一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法与流程

1.本发明属于核电厂设备检修技术，具体涉及一种压力容器主螺栓孔缺陷识别方法。


背景技术：

2.核反应堆压力容器作为核电站最为重要的部件之一，其质量是保证核动力系统正常、安全运行的关键。在主螺栓回装旋入螺孔时，必须确保螺纹表面非常清洁，表面没有任何毛刺和异物。因此在安装前必须对主螺栓孔内的螺纹表面进行检查，以确认是否符合安装标准。
3.目前，通常采用视频检查装置对螺栓孔进行成像，然后人工通过观察螺纹表面的视频或图像，判断螺纹是否清洁，是否存在缺陷，以及缺陷的形状和大小。另外，操作人员需要经过严格的培训，并且需要长期的现场操作经验，才有可能做出相对准确的判断。操作人员长期观察螺纹，很容易造成视觉疲劳，从而导致误判或漏判。


技术实现要素：

4.本发明的目的是提供一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法，可快速、准确地对螺纹从三维尺度上进行检查，识别缺陷并计算缺陷尺寸，并输出检查结果。
5.本发明的技术方案如下：
6.一种压力容器主螺栓孔螺纹三维重建及缺陷自动识别方法，包括如下步骤：
7.步骤1)扫描获取螺纹表面二维坐标；
8.步骤2)螺纹表面二维坐标信息、扫描装置的角度数据和轴向位置数据合成为三维坐标数据，即三维点云数据；
9.步骤3)三维点云数据预处理，确定三维点云数据法向量，并将三维点云数据划分为平滑区域和尖锐区域，并分别进行滤波去噪；
10.步骤4)对三维点云数据进行精简，保留大于阈值的数据；
11.步骤5)进行被测目标三维曲面重建，生成网格模型；
12.步骤6)缺陷识别与测量，将缺陷特征用参数表征，输出缺陷类型。
13.所述的步骤1)具体为：
14.首先，建立两个坐标系：一个是扫描装置自身参考点为原点的oxz坐标系，所测得的螺纹表面二维数据为oxz坐标系下点坐标，表征为(x,z)；另一个是螺孔o2xyz坐标系，o2表示螺孔底部平面的圆心，z为螺孔轴心向上的方向，x为压力容器所在螺孔中心顺时针的切线方向，y为指向压力容器中心的方向，该坐标轴方向定义符合右手法则；h表示扫描装置相对于螺孔底部的高度，θ代表当前坐标系下扫描装置在oxy平面上的投影角度；
15.进行待测螺孔标号和扫描装置定位安装之后，扫描头下降到螺纹起始段，旋转一周，同步采集二维数据，扫描头上升至顶部，移动扫描装置继续完成所有螺孔的扫描，获得
所有螺孔的二维坐标信息。
16.所述的扫描装置为线结构光扫描仪，将线结构光扫描仪安装在进行定位的车体上，通过车体在压力容器法兰面上沿着不同螺孔的位置移动，实现对每个螺孔扫描，在到达某个编号下的螺孔位置时，首先进行车体定位，保证扫描时车体位置相对压力容器固定，
17.扫描头上升至顶部之前，需要判定扫描头是否到达螺孔底部，如果未到达顶部，则将扫描头下降，之后再重新旋转一周，同步采集二维数据，直到到达底部。
18.所述的步骤2)具体为：
19.螺纹表面的二维数据，在oxz坐标系下其坐标表征为(x,z)，扫描装置参考点与螺孔中心的距离为常数，表示为d，可以得到三维点云数据，即(x,z)在o2xyz坐标系下的坐标，表示为：
20.x＝(z d)*cosθ
21.y＝(z d)*sinθ
22.z＝h x
23.所述的步骤3)具体为：
24.步骤3.1)对获取的点云数据构建k邻域，计算点云法向量
25.利用pca法进行点云法向量估算，得到距离点云数据中采样点pi最近的k个采样点的集合；
26.步骤3.2)计算采样点到其k邻域内局部切平面的法向距离，根据距离阈值将采样点进行特征分类，将三维点云数据划分为平滑区域和尖锐区域，采样点到领域内局部切平面的法向距离小于或等于阈值的定义为平滑区域，大于阈值的定义为尖锐区域；
