李紅衛(wèi)，魏澤勇，曹軒銘，汪 俊

（1.中航西安飛機(jī)工業(yè)集團(tuán)股份有限公司，西安 710089；2.南京航空航天大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，南京 211106；3.南京航空航天大學(xué)機(jī)電學(xué)院，南京 210016）

飛機(jī)中央翼油箱是油密區(qū)域，是飛機(jī)結(jié)構(gòu)密封中要求最嚴(yán)格的部位。然而，由于其空間狹窄、開暢性不足且密封裝配過程不易控制，往往會(huì)出現(xiàn)裝配質(zhì)量問題，引發(fā)油箱泄漏現(xiàn)象，對(duì)飛機(jī)安全構(gòu)成隱患［1-2］。

飛機(jī)中央翼油箱密封質(zhì)量的關(guān)鍵在于裝配過程中涂膠環(huán)節(jié)的質(zhì)量檢測(cè)控制，其中膠體三維尺度以及形狀的符合性是涂膠質(zhì)量評(píng)判的重點(diǎn)之一。

目前國(guó)內(nèi)飛機(jī)中央翼油箱裝配密封涂膠膠體三維尺度和形狀的符合性檢測(cè)基本還是在簡(jiǎn)單工量具輔助下依靠人工目測(cè)，效率低且檢查效果不穩(wěn)定。因此，本文提出一種涂膠后重建中央翼油箱內(nèi)部高精度三維點(diǎn)云的新方法，該方法能夠精準(zhǔn)量化涂膠前后中央翼油箱內(nèi)部三維重建點(diǎn)云的差異性，并應(yīng)用于快速準(zhǔn)確評(píng)判膠體三維尺度和形狀符合性的智能化涂膠質(zhì)量檢測(cè)新模式。

考慮油箱的空間開暢性問題，以及相關(guān)工藝規(guī)范對(duì)飛機(jī)中央翼油箱密封涂膠膠體三維尺度和形狀控制的高精度要求，本文使用結(jié)構(gòu)光深度相機(jī)采集飛機(jī)中央翼油箱內(nèi)部多視點(diǎn)下的點(diǎn)云數(shù)據(jù)，并基于對(duì)多視點(diǎn)云的配準(zhǔn)來實(shí)現(xiàn)實(shí)測(cè)數(shù)據(jù)的重建。

如何能精確地配準(zhǔn)兩幀有重疊區(qū)域的點(diǎn)云數(shù)據(jù)是近年來一個(gè)研究熱點(diǎn)。點(diǎn)云配準(zhǔn)一般需要粗配準(zhǔn)和精配準(zhǔn)兩個(gè)步驟。常見的粗配準(zhǔn)方法主要包括：Aiger 等［3］通過迭代，不斷利用兩點(diǎn)云中的對(duì)應(yīng)4 點(diǎn)進(jìn)行快速配準(zhǔn)；李宇翔等［4-8］基于描述子的方法進(jìn)行匹配；Rusu 等［9］通過對(duì)點(diǎn)云建立特征描述子；Besl 等［10-11］使用曲面曲率的不同表示或通過擬合多項(xiàng)式［12］或樣條［13］建立局部描述子，然后對(duì)這些描述子進(jìn)行配準(zhǔn)操作；與描述子的方法類似，張哲等［14-20］提出的基于關(guān)鍵點(diǎn)的配準(zhǔn)方法也廣泛應(yīng)用于粗配準(zhǔn)，可有效提高三維點(diǎn)云數(shù)據(jù)配準(zhǔn)的效率；張晗等［21-24］使用采樣一致性初始配準(zhǔn)（Sample consensus initial alignment，SAC-IA）算法對(duì)點(diǎn)云進(jìn)行粗配準(zhǔn)。

