CN119399098A 一种工件瑕疵检测方法、系统及计算机程序 （上海视恺智能科技有限公司）

本发明公开了一种工件瑕疵检测方法，包点云数据构建至少包括有瑕疵样品工件的样品检测，对工件瑕疵进行粗略定位；然后利用件的三维点云数据进行进一步的的工件瑕疵精2获取待测工件的点云数据，根据待测工件的点云数据构建至根据待测工件的瑕疵标记，对待测工件的点云数据进行配准处理将包括工件在内的不同图像元素组合生成新的图像，并在图像中在图像中添加模拟现实世界中的物理现象，并根据物理纹根据待测工件的瑕疵标记，提取待测工件的瑕疵标记所在区域的对待测工件和标准无损工件的点云数据子集进利用PointNet++模型对待测工件和标3根据点云样本集，构建基于PointNet++模型、点云配准算法和差根据待测工件的瑕疵标记，利用工件瑕疵精确检测模型对待测工件9.一种工件瑕疵检测系统，其特征在于，基于权利要样本构建模块，用于获取待测工件的点云数据，根据待测工件的点模型构建模块，用于基于样品工件库构建和训练YOLO神经网络模型，获45[0026]利用PointNet++模型对待测工件和标准无损工件的点云[0030]依照本发明的一个方面，所述比较配准后的待测工件和标准无损工件的点云特[0044]本发明提供一种工件瑕疵检测方法，通过构建YOLO神经网络模型对工件进行检6[0045]本发明结合YOLOv10和PointNet++，利用高精度激光扫描仪获取工件的三维点云疵的高精度检测和定位。通过利用YOLOv10模型构建工件瑕疵粗略检测模型进行二维图像[0054]在实际的飞机发动机叶片瑕疵检测项目中，我们采用了微米级精度的基恩士7将生成的三维模型转化为带有纹理和光照效果的二维图像。使用物理引擎UnrealEngine8[0083]YOLO神经网络模型包括多个版本，本实施例在实际应用时，采用的是最新的[0084]YOLOv10是清华大学多媒体智能组(THU一MIG)最新提出的一种实时端到端的高性解决了YOLO以前版本在后处理和模型架构方面的不足。通过消除非最大抑制(NMS)和优化9[0110]S44：利用PointNet++模型对待测工件和标准无损工件的点云数据子集进行特征[0112]PointNet++核心思想是利用setabstraction结构逐层提取特征，能够有效地处[0115]利用配准算法将提取出的点云特征进行匹配和对齐。通过迭代最近点(ICP)算法[0121]本实施例的有益效果在于：本方法通过构建YOLOv10神经网络模型对工件进行检[0125]在实际的飞机发动机叶片瑕疵检测项目中，我们采用了微米级精度的基恩士将生成的三维模型转化为带有纹理和光照效果的二维图像。使用物理引擎UnrealEngine[0154]YOLO神经网络模型包括多个版本，本实施例在实际应用时，采用的是最新的[0155]YOLOv10是清华大学多媒体智能组(THU一MIG)最新提出的一种实时端到端的高性解决了YOLO以前版本在后处理和模型架构方面的不足。通过消除非最大抑制(NMS)和优化[0176]S51：提取瑕疵样品工件的瑕疵标记所在区域的点云数据子集与标准无损工件的[0179]S53：利用PointNet++模型对待测工件和标准无损工件的点云数据子集进行特征[0181]PointNet++核心思想是利用setabstraction结构逐层提取特征，能够有效地处[0184]利用配准算法将提取出的点云特征进行匹配和对齐。通过迭代最近点(ICP)算法[0193]步骤S3中获取的待测工件瑕疵标记位置为瑕疵粗略定位的区域，精确度不是很[0195]本实施例的有益效果在于：本方法通过构建基于YOLOv10的工件瑕疵粗略检测模