基于点云目标检测算法的船体分段合拢面构件识别方法

在船体分段合拢面精度检测方面,三维激光扫描仪相比全站仪具有高效、高精度和操作便捷等优势。但扫描点云往往数据量庞大且会包含大量与设计模型无关的周围空间点,不仅增加运算时间而且影响配准精度。基于显著构件的点云配准方法能解决该问题,但实现显著构件的智能识别,还需要一种针对船体分段合拢面构件的智能识别算法。采用深度学习方法,构建一种基于点的、无锚点单阶段目标检测神经网络模型,其适用于船体分段合拢面点云数据,基本实现了对船体分段合拢面上构件的智能识别。使用ADAM优化器对网络进行优化训练,在测试集上获得了平均精确度均值P_(A-m)为64.36%的效果。研究成果可用于改进点云粗配准方法,为实现船体分段合拢面精度的智能高效检测提供帮助。

基于试验数据关系模型的焊接变形计算方法研究

运用固有应变弹性有限元法计算焊接变形时需要输入焊接结构的固有应变值,为了方便固有应变值的计算,文中应用了一个无量纲热输入参数,建立了基于试验数据的固有应变与无量纲热输入参数的关系模型。最后,计算了4个案例的焊接变形,结果表明整体变形的计算值与试验值的平均相对误差符合工程要求。

基于曲面测量点数据的船体曲面板成形检测

船体双曲度外板制造完成后,造船工人使用样板或者样箱检测钢板的成形形状。然而,这种人工的检测模式不满足自动化成形和检测的需要。文章采用激光全站仪测量待测钢板的曲面特征点数据,根据该数据和设计曲面数据对曲面进行粗定位,采用迭代最近点(ICP)算法对曲面进行精细定位,在此基础上,提出曲面成形度评估的曲面欧式距离差值图和高斯曲率差值比量化评价方法。通过曲面测量案例验证该方法的有效性,计算结果表明该评估方法有效,能满足船体双曲度外板成形检测的要求。

考虑板边余量的双曲度板曲面定位方法

传统船体双曲度外板加工过程中,工人采用样板和样箱进行钢板形状的检测。随着非接触测量和检测技术的发展,开发符合船厂实际制造需求的曲面成形检测算法已成为关键问题之一。为此,提出适用于不同板边余量设置的曲面定位算法。针对三维激光扫描仪获取的双曲度板点云数据,采用点云切片法对双曲度板精度边的点云数据进行精简和有序化处理;然后采用包括特征角点定位和精度边定位的粗定位算法对具有板边余量的双曲度板进行处理,在精度边受约束的条件下使用迭代最近点算法进行双曲度板的精细定位;最后给出双曲度板成形的偏差分布色差图。不同案例的计算结果表明该曲面定位算法是有效的,能够满足钢板实际加工过程中的造船精度要求。