點(diǎn)云精配準(zhǔn)問題的經(jīng)典解決方案是迭代最近點(diǎn)（Iterative closest point，ICP）及其改進(jìn)算法。該算法通常用尋找點(diǎn)的對(duì)應(yīng)關(guān)系及優(yōu)化距離目標(biāo)函數(shù)的方法求解，其中以點(diǎn)對(duì)平面法因其快速收斂性應(yīng)用較廣［25-28］。但也存在一些問題，比如因?yàn)闆]有足夠的幾何特征來支撐優(yōu)化，該算法在有較多平滑曲面的情況下表現(xiàn)不夠穩(wěn)定。另一方面，在初始粗配準(zhǔn)達(dá)不到一定要求的情況下，ICP 算法容易失效，且速度較慢。針對(duì)該問題，薛珊等［29］提出了基于點(diǎn)云幾何信息改進(jìn)自動(dòng)配準(zhǔn)算法，在一定程度上解決了平滑曲面特征造成的配準(zhǔn)困難；孫培芪等［30］提出了一種基于特征點(diǎn)提取與配對(duì)的粗配準(zhǔn)方法，以調(diào)整兩片點(diǎn)云重疊部分的初始位置，防止配準(zhǔn)陷入局部最優(yōu)的不理想狀態(tài)；楊帆等［31］利用距離約束函數(shù)、KD-Tree加速迭代以及（Closest point crirterion，CPC）三約束方法對(duì)傳統(tǒng)ICP 算法進(jìn)行改進(jìn)，有效提高了配準(zhǔn)速度。

圖1 為飛機(jī)中央翼油箱常用結(jié)構(gòu)局部示意圖，對(duì)于中央翼油箱這種重復(fù)特征較多的結(jié)構(gòu)件，利用上述算法難以有效配準(zhǔn)以實(shí)現(xiàn)三維重建。針對(duì)這些算法的不足，本文提出了一種基于深度相機(jī)的飛機(jī)中央翼油箱高精度三維重建方法，對(duì)包含重疊區(qū)域的多幀場(chǎng)景點(diǎn)云，建立基于點(diǎn)對(duì)特征的全局模型描述，繼而通過聚類投票得到粗配準(zhǔn)位姿，再進(jìn)一步建立點(diǎn)云中的對(duì)應(yīng)點(diǎn)集，然后用顏色和幾何量構(gòu)建目標(biāo)函數(shù)并進(jìn)一步優(yōu)化以實(shí)現(xiàn)精配準(zhǔn)，最后將所有點(diǎn)云配準(zhǔn)并用圖優(yōu)化重建結(jié)果以完成三維重建。

圖1 飛機(jī)中央翼油箱常用結(jié)構(gòu)局部示意圖Fig.1 Structural chart of aircraft central wing fuel tank

1 飛機(jī)中央翼油箱三維重建

圖2 為飛機(jī)中央翼油箱三維重建方法流程圖，包括以下步驟：（1）對(duì)中央翼油箱進(jìn)行遍歷以采集完整的油箱內(nèi)部數(shù)據(jù)，將深度相機(jī)伸入待檢測(cè)的飛機(jī)中央翼油箱，從不同視角采集油箱的內(nèi)部信息，獲得多幀帶有顏色信息的油箱點(diǎn)云數(shù)據(jù)，保證每幀點(diǎn)云數(shù)據(jù)與相鄰幀點(diǎn)云之間都有部分重疊，用于后續(xù)配準(zhǔn)；（2）對(duì)兩幀點(diǎn)云模型粗配準(zhǔn)，將點(diǎn)云數(shù)據(jù)預(yù)處理后，建立基于點(diǎn)對(duì)特征的全局模型描述，根據(jù)點(diǎn)對(duì)特征匹配結(jié)果進(jìn)行位姿聚類，得到粗配準(zhǔn)位姿；（3）對(duì)兩幀點(diǎn)云模型進(jìn)行精配準(zhǔn)，將粗配準(zhǔn)后的各幀點(diǎn)云的顏色信息與幾何信息參數(shù)化，建立待匹配點(diǎn)云中的精確對(duì)應(yīng)點(diǎn)集，用參數(shù)化的顏色與幾何信息構(gòu)造目標(biāo)函數(shù)，優(yōu)化目標(biāo)函數(shù)得到精配準(zhǔn)位姿；（4）按順序?qū)ο噜弮蓭c(diǎn)云進(jìn)行配準(zhǔn)并圖，實(shí)現(xiàn)最終的飛機(jī)中央翼油箱內(nèi)部三維重建。

