【摘要】：在現(xiàn)代世界,制造業(yè)是各國工業(yè)和經(jīng)濟中最重要的組成部分之一。制造業(yè)的發(fā)展也體現(xiàn)在我們?nèi)粘Ｉ罡鞣矫娴陌l(fā)展。尤其是在過去的幾十年中,這種發(fā)展是可以看到的。然而,隨著制造業(yè)的快速發(fā)展,我們這個地球上的自然資源越來越少,而且制造業(yè)的產(chǎn)品在其使用壽命結(jié)束后也變成了對環(huán)境有害的廢棄物。為改變這種狀況,世界各國相繼提出了循環(huán)經(jīng)濟生產(chǎn)模式。循環(huán)經(jīng)濟是一種再生系統(tǒng),在這一系統(tǒng)中,通過能源和材料循環(huán),可以最大限度地減少資源輸入和浪費、排放和能源泄漏,這可以通過全生命周期的設(shè)計、維護、維修、再利用、再制造、回收和升級循環(huán)來實現(xiàn)。這與線性經(jīng)濟形成鮮明對比,線性經(jīng)濟是一種“采取、制造、處置”的生產(chǎn)模式。作為循環(huán)經(jīng)濟的支柱,再制造的重要性近年來不斷提高。因此,這一領(lǐng)域的研究工作在過去十年中顯著增加。再制造是“利用重復(fù)使用、修理和新零件的組合,將產(chǎn)品重新制造到原始制造產(chǎn)品的規(guī)格”。它需要修理磨損或失效的部件和模塊,更換會影響整體性能或預(yù)期壽命的退化部件。再制造是產(chǎn)品回收過程的一種形式,其完整性不同于其他回收過程:再制造的機器應(yīng)與新機器符合相同的客戶期望。再制造是綠色制造過程和循環(huán)經(jīng)濟“4R”(減量化、再利用、循環(huán)利用和再制造)的一部分。使用中的機械零件通常承受不同的載荷、應(yīng)力和摩擦,這可能導(dǎo)致磨損或損傷。損傷類型有很多種,如裂紋、磨損、侵蝕、氣蝕、斷裂、變形等。用新零件更換損傷的零件會導(dǎo)致成本增加和資源浪費,特別是對于某些復(fù)雜的精密零件。從經(jīng)濟和時間方面來看,再制造損傷零件比更換新零件更好。再制造過程的主要階段是核心部件的拆卸、清潔和檢查,然后這些核心部件在重新組裝成最終的再制造產(chǎn)品并進行測試以確保質(zhì)量之前,經(jīng)過一系列的再調(diào)整操作。在這些階段中,損傷檢測是決定零件再制造精度和效率的關(guān)鍵環(huán)節(jié)。目前,人們已經(jīng)開發(fā)了許多不同的損傷檢測技術(shù),如人工檢測、基于振動的損傷檢測、三維激光掃描、基于圖像的損傷檢測等等。然而,這些技術(shù)有其自身的缺點。手工檢驗是勞動密集、成本高、不準(zhǔn)確的,其結(jié)果必然取決于檢驗人員的技能水平�；谡駝拥膿p傷檢測方法一般只適用于機械零件的操作,因為這種方法需要損傷零件的運動來收集數(shù)據(jù)。三維激光掃描方法雖能獲得良好的效果,但對于大尺寸物體來說,它是一種耗時且不十分方便的方法。此外,點云中的噪聲和缺失可能導(dǎo)致更多的錯誤信息。本文將研究基于二維攝像機圖像的損傷檢測,以便能夠快速、有效地檢測損傷區(qū)域和邊界,從而找到損傷區(qū)域的精確位置,并建立損傷對象的三維模型,以便于進一步再制造。該方法包括三個主要步驟:圖像匹配方法、損傷區(qū)域和邊界檢測方法以及三維模型創(chuàng)建和編輯方法。1)基于邊界點的圖像匹配方法在開始圖像匹配之前,我們需要準(zhǔn)備一個對象的三維模型并獲得二維視圖數(shù)據(jù)集。在本研究中,為了制備損傷的3D模型,首先需要制備損傷物體的原始(未損傷)3D模型。所以我們需要獲取一個物體的尺寸和尺寸,當(dāng)然,很多機械零件都有它們的標(biāo)準(zhǔn)尺寸,這些尺寸寫在特定的目錄和文檔中。不同的三維設(shè)計工程師使用solidworks、catia、autodesk等三維建模軟件,不同的建模軟件建立不同的文件格式,如*.sldprt、*.catpart、*.3ds等,也可以導(dǎo)出不同格式的文件,如*.stl、*.obj、*.wrl等,文件格式可以是im。移植到Matlab等數(shù)值計算軟件中。本文采用SolidWorks軟件編制模型,導(dǎo)出STL文件格式,用于Matlab中,并用Matlab軟件進行了計算。從三維模型中提取二維視圖。