27.步骤3.3)分别对平滑区域和尖锐区域进行滤波去噪。
28.针对尖锐区域采用双边滤波算法滤波去噪
29.具体采用下式：
[0030][0031]
其中，pi是点云集中当前待处理的点，pj是pi邻域内的点，ni、nj分别为pi、pj的法向量，α为双边滤波因子；wc为空间域的高斯核函数，ws为频率域的高斯核函数；
[0032]
滤波后的点云数据表示为：
[0033]
p
′i＝pi α
·n[0034]
n为采样点切平面的法向量，p
′i表示滤波后的点云位置。
[0035]
针对平滑区域采用加权局部最优投影算法滤波去噪，
[0036]
具体为：
[0037]
利用局部信息来对点云数据进行局部增强，通过引入密度权重函数产生分布更均匀的点集，改善点云分布的均匀性和表面光顺度，其迭代公式为：
[0038]
[0039][0040][0041]
其中，u为常数，p表示最原始的点云位置，p
′
表示迭代后新位置，k为邻接顶点的个数，pj表示原始点云的当前采样点，p
′j表示采样点迭代运算后的输出值；aj和βi分别为相关的权值系数，σ点云当前点在邻域内的标准差，e表示自然常数。
[0042]
所述的步骤4)具体为：
[0043]
首先，通过基于最小二乘法的球面线性方程的方法，利用下式估算步骤3滤波去噪后的点云数据的曲率f(x0，y0，z0，c)，
[0044][0045]
其中，pi(xi,yi,zi)(i＝1,2,...,n)为球面上的点xi、yi、zi在o2xyz坐标系下的坐标)，o(x0，y0，z0)为球中心坐标，r为球的半径，c为待求解常数，n表示拟合球面点的个数，将相邻点云集中以pi(xi，yi，zi)为中心的相邻点的点坐标代入上式中，得到系列方程组，通过最小二乘法可计算得到c；
[0046]
然后，建立局部坐标系，将原点进行平移，得到其在新建局部坐标系的空间坐标，最后求解未知参数，计算曲率；
[0047]
最后，通过曲率值与设定阈值大小进行比较，大于阈值则保留，小于阈值则舍弃。
[0048]
所述的步骤5)具体为：
[0049]
步骤5.1)进行法向量估算，并加权修正
[0050][0051]
其中，n为采样点切平面的法向量，d表示点到拟合平面的距离，k为邻域点数量，pi为当前采样点，w(pi)为加权权值，表达式为：
[0052]
[0053]
为pi的k邻域重心；
[0054]
步骤5.2)进行点云分割并返回分块集
[0055]
对于点云数据集p预期分割为k个区域，首先从点云数据中随机选取k个点，作为k个分割区域的初始中心，计算点云中的每一个点到k个初始分割中心的欧式距离，将其划分到距离最近的初始分割中心所代表的分割区域，然后调整每个分割区域的中心，迭代以上计算过程，直到所有区域中心不再发生变化，则停止迭代，分割过程结束，输出区域分割结果；
[0056]
步骤5.3)进行分块稀疏和重采样
[0057]
按照分割之后的块区域，分别计算每个区域内点的曲率，并计算区域内曲率的平均值，若取样点的曲率小于平均值，则舍去该点，否则保留原始点的采样；
[0058]
步骤5.4)计算节点函数实现平滑优化
[0059]
节点函数f0的基函数表示为：
[0060][0061]
其中，σ为高斯滤波标准差；
[0062]
步骤5.5)计算分块的最大八叉树的深度
[0063]
给定全局八叉树最大深度为d
max
，最小深度为d
min
，则每个点云分块的局部八叉树最大深度可表示为：
[0064][0065]
其中曲率均值表示为其中曲率均值表示为
[0066]
步骤5.6)等值面提取，获得任意体素中的等值面的三角面片表示
[0067]
判断其顶点是位于等值面之外，还是位于等值面之内，再根据顶点的状态，确定等值面的剖分模式；
[0068]
