（机械制造及其自动化专业论文）复杂几何模型扫描数据的孔槽及表面类型的检测.pdf

摘要 复杂几何模型扫描数据f l , 勺孑l ，槽及表面类型的检测 机械制造及其自动化专业 研究生：张雪华指导教师：罗阳 逆向工程就是通过已存在实体的扫描数据获取物理模型的过程。现有的逆 向工程软件已经能够对简单的工程零件和自由表面物体进行反求设计。但是， 仍然存在反求精度不高、功能不足、运算速度不高、处理复杂的零件仍然存在 需要依赖于设计人员的技术水平等难点，特别是对复杂模型的反求，主要依靠 设计人员参与。比如：对带有孔、槽的模型进行数字扫描采样，利用现有的逆 向工程软件重构几何模型时，孔、槽等几何特征的识别是通过设计人员参与决 定的；对半径比较大的球、圆柱等表面，设计人员可能会将其以平面类型进行 重构等等。 本文的且标是研究一种智能检测与识别系统，能够从复杂几何模型的扫描 数据中自动识别与检测复杂的或相似的孔、槽及表面类型等几何特征，增强现 有的逆向工程软件的反求创新设计能力。 本系统采用一种从三维扫描点云数据中识别棱柱特征进行c a d 模型重建的 比较新颖的人工神经网络( a n n ) 算法。该算法从点云数据中抽取四类几何属性 ( 链代码，凹凸性，圆直性，和开闭性) ，送到a n n 的输入层进行特征识别， 就可由这些几何属性煎定其类属的特征。 本文着重了讨论这些几何属性的确定算法，给出实例验证，并以此为基础 开发了一个复杂特征识别系统。可用于机械零件的三维模型重建和反求工程。 本论文主要内容有： 1 综述逆向工程在处理复杂几何模型点云时面临的困境，介绍了直接从 扫描点云中提取几何特征的重要性，并且比较了传统的逆向工程特征 识别过程和本课题采用的特征识别过程之间的区别。 2 构建了复杂特征识别系统的软硬件系统，阐述了他们的结构，功能以 i 四川大学动十学位论文 4 5 及优越性。 详细介绍了本识别系统所采用的数学算法，该数学算法主要用于提取 大量离散点云的几何属性( 链代码。凹凸性，圆直性，和开闭性) 。 该几何属性将被用于人工神经网络( a n n ) 进行特征识剐，本文给出 了神经网络结构。 主要针对论文中提出的特征识别算法进行实验验证，给出误差分析。 分析了影响实验结果的各种因素。实验证明本文提出的算法得到的结 果比较满意取得了可靠的识别效果。 采用v i s u a lc + + 和o p e ng l 软件开发平台及其相关的图象处理技术， 开发了“复杂特征识别系统”。本系统基于人工神经网络( 蝌n ) 的方 法，在直接从扫描点云中获取特征这方面具有独创性，可以成功地从 扫描点云中直接提取几何特征。目前特征库争的特征包括孔，内腔， 槽，台阶，凸台和圆柱面。随着应用的不断深入，特征库垦的特征数 量还可以进一步扩大。 关键词：逆向工程几何特征识别扫描点云点的几何属性几何模型 i l a b s t r a c t f e a t u r er e c o g n i t i o no fh o l e ，s l o ta n df r e e f o r m e d s u r f a c ef r o ms c a n n e dd a t ao fc o m p l e xm o d e l s p e c i a l t ym e c h a n i c a lm a n u f a c t u r i n ga n di t sa u t o m a t i o n p o s t g r a d u a t ez h a n gx u e h u a s u p e r v is o rl u oy a n g r e v e r s ee n g i n e e r i n g ( i 冱) i st h ep r o c e s so fd i g i t a l l yc a p t u r i n gp h y s i c a le n t i t i e so fa l l e x i s t i n gp a r tf r o mi t ss c a n n e dd a m t h ec u r r e n tr e v e r s ee n g i n e e r i n gs o f t w a r ec a l ld e a l 、i t l ls o m e s i m p l em e c h a n i c a lp a r t sa n ds u r f a c e b u tm a yh a v ep r o b l e m so f r e c o g n i t i o np r e c i s i o n , c o m p u t i n gr a t ea n ds h o r t a g eo ff u n c t i o n s i ns o m es i t u a t i o n ， t h eq u a l i t yo fr e v e r s ep a r t si sr e l a t e dt ot h el e v e lo fe n g i n e e r s t e c h n i q u e ，e s p e c i a l l y f o rs o m ec o m p l i c a t