圖2 飛機(jī)中央翼油箱三維重建方法流程圖Fig.2 3D reconstruction flow diagram of aircraft central wing fuel tank

1.1 油箱內(nèi)部數(shù)據(jù)采集

深度相機(jī)不能一次獲取中央翼油箱內(nèi)部所有信息，需根據(jù)具體結(jié)構(gòu)的不同，系統(tǒng)規(guī)劃測(cè)量方案與實(shí)施步驟，按節(jié)奏分多步調(diào)整深度相機(jī)測(cè)量角度，從多個(gè)視角拍照，采集所需的帶有顏色信息的油箱內(nèi)部點(diǎn)云全部數(shù)據(jù)。由于點(diǎn)云之間的配準(zhǔn)需要保證有一定的重疊區(qū)域，所以每次調(diào)整的角度θ1應(yīng)小于深度相機(jī)視野角度θ2，取θ1=(1-μ)θ2，μ為重疊區(qū)域在配準(zhǔn)點(diǎn)云中所占比重。這些點(diǎn)云數(shù)據(jù)將作為粗配準(zhǔn)的輸入。

1.2 場(chǎng)景點(diǎn)云模型粗配準(zhǔn)

對(duì)場(chǎng)景點(diǎn)云進(jìn)行預(yù)處理，然后建立基于點(diǎn)對(duì)特征的全局模型描述，匹配相應(yīng)特征，計(jì)算該匹配對(duì)應(yīng)的變換矩陣，統(tǒng)計(jì)得分最高的變換矩陣，應(yīng)用該矩陣完成場(chǎng)景點(diǎn)云的粗配準(zhǔn)。

1.2.1 點(diǎn)云數(shù)據(jù)預(yù)處理

噪聲和離群點(diǎn)會(huì)對(duì)匹配結(jié)果產(chǎn)生干擾，配準(zhǔn)前需要對(duì)點(diǎn)云數(shù)據(jù)預(yù)處理以去除噪聲和離群點(diǎn)。首先利用直通濾波的方法去除場(chǎng)景邊緣數(shù)據(jù)模糊、質(zhì)量較低的冗余數(shù)據(jù)，然后利用基于統(tǒng)計(jì)學(xué)的去噪算法對(duì)點(diǎn)云中的離群點(diǎn)進(jìn)行剔除［32］。

1.2.2 全局模型描述建立

計(jì)算待配準(zhǔn)的兩幀點(diǎn)云中各點(diǎn)的法矢，法矢信息采用基于局部表面擬合估計(jì)法向量的方法獲取。然后，對(duì)每幀點(diǎn)云中所有點(diǎn)兩兩之間建立點(diǎn)對(duì)特征，然后建立由點(diǎn)對(duì)特征索引的哈希表，即對(duì)場(chǎng)景建立全局模型描述。全局模型描述是從兩幀點(diǎn)云的點(diǎn)對(duì)特征空間到點(diǎn)對(duì)集合的映射。一般地，映射可以表示為

式中：F(p1，p2)為四維的點(diǎn)對(duì)特征，A為所有點(diǎn)對(duì)(pi，pj)∈P2的集合，P為其中一幀點(diǎn)云；點(diǎn)對(duì)特征F(p1，p2)的定義為

式中：p1和p2為點(diǎn)云上的兩個(gè)點(diǎn)；‖ ‖* 為歐氏距離；p1和p2對(duì)應(yīng)的法向量分別為n1和n2。點(diǎn)對(duì)特征由4 個(gè)分量組成，第1 個(gè)分量F1表示點(diǎn)之間的距離，∠(a，b)表示兩個(gè)向量之間的夾角，分量F2、F3、F4分別表示第1 點(diǎn)法線與兩點(diǎn)連線的夾角、第2 點(diǎn)法線與兩點(diǎn)連線的夾角、兩點(diǎn)法線之間的夾角［33-35］。圖3 為點(diǎn)對(duì)特征示意圖。