如体素顶点的数据值大于或等于等值面的值，则定义该顶点位于等值面之外，记为正点，即1；如体素顶点的数据值小于等值面的值，则定义该顶点位于等值面之内，记为负点，即0；
[0069]
每个体素共有8个顶点，且每个顶点有正负两种状态，等值面一共能够以256种方式与一个体素相交，形成任意体素中的等值面的三角面片表示；
[0070]
步骤5.7)生成网格模型
[0071]
根据8个顶点有向距离场的正负情况，得到三角面片，三角面片的顶点的坐标，也就是体素点边与待重建曲面的相交点，通过体素点边的两个顶点进行线性插值得到。
[0072]
所述的步骤6)具体为：
[0073]
步骤6.1)建立缺陷识别目标函数：
[0074]
[0075]
其中，是标准模型下的点云，是待配准的点云，r是旋转矩阵，t是平移矩阵，n
p
为标准模型下的点云数量；利用最小二乘法计算最优的r和t；然后进行迭代，直到f(r，t)的计算值最小；
[0076]
步骤6.2)进行缺陷区域聚类分割并提取特征
[0077]
根据距离值确定表面缺陷的位置
[0078]
偏差距离的平均值表示为：
[0079][0080]
其中di表示点到点云模型曲面的距离；
[0081]
判断所有点的偏差距离与平均值的大小，将di》d
mean
时di对应的点xi存入类x中，遍历所有点，从而将点云模型表面偏差距离较大的区域分割出来；
[0082]
步骤6.3)将缺陷特征用参数表征，求解缺陷的面积、周长、长宽比，最后输出缺陷类型。
[0083]
缺陷的面积是对区域的大小进行度量的几何特征，计算方法为：
[0084]as
＝nd[0085]as
表示缺陷区域面积，s表示度量的缺陷区域，nd表示缺陷区域的点云数目；
[0086]
缺陷的周长是指包围某个缺陷区域的边界轮廓线长度，计算方法为：
[0087]
ls＝ne[0088]
ls表示缺陷区域的周长，ne表示缺陷区域边界特征的数目。
[0089]
缺陷的长宽比用于对形状进行度量，其计算方法如下：
[0090][0091]
本发明的显著效果如下：利用线结构光扫描仪获取螺纹表面二维坐标，根据编码器得到的螺纹高度信息、角度信息，并通过系统标定参数计算三维坐标，对三维点云数据滤波、螺纹曲面重建及缺陷自动识别。
[0092]
通过线结构光传感器进行扫描，可以对螺纹表面进行三维重建，相比于现有的螺纹二维成像的方法，可以更清晰地呈现螺纹表面的三维细节，为螺纹缺陷的判断和识别提供了更详实的数据支撑；
[0093]
线结构光传感器的布局和运动方式，通过运动同步技术和坐标变换，实现了螺纹表面三维点云数据的获取，分辨率可以达到0.1mm。试验条件：用本设备的方法对标准计量的螺纹环进行测试，得到该螺纹环的三维模型，其主要特征值大径、中径、小径、螺距、牙型高度、螺纹升角等与计量值的误差不大于0.1mm；
[0094]
点云数据的处理流程，通过点云去噪、数据精简等操作，既保留了螺纹数据的细节信息，同时对模型进行了精简，单个螺孔的模型大小不超过100m，有利于文件的保存和传输以及后续三维重建的处理；
[0095]
当前螺纹缺陷识别主要依赖于人工仔细观察视频文件，容易产生视觉疲劳，导致
错判和误判，且主观性较强，本方法进行螺纹表面三维重建及缺陷自动识别的方法，效率更高；
[0096]
按照本方法可以全自动完成所有螺孔的数据采集及分析和处理，单孔运行时间不超过5min。
附图说明
[0097]
图1为坐标系统构建示意图；
[0098]
图2为设备数据采集流程图；
[0099]
图3为数据采集、构建及识别流程图；
[0100]
图4为点云数据预处理流程图；
[0101]
图5为三维曲面重建流程图。
具体实施方式
[0102]
下面通过附图及具体实施方式对本发明作进一步说明。
[0103]
步骤一、数据采集与坐标变换。
[0104]