e dp a r t s t h i sp a p e r sa i mi st od e v e l o pa ni n t e l l i g e n tr e c o g n i t i o ns y s t e m , w h i c hc a l le x t r a c t c o m p l i c a t e da n ds i m i l a rf e a t u r e ss u c ha ss l o t ，b o s sa n ds oo na n di m p r o v et h er e v e r s e r e c o g n i t i o na b i l i t yo f t h ec u r r e n ts o f t w a r e an o v e lm e t h o d o l o g yi sp r o p o s e df o rr e c o n s t r u c t i o no fc a dm o d e l sb yr e c o g n i z i n g p r i s m a t i cf e a t u r e sf r o ma d a t as e to f t h r e e d i m e n s i o n a ls c a n n e dp o i n t s ，w h i c hu t i l i z e s t h ec o n c e p t so fa r t i f i c i a tn e u r a ln e t w o r k s ( a n n s ) f o u rg e o m e t r i ca t t r i b u t e s s u c ha s c h a i nc o d e ，c o n v e x c o n c a v e ，c i r c u l a r r e c t a n g u l a r , a n do p e n c l o s e da t t r i b u t e ，a r e e x t r a c t e df r o mas c a n n e dp o i n ts c tf i r s t ，a n dt h e nt h e ya r ep r e s e n t e dt ot h ea n n m o d u l ef o rf e a t u r er e c o g n i t i o n e a c hg e n e r i cf e a t u r ei nt h ef e a t u r el i b r a r yi su n i q u e l y d e s c r i b e db yt h o s eg e o m e t r i ca t t r i b u t e s o n c et h e s ea t t r i b u t e sa r ed e t e r m i n e d ，a s e g m e n t e dp o i n ts e tm a yb eu n i q u e l yi d e n t i f i e da sav a l i df e a t u r et h r o u g ht h ea n n m o d u l e i i i 四川大学硕十学位论丈 s i n c ef e a t u r er e c o g n i t i o ni sc a r r i e do u tb a s e do nt h e s ea t t r i b u t e s ，t h i sp a p e rf o c m e s o na l g o r i t h m sf o rd e t e r m i n i n gt h e s ea t t r i b u t e sd i r e c t l yf r o mas c a n n e dp o i n ts e t t h e s y s t e mv a l i d a t i o na n ds a m p l er e s u l t sa r ea l s od i s c u s s e d t h i sp a p e rf o c u s e so nt h ef o l l o w e df a c t o r s ： 1 t h ed i f f i c u l t i e so fd e a l i n gw i t ht h es c a l l a 3 _ e dd a t ao fc o m p l e xm o d e la r e s u m m a r i z e da n dt h ei m p o r t a n c eo fe x t r a c t i n gf r o mas c a n n e dp o i n ts e tt h e f e a t u r e si si n t r o d u c e d i na d d m o mt h ec o m p a r i s o nb e t w e e nt h ec o n v e n t i o n a l m e t h o d sa n dt h eo n ep r o p o s