圖3 點(diǎn)對(duì)特征示意圖Fig.3 Point to point feature diagram

遍歷P的每一個(gè)點(diǎn)，建立該點(diǎn)與P剩余所有點(diǎn)的點(diǎn)對(duì)特征，組成由點(diǎn)對(duì)特征索引的哈希表。隨后，具有相似點(diǎn)對(duì)特征向量的模型表面上的點(diǎn)對(duì)被存儲(chǔ)于哈希表的相同位置，可以通過使用點(diǎn)對(duì)特征作為訪問哈希表的鍵，來獲取鍵值（點(diǎn)對(duì)），至此就建立了一幀點(diǎn)云的全局模型描述，然后用同樣方法建立另一幀點(diǎn)云的全局模型描述。

1.2.3 位姿聚類估計(jì)

通過搜索待匹配兩幀點(diǎn)云中相似的點(diǎn)對(duì)特征完成點(diǎn)對(duì)特征的匹配。根據(jù)點(diǎn)對(duì)特征匹配結(jié)果計(jì)算投票值，進(jìn)行位姿聚類，得票高者為最終位姿。利用1.2.2 節(jié)中建立的全局模型描述對(duì)兩幀點(diǎn)云進(jìn)行特征匹配，同時(shí)針對(duì)匹配的特征計(jì)算其相應(yīng)的位姿變換T1，并對(duì)位姿進(jìn)行聚類和投票操作，得票最高的為最終位姿。由此得到粗匹配結(jié)果。

位姿聚類是指將比較相近的變換矩陣（即位姿）對(duì)應(yīng)的投票數(shù)量（即得分）取平均值，以消除相近位姿的影響，以此提高算法對(duì)位姿檢測(cè)的穩(wěn)定性。

投票操作是通過累加兩點(diǎn)云中配對(duì)特征對(duì)應(yīng)的位姿變換矩陣出現(xiàn)的次數(shù)，計(jì)算最終得票最高的即為粗配準(zhǔn)變換矩陣。

1.3 場(chǎng)景點(diǎn)云模型精配準(zhǔn)

將場(chǎng)景點(diǎn)云的顏色與幾何信息參數(shù)化［36-37］，再用ICP 算法建立待匹配點(diǎn)云中的對(duì)應(yīng)點(diǎn)集，然后將參數(shù)化后的顏色與幾何信息整合到一起形成優(yōu)化目標(biāo)，計(jì)算優(yōu)化變換矩陣T，同時(shí)在匹配迭代的過程中對(duì)點(diǎn)云數(shù)據(jù)采用“由粗到精”的方式進(jìn)行處理。

1.3.1 顏色與幾何信息的參數(shù)化

為了在優(yōu)化過程中能夠使用顏色信息，需通過一個(gè)連續(xù)函數(shù)YP(m)來量化點(diǎn)p的顏色信息

式中：p為場(chǎng)景P中的一個(gè)點(diǎn)；m為p點(diǎn)切平面上的向量；Y(p)為離散函數(shù)，表示從點(diǎn)云到顏色信息的檢索函數(shù)；YP(m) 為其對(duì)應(yīng)連續(xù)函數(shù)；tTp為YP(m)的梯度，可由臨近點(diǎn)最小二乘法求出；同理，使用深度相機(jī)的連續(xù)深度函數(shù)JP(m)來量化點(diǎn)p的幾何信息，即

式中：Op為深度相機(jī)原點(diǎn)；np為點(diǎn)p的法線。

1.3.2 精確對(duì)應(yīng)點(diǎn)集的建立

在場(chǎng)景點(diǎn)云的顏色與幾何量參數(shù)化之后，使用ICP 算法來對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行迭代計(jì)算。ICP 算法在每次優(yōu)化迭代過程中，Tk是當(dāng)前迭代循環(huán)中的變換矩陣，尋找兩個(gè)點(diǎn)云P、TkQ中距離小于一定閾值的點(diǎn)作為對(duì)應(yīng)點(diǎn)，隨著迭代優(yōu)化的進(jìn)行，對(duì)應(yīng)點(diǎn)的集合h也在不斷更新。