通过线结构光扫描仪的旋转运动和轴向运动，实时记录扫描仪的二维坐标信息，同时记录线结构光扫描仪的角度数据和轴向位置数据，扫描范围覆盖整个螺孔的内表面，由于线结构光的扫描范围有限，扫描可以分段进行；
[0105]
如图1所示，螺孔用圆柱形表示，内部小方块代表线结构光扫描仪；侧面深色三角区域代表线结构光扫描仪产生的线结构光。
[0106]
建立两个坐标系：一个是线结构光扫描仪自身参考点(可以选择几何中心，也可以选择出光点)为原点的oxz坐标系，线结构光扫描仪测得的二维数据为oxz坐标系下点坐标，表征为(x,z)；
[0107]
另一个是螺孔o2xyz坐标系，o1表示螺孔顶部平面的圆心，o2表示螺孔底部平面的圆心，z为螺孔轴心向上的方向，x为压力容器所在螺孔中心顺时针的切线方向，y为指向压力容器中心的方向，该坐标轴方向定义符合右手法则。h代表线结构光扫描仪相对于螺孔底部的高度，θ代表当前坐标系下线结构光扫描仪在oxy平面上的投影角度。
[0108]
线结构扫描仪的出光打在螺纹表面，光线方向与螺孔轴线平行，通过在线结构扫描仪上安装运动机构，使其在螺孔中可沿螺孔轴线做直线运动，通常高精度的传感器量程有限，为20mm，而螺孔深度大于200mm，可通过传感器的运动实现对螺孔的全行程覆盖；同时运动机构也可以使得线结构扫描仪沿螺孔轴心做旋转运动。
[0109]
线结构光扫描仪得到的是二维数据，坐标原点是该传感器的出光点，出光方向所在的x轴与螺孔轴心平行，z轴与螺孔内表面垂直。
[0110]
线结构光扫描仪与螺孔底部的高度由测量高度的编码器测量得到。
[0111]
线结构光扫描仪的光平面与x轴的角度θ由测量角度编码器测量得到，其扫描过程如下：扫描仪在螺孔顶部扫描一周，通过同步技术实时记录所有点的坐标(x，z，h，θ)，扫描完成后下降δh，重新扫描一周，并实时采集坐标数据(x，z，h，θ)，循环操作数次，直到扫描仪到达螺孔底部。单次下降高度δh的选取，必须满足不大于扫描仪在z轴方向的量程，确保扫描过程能覆盖螺纹所有区域。整个螺孔扫描完成后，将每个点的坐标(x，z，h，θ)映射到
o2xyz下，即可得到螺孔内螺纹的三维点云。
[0112]
详细的数据采集流程如图2所示。
[0113]
1.1)设置待检查孔号
[0114]
根据反应堆不同堆型，压力容器通常有48～58个螺孔，给待检查的压力容器的所有螺孔进行编号。
[0115]
1.2)进行车体定位
[0116]
将线结构光扫描仪安装在车体上，通过车体在压力容器法兰面上沿着不同螺孔的位置移动，实现对每个螺孔扫描。在到达某个编号下的螺孔位置时，首先进行车体定位，保证扫描时车体位置相对压力容器固定，
[0117]
1.3)扫描头下降到螺纹起始段
[0118]
扫描头是指线结构光扫描仪的扫描头
[0119]
1.4)旋转一周，同步采集数据
[0120]
线结构光扫描仪的扫描头通过运动机构带动旋转一周后，测量得到扫描仪的二维坐标信息。
[0121]
1.5)判定扫描头是否到达螺孔底部
[0122]
如果是则进行步骤1.6)；
[0123]
如果不是则将扫描头下降δh，之后返回步骤1.4)
[0124]
δh一般为2-10mm；
[0125]
线结构光扫描仪在螺孔的深度方向测量范围为40mm，螺孔的深度为260mm左右，因此需要分段扫描，每次扫描后下降，然后扫描，线结构光扫描仪到达螺孔底部，其依据是轴向的下限位开关(光电式)信号有效。
[0126]
1.6)扫描头上升至顶部
[0127]
线结构光扫描仪在螺孔的深度方向测量范围为40mm，螺孔的深度为260mm左右，因此需要分段扫描。当前孔扫描完成后，线结构光扫描仪上升至螺孔顶部，其依据是轴向的上限位开关(光电式)信号有效；
[0128]
1.7)车体继续前进，重复上述步骤1.2)-1.6)，直至所有孔扫描完成，获得所有螺孔被扫描之后得到的扫描仪的二维坐标信息。
[0129]
步骤二、生成三维点云数据。