e di nt h i sp a p e rf o rf e a t u r er e c o g n i t i o ni sg i v e n 2 t h ec o n s t r u c t i o no ft h es o f t w a r ea n dh a r d w a r es y s t e mi sp r o p o s e di n c l u d i n gi t s f r a m e ，f u n c t i o n ，a n da d v a n t a g e s 3 e x t r a c t i n ga l g o r i t h mi si n t r o d u c e du s e dt og e tg e o m e t r i ca t t r i b u t e sd i r e c t l yf r o m d a t as e t i ti sm a i n l yu s e dt oe x t r a c td i r e c t l yt h ef e a t u r ef r o md a t as e t t h e s e a t t r i b u t e sa r ep r e s e n t e dt ot h ea n nf o rf e a t u r er e c o g n i t i o n ，a n dt h i sp a p e rg a v e t h es t r u c t u r eo f t h ea n n 4 s o m ee x p e r i m e n t sa b o u tt h ef e a t u r ee x t r a c t i n gm e t h o da r es t u d i e da n dt h ef a c t o r s f o ri t se r r o ra l ea n a l y z e d t h e nt h ee r r o rt a b l ei sp r o p o s e d 5 t h i ss y s t e mi sd e v e l o p e db a s e do nv i s u a lc + + o p e no la n dr e l a t e dg r a p h i c p r o c e s s i n gt e c h n i q u e i ti su n i q u ei nt h a ti tr e c o g n i z e sf e a t u r e sd i r c c t l yf r o ma d a t as e to fs c a n n e dp o i n td a t aa n dh a ss u c c e s s f u l l yr e c o g n i z e dg e o m e t r i cf e a t u r e s w i t ha na n n b a s e da p p r o a c h t h eu s eo ft h ea n n a p p r o a c hh a se n a b l e dt h e d e v e l o p m e n to far em e t h o d o l o g yt h a tc a nb es t e a d i l yt r a i n e dt oh a n d l en e w t y p e so ff e a t u r e s k e yw o r d s ：r e v e r s ee n g i n e e r i n g ，f e a t u r ec o g n i t i o n , s c a n n e dd a t as e t ，g e o m e t r i c a t t r i b u t e s ，g e o m e t r i cm o d e l i v 第一章绪论 1 绪论 1 1 引言 作为产品设计制造的一种手段，在2 0 世纪9 0 年代初，逆向工程技术开始 引起各国工业界和学术界的高度重视，从此以后，有关逆向工程技术的研究与 应用就一直受到政府，企业和个人的关注，特别是随着现代计算机技术及测试 技术的发展，利用c a d c a m 技术、先进制造技术来实现产品实物的逆向工程， 已成为c a d c a m 领域的一个研究热点，并成为逆向工程技术应用的主要内容。 “逆向工程”( r e v e r s ee n g i n e e r i n g ，r e ) ，也称反求工程、反向工程等。逆 向工程起源于精密测量和质量检验，它是设计下游向设计上游反馈信息的回路。 传统的产品实现通常是从概念设计到图样，在制造出产品，我们称之为“正 向工程”，而产品的逆向工程是根据零件( 或原型) 生成图样，再制造出产品， 它是一种以先进产品设备的实物，样件、软件( 包括图样、程序、技术文件等) 或影像( 图像、照片等) 作为研究对象，应用现代设计方法学，生产工程学， 材料学和有关专业知识进行系统分析和研究、探索掌握其关键技术，进而开发 出同类的更为先进的产品的技术，是针对消化吸收先进技术采取的一系列分析 方法和应用技术的结合。