式中：pt、qt為對(duì)應(yīng)點(diǎn)，分別屬于P和Q；ε為距離閾值；集合h為兩幀點(diǎn)云之間的重疊區(qū)域的點(diǎn)。

1.3.3 優(yōu)化目標(biāo)的建立

建立精確的對(duì)應(yīng)點(diǎn)集合h之后，將點(diǎn)云顏色信息與幾何信息整合形成一個(gè)綜合的優(yōu)化目標(biāo)為

H(T)=(1-ω)HY(T)+ωHJ(T) （10）式中：ω為權(quán)重函數(shù)；H(T)為整體優(yōu)化目標(biāo)；HY(T)為點(diǎn)云顏色信息的優(yōu)化目標(biāo)；HJ(T)為點(diǎn)云幾何信息的優(yōu)化目標(biāo)。最小化H(T)，利用高斯牛頓法來計(jì)算點(diǎn)云變換矩陣T。

綜合顏色與幾何信息的優(yōu)化目標(biāo)表達(dá)式為

式中

式中：Y(q) 為點(diǎn)云顏色量化的非連續(xù)函數(shù)；b(q，T)=T(q)，是用矩陣T對(duì)q進(jìn)行變換；對(duì)應(yīng)點(diǎn)集之間的變換矩陣T可拆分為

式中θ=(e，g，i，x，y，z)；Tk為上一個(gè)循環(huán)的變換矩陣。當(dāng)前循環(huán)的T可由θ的線性方程估算出，同時(shí)利用高斯牛頓法求解線性系統(tǒng)來計(jì)算θ［38］。

1.3.4 “由粗到精”的匹配迭代

匹配迭代過程中采用“由粗到精”的處理方式。即開始迭代時(shí)對(duì)較稀疏的點(diǎn)云進(jìn)行優(yōu)化，隨著迭代過程的進(jìn)行，點(diǎn)云的密度也在不斷增加，這樣不僅提高了效率，也減少了陷入局部最小值不理想狀態(tài)的可能性。

目標(biāo)函數(shù)是一個(gè)非線性最小二乘函數(shù)，可用高斯牛頓法進(jìn)行求解。由于目標(biāo)函數(shù)是非凸函數(shù)，容易陷入局部最小值的不理想狀態(tài)。為了解決這個(gè)問題，需要設(shè)計(jì)由粗及細(xì)的目標(biāo)函數(shù)優(yōu)化算法。通過調(diào)整體素大小對(duì)數(shù)據(jù)進(jìn)行稀疏采樣并構(gòu)建點(diǎn)云數(shù)據(jù)分層次模型，優(yōu)化過程中通過粗優(yōu)化的方法使配準(zhǔn)更加平滑，既解決了局部最小值問題，也能指導(dǎo)用高斯牛頓法尋找全局最優(yōu)解［39］。

1.4 多幀點(diǎn)云數(shù)據(jù)圖優(yōu)化重建

根據(jù)1.2節(jié)粗配準(zhǔn)和1.3節(jié)精配準(zhǔn)方法能夠?qū)崿F(xiàn)任意包含重疊區(qū)域的相鄰兩幀的點(diǎn)云數(shù)據(jù)的配準(zhǔn)。順序?qū)⑸疃认鄼C(jī)采集的多幀點(diǎn)云數(shù)據(jù)的相鄰兩幀進(jìn)行配準(zhǔn)，即可完成飛機(jī)中央翼油箱的初步三維重建。

初步三維重建后，各幀點(diǎn)云數(shù)據(jù)之間仍然存在一定配準(zhǔn)誤差，為此引用一種圖優(yōu)化的全局優(yōu)化方法［40］來優(yōu)化重建結(jié)果。

