[发明专利]基于神经网络与点云配准的发动机叶片重构方法

说明书

本发明公开了一种基于神经网络与点云配准的发动机叶片重构方法，用于解决现有发动机叶片重构方法精度差的技术问题。技术方案是首先采集多组发动机叶片的深度图像和彩色图像，并将经前期数据处理后的数据对齐，进行坐标变换获取初始叶片的3D点云，并用KD‑tree算法滤波。其次使用神经网络对点云数据进行点云配准，利用表面纹理映射与生成算法完成发动机叶片三维重建，得到完整三维模型。针对于重构的故障叶片模型，对发动机故障叶片中的裂纹、缺损等问题进行更好的分析与检测。本发明使用Kinect2.0图像采集设备采集数据，操作方便，且通过神经网络点云滤波、点云配准等对采集到的初始粗糙数据进行处理，获取的点云数据更加精确。

技术领域

本发明涉及一种发动机叶片重构方法，特别涉及一种基于神经网络与点云配准的发动机叶片重构方法。

背景技术

叶片是航空发动机最主要的部件之一，它的设计制造性能和可靠性直接关系到整台发动机的性能水平耐久性和寿命。然而叶片出现断裂的概率在发动机部件中最高，危害性也最大，往往是一个叶片折断而打坏其他叶片，乃至使整台发动机无法工作而危及飞行安全。因此，如何重构完整的发动机叶片，完成对发动机的性能水平耐久性和寿命检测是当前研究的热点问题之一。

计算机三维重建是计算机中一个重要的领域，且具有二维图形不可比拟的特征。近年来，计算机视觉、深度学习、点云、3D扫描和3D打印的发展，极大的促进了三维重建技术的发展。受到测量条件的限制，对物体表面的扫描往往需要通过多次测量来完成。由于多次测量时测量设备与被测物体之间空间位置的相对变化通常无法有效估计，需要用算法对扫描得到的三维点云进行整合、配准和表面映射，以得到一副物体的完整三维模型。

文献1“申请公布号是CN110070559A的中国发明专利”公开了一种基于无人机图像的风力发电叶片三维重构方法，该方法包括图像特征点匹配、点云数据获取、点云数据网格化等步骤构建三维模型。使用基于图像尖锐度的角点匹配算法，将Canny 边缘检测算子和8邻域轮廓追踪算法相结合提取单一像素级较清晰的边缘轮廓线，然后用简单有效的图像尖锐度算法提取角点，最后进行角点的粗匹配和精匹配，建立不同视角的两幅图像中感兴趣角点的一一对应关系，获得较精准的角点匹配对。但是该方法提及的点云配准算法精度不高，速度较慢，影响点云数据精度。

文献“申请公布号是CN109767497A的中国发明专利”公开了一种基于自动检测航空叶片表面质量的检测方法。该发明设计了一套叶片检测硬件和算法，使用机械臂与变位器相互配合采集点云数据进行处理，主要包括：获取叶片三维数据、重构三维模型、三维路线规划、表面图像获取、算法服务器识别。但该方法使用机械臂操作复杂，且针对于采集到的数据未进行处理，对生成的三维模型具有较大影响。

发明内容

为了克服现有发动机叶片重构方法精度差的不足，本发明提供一种基于神经网络与点云配准的发动机叶片重构方法。该方法首先采集多组发动机叶片的深度图像和彩色图像，并对其进行前期数据处理。将处理后的数据对齐，进行坐标变换获取初始叶片的3D点云，并用KD-tree算法滤波。其次使用神经网络对点云数据进行点云配准，利用表面纹理映射与生成算法完成发动机叶片三维重建，得到完整三维模型。针对于重构的故障叶片模型，对发动机故障叶片中的裂纹、缺损等问题进行更好的分析与检测。本发明使用Kinect2.0图像采集设备采集数据，操作方便，且通过神经网络点云滤波、点云配准等对采集到的初始粗糙数据进行处理，获取的点云数据更加精确。

本发明解决其技术问题所采用的技术方案：一种基于神经网络与点云配准的发动机叶片重构方法，其特点是包括以下步骤：

步骤一、叶片初始彩色图像与深度图像的采集。使用Kinect2.0图像采集设备，分别采集发动机叶片多组彩色图像和深度图像。使用Kinect For Windows SDK软件进行编程，获得叶片在空间坐标系中具有颜色信息的三维坐标。