三維模型以一個視點放置在三維空間中。視點的位置決定軸的方向。視點以方位角和仰角來指定。方位角是圍繞z軸的水平旋轉(zhuǎn),從負y軸測量角度。高程是圍繞Y軸的垂直旋轉(zhuǎn),從負Z軸測量角度。方位角是x-y平面上的極角,仰角是x-y平面上下的角度。為了獲得二維視圖,3D模型被放置在繪圖框的中心。當(dāng)視點從0度開始改變方位角和仰角5度后。首先,零度方位角和仰角由0度變?yōu)?80度,從視點位置獲取各位置圖像。我們總共得到37幅圖像,然后我們將方位角改變5度,仰角又從0度改變到180度,我們再次得到37幅圖像。對方位角進行重復(fù)處理,直到其值達到180度,我們的數(shù)據(jù)集總共得到37x37=1369張圖像。但是,取決于三維模型的方位角和仰角量會發(fā)生變化。所有二維視圖都以可移植網(wǎng)絡(luò)圖形(PNG)文件格式保存。當(dāng)然,方位角和仰角的范圍可以從0度改變到360度,而且兩個方位角或仰角值之間的間隔可以更小或更大。在我的研究案例中,由于物體的特殊結(jié)構(gòu),比如矩形和圓形的范圍是從0度到180度。在準(zhǔn)備好二維視圖數(shù)據(jù)庫后,可以開始圖像匹配。圖像匹配可以定義為使兩個圖像幾何上一致,從而使兩個圖像中的相應(yīng)像素對應(yīng)于被成像場景的相同物理區(qū)域的過程。本研究提出的影像匹配方法,主要是尋找兩個參考點,從這兩個參考點中選取最近和最遠的四個點,并計算這四個影像點的坐標(biāo)差和參考點到最近和最遠點的距離差,以尋找影像匹配,包括下列步驟:步驟1:圖像分割和圖像二值化首先,在獲取圖像對象和背景顏色時,需要選擇相對的顏色,如黑白和背景顏色,選擇單色,以便根據(jù)不同的顏色空間進行分割。眾所周知,每種顏色都可以用RGB格式表示,所以當(dāng)背景值和對象值之間存在較大差異時,可以通過查看它們來進行分割。分割完成后,背景區(qū)域變?yōu)楹谏臻g,圖像二值化應(yīng)用于對象變?yōu)榘咨蚱湎袼刂底優(yōu)?,背景變?yōu)楹谏蚱湎袼刂底優(yōu)?的情況。在二維視圖的情況下,二值化可以直接進行,而無需分割,因為完美的背景和對象在二維視圖。為了將圖像轉(zhuǎn)換成需要轉(zhuǎn)換成灰度的二值RGB圖像,需要在保持亮度的同時,去除圖像的色調(diào)和飽和度信息。采用OTSU方法對圖像進行二值化,選擇閾值使黑白像素的類內(nèi)方差最小化。步驟2:將二維視圖重新縮放為采集的圖像因為在采集的圖像和二維視圖上,對象有不同的大小,并且由于采集的圖像和二維視圖的大小不同,需要重新縮放。要實現(xiàn)這一點,需要計算橢圓的長軸長度和短軸長度,該橢圓具有與作為標(biāo)量返回的區(qū)域相同的標(biāo)準(zhǔn)化第二中心矩。第二個矩成為協(xié)方差矩陣k。實際上,這里將多元正態(tài)分布擬合到數(shù)據(jù)上,協(xié)方差矩陣確定了該分布的形狀,多元正態(tài)分布的輪廓線是以平均值為中心的橢圓。橢圓軸線的方向和長度由協(xié)方差矩陣的特征向量和特征值給出。在計算獲得的圖像和二維視圖的軸長后,我們可以通過s=Maac+Miac/Mavw+Mivw其中,Maaac為采集圖像的長軸長度,,Miac為采集圖像的短軸長度,“Mavw為二維視圖的長軸長度,Mivw為二維視圖的短軸長度,S為比例。所以在它之后,我們用S值重新縮放二維視圖。步驟3:選擇參考點需要選擇四個參考點,兩個點在采集的圖像上,兩個點在二維視圖上,對于采集的圖像,最好選擇角等點。在這種情況下,在圖像的左上角選擇了一個點,在圖像的右上角選擇了另一個點。對于二維視圖,選定的一個點采集圖像,第二個點將與采集圖像的第二個點(右上角)相同。由于圖像的坐標(biāo)相同,即使第二個點在圖像上,下一步計算也不會有任何問題。此外,圖像或像素索引行的坐標(biāo)系也會增加下降,而列向右增加,像素索引整數(shù)值。原點的像素索引為1和1。步驟4:檢測最近點在這一步中,將計算到所采集圖像和二維視圖的第一個參考點的最近點。為了實現(xiàn)這一點,我們需要檢測圖像邊緣的所有點,或者簡單地計算兩幅圖像的二值圖像邊界。此邊界是對象和圖像背景之間的外部邊界。所以邊界計算為像素坐標(biāo)數(shù)組。