基于激光扫描的膨胀节三维重构算法研究

发布时间：2020-08-26 18:03

【摘要】：膨胀节作为一种能够吸收由热胀冷缩引起的伸缩变形的弹性元件,可提高管道运输的可靠性和安全性,从而得到了广泛的应用。然而目前国内膨胀节试验前后的波形变化还处于眼睛观察和手工测量的阶段,传统的检测方法存在着效率低、精度差、劳动强度大等缺点。因此,急需一种能够直观地反应出膨胀节试验前后波形变化的逆向三维重构技术,并且给出波形精确的波距值。近年来随着科技的快速发展,激光扫描仪被广泛应用于测绘测量、距离测量、点云数据采集等各个行业,具有速度快、存储方便、计算灵活、精度高等优点。本文针对膨胀节传统检测的缺点,应用加拿大LMI线激光扫描测量技术,采集膨胀节波形点云数据,提出了一种基于激光扫描仪的膨胀节三维重构算法,并以该算法和OpenGL技术为基础,开发出一个便于观察、易于操作和界面友好的处理软件系统。该系统有利于提高膨胀节波形检测装置的速度、精度和自动化水平,对于膨胀节检测装置的推广具有重要意义。主要工作如下:1.膨胀节点云数据处理。在激光点云数据采集过程中,由于周围环境、仪器精度和摆放位置的影响,膨胀节点云数据可能出现异常点、噪声点、倾斜等问题。因此,针对膨胀节点云数据特点,本文详细探讨了膨胀节点云数据处理的方法,保证膨胀节三维重构后期处理的精度和真实性。2.膨胀节波形曲线拟合及波距值计算。传统的膨胀节波距值测量通过人眼观察和游标卡尺手动测量,这种方法精度不高,随机性大。本文根据激光扫描仪采集的波形点云数据,使用B样条拟合出膨胀节波形曲线,通过曲率精确地计算出膨胀节的波距值,从而保证了波距值数据的可靠性和准确性。3.膨胀节点云数据空间坐标转换。本文采用的是线激光扫描仪采集的膨胀节点云数据,该数据只有深度信息和点与点之间的间隔信息,如果想要获取膨胀节三维空间的点云数据,需要将线点云数据组合转换成空间坐标点云数据,本文根据点云数据的特性,采用点云数据组合的方法达到了点云数据空间坐标转换的目的。4.膨胀节曲面三维重构。根据组合的膨胀节空间点云数据,构造膨胀节曲面节点矢量,然后利用NURBS方法进行膨胀节点云数据曲面三维重构,并结合OpenGL实现膨胀节三维重构。膨胀节逆向三维重构更能准确、全面、快速地反映出膨胀节试验前后波形的整体变化情况。
【学位授予单位】：南京林业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH136;TN249
【图文】：

波形,安全监督,特种设备,膨胀节

1-1 江苏省特种设备安全监督检验研究院膨胀节性能试cial equipment safety supervision and Inspection Researchperformance test equipment设备安全监督检验研究院采用先进的线激光扫面的线性点云数据，实现对波纹管膨胀节表面波上，本文拟研究一种波纹管膨胀节点云数据预的算法，研发了一种能够自动获取波纹管膨胀的软件系统，以克服传统手工测量的诸多缺点检测的要求，还能智能地适应各种大小和各种形三维模型，实时显示波形波距检测结果并保存三维重构系统的研究对于在机器视觉、自动加领域，有着重要的应用价值和广阔的应用前景[试验工作和我国膨胀节检验试验研究工作产生研究现状

激光扫描仪,线性,激光测量

以快速的测量被测点的距离信息，该方法测量精度高但数据量小，适合做物体表面形位公差检测用。线激光测量主要有三维台式激光扫描仪，通过一段几公分的激光照射到被测物体表面，再通过接收器得到被测物体的表面信息，如图2-2所示，该方法适合中小物体，扫描景深小、精度高、速度较快等优点。面激光测量的代表是拍照式三维扫描仪，三维摄影测量系统等，主要是利用一组光面的位移，经过传感器采集到被测物体的表面信息，该方法由于测量的冗余数据交多，相对于线激光测量速度较慢。图 2-2 线性激光扫描仪Fig.2-2 Linear laser scanner综上所述，点激光测量适合于点位置信息的测量；线激光适合不规则物体的线性参数的测量，冗余数据较少，利于后期三维数据合成；面激光测量对不规则物体测量时，冗余数据大，不利于物体测量信息的参数的获取。因此本课题综合以上因素，选用的是线激光测量的方式。2.1.2 激光扫描仪采集点云数据原理膨胀节点云数据获取的原理如图2-3 所示,高度信息不同的点在光敏面上成像的位置是不同的

膨胀节,异常点,数据点,点云数据

-6（b）所示。网格化点云点的所有数据点与参数域中（c）所示。是线激光扫描仪，采集到点云数据类型为规律分布的以下几个方面：(1)异常点剔除。激光扫描仪在点云数的干扰数据，这些异常点数据必须剔除，提高膨胀节点波，点云数据采集过程中，膨胀节表面灰尘等杂物，数据光滑滤波增加点云数据的光滑性。(3)点云数据校能会出现倾斜，从而导致点云数据也出现不同程度的云数据的准确性。云数据异常点的识别与剔除云数据异常点分析量过程中，由于受到各种主观和客观因素影响，不可如图 2-7 所示。

【相似文献】