涡轮叶片密集点云数据与CAD模型配准方法

中国机械工程 ›› 2011, Vol. 22 ›› Issue (14): 1699-1703.

涡轮叶片密集点云数据与CAD模型配准方法

黄胜利;卜昆;程云勇;周丽敏

西北工业大学现代设计与集成制造技术教育部重点实验室，西安，710072

出版日期:2011-07-25 发布日期:2011-07-28
基金资助:
航空科学基金资助项目(2008ZE53042)
Aviation Science Foundation of China（No. 2008ZE53042）

Registration for Turbine Blade between Dense Cloud Data and CAD Model

Huang Shengli;Pu Kun;Cheng Yunyong;Zhou Limin

The Key Laboratory of Contemporary Design and Integrated Manufacturing Technology,Ministry of Education,Northwestern Polytechnical University,Xi'an,710072

Online:2011-07-25 Published:2011-07-28
Supported by:
Aviation Science Foundation of China（No. 2008ZE53042）

摘要/Abstract

摘要：

针对密集点云数据与CAD模型的配准问题,提出了一种基于简化模型曲率计算的配准方法。该方法通过计算简化模型和CAD模型各点的曲率提取出两模型上某一对应的特征面，根据特征面求出三组对应点对并计算坐标变换矩阵;把得到的变换矩阵应用于简化前的原始点云模型实现模型的预配准;最后通过奇异值分解和最近点迭代相结合的算法实现精确配准。实例表明，该方法实现了密集点云数据与CAD模型的配准，并在保证配准精度的前提下提高了配准的速度，从而验证了方法的有效性和实用性。

关键词:

密集点云数据, 模型简化, 特征提取, 配准

Abstract:

For the matching problem between dense cloud data and CAD model,a registration method based on curvatures calculation of simplified model was proposed. Feature surfaces were extracted based on the curvature of simplified and CAD model, three corresponding points were searched through feature surfaces, and the transformation matrix was computed.Then the obtained matrix was applied to original cloud data to achieve pre-registration.The last step was accurate registration that achieved

through SVD-ICP algorithm.Experimental results show that the method can realize registration between dense cloud data and CAD model, and demonstrate the efficiency and practicality of the method.

Key words: dense cloud data, model simplification, feature extracting, registration

中图分类号:

TP391

黄胜利, 卜昆, 程云勇, 周丽敏.

涡轮叶片密集点云数据与CAD模型配准方法

[J]. 中国机械工程, 2011, 22(14): 1699-1703.

HUANG Qing-Li, BO Hun, CHENG Yun-Yong, ZHOU Li-Min.

Registration for Turbine Blade between Dense Cloud Data and CAD Model

[J]. China Mechanical Engineering, 2011, 22(14): 1699-1703.

[1]	许鹏, 方舟, 王平, 耿明, 许勇. 基于脉冲漏磁暂态特征的缺陷量化评估方法[J]. 中国机械工程, 2021, 32(07): 860-866,881.
[2]	江志农1;王子嘉1;张进杰2;黄翼飞3;茆志伟2. 基于能量算子梯度邻域特征提取的核电应急柴油发电机组故障诊断方法[J]. 中国机械工程, 2021, 32(05): 617-623.
[3]	唐贵基;李楠楠;王晓龙. 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法[J]. 中国机械工程, 2020, 31(24): 2988-2996.
[4]	万书亭;彭勃;王晓龙. 基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法[J]. 中国机械工程, 2020, 31(23): 2829-2836.
[5]	何彦1;凌俊杰1;王禹林2;李育锋1;吴鹏程1;肖圳1. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型[J]. 中国机械工程, 2020, 31(16): 1959-1967.
[6]	余石龙, 鲍劲松, 李婕, 张启华. 基于误差注意力的晶圆制造数据异常检测[J]. 中国机械工程, 2020, 31(14): 1686-1692.
[7]	姜少飞;邬天骥;彭翔;李吉泉;李治;孙涛. 基于XGBoost特征提取的数据驱动故障诊断方法[J]. 中国机械工程, 2020, 31(10): 1232-1239.
[8]	刘朋;任工昌;杨力鹏;胡小龙. 基于斜率差的激光雷达环境特征提取方法[J]. 中国机械工程, 2019, 30(14): 1679-1683.
[9]	江志农1;茆志伟1;王子嘉2;包彬彬3;张进杰2. 基于振动监测的应急柴油机启动性能分析方法[J]. 中国机械工程, 2019, 30(08): 912-918.
[10]	段晨东;张荣. 基于改进经验小波变换的机车轴承故障诊断[J]. 中国机械工程, 2019, 30(06): 631-637.
[11]	金棋, 王友仁, 王俊. [设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法[J]. 中国机械工程, 2019, 30(02): 196-204.
[12]	陈保家, 刘浩涛, 徐超, 陈法法, 肖文荣, 赵春华. [设备健康管理]深度置信网络在齿轮故障诊断中的应用[J]. 中国机械工程, 2019, 30(02): 205-211.
[13]	杨宇;李鑫;潘海洋;程军圣. 基于非线性模式分解的旋转机械复合故障特征提取方法[J]. 中国机械工程, 2018, 29(24): 2947-2953.
[14]	李丹阳, 张轲, 许如清, 罗志峰, 吴佳谦, 桂豪, . [供应链调度]无反射板激光导航机器人地图创建的特征提取[J]. 中国机械工程, 2018, 29(22): 2733-2739.
[15]	肖鹏飞1;张超勇1;罗敏1;林文文2. 基于自适应动态无偏最小二乘支持向量机的刀具磨损预测建模[J]. 中国机械工程, 2018, 29(07): 842-849.