[0130]
根据几何关系将扫描仪得到的螺纹表面二维坐标信息、角度数据和轴向位置数据合成为三维坐标数据，即三维点云数据；
[0131]
线结构光扫描仪可以得到以自身参考点为原点的二维数据，在oxz坐标系下其坐标表征为(x,z)，线结构光扫描仪的当前角度θ由光电式编码器测量得到，当前高度h由螺孔深度方向的编码器测量得到，线结构光扫描仪参考点与螺孔中心的距离为常数，表示为d，可以得到在o2xyz坐标系下的坐标：
[0132]
x＝(z d)*cosθ
[0133]
y＝(z d)*sinθ
[0134]
z＝h x
[0135]
在oxz坐标系下的坐标(x,z)为线结构光扫描仪采集得到的二维数据。
[0136]
线结构光扫描仪在螺孔的深度方向测量范围为40mm，螺孔的深度为260mm左右，因
此需要分段扫描。不同扫描段的当前高度h不一样，可以由螺孔深度方向的编码器测量得到。扫描完成后，不同扫描段的二维数据(x,z)经过上述计算转换为o2xyz坐标系下的三维数据。
[0137]
整个螺孔扫描完成后，将每个点的坐标(x，z，h，θ)映射到o2xyz下，即可得到螺孔内螺纹的三维点云，数据采集、构建及识别流程如图3所示。
[0138]
步骤三、三维点云数据预处理。
[0139]
如图4所示，
[0140]
步骤3.1对获取的点云数据构建k邻域，计算点云法向量。
[0141]
利用pca法(principal components analysis，主成分分析方法)进行点云法向量估算
[0142]
给定点云数据集合p＝{p1，p2，......，pk，......pm}cr3，点集中采样点pi的k邻域可表示为n(pi)。对于采样点pi，在k邻域的最小二乘法平面定义为：
[0143][0144]
其中，n为采样点切平面的法向量，d表示点到拟合平面的距离。求解可以转化为半正定协方差矩阵c的特征值分解，c的最小特征值对应的特征向量即为平面的法向量：
[0145][0146]
k邻域是指距离点云数据中采样点pi最近的k个采样点的集合，数学形式可描述为：假设点云数据集为p＝{p1，p2，...,pm},m为点云数目，定义p中距离采样点pi最近的k个采样点集合为nk(pi)＝{p1,p2，...，pk}，即为k邻域。
[0147]
步骤3.2计算采样点到其k邻域内局部切平面的法向距离，根据距离阈值将采样点进行特征分类，将三维点云数据划分为平滑区域和尖锐区域。
[0148]
当前点为pi，在平面上任取一点pk，利用下式计算k邻域内局部切平面的法向距离d
[0149][0150]
根据距离阈值将采样点进行特征分类，将点云数据划分为平滑区域和尖锐区域，采用不同的算法进行预处理，距离阈值取0.1mm。
[0151]
其中，采样点到领域内局部切平面的法向距离小于或等于阈值的定义为平滑区域，大于阈值的定义为尖锐区域，其预处理算法在步骤3中描述
[0152]
步骤3.3采用加权局部最优投影算法和双边滤波算法分别对平滑区域和尖锐区域进行滤波去噪。
[0153]
针对尖锐区域采用双边滤波算法滤波去噪，具体采用下式：
[0154][0155]
其中，pi是点云集中当前待处理的点，pj是pi邻域内的点，ni、nj分别为pi、pj的法向量，α为双边滤波因子；wc为空间域的高斯核函数，ws为频率域的高斯核函数；
[0156]
滤波后的点云数据表示为：
[0157]
p
′i＝pi α
·n[0158]
n为采样点切平面的法向量，p
′i表示滤波后的点云。
[0159]
双边滤波作为一种非线性滤波器，可以同时达到保持边缘和降噪平滑的效果。其基本原理是采用加权平均的方法，用区域点坐标的加权平均计算该点的坐标，加权平均基于高斯分布，不仅考虑坐标点之间的欧式距离，还考虑被测点区域中的辐射差异。
[0160]
针对平滑区域采用加权局部最优投影算法滤波去噪，具体为：