广义的逆向工程包括形状( 几何) 逆向、工艺逆向和 材料逆向等诸多方面。是一个复杂的系统工程。 目前，大多数有关“逆向工程”技术的研究和应用都集中在几何形状，即 重建产品实物的c a d 模型和最终产品的制造方面，称为“实物逆向工程”。这 是因为一方面，作为研究对象，产品实物是面向消费市场最广，最多的一类设 计成果，也是最容易获得的研究对象：另一方面，在产品开发和制造过程中， 虽然已经广泛使用了计算机几何造型技术，但是仍有许多产品，由于种种原因， 最初不是由计算机辅助设计( c a d ) 模型描述的，设计和制造者面对的是实物 样件。为了适应先进制造技术的发展，需要通过一定途径将实物样件转化为c a d 模型，以期利用计算机辅助制造( c a m ) ，快速原型制造和快速模具( r p h t 册) ， 产品数据管理( p d m ) 及计算机集成制造系统( c i m s ) 等先进技术对其进行处 理或管理。同时，随着现代测试技术的发展，快速，精确地获取实物的几何信 息已变成现实。目前，这种实物样件获取数学模型并制造得到新产品的相关技 术，已成为c a d c a m 系统中的一个研究及应用热点，并发展成为一个相对独 佣川大学硕卜学位论文 立的领域。在这一意义下，“实物逆向工程”( 简称逆向工程) 可定义为：逆向 工程是和实物转变为c a d 模型相关的数字化技术，几何模型重建技术和产品制 造技术的总称。 市场全球化使国家，企业面临的竞争日趋激烈，市场经济竞争机制已渗透 到各个领域，随着科学技术的高度发展，科技成果的应用已成为推动生产力发 展和社会进步的重要手段。如何更快，更好地发展经济和科技，世界各国都在 研究对策，充分利用别国的科技成就加以消化和创新，进而发展自己的技术已 成为普遍的手段。事实证明，技术引进是吸收国外先进技术，促进民族经济高 速度增长的战略措施，据有关统计资料表明，各国百分之七十以上的技术都是 来自国外，要掌握这些技术，正常的途径都是通过逆向工程。实际上任何产品 问世，不管是创新，改进还是仿制，都蕴涵着对已有科学，技术的继承，应用 和借鉴。 引进技术的应用和开发一般分为三个阶段： 1 使用阶段：对引进的生产设备等硬件技术会操作，使用，维修，在生产 中发挥作用。对图样，生产工艺等软件应通过加工和生产实践的应用了 解其特点及不足之处，即做到“知其然”。 2 消化阶段：对引进产品或设备的设计原理，结构，材料，工艺，生产管 理方法等进行深入的分析研究，用科学的设计理论和测试手段对其性能 进行计算测定，了解其原料配方，工艺流程，技术标准，质量控制，安 全保护等技术，特别是掌握产品的关键技术，即做到“知其所以然”。 3 创新阶段：对引进技术消化综合，博采众家之长，结合深入的科学研究， 通过移植，综合，改造等手段，开发具有本国特色的创新技术，并争取 进一步实现某些技术从输入到输出的转化。 由于技术保密，除非购买转让，否则要获得产品的图样，技术文档，工艺 等技术资料几乎是不可能实现的，而产品实物作为商品和最终的消费品，是最 容易获得的一类“研究”对象。在只有产品原型或实物模型条件下，可以基于 产品实物逆向工程对产品零件进行生产制造，除实现对原型的仿制外，通过重 构产品零件的c a d 模型，在探询和了解原设计技术的基础上，实现对原型的修 改和再设计，以达到设计创新，产品更新之目的。对于其他具有复杂曲面外形 的零部件，逆向工程更成为其主要的设计方式，如汽车，摩托车的外形覆盖件， 2 第一章绪论 通常由艺术家制作l ：l 的木或陶土模型，然后测量表面数据输入计算机，进行 造型，修改，完善，最后经c a m 完成模具。 通常的逆向工程采用的基本步骤是：数据采集，数据处理，模型重建，以 及特征识别，如图1 1 ( a ) 所示。但是该过程太过于冗烦，不利于特征的直接 提取和识别，本文在考虑是不是可以直接从大量的扫描数据点云中直接提取几 何特征，即通过大量的点云数据分析，通过统计规律的方法找到一些典型几何 特征在点云分布上的特点，将这些特点归纳为数学算法通过人工神经网络完成 对这些点云块的自动识别，这样可以大大简化原来的识别过程，并且提高识别 精度，识别过程如图1 1 ( b ) 所示。 l数据采集 儿 数据处理 儿 ica 。模型蘑建 儿 i ca 。特征识别 数据采集 一数学算法 |a nn 识别 儿 i 特征库比对确定 l特征 儿 特征霞建 图1 1 ( a ) 传统识别过程图1 1 ( b ) 本系统识别过程 1 2 课题的开发背景及意义 现有的逆向工程软件已经能够对简单的工程零件和自由表面物体进行反求 设计。但是，仍然存在反求精度不高、功能不足、运算速度不高、处理复杂的 零件仍然存在需要依赖于设计人员的技术水平等难点，特别是对复杂模型的反 求，主要依靠没计人员参与。比如：对带有孔、槽的模型进行数字扫描采样， 利用现有的逆向工程软件重构几何模型时，孔、槽等几何特征的识别是通过设 计人员参与决定的；对半径比较大的球、圆柱等表面设计人员可能会将其以 平面类型进行重构等等。 3 四川大学硕上学位论文 本课题的目标是研究一智能检测与识别系统，能够从复杂几何模型的扫描 数据中自动识别与检测复杂的或相似的孔、槽及表面类型等几何特征，增强现 有的逆向工程软件的反求创新设计能力。