圖由節(jié)點(diǎn)和邊組成，每幀數(shù)據(jù)作為一個(gè)節(jié)點(diǎn)，將有重疊區(qū)域的兩個(gè)節(jié)點(diǎn)連接形成邊，再基于重疊區(qū)域的每個(gè)點(diǎn)與k鄰近點(diǎn)的平均距離和重疊區(qū)域的點(diǎn)對(duì)數(shù)量，對(duì)邊進(jìn)行加權(quán)，即

式中：W為邊的權(quán)重；D為兩個(gè)節(jié)點(diǎn)重疊區(qū)域的每個(gè)點(diǎn)與k鄰近點(diǎn)的平均距離集合；n為兩個(gè)節(jié)點(diǎn)重疊區(qū)域的點(diǎn)對(duì)數(shù)量；λ為0～1 之間的平衡參數(shù)，在實(shí)驗(yàn)中λ取0.7 時(shí)得到比較好的優(yōu)化效果。

然后利用圖優(yōu)化初始重建結(jié)果，步驟為：

（1）用Kruskal 算法從圖中提取最大生成樹；

（2）將剩余邊中權(quán)重最大的邊添加到最大生成樹中；

（3）對(duì)于最大生成樹，每添加一條邊至少形成一個(gè)回路，在新生成的回路中將該回路合并，形成一個(gè)新的節(jié)點(diǎn)N；

（4）合并后得到新的圖，并計(jì)算出節(jié)點(diǎn)N 與其他有重疊區(qū)域的節(jié)點(diǎn)間的邊權(quán)重；

（5）重復(fù)步驟（2～4），直到?jīng)]有邊可以添加到當(dāng)前圖。

按照?qǐng)D優(yōu)化過程中所有節(jié)點(diǎn)的合并順序?qū)⒐?jié)點(diǎn)對(duì)應(yīng)的點(diǎn)云用精配準(zhǔn)方法配準(zhǔn)，最后沒有可添加的邊時(shí)，將剩余節(jié)點(diǎn)對(duì)應(yīng)點(diǎn)云全部配準(zhǔn)，至此完成優(yōu)化重建。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 硬件設(shè)備和數(shù)據(jù)獲取

利用深度相機(jī)伸入飛機(jī)中央翼油箱采集內(nèi)部信息，獲得帶有顏色信息的油箱內(nèi)部點(diǎn)云數(shù)據(jù)，這些片段點(diǎn)云數(shù)據(jù)將作為粗配準(zhǔn)的輸入。搭載深度相機(jī)的硬件結(jié)構(gòu)示意圖如圖4 所示。

圖4 硬件結(jié)構(gòu)Fig.4 Hardware structure

圖4 中深度相機(jī)在垂直方向的標(biāo)稱測(cè)量精度在0.1 mm 以內(nèi)。同時(shí)，采集到的點(diǎn)云數(shù)據(jù)兩點(diǎn)之間距離為0.286 mm（在焦距位置），工作范圍（即物體距相機(jī)的最遠(yuǎn)與最近距離）為458～1 118 mm。該硬件結(jié)構(gòu)可提供4 個(gè)方向的自由度，分別為三腳架的升降，伸縮桿的伸長(zhǎng)和縮短，伸縮桿繞三腳架z軸的旋轉(zhuǎn)，伸縮桿繞三腳架x軸的旋轉(zhuǎn)（即伸縮桿可以俯仰）。利用該結(jié)構(gòu)，可在飛機(jī)中央翼油箱內(nèi)部采集點(diǎn)云數(shù)據(jù)，并保證所有相鄰的兩幀數(shù)據(jù)之間都有部分重疊，以此滿足后續(xù)的點(diǎn)云配準(zhǔn)要求。

圖5 為實(shí)驗(yàn)中采集的某飛機(jī)中央翼油箱內(nèi)部多幀點(diǎn)云數(shù)據(jù)。圖6 為先后獲取的兩幀點(diǎn)云數(shù)據(jù)以及它們之間的重疊區(qū)域，兩幀的重疊區(qū)域在配準(zhǔn)后應(yīng)該重合在一起。