[0161]
利用局部信息来对点云数据进行局部增强，通过引入密度权重函数产生分布更均匀的点集，改善点云分布的均匀性和表面光顺度。其迭代公式为：
[0162][0163]
其中，u为常数(取0.45)，p表示最原始的点云位置，p
′
表示迭代后新位置，k为邻接顶点的个数(取16)，pj表示原始点云的当前采样点，p
′j表示采样点迭代运算后的输出值；
[0164]aj
和βi分别为相关的权值系数，计算公式如下：
[0165][0166][0167]
式子中，σ点云当前点在邻域内的标准差，e表示自然常数。
[0168]
步骤四、通过算法对三维点云数据进行精简。
[0169]
数据精简是在保留点云几何特征的基础上去除冗余点，具体算法采用曲率采样法，在曲率变化比较复杂区域保留较多的点来突出目标物的特征，在曲率相对比较平缓的区域保留较少的点。
[0170]
首先通过基于最小二乘法的球面线性方程的方法，利用下式估算步骤3滤波去噪后的点云数据的曲率f(x0，y0，z0，c)，
[0171][0172]
其中，pi(xi,yi,zi)(i＝1,2,...,n)为球面上的点(xi、yi、zi代表该点在o2xyz坐标系下的坐标)，o(x0，y0，z0)为球中心坐标，r为球的半径，c为待求解常数。
[0173]
n表示拟合球面点的个数；
[0174]
将相邻点云集中以pi(xi，yi，zi)为中心的相邻点的点坐标代入上式中，可得到系列方程组，通过最小二乘法可计算得到c。
[0175]
然后建立局部坐标系，将原点进行平移，得到其在新建局部坐标系的空间坐标，最后求解未知参数，计算曲率。
[0176]
建立局部坐标系，以目标点为坐标原点，其坐标轴方向与系统坐标系方向相同，进行坐标平移变换，得到在新建局部坐标系的空间坐标，将相邻点坐标代入上式中计算参数x0，y0，z0和c，计算目标点的曲率ρ。
[0177][0178]
最后通过曲率值与设定阈值大小进行比较，大于阈值则保留，小于阈值则舍弃。设定阈值可根据统计目标点的曲率直方图，一般取直方图左侧值的0.5～0.9，值越大，数据精简量越大，同时损失部分低频信息。
[0179]
上述直方图的计算，首先计算点云中所有点的曲率，然后统计不同去曲率值的概率分布，可以二维曲线图表示，横轴表示曲率值，纵轴表示概率统计值。
[0180]
步骤五、三维曲面重建；该步骤是将离散的点云数据，重新构建出被测目标的完整三维模型。
[0181]
如图5所示具体方法是：
[0182]
5.1)首先利用加权修正pca算法进行法向量估算
[0183]
在pca算法的基础上进行加权修正，可以降低离群噪声点的敏感性，其平面拟合表达式为：
[0184][0185]
其中，n为采样点切平面的法向量，d表示点到拟合平面的距离，k为邻域点数量，pi为当前采样点，w(pi)为加权权值，表达式为：
[0186][0187]
为pi的k邻域重心。
[0188]
5.2)根据估算结果进行点云分割并返回分块集
[0189]
对于点云数据集p，假设预期分割为k个区域，首先从点云数据中随机选取k个点，
作为k个分割区域的初始中心，计算点云中的每一个点到k个初始分割中心的欧式距离，将其划分到距离最近的初始分割中心所代表的分割区域，然后调整每个分割区域的中心，迭代以上计算过程，直到所有区域中心不再发生变化，则停止迭代，分割过程结束，输出区域分割结果。
[0190]
调整步长为0.2-2毫米；
[0191]
5.3)然后进行分块稀疏和重采样
[0192]
按照点云分割之后的块区域，分别计算每个区域内点的曲率，并计算区域内曲率的平均值，若取样点的曲率小于平均值，则舍去该点，否则保留原始点的采样。
[0193]
5.4)然后计算节点函数实现平滑优化；
[0194]
平滑优化是通过利用高斯滤波器，达到既保留局部特征细节，又能对噪声数据达到平滑的效果；