国内有不少大学、研究所及公司从事 逆向工程的研究，如金涛和刑渊等对有关的逆向技术进行了研究和总结“- 2 1 。 1 2 1 数据预处理技术 在数据预处理方面，很多专家进行了研究。现在研究的焦点集中在提供处 理速度、精度和智能识别特征等方面。韩国的l e e 提供了一种较有代表性的用 于激光扫描测量的数据精简方法【引。该方法在进行数据精简的同时考虑了扫描 设备的特性。l e e 和n i n g 针对数据采集中的异常点处理问题，在常规的角方法 和弦方法的基础上，提出了一种反复角特征提取的方法 4 1 。该方法首先从点云 数据中找出特征区域，然后反复采用迭代算法，稀释误差点并提炼得到最后的 几何特征点。 在国内，南京航空航天大学周儒荣等提出了一种以物体表面上不附加任何 几何和拓扑信息( 包括测点法矢、曲面边界信息) 的散乱点集为处理对象，自 动生成物体表面的三角网络模型的方法1 5 1 。该算法首先根据测点的邻近测点估 算曲面在该测点处的法矢，并采用优化的顺序对法方向进行调整以使各测点处 的法矢都指向曲面外侧，最后用步进立方体算法输出三角网格模型。李江雄根 据点云文件组织特点，分别研究了基于扫描线的点云数据和完全散乱、无组织 的点数据的三角网格建立方法1 6 - ”。 他们的算法侧重于数据精简、误差点处理及由点云数据自动生成任意三角 网格等等。本项目则偏重于孔、槽等内表面的扫描点云处理，如研究点的几何 属性进而识别与捕获其几何特征。但是这些研究对于本项目提供了有益的参考 借鉴。 1 2 2 特征识别 目前，有不少的研究人员从事于模型采样点云的数据分割与特征提取方面 的研究。虽然已有智能识别方面的研究出现，但仍然存在很多技术难点。比如 如何准确地智能分割复杂模型的特征数据块及识别与提取其几何特征。在国外， k i m 等提出了一种基于三角化的数据点和自定义的判据进行数据分割的方法羽。 4 第一章绪论 韩国的p a r k 提出了点云的自动分割和几何特征识别方法1 9 】。该方法首先三角化 输入点，用基于区域增长法的角偏差判据和面积判据检查三角化片的法矢量和 面积；其次，将每个封闭的边界环分割成一单个的区域；最后，通过神经网络 特征识别器将所有的分割区域片映射为单一的几何特征。在扫描数据特征识别 研究领域，韩国j u n 做了更进一步的研究【i o l 。该法首先从扫描点云中提取点的 有关几何属性，然后利用人工神经网络将其与信息库中的几何特征进行对比判 断识别出其几何特征。但他的方法仍然是基于通过人工方法对点云进行基本几 何特征分割，然后再识别每一个几何特征。并且，该方法仅涉及几何特征识别。 本项目不仅要对扫描点云进行几何特征识别，而且还将涉及近似的、重复的几 何特征识别的检测。而这些信息对后续设计过程非常有用。如已知某些几何特 征为近似全等的，在重构设计时只需做其中一个，而其他则可复制得到。但这 些方法对本课题提供了有益的参考借鉴。我们发现，虽然可以在后续过程中通 过特定的算法对重构的几何模型进行局部修改以提高其重构准确度，但更重要 的是取决于模型重构之前设计者对模型激光扫描点云中几何特征的分析处理。 比如，在对一半径很大的球面扫描数据进行重构时，设计人员可能会将其以平 面进行重构。而在我们后续的检测与改进过程中却难以发现和纠正。因此，在 模型重构过程中，准确地从扫描点云中识别出几何特征，将决定模型的重构精 度。本文将着重于智能识别和检测扫描点云中近似的、重复的几何特征( 孔、 槽、表面类型等) 及几何约束( 平行、垂直等) ，为后续的模型重构、模型改进 及创新设计等提供更多的信息。 在国内，刘志刚提出了一种基于特征线框的线结构光视觉传感器测量数据 的分割与建模方澍】。首先在每条激光线扫描曲线上提取不连续的角点特征， 然后经过扫描线之间角点特征的跟踪、匹配与连接构成特征线框，并以特征线 框为依据，对测量数据进行分割，形成具有单一表面特征的区域数据。李江雄 针对完全散乱、无组织的点云数据，从工程应用的角度出发，提出了一种自动 构造曲面边界曲线的方法 1 2 1 。该法利用分割方法得到一条能够包围曲面的所有 数字化点的曲线，然后将该曲线模拟为橡皮筋，通过能量最小原理自动修正曲 线得到理想的曲面边界。史桂蓉等利用k o h o n e n 自组织特征映射人工神经网络 进行区域分割【l 孤。利用具有特殊基函数的人工神经网络实现曲面几何参数的提 取，网络权值代表b 样条曲线曲面的控制顶点，并利用k o h o n e n 自组织特征映 邪川大学硕学位论丈 射的拓扑性进行b r e p 实体模型表示。但以上的方法对几何特征的识别仍需依 赖于设计者。阳道善等提出了利用三维密度概念对测量数据云进行几何拓扑关 系的自动搜索的方法【h l 。此法有一定的新意，但推广到任意表面却有待进一步 的研究。张英杰等采用轮廓多边形算法以及多边行布尔算法等进行了零件的几 何特征提取的研究1 1 5 】。粟全庆在其博士论文中对特征技术进行了研究【1 6 】。他指 出在逆向工程采用特征模型来描述产品信息是必然趋势，并提出了在反求工程 中用b r e p + c s g 混合模型来构造产品信息模型的思想及模型基本框架。他们的 算法同样是对已经重构的模型进行特征提取。本文则是对模型数字采样后即进 行特征提取，对象是模型的扫描数字点云数据。 