[发明专利]一种基于深度相机的发动机缸体孔径尺寸测量方法

说明书

本发明涉及发动机缸体孔径尺寸测量技术领域，解决了目前提取发动机缸体上圆的方法无法相互协同，而导致对于孔径尺寸测量困难、精度低且存在局限性的技术问题，尤其涉及一种基于深度相机的发动机缸体孔径尺寸测量方法，包括以下步骤：S1、通过深度相机获取待处理发动机缸体的点云深度图、RGB图和点云渲染图；S2、将点云深度图、RGB图和点云渲染图输入至点云深度融合网络得到多源深度融合图像；S3、将多源深度融合图像输入至深度图像检测网络中进行目标分类与特征提取得到检测结果。本发明提高了点云特征提取的准确性，有效提升了对孔的检测识别能力，解决了缸体孔径检测困难的问题。

技术领域

本发明涉及发动机缸体孔径尺寸测量技术领域，尤其涉及一种基于深度相机的发动机缸体孔径尺寸测量方法。

背景技术

近些年来计算机科学技术飞速发展，虚拟现实与计算机图形学等技术进一步推动了增强现实等技术的出现。三维点云作为一种长期被广泛应用的三维对象表示方式，由于其结构简单、且对于存储空间需求较小，在近些年来取得了长足发展，特别是在工业领域中，如工业机器人、工业测量等领域。

孔特征在航空制造领域是重要的三维检测对象，其加工精度极大地影响着飞机制造的质量，快速检测孔并正确测量出孔的直径具有非常重大的意义，现有的孔提取方法要么对原始点云的质量敏感，对圆边界点进行分类，要么需要设计良好的拟合函数，对圆参数进行回归。更严重的是，这种分类和拟合是独立探索的，而不是相互协同准确提取圆的方法，导致对于发动机缸体上所存在大量的孔径尺寸测量困难，并且测量结果的精度较低，因此造成在自动化和检测精度方面仍然存在局限性。

发明内容

针对现有技术的不足，本发明提供了一种基于深度相机的发动机缸体孔径尺寸测量方法，解决了目前提取发动机缸体上圆的方法无法相互协同，而导致对于孔径尺寸测量困难、精度低且存在局限性的技术问题，达到了实现对发动机缸体孔径尺寸高准确率测量的目的。

为解决上述技术问题，本发明提供了如下技术方案：一种基于深度相机的发动机缸体孔径尺寸测量方法，包括以下步骤：

S1、通过深度相机获取待处理发动机缸体的点云深度图、RGB图和点云渲染图；

S2、将点云深度图、RGB图和点云渲染图输入至点云深度融合网络得到多源深度融合图像；

S3、将多源深度融合图像输入至深度图像检测网络中进行目标分类与特征提取得到检测结果；

S4、采用非极大抑制算法对检测结果进行优化得到最优检测检测框，最优检测框为精确检测出孔位置的深度图；

S5、根据点云与深度图之间的关系，在对应点云上截取相同的范围，得到预测框内的局部点云；

S6、将局部点云输入至PCCD-NET点云处理网络中获取局部点云中圆的边界点；

S7、采用RANSAC算法对局部点云中圆的边界点进行拟合，得到待处理发动机缸体的孔径并计算孔径。

进一步地，点云深度融合网络包括编码层、融合层、解码层三部分组成。

进一步地，编码层用于将输入的点云深度图、RGB图和点云渲染图进行处理并输出图片的深度特征映射；

编码层输出的深度特征映射作为融合层的输入，融合层用于将输入的深度特征映射进行加法融合输出一个包含所有源图像显著特征的特征映射。

融合层输出的特征映射作为解码层的输入，解码层用于将输入的特征映射通过解码网络得到多源融合深度图像；

解码层包含四个卷积层，卷积层滤波器的大小为3×3，解码层网络重建得到多源深度融合图像。

进一步地，编码层由稀疏块和密集块两部分组成，稀疏块包含3×3个用于提取粗糙特征的滤波器，密集块包括三个卷积层，卷积层的滤波器的大小为3×3。

进一步地，深度图像检测网络包括分别以YOLOv3和Dark，阈值T的取值为0.5。net-53作为卷积神经网络的基本框架和网络结构。