基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112990373A(43)申请公布日2021.06.18(21)申请号202110462705.5(22)申请日2021.04.28(71)申请人四川大学地址610000四川省成都市一环路南一段24号(72)发明人殷国富朱杨洋谢罗峰殷鸣(74)专利代理机构成都乐易联创专利代理有限公司51269代理人赵何婷(51)Int.Cl.G06K9/62(2006.01)G06T3/40(2006.01)G06T5/50(2006.01)G06F17/16(2006.01)权利要求书1页说明书6页附图4页(54)发明名称基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统(57)摘要本发明公开了基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统，包括数据采集模块、卷积孪生点网络和数据拼接模块，所述卷积孪生点网络包括迭代数次的网络模块，网络模块包括特征提取模块、特征空间匹配模块和奇异值分解模块；所述特征提取模块采用改进型金字塔结构的边缘卷积网络结构提取源点云和目标点云中的高维空间特征，再利用高维空间特征计算出特征空间匹配矩阵，利用该特征空间匹配矩阵计算出两点云数据（源点云和目标点云）中点的对应关系，最后通过奇异值分解求出两点云数据（源点云和目标点云）间的刚体转化，根据多次迭代求解出最优的刚体转化，实验结果展示了该方法的可行性和良好的实际应用前景。CN112990373ACN112990373A权利要求书1/1页1.基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统，其特征在于包括：数据采集模块，用于采集不同视场下的叶片轮廓点云数据，叶片轮廓点云数据包括视场1的源点云数据X，X={x1,x2,…,xi,…,xn}、以及视场2的目标点云数据Y，Y={y1,y2,…,yj,…,ym}，视场2为视场1刚体转换后的视场；卷积孪生点网络，用于求解出最优的刚体转化，所述卷积孪生点网络包括迭代数次的网络模块，所述网络模块包括特征提取模块、特征空间匹配模块和奇异值分解模块；所述特征提取模块用于分别提取目标点云数据Y和刚体转换后的源点云数据X中的高维空间特征FY和FX，FX={Fx1,Fx2,…,Fxi,…,Fxn}，FY={Fy1,Fy2,…,Fyj,…,Fym}，刚体转换后的源点云数据X是指源点云数据X与上一次迭代输出的刚体转换相乘后获取的数据；所述特征提取模块内设置有孪生结构的改进型金字塔结构的边缘卷积网络，所述改进型金字塔结构的边缘卷积网络包括输入卷积层、第一卷积层A、第二卷积层A、第三卷积层A、第四卷积层A、第一卷积层B、第二卷积B、第三卷积层B、第四卷积层B、全连接层、第五卷积层和输出卷积层，输入卷积层与第一卷积层A连接，第一卷积层A与第一卷积层B和第二卷积层A连接，第二卷积层A与第二卷积层B和第三卷积层A连接，第三卷积层A与第三卷积层B和第四卷积层A连接，第四卷积层A与第四卷积层B连接，第一卷积层B、第二卷积B、第三卷积层B、第四卷积层B均与全连接层连接，全连接层后依次连接第五卷积层和输出卷积层；所述特征空间匹配模块用于匹配出源点云数据X和目标点云数据Y中对应坐标数据，并通过以下计算模型计算出源点云数据X和目标点云数据Y中对应坐标数据的关系，式中，M（i，j）为高维空间特征数据FX中第i个点的高维空间数据与高维空间特征数据FY中第j个点的高维空间数据的匹配相似度，β为退火参数，α为抑制外点的对应，Fxi为高维空间特征数据FX中第i个点的高维空间数据，Fyj为高维空间特征数据集FY中第j个点的高维空间数据；所述奇异值分解模块是对源点云数据X和加权目标点云数据M*Y进行奇异值分解，获得优化后的刚体转换；数据拼接模块，用于根据求解的刚体转换拼接出叶片轮廓。2.根据权利要求1所述的基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统，其特征在于：所述数据采集模块采用搭载四轴测量系统上的线激光轮廓仪。2CN112990373A说明书1/6页基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统技术领域[0001]本发明涉及叶片截面轮廓检测领域，具体涉及一种基于多尺度特征融合的卷积孪生点网络叶片轮廓拼接系统。背景技术[0002]叶片被誉为现代工业皇冠上的明珠，广泛应用在航空发动机、蒸汽涡轮机和风力涡轮机。为保证在高速作业下完美和稳定的空气动力性能，叶片需要极高的尺寸精度和表面完整性。精准测量叶片的轮廓是指导叶片生产的重要手段。然而薄壁、扭曲和镜面般的空间自由型面增加了叶片表面测量的难度。目前，叶片轮廓的采集是由三坐标测量完成的，它是一种高精度且易于实现的方法。但是三坐标测量的效率较低，阻碍了叶片的生产效率。随着对叶片整个制造周期的质量控制关注度提高，使得它在粗加工、半精加工和自适应磨削等