1 2 3 视觉研究 利用机器视觉技术检测模型的几何形状已在许多行业得到了应用。将其应 用于逆向工程可弥补三坐标扫描测量的不足，如复杂表面、内部表面检测等等。 h o u 使用神经网络方法进行尺寸质量检测控制1 17 1 。z h a n g 和f r e i x e n e t 分别对不 同的图像分割技术进行了对比研究。国内的肖铁军进行了基于视觉研究的数字 轮廓的参数模型拟合和曲线三维重建的研究 1 8 1 。来新民研究了逆向工程中的若 干关键问题，开发出基于计算机视觉的自由曲面逆向工程系统f 1 9 l 。高立志进行 了将机器视觉与c a d 和c m m 进行系统集成方面的研究1 2 0 】。秦绪佳等提出了一 种基于工业c t ( i c t ) 图像进行反求并由轮廓重建表面模型，并由表面模型构 建实体几何模型的方法【2 l 】。对存在分叉轮廓、内轮廓的情况提出了具体处理方 法。用轮廓重建生成表面模型，再转成实体模型的方法可作为三维c a d 系统的 一种造型手段。由i c t 图像提取轮廓并进行轮廓重建的模型为表面模型，只包 含表面几何信息，而实体几何模型具有完备的几何和拓扑信息。方勇提出了一 种将c m m 与立体视觉集成的反求模型重建方法【2 2 1 。该方法针对自由曲面，利 用视觉处理方法重构模型的b 样条模型。其重构精度有限，需要依靠c m m 进 行校正以获得满意的c a d 模型。以上的方法侧重于通过视觉图像处理直接得到 c a d 模型，在实际应用中仍有一定的局限性。但他们利用视觉图像提取边界的 方法对本文提供了有益的参考借鉴。本文将利用现有的机器视觉技术对模型特 征点的提取，补充或校正从复杂几何模型的扫描点云中检测得到的几何特征结 果。 6 第一章绪论 到目前为止，国内外的逆向工程软件仍然不能很好地处理带孔、槽等复杂 模型。处理激光扫描数据中相似或近似孔、槽等几何特征及表面类型的识别， 仍然是目前的研究焦点，是逆向工程走向实用的一大瓶颈。 本文所提出的从复杂模型的扫描数据点云中识别和提取几何特征的关键技 术，将为逆向工程在汽车、航空航天、造船、模具等行业的进一步应用及制造 行业的精密测量提供理论基础并指导其应用。同时，这一技术的成熟将可嵌入 到现有的c a d 软件中去，这将提高与完善现有的c a d 的设计与创新功能。因 此，研究和开发凹槽、孔及表面类型等几何特征的识别有着极大的理论意义和 实际应用意义。 1 3 本文的研究目标、内容及拟解决的关键问题 1 3 1 弼 究目标 本课题的研究目标是利用人工神经网络技术自动识别和检测来自复杂几何 模型的激光扫描点云数据中近似或相似的孔、槽、表面类型( 如平面，球面、 柱面等) 等几何特征。这为后续的模型重构及精度改善等提供必要和有用的信 息，并可完善和提高现有c a d 软件的设计和反求创新能力。 1 3 2 研究内容 本文内容将包括对复杂模型的不同几何特征的激光采样数据中的点、特征 点及点与其邻近点的关系等属性进行研究，并找出其规律，利用神经网络技术 识别与检测孔、槽和表面类型。主要包括： ( 1 ) 扫描数据点云的几何特征识别 模型通过多视扫描后，其扫描数据经过数据对齐，几何特征识别与数据分 割，再进行模型表面重构，最后经过模型修改与创新设计得到我们所需要的几 何模型。在此过程中，前期的点云数据处理，特别是从点云中自动识别和检测 几何特征是关键。其几何特征识别的准确与否，将直接影响到后续的模型重构 结果。要理解什么样的扫描点云来自于哪些几何特征，寻找扫描点云与几何特 征之间的联系和规律。需要研究扫描点云的规律，设计和定义扫描点的几何属 性，通过点的几何属性来描述和反映不同几何特征的点云的规律。通过大量实 验，并对数据统计分析，得到扫描点云与几何特征之间的几何属性规律。具体 7 四川大学硕十学位论丈 为： 扫描点云的点的几何属性极其规律的研究：研究不同扫描点云与模型几何特 征之日j 的关系，如扫描点的几何属性极其规律等： 几何模型的几何特征检测的研究：从复杂几何模型的扫描数据中识别和提取 几何特征( 如孔，槽、表面类型) 的研究； 几何模型的相似几何特征检测的研究：从复杂几何模型的扫描数据中识别和 提取相似几何特征( 如孔、槽、表面类型) 的研究； 几何模型的约束几何特征检测的研究：从复杂几何模型的扫描数据中识别和 提取约束几何特征( 如平行、垂直等) 的研究： ( 2 ) 几何模型图像的特征辅助识别 利用图像处理对几何特征识别的一些成熟技术如边界特征提取识别等，提 取模型的某些几何特征信息如孔边、槽边等，以此辅助系统对模型进行几何特 征识别、研究的内容将包括模型扫描数据与图像数据的基准对齐、几何特征信 息传递、几何特征校正等。 ( 3 ) 几何信息库的建立 根据研究范围，试验条件及工程零件建立几何特征信息库。该库中的几何 特征将包括一定范围内的常见的零件几何特征，如孔，槽，内腔，凸台，台阶 等，以及表面类型，如球面，柱面，平面等。 