圖5 某飛機(jī)中央翼油箱多幀點(diǎn)云數(shù)據(jù)Fig.5 Multi-frame point cloud data of aircraft central wing fuel tank

圖6 兩幀點(diǎn)云數(shù)據(jù)以及重疊區(qū)域Fig.6 Point cloud data of two frames and overlapping areas

2.2 點(diǎn)云配準(zhǔn)實(shí)驗(yàn)結(jié)果

2.2.1 配準(zhǔn)結(jié)果對(duì)比

分別用Go ICP、經(jīng)典ICP 以及本文方法對(duì)深度相機(jī)采集的中央翼油箱內(nèi)部真實(shí)點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)，對(duì)實(shí)測(cè)數(shù)據(jù)的配準(zhǔn)結(jié)果對(duì)比如圖7 所示，與理論模型的均方根誤差量化結(jié)果如表1 所示。由圖7 可以看出基于本文方法配準(zhǔn)的視覺結(jié)果優(yōu)于Go-ICP 和經(jīng)典ICP 方法；由表1 可以看出基于本文方法配準(zhǔn)的結(jié)果相對(duì)于另兩種方法配準(zhǔn)的結(jié)果有較大提升。

圖7 真實(shí)數(shù)據(jù)配準(zhǔn)對(duì)比Fig.7 Comparison of real data registration

表1 配準(zhǔn)結(jié)果量化Table 1 Quantitative results of registration

2.2.2 配準(zhǔn)消融實(shí)驗(yàn)

為驗(yàn)證顏色量參數(shù)化對(duì)配準(zhǔn)效果的影響，將本文方法與無顏色信息方法在兩幀真實(shí)數(shù)據(jù)上進(jìn)行配準(zhǔn)結(jié)果對(duì)比，對(duì)比結(jié)果如圖8 所示。由圖8 可見，兩者在視覺效果上存在一定的偏差，無顏色信息的膠帽突起位置存在明顯偏差，這是由于對(duì)應(yīng)點(diǎn)集的點(diǎn)的差異和幾何相似區(qū)域的差異較小，而且缺乏顏色等其他信息支持進(jìn)一步分析導(dǎo)致的。這樣的最終重建結(jié)果不僅不準(zhǔn)確而且不穩(wěn)定。

圖8 消融實(shí)驗(yàn)結(jié)果Fig.8 Results of registration ablation experiment

如果使用顏色信息，配準(zhǔn)后顏色的差異也將成為配準(zhǔn)的重要指標(biāo)。相似區(qū)域的顏色差異，有助于判別相似區(qū)域，有利于相似區(qū)域更精確的配準(zhǔn)。因此，顏色信息在精配準(zhǔn)中極為重要，顏色信息參與的精確配準(zhǔn)能夠使最后的重建結(jié)果更加精確和穩(wěn)定。

2.3 三維重建結(jié)果對(duì)比

為驗(yàn)證本文三維重建的整體精度，實(shí)驗(yàn)中用深度相機(jī)采集了高精度制造的某中央翼油箱內(nèi)部的真實(shí)數(shù)據(jù)，分別用本文方法與多視配準(zhǔn)方法［41］進(jìn)行了重建，并以三維重建點(diǎn)云的點(diǎn)到理論模型的平均距離作為量化判定指標(biāo)，進(jìn)行了量化對(duì)比分析。

兩種方法對(duì)實(shí)測(cè)數(shù)據(jù)的重建結(jié)果如圖9 所示。實(shí)驗(yàn)對(duì)象存在顏色變化和幾何相似結(jié)構(gòu)，本文方法考慮了顏色和幾何信息，能夠精準(zhǔn)地重建三維點(diǎn)云，多視配準(zhǔn)方法則存在偏差。圖10 為本文方法重建結(jié)果和理論模型的誤差對(duì)比圖，從誤差分布中可以看出大部分點(diǎn)的誤差分布在±0.1 mm 以內(nèi)。表2 為兩種方法三維重建結(jié)果量化對(duì)比，其中本文方法三維重建點(diǎn)云的點(diǎn)到理論模型平均距離為0.095 mm，多視配準(zhǔn)方法為8.816 mm，本文方法的三維重建的誤差距離要遠(yuǎn)低于多視配準(zhǔn)方法的誤差，具有更高的三維重建精度。

