向工程技术的发展方向。     

以UG为平台的逆向工程数据处理技术

基于UG基础平台,应用逆向工程点云切片数据提取理论开发逆向工程模块.通过建立多个与点云数据相交截面,提取点云数据的特征边界点,再将特征点拟合成线,线拟合成面或体.实例显示该模块能有效地从散乱点云数据中提取特征点,实现在UG环境下逆向建模.该方法也解决了UG从部分逆向软件导入后数据不能编辑、修改的问题.     

基于Geomagic Wrap的发动机活塞逆向设计

逆向工程是根据已经存在的产品,反向推出产品设计数据的过程。以某型号发动机活塞为例,利用三维扫描仪对其进行三维扫描,获取活塞的点云数据,再使用Geomagic Wrap软件对点云数据进行处理并生成曲面模型,最后对活塞曲面模型进行偏差分析。研究结果表明,逆向工程技术可以大幅度速断研发周期,具有高效性和可行性。     

大量点云数据跨平台可视化实时交互方法

针对逆向工程中大量三维点云数据的跨平台可视化交互难以实时渲染的问题,提出一种多层次动态调度绘制方法。对传统八叉树改进后对点云数据建立邻域空间索引编码,实现空间整体对点云分层划分,使用"分区-子块-点云"预加载调度策略提高海量点云交互效率,结合细节层次(level-of-detail,LOD)控制技术和浏览器Ajax异步调度点云数据控制策略,算法提高了空间查询效率,加快了点云绘制速度,并有效的降低视点移动时的过渡走样现象。实验结果表明:使用算法在高层次细节渲染帧率最终维持在25fps左右,浏览器内存消耗比未处理数据完全加载降低48.5%,实验结果验证了该方法的可行性并取得良好的网络交互三维可视化体验。     

采用Imageware与CATIA的三维曲面重建与数控仿真加工

三维曲面建模和数控加工是产品制造的关键,采用逆向工程与正向加工技术相结合,以解决复杂型面难以建模和加工的问题。首先采用正弦光栅投影仪获取被测型面的光栅图像,通过解相和相位展开获取物体三维点云数据,然后根据点云曲率对点云数据进行分区,采用Imageware进行单个曲面拟合和多曲面拼接,实现整体曲面重建,点云-曲面最大偏差为0.264 mm。最后,利用CATIA软件设计出三维曲面凸模及凹模,通过计算刀路轨迹,产生数控加工程序,完成数控仿真加工过程。     

在Pro/E中基于点云数据建立CAD模型的几种方法

介绍了逆向工程中基于点云建模的基本理论及Pro/ENGINEER中逆向工程的建模工具,提出了在Pro/ENGINEER中基于点、点列、点云数据的曲线曲面模型建构方法以及基于不同产品外形曲面的CAD模型建构方法和技巧,并进行对比得出结论。     

利用GSOM网络实现散乱点云的区域分割

提出了一种改进的动态自组织特征映射(GSOM)神经网络算法,实现逆向工程中点云的区域分割,以数据点的坐标、估算出的法矢量和曲率构成的8维向量作为神经网络的输入,在训练中动态生成网络结构,克服了现有SOFM网络需要预先给出分区数目的限制,网络生成的结点数少、聚类速度快.最后通过实例实现了数据点云的区域分割,验证了该方法的正确性.     

逆向工程在复杂曲面重构中的应用研究

分析和研究了逆向工程在零件曲面复杂的情况下重建模型的关键技术问题。将整个逆向工程分为数据点云扫描、点云数据封装处理和参数化曲面重构三个模块,针对各模块不同的功能和特性加以论述和分析。以某音响结构件为例,着重论述了复杂曲面重建中的一些重要步骤并给出了解决方案,最后得到了逆向工程的整体参数化曲面模型。     

基于激光雷达的无人驾驶系统三维车辆检测

针对无人驾驶系统环境感知中的三维车辆检测精度低的问题,提出了一种基于激光雷达的三维车辆检测算法.通过统计滤波与随机抽样一致算法(Random Sample Consensus,RANSAC)实现地面点云分割,剔除激光雷达数据冗余点及离群点;改进3DSSD深度神经网络,利用融合采样提取点云中车辆语义信息与距离信息;根据特...     

人体散乱点云数据的区域分割算法

正确的人体点云数据分析不仅是人体3D测量的必要手段,更是未来服装数字化设计的基础,也是服装定制化智能生产的数据来源。人体散乱点云数据相比规整数据拥有更多的噪声及不规则性,这使得提取轮廓以及提取分割特征点更加困难。为了解决人体散乱点云数据分割难题,提出了基于移动最小二乘的切割算法。首先使用主成分分析法进行点云数据的调整,并使用夹角分析法提取投影到特定平面的二维轮廓。在此基础上,采用移动最小二乘法对部分二维数据点进行局部拟合并根据导数信息提取分割特征点。最后,利用VT K作为点云显示平台,对不同人体点云数据进行算法验证。实验结果表明,该分割方法实用可靠。     