1 3 3 拟解决的关键问题 本课题需要解决的关键问题有： 点的几何属性描述：研究来自不同几何特征的扫描点的几何属性( 如方向， 曲率，法矢，凹凸，开闭，圆直等) 的数学描述方法；需要解决点的哪些几 何属性能够准确地，不重复地描述不同的几何特征； 点的几何属性规律：研究扫描数据中不同几何特征( 平面，球面，柱面，凹 凸面，孔，槽等) 中点的几何属性规律； 几何特征图象处理：研究由几何模型的图象处理得到的特征点，线，并反馈 有关信息，以帮助系统进行几何特征识别； 几何特征识别算法：研究一算法，通过人工神经网络技术，基于以上的几何 属性规律识别这些几何特征，关键是根据输入信息怎样准确而迅速地得到希 第一章绪论 望的结果。 1 3 4 本文主要内容 论文的主要工作是根据课题任务并结合c a d 软件设计思想，完成逆向工程 中关于点，槽，以及复杂表面特征进行检测的软件系统的设计。具体工作如下： 1 查阅国内外相关文献资料，整理归纳出关于点，槽，以及复杂的表面特征 进行识别的方法和算法，以及它们各自的优缺点及其适应场合。 2 利用v c 和o p e ng l 编程，实现从扫描点云中自动识别出固有特征库中的复 杂几何特征。 3 结合逆向工程软件u g ，i m a g e w a r e ，g e o m a g i c 以及快速原型技术，完成两 个典型零件的逆向设计和加工。 4 进行相关试验，分析试验结果，验证程序算法及相关设计是否达到要求。 9 四川大学硕士学位论文 2 复杂几何特征识别系统方案设计 现有的逆向工程软件已经能够对简单的工程零件和自由表面物体进行反求 设计。但是，仍然存在反求精度不高、功能不足、运算速度不高、处理复杂的 零件仍然存在需要依赖于设计人员的技术水平等难点，特别是对复杂模型的反 求，主要依靠设计人员参与。比如：对带有孔、槽的模型进行数字扫描采样， 利用现有的逆向工程软件重构几何模型时，孔，槽等几何特征的识别是通过设 计人员参与决定的；对半径比较大的球、圆柱等表面，设计人员可能会将其以 平面类型进行重构等等。 本“复杂特征识别系统”就是专门针对复杂几何模型的扫描数据的孔，槽 以及表面类型的识别和重建而开发的。本文所提出的从复杂模型的扫描数据点 云中识别和提取几何特征的关键技术，将为逆向工程在汽车，航空航天，造船， 模具等行业的进一步应用以及制造行业的精密测量提供理论基础。 2 1 复杂几何特征识别系统工作过程分析 图2 i 所示为复杂几何模型的近似几何特征识别与检测系统模型。 1 0 第二章复杂几何特征识别系统方案设计 图2 1 复杂几何模型的近似几何特征识别和检测系统 系统实现的功能：当用户使用鼠标在点云图像文件上选取一块合适的扫描 点云( 即分块过程) ，系统将分析这些分割后的点云数据以获取几何属性，这些 属性将被送到人工神经网络模型的输出层进行显示，本系统采用的神经网络如 图2 2 所示。该网络( a k n ) 模型的识别机理是根据输入属性驱动神经网络对特 征进行识别的，而各节点的权值是预先通过训练得到的。输出端为与几何特征 信息库中的几何特征对应的几何特征。 四川大学顾十学位论文 2 2 复杂几何特征识别系统总体方案设计 2 2 1 识别系统体系结构 本系统的主平台采用u g 系统，u g 造一个高度集成的c a d c a e c a m 软件系统， 可用于产品的整个开发过程，包括产品概念设计，建模，分析和加工，由于u g 具有强大的三维图形处理功能并且提供开放的丰富的图形库，方便的系统连接 和数据转换接口，故采用u g 作为本系统的开发平台，可以大大简化图形数据库 的开发以及逆求过程中关于基本线，面，体的识别和重建操作。 其次，为了方便不同背景的用户都能够轻松的调取共享文件，故将文件的 编辑，打印，网络服务建立在更为普遍和基本的w i n d o w s 平台上。其体系结构 图如图2 3 所示。 1 2 代0 直 凸 闭 矢 点i 圆 凹 开 法 第二章复杂几何特征识剐系统方案世计 用户界面 ll 特征库li 数学处理 i i ：i么? 捺攀怿 图形 i 过程 u g = j 结果士 图 处理 形 l 显示 数 据 库 i - f 图形文件 l ： u g 平台 一、 w i n d o w s 平台 编辑 h打印ii 网络服务 图2 3 复杂特征识别系统体系结构图 2 2 2 识别系统体系结构的功能 复杂几何特征识别系统采用双平台分布式体系结构，由于u g 平台本身是建 立在w i n d o w s 平台之上的，而基于w i n d o w s 平台是多任务性，故两个平台之间 的切换非常方便。现分块详细描述系统各个模块的功能以及它们之f b 】的关系： 预处理模块：将c m m 产生的点云数据进行去除冗余，杂质点，精简点云， 三角化点云，点云分块。 特征识别模块：将分块点云送入人工神经网络进行特征识剐，通过和特 征数据中的固有特征进行比对最后确定待定特征的类型，当然如果和神 经网络的固有特征的无法匹配，将可以考虑添加新特征进入特征库，这 里留有开放的接口方便特征库的添加和神经网络的修订。特征识另l j 模块 是本系统的核心内容，它解决了复杂零件的孔，槽以及自由表面的识别 问题。 特征重建模块；根据识别出的特征类型以及参数，利用u g 的逆向工程 模块和它的三维模型数据库进行特征重建。 图形处理模块：对重建得到的三维模型进行修补，标准化，几何化，以 明川大学硕 学位论文 及渲染，着色等操作。 过程和结果显示模块：动态显示点云数据到最后特征重建的全过程，并 且最后进行原件和逆求件进行比对，通过渲染显示重建误差。 