3 應(yīng)用場(chǎng)景

圖9 真實(shí)數(shù)據(jù)三維重建結(jié)果對(duì)比Fig.9 Comparison of 3D reconstruction of real data

圖10 誤差對(duì)比圖Fig.10 Results of error comparison

表2 三維重建結(jié)果量化結(jié)果Table 2 Quantitative results of 3D reconstruction

飛機(jī)中央翼油箱密封裝配過程中，傳統(tǒng)依靠人工檢測(cè)的方法要檢查密封涂膠膠體三維尺度和形狀的符合性，對(duì)檢測(cè)人員主觀經(jīng)驗(yàn)的依賴性較高，而且測(cè)量精度也不理想，已經(jīng)難以應(yīng)對(duì)新一代飛機(jī)對(duì)油箱密封涂膠精度要求達(dá)0.15 mm 的需求。本文方法的重建精度可達(dá)0.1 mm，能夠提高檢測(cè)的魯棒性，滿足新的需求，適用于新一代飛機(jī)油箱密封涂膠膠體三維尺度和形狀的智能化檢測(cè)，主要應(yīng)用場(chǎng)景如下：

（1）利用重建后的模型對(duì)密封涂膠膠體三維尺度和形狀進(jìn)行分析，基于工藝規(guī)范確定的技術(shù)標(biāo)準(zhǔn)判定質(zhì)量缺陷并進(jìn)行直觀的標(biāo)示，同時(shí)主動(dòng)提請(qǐng)關(guān)注或處理。

（2）對(duì)密封劑膠帽的點(diǎn)云進(jìn)行單獨(dú)分割，繼而利用包圍盒技術(shù)、三維模型比對(duì)技術(shù)等，實(shí)現(xiàn)滿足不同測(cè)定需求的定量測(cè)量。

（3）中央翼是飛機(jī)主要承載結(jié)構(gòu)的一部分，飛機(jī)的裝配和使用過程中都可能會(huì)產(chǎn)生變形。通過對(duì)重建三維模型與理論數(shù)值模型的比較，可對(duì)密封膠的變形進(jìn)行分析，以便進(jìn)一步找出密封膠因結(jié)構(gòu)變形而失效的區(qū)域。

（4）可拓展用于對(duì)空間狹窄、開暢性不足的區(qū)域中的多余物，如工具、金屬碎片等的檢查和處理，以預(yù)防潛在的損壞風(fēng)險(xiǎn)。

4 結(jié)論

本文根據(jù)飛機(jī)中央翼油箱內(nèi)部涂膠質(zhì)量檢測(cè)需要，提出了一種基于深度相機(jī)的飛機(jī)中央翼油箱高精度三維重建方法，并基于理論分析和實(shí)驗(yàn)結(jié)果得到如下結(jié)論：

（1）本文方法能夠解決含有重疊區(qū)域的點(diǎn)云配準(zhǔn)的問題，可實(shí)現(xiàn)飛機(jī)中央翼油箱內(nèi)部的三維重建，可應(yīng)用于油箱內(nèi)部涂膠質(zhì)量檢測(cè)等。

（2）使用基于點(diǎn)對(duì)特征的粗配準(zhǔn)方法，能夠準(zhǔn)確提取出重疊區(qū)域點(diǎn)云特征，有效地獲取了精配準(zhǔn)的初始位置。

（3）結(jié)合點(diǎn)云顏色信息與幾何信息的優(yōu)化方法，使得精配準(zhǔn)算法的穩(wěn)定性得以提高。

（4）匹配迭代過程中對(duì)點(diǎn)云采用“由粗到精”的處理方式，提高了算法效率。