閱讀目錄

[1] Zong, Yulong, et al. An intelligent and automated 3D surface defect detection system for quantitative 3D estimation and feature classification of material surface defects. Optics and Lasers in Engineering 144 (2021): 106633.
[2] Jovan?evi?, Igor, et al. “3D point cloud analysis for detection and characterization of defects on airplane exterior surface.” Journal of Nondestructive Evaluation 36.4 (2017): 1-17.
[3] He, Yan, et al. “An Octree-Based Two-Step Method of Surface Defects Detection for Remanufacture.” International Journal of Precision Engineering and Manufacturing-Green Technology (2022): 1-16.
[4] Li, Xurui, et al. “Contour detection and salient feature line regularization for printed circuit board in point clouds based on geometric primitives.” Measurement 185 (2021): 109978.
[5] Cao, Xiaohui, et al. “Defect detection method for rail surface based on line-structured light.” Measurement 159 (2020): 107771.
[6] A Method for Automatic Surface Inspection Using a Model-Based 3D Descriptor

1. 3C相關

1.電路板輪廓檢測

1.1完成部件分割任務

首先對電路板進行濾波處理—計算法向量—雙邊法向量濾波—基于高斯的歐幾里得聚類（ECGM）
將濾波后的法向量進行高斯映射，轉到高斯球中。關于高斯映射參考 高斯映射

ECGM方法：計算點p臨近點（KD-tree得到），是否滿足以下條件：加入了距離條件和角度條件。

1.2 檢測PCB板的邊緣部分

將點P附近的查詢點進行投影，并將投影后的點和點P計算角度，將角度從小到大排序。
就算角度之間的差值存在>90,如果有，則說明為邊界；反之。

2. 其他缺陷

1. 文物修復 —文獻【1】

(一種智能、自動化的三維表面缺陷檢測系統，用于材料表面缺陷的定量三維估計和特征分類)

作者針對文物修復工作設計了一套3D缺陷檢測系統。

系統由兩個單色相機、一個彩色相機和一個投影儀組成。

作者首先采用彩色相機行缺陷檢測，檢測出缺陷部分，并對缺陷部分進行標記。

然后對雙目結構光相機采集數據進行匹配，完成對深度信息的提取。

建議圖像和點云的映射關系，完成在點云中缺陷部分的標記。

如何建立映射關系：圖像平面坐標系與世界坐標系的幾何關系取決于從三維空間到圖像的投影。根據相機標定計算出的投影矩陣，計算出彩色圖像與三維點之間的點像映射關系。

2.飛機表面缺陷 —參考文獻【2】

2.1 最小二乘法知識

可參考 最小二乘法理論 L2正則化
關于MLS移動最小二乘法演化過程：MLS演化過程
作者采用MLS 移動最小二乘法進行點云去噪處理。

2.2處理步驟

點云的法向量：
求區域點云的特征值和特征向量，將點云最小的特征值對應的特征向量當作法向量。
點云的曲率
取計算后的最小的三個特征值

如何發現缺陷區域：
將原始點云進行MLS，數據平滑；計算點云的法向量和曲率；利用類似區域生長的方法進行判斷缺陷區域。
先選取種子點，然后計算種子點附近的法向量。如果法向量<閾值,將新計算的法向量納入到種子點區域。
評估缺陷的信息
先將原始點云進行投影，將3D信息—>2D信息。
采用加權最小二乘法進行3D點重建。（重建后的點云平面光滑）
比較原始點云和缺陷點云之間的關系，進而評估缺陷的具體信息。

3.八叉樹—表面缺陷檢測方法

3.1檢測的基本流程

4 鋼軌表面缺陷檢測

4.1檢測流程

采集點云數據—去點云數據的（X,Z）平面數據，對數據進行擬合；
作者針對鋼軌表面采用的二次曲線擬合。衡量擬合效果：殘差置信區間。
作者將點云數據，假設有27個點。選取點 2，10，19。利用這三個點進行數據擬合；下次選取3，11，20這三個點進行數據擬合。擬合完的數據和原始數據做差值計算。計算出可疑點，計算方法為
P=n1/epoch.其中n1為記錄為缺陷的點數，epoch為迭代擬合的輪次。當P大于設定的閾值，則認為該點處為缺陷區域。

5 MPFH描述符下的表面缺陷檢測

MPFH獲取描述符的步驟：

首先采用J-linkage層次聚類方法完成對點云的模型分類，將分類模型記為,M。
借助周圍鄰域的點，計算點P的描述符：


采用上述描述符即可完成對缺陷的檢測。
如何將特征放到特征直方圖內：
個人理解如下：首先將某個特則分割為n份，比如某個特征最大為1，最小為0.我們可以分為5份[0-1]，計算點Pn和臨近點Pt（假設有M個）的特征，統計計算后的特征落在劃分區間的個數。完成特征直方圖的繪制。

上述圖片為無缺陷和空洞缺陷在各個模型M中的占比。

3D-2D的投影

總結

以上是生活随笔為你收集整理的3D缺陷检测---小论文的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。