编辑和打印模块：提供文件图纸的阅读和打印功能。 网络服务：方便局域网用户以及特定的远程用户能够调阅，打印文件。 2 2 3 识别系统体系结构的优点 复杂特征识别系统的优点如下： ( 1 ) 具有开放的特征数据库，这样使得整个系统具有“学习”的功能，能 够不断的添加新的特征进入。 ( 2 ) 文件数据库独立，方便设定权限满足不同用户不同权限的要求。 ( 3 ) 网络服务功能满足用户远程访问文件的需求。 ( 4 ) 即时的用户交互功能可以方便使用者对于识别过程的有效干预和对于 最终结果的确认以及修改。 2 3 复杂几何特征识别系统软件功能结构 根据软件的开发平台和软件功能要求，按照面向对象的编程思想，对软件 进行模块划分，划分结构如图3 2 所示。整个应用程序由可执行程序c 删e x e 和三个动态连接库组成，即几何基础库g e o m b a s e d l l ，o p e ng l 图形工具库 g i t o l l s d l l 和c a d 几何内核库g e o m k e r n e l d l l 。 可执行程序伽e x e ：该程序是应用程序主体，软件所有的绘图，显示以及 操作功能都是通过它来执行的。c 删e x e 在运行时动态地调用所需要的动态连接 库。 1 4 第二耄复杂几何特征识别系统方案设计 c 埘e x e g e o m k e r n e l d l l g l t o o l s d l l g e o m b a s e d l l m i c r o s o f tf o u n d a t i o nc l a s s ( m f c ) o p e ng la p i s w i n d o w sp l a t f o r m 图2 4 软件的总体结构 几何基本工具库g e o m b a s e d l h 该库主要用来输出基本几何对象类以及几 何计算函数，例如描述点，矢量，矩阵的类以及相关的计算函数。它是c a d 系 统中必不可少的模块，c a d 系统中的中与几何造型，操作以及显示等相关的功能 都需要这些基本的几何对象和计算功能。此外，它还是系统中另外两个动态连 接库g l t o o l s d l l 和g e o m k e r n e l d 1 1 的支撑库。 o p e ng l 图形工具库g l t 0 0 1 d l l ：该库输出一系列用于o p e ng l 三维图形 绘制和显示的c + + 类，是对o p e ng l 三维绘图功能的继承和增强。在这些类中， 基于m f c 机制对o p e ng l 的有关功能进行了封装，在m f c 下可方便地调用这些 类来进行0 p e ng l 的初始化设置，三维几何模型的光照显示，以及对显示的操 作，例如视图转换，光照或颜色的设置等。g l t o o l s d l l 建立在m f c 和 g e o m b a s e d l l 的基础之上。 c a d 几何内核库g e o m k e r n e l d l l ：该库用于输出一系列用于描述三维几何 对象的类。几何对象是c a d 软件操作和显示的主体，这些对象之日j 又存在各种 关系，如层次关系，拓扑关系等。g e o m k e r n e l d 1 1 建立在g e o m b a s e d l l 的输出 类的基础上，并调用g l t o o l s d l l 库用于几何模型的绘制。 四川大学顽十学位论文 3 数学模型及算法 特征识别就是关于具有重要的工程特征的零件的几何属性进行预期的类型 鉴别的过科2 3 1 。在预先定义的特征数据库中，软件开发者可以识别一些先验性 的特征【2 4 】。 目前很多技术手段被用于从实体中自动获取特征和几何属性方面的信息， 例如句法类型判定，几何特征分解，专家系统，基于图形的方法，凸壳识别方 法等等。然而，这些方法的适用仅仅局限在已经存在的c a d 模型，而对于杂乱 的扫描点云却是束手无策。传统的特征识别方法首先是建立c a d 几何模型，然 后才是计算机程序驱动c a d 模型数据库对工程特征进行识别。鉴于扫描数据的 复杂性，以前的对于特征识别的方法流程不适用于杂乱的扫描点云数据。 本文将介绍一种独特的对于扫描点云数据的几何特征识别的方法。人工神 经网络( a n n ) 将被用于直接从扫描点云中自动识别几何特征，因为普通的特征 识别算法对于从扫描点云数据中直接自动识别特征太过困难。众所周知，人工 神经网络在鉴别复杂数据的类型和走向方面具有非常好的效果【2 5 1 。 人工神经网络需要平行输入数据类型。本文中，输入神经网络的一组平行 数据是2 5 d 的几何属性。特征库中的基本特征根据以下的四种几何属性进行唯 一分类：链代码，凹凸性，圆直性以及开闭性，要确定一种类型的几何特征 必须首先确定以上四种几何属性的分类。一旦四种几何属性被唯一确定，那么 一个零件子类型将和特征库中的一项特征通过神经网络唯一对应。由于特征识 别的基础就是确认以上四类几何属性，那么本章将介绍这四种几何属性的识别 算法。 3 1 识别方法概述 图3 1 表示了复杂几何模型的近似几何特征识别过程的流程图。 1 6 第三章数学模型及算往