凸显尖锐特征的点-线-面递进式曲面重建

针对现有曲面重建算法不能很好地重建出点云模型尖锐特征的缺陷,提出了一种凸显点云尖锐特征的点-线-面递进式曲面重建算法。首先,根据近邻点的欧氏距离、法向偏差和曲面变分,采用主成分分析算法和k-近邻点迭代加权法获取点云准确法向;接着,依据特征点位于多个平面交线上的原则,利用法向聚类和平面拟合从候选特征点中筛选特征点;然后,依据特征点生长方向和主方向的相互关系重建特征线,并按照最小二乘原理采用矩阵法修复角点;最后,以特征线为约束重建尖锐特征点云曲面。实验结果表明：本文算法计算的点云准确法向与理论法向偏差接近于0,特征重建效果优于其他算法,算法耗时短且与点云数量呈线性关系。算法不仅能够准确计算尖锐特征区域的点云法向,还能准确提取出点云模型的特征点并凸显模型的尖锐特征。     

三维散乱点云的分割与几何形体重构

研究了由三维点云重构几何形体模型的方法与步骤。提出了点云分割的2种交互方法——基于特征识剐的分割和投影裁剪分割。给出了表面数据点群的边界搜索算法和表面求交算法，实现了一种从三维点云到几何形体的分割与重构方法。     

保持特征的散乱点云数据去噪

为保证在去除点云数据噪声的同时不损失模型的细节特征,提出了一种基于特征信息的加权模糊C均值聚类去噪算法。首先,构建点云K-D树拓扑结构,根据点的r半径球邻域点统计特性去除大尺度离群噪声点。然后,利用主元分析法估算点云的曲率和法向量,根据曲率特征标识点云数据的特征区域,并采用特征加权模糊C均值聚类算法对特征区域去噪,采用加权模糊C均值聚类算法对非特征区域去噪。最后,使用双边滤波器对点云模型进行平滑。对提出的算法进行了验证实验,结果显示:去噪后点云模型的最大偏差保持在模型尺寸的0.15%以内;标准偏差保持在模型尺寸的0.03%以内。本文算法能够在有效去除不同尺度和强度的噪声的同时不损失点云模型的细节特征,去噪精度高,且对不同的噪声模型具有较强的鲁棒性。     

特征保持的点云光顺算法

提出了一种特征保持的三维点云光顺去噪算法。首先对点云模型构造kd树结构,计算采样点的k邻域,然后把点云模型的局部几何信息,包括邻域点间距离、法向夹角、曲率等作为特征参数,根据其特征性强弱将采样点沿法向方向移动不同距离来实现点云去噪。实验结果表明,算法既能有效去除噪声,又能很好地保留原始模型的特征信息。     

基于特征信息分类的三维点数据去噪

为了有效去除获取三维点云数据时的噪声,同时又不损失模型的特征信息,提出了一种基于三维点云特征信息分类的去噪算法。首先采用主成分分析法和二次曲面拟合法估算三维点云的微分几何信息;然后根据点云平均曲率的局部特征权值,将点云数据划分为特征信息较少的平坦区域和特征信息丰富的区域,针对不同特征区域分别采用邻域距离平均滤波算法和自适应双边滤波算法进行去噪滤波。实验结果表明:滤波后点云数据的最大误差为0.144 7mm,标准偏差为0.021 0mm。在不同噪声强度下,该去噪算法均能够达到较好的去噪效果,并保留点云的高频特征信息。     

航空发动机外形点云的保特征去噪方法

三维激光扫描设备可以提供航空发动机外形实测点云,但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征,提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后,分别设计了特征去噪网络和非特征去噪网络,用于预测特征噪声点和非特征噪声点的位置修正向量,噪声点沿预测向量移动后被投影回模型真实的底层表面上,实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明,在将该方法应用于各种噪声尺度的发动机外形点云时,相比现有的学习基方法,去噪效果得到提高,且有更好的几何特征保护能力,可以为后续重建提供高质量点云。     

特征保持点云数据精简

由于三维扫描设备采集的点云数据庞大,本文提出了一种特征保持的点云精简方法以在减少冗余数据的同时更好地保持原始曲面的几何特征。首先,利用K均值聚类法在空间域对点云全局聚类,对点云构建K-d树并以K-d树的部分节点作为初始化聚类中心。然后,用主成分分析法估计点云法矢和候选特征点,遍历每个聚类,若类中包含特征点则将该类细分为多个子类,细分时将聚类映射到高斯球。最后,基于自适应均值漂移法对高斯球上的数据进行分类,高斯球上的聚类结果对应为空间聚类细分结果,各聚类中心的集合为精简结果。以多个实物模型为例验证了算法的有效性。结果表明,本文方法精简的点云在平坦区域保留少数点,在高曲率区域保留更多的点。相比于非均匀网格、层次聚类、K均值点云精简法,该方法对包含尖锐特征的曲面精简误差最小,更好地保留了原始曲面的几何特征。     

一种曲面特征保持的航空叶片点云精简方法

针对现有点云精简方法在航空薄壁叶片叶缘高曲率特征区域及点云稀疏区域存在取样不足的问题,提出了一种基于重聚类策略的精简方法。通过移动最小二乘法定义点--曲面距离函数,区分高低曲率特征,建立了原始点云和精简点云之间的距离关系,在高曲率区域重聚类,实现叶缘高曲率特征保持;并在重聚类时判断点云疏密程度,对稀疏区域进行重聚类。航空叶片、铸造模具等典型复杂曲面测量点云的精简过程中,该方法相比于均匀采样法、层次聚类法,在高曲率区域可保持较高的几何精度。