采用点云分区统计的成捆棒材端面定位方法

针对成捆棒材端面贴标过程中出现的端面中心位姿测量难度大、效率低等问题,提出一种基于点云分区统计的成捆棒材端面定位方法.首先对端面点云进行预处理操作;然后使用改进的聚类分割算法对端面点云进行分割,并以分区统计为依据提出完整单根棒材端面中心定位方法和残缺单根棒材端面中心定位方法,实现端面中心定位;最后以端面法向量表征端面中心姿态重建端面中心位姿.采集200组不同姿态的单根棒材端面点云进行实验的结果表明,单根棒材端面定位时间不超过0.5 s,位置误差小于3 mm,姿态误差小于2°;所提方法是高效的,可准确地定位棒材端面中心.

基于自适应椭圆距离的点云分区精简算法

利用传统点云精简算法进行散乱点云简化会导致点云模型部分细节特征的丢失或模糊以及影响非平面区域的光顺性。针对这些问题,提出基于自适应椭圆距离的点云分区精简算法。首先,通过对邻域点集进行微切平面与局部曲面的拟合,计算出各点的法矢及曲率等;其次,利用所得几何特征信息,提取点云边界特征以及完成点云平面区域与非平面区域的划分;最后,采用改进后的精简算法对不同区域进行简化。实验结果表明,该算法不但能够快速完成符合要求精简率的数据简化,还能保护点云模型的细节特征以及保证模型非平面部分的光顺性。经过软件分析得出,精简后模型与原始模型的距离误差的标准偏差为0.015 mm。

逆向工程中基于模糊聚类的点云数据分区

点云数据分区是逆向工程中重要而又难以解决的问题。首次将模糊聚类方法应用于逆向工程中的点云数据分区,用点的位置矢量、法矢量、高斯曲率和平均曲率8维向量作为特征向量,加权距离替代欧氏距离。在实现分区的同时,可以识别区域内部点和边界附近点,便于后续曲面特征参数精确提取。实验结果证明此算法具有较强的抗噪性,并具有较高的分区效率。

逆向工程中基于SOFM和FCM的组合分区算法

点云数据分区是逆向工程中至关重要的一步。提出基于自组织特征映射神经网络(SOFM)和模糊聚类(FCM)的组合分区算法。用SOFM算法进行粗略分区,SOFM收敛时的权值作为初始聚类中心,输入到FCM得到最后的分区结果,解决了FCM算法对初始值敏感的问题。分区结束时根据隶属度可识别出区域内部点和边界附近点,有利于后续的曲面几何特征参数的精确提取。实验结果表明,此分区算法是有效的,且具有较强的抗噪性能。