[0195]
节点函数f0的基函数表示为：
[0196][0197]
其中σ为高斯滤波标准差，一般可取σ＝0.1；
[0198]
5.5)计算分块的最大八叉树的深度，
[0199]
给定全局八叉树最大深度为d
max
，最小深度为d
min
，则每个点云分块的局部八叉树最大深度可表示为：
[0200][0201]
其中曲率均值表示为其中曲率均值表示为
[0202]
5.6)等值面提取，获得任意体素中的等值面的三角面片表示
[0203]
其中，等值面是空间中的一个曲面，其曲面函数等于给定值
[0204]
如果一个体素，与待重建的曲面相交，对体素的8个顶点进行分类，以判断其顶点是位于等值面之外，还是位于等值面之内。再根据8个顶点的状态，确定等值面的剖分模式。顶点分类规则为:如体素顶点的数据值大于或等于等值面的值，则定义该顶点位于等值面之外，记为正点，即“1”；如体素顶点的数据值小于等值面的值，则定义该顶点位于等值面之内，记为负点，即“0”。由于每个体素共有8个顶点，且每个顶点有正负两种状态，所以等值面可能以＝256种方式与一个体素相交。通过列举出这256种情况，就能创建一张表格，利用它可以查出任意体素中的等值面的三角面片表示。
[0205]
5.7)生成网格模型
[0206]
根据8个顶点有向距离场的正负情况进行查表，可以得到三角面片，三角面片的顶点的坐标，也就是体素点边与待重建曲面的相交点，通过体素点边的两个顶点进行线性插值得到。
[0207]
步骤六、缺陷识别与测量。
[0208]
6.1)采用icp(iterative closest point)算法进行配准，建立缺陷识别目标函数：
[0209][0210]
其中，是标准模型下的点云，是待配准的点云，r是旋转矩阵，t是平移矩阵。i＝1,2,
…np
；n
p
为标准模型下的点云数量；
[0211]
根据上述方程，利用最小二乘法计算最优的r和t；然后进行迭代，然后进行迭代，直到f(r，t)的计算值最小。
[0212]
6.2)进行缺陷区域聚类分割并提取特征
[0213]
通过计算点到曲面的距离，从而获取测量点到点云模型的偏差距离，根据距离值确定表面缺陷的位置，偏差距离的平均值表示为：
[0214][0215]
其中di表示点到点云模型曲面的距离。
[0216]
判断所有点的偏差距离与平均值的大小，将di》d
mean
时di对应的点xi存入类x中(定义x为初始聚类点集)，遍历所有点，从而将点云模型表面偏差距离较大的区域分割出来。
[0217]
6.3)然后将缺陷特征用参数表征，最后输出缺陷类型。
[0218]
对缺陷区域进行特征参数计算，求解缺陷的面积、周长、长宽比几何特征。
[0219]
面积是对区域的大小进行度量的几何特征，计算方法为：
[0220]as
＝nd[0221]as
表示缺陷区域面积，s表示度量的缺陷区域，nd表示缺陷区域的点云数目。
[0222]
周长是指包围某个缺陷区域的边界轮廓线长度，计算方法为：
[0223]
ls＝ne[0224]
ls表示缺陷区域的周长，ne表示缺陷区域边界特征的数目。
[0225]
长宽比用于对形状进行度量，其计算方法如下：
[0226][0227]
螺纹表面缺陷是被测目标与标准螺纹进行比较，偏差距离较大(通常为0.1mm)的区域被认定为缺陷。通过计算点到曲面的距离，得到被测点到标准点云模型的偏差距离，根据距离值确定缺陷的位置。为了对缺陷类型进行分类，需求求解缺陷区域的特征参数，包括缺陷区域的面积、周长、长宽比、圆度等。根据缺陷的特征，用户可设置条件，对缺陷进行筛查和搜索。
[0228]
本发明未详细公开的部分属于本领域的公知技术。
[0229]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。