為了找到與第一個參考點最近的點,參考點與邊界上點之間的最小距離按以下公式計算:其中D為第一參考點與邊界點之間的距離,Rc和Rr分別為第一參考點的列和行索引,Bc和Br為邊界點的列和行索引。在研究案例中,兩個圖像的第一個參考點是原點,因此方程變?yōu)樵谟嬎銋⒖键c和邊界之間的所有距離后,最小距離將顯示與參考圖像最近的點。步驟5:覆蓋最近點疊加兩個圖像的最近點就是將一個點移動到另一個點。在這里,二維視圖的最近點正朝著獲取圖像的最近點移動。最近的點需要移動一段距離,顯示兩個點的列和行之間的差異。假設(shè)dx是列中的差,dy是行中的差。二值圖像可以用mxn矩陣表示,其中m是像素行數(shù),n是像素列數(shù)。因此,要將二維視圖的最近點移動到采集的圖像的最近點,需要將二維視圖圖像作為矩陣按dx在列中移動,按dy在行中移動。步驟6:尋找最近和最遠的點在得到第5步的新圖像后,參考點仍然相同。此步驟與步驟4類似。唯一的區(qū)別是所有兩個參考點都用于采集圖像和二維視圖。最小值D表示最近點,最大值D表示最遠點。所以我們得到了8個距離:D1是根據(jù)第一個參考點獲得的圖像上的最近距離,D2是根據(jù)第一個參考點獲得的圖像上的最大距離,D3是根據(jù)第二個參考點獲得的圖像上的最近距離,D4是根據(jù)第二個參考點獲得的圖像上的最大距離,D5是根據(jù)第一個參考點在二維視圖上最接近的距離,D6是所獲取的二維到第一個參考點的最大距離,D7是根據(jù)第二個參考點在二維視圖上的最近距離,D8是根據(jù)第二個參考點在二維視圖上的最大距離。分別指向該點P1、P2、P3、P4、P5、P6、P7、P8。然而,距離D1= D5,點P1=P5,因為第五步。步驟7:距離和坐標(biāo)差在這一步中,計算所采集圖像和二維視圖的距離和坐標(biāo)差。因此,從第一個參考點到最近點的距離差基本上是dD1=|D1-D5| =0,,從第一個參考點到最遠點的距離差是dD2=|D2-D6|,從第二個參考點到最近點的距離差是dD3=|D3-D7|,從第一個參考點到最遠點的距離差是dD4=|D4-D8|。點的坐標(biāo)差計算為這些點之間的距離差。步驟8:找出最小差異以上步驟對所有二維視圖重復(fù),這意味著所采集的圖像與每個二維視圖按照步驟1到7進行匹配。然后創(chuàng)建七組不同的差異(每個匹配過程的第一個差異等于零)。在它之后,這個集合從最小到最大排序,當(dāng)然索引也改變了它的位置,然后在這七個集合中,我們找到了在所有索引中首先重復(fù)的索引,這樣它將顯示這個圖像的所有七個距離都小于另一個圖像的距離,并且這個圖像將成為最佳匹配。(2)基于光差水平的損傷檢測研究損傷檢測是再制造過程中損傷檢測階段的重要組成部分。損傷檢測方法有很多種。本研究采用基于圖像的損傷檢測案例。然而,在開始損傷檢測之前,需要對圖像進行預(yù)處理。損傷檢測方法在本研究中,高度依賴于圖像預(yù)處理,主要通過形態(tài)學(xué)開窗操作來檢測二維圖像的光強差。通過應(yīng)用形態(tài)學(xué)開孔,對不均勻光照進行了校正。校正光照損傷區(qū)域和未損傷區(qū)域后,光照強度變差,通過二值化圖像可以檢測出損傷區(qū)域。步驟1:圖像分割和灰度圖像此步驟與第章的步驟1類似,這里使用相同的采集圖像,通過相同的操作分割和轉(zhuǎn)換灰度。步驟2:形態(tài)開放手術(shù)在這幅圖像上,損傷區(qū)域是前景,未損傷區(qū)域是背景。圖像中物體的光照也存在差異,為了糾正不均勻光照,采用了形態(tài)開口。形態(tài)開度是結(jié)構(gòu)單元B對A集的擴張和侵蝕,AoB=(A(?)B)(?)B,其中(?)和(?)分別表示侵蝕和擴張。該開口作為去除形態(tài)噪聲的基本工具,在計算機視覺和圖像處理中發(fā)揮著重要作用。打開會從前景中刪除小對象,通常作為圖像的亮像素,并將其置于背景中。這種技術(shù)也可以用來在圖像中找到特定的形狀。開放可以用來找到特定的結(jié)構(gòu)元素可以適合的東西。它可以被認(rèn)為是B掃過A的邊界內(nèi)部,這樣它就不會延伸到邊界之外,并在元素邊界周圍形成A邊界。如前所述,選擇對象的未損傷區(qū)域作為背景。一般來說,即使在可能的最佳條件下,圖像的照明也不可能是均勻的。因此,為了校正圖像的光照,在本研究中,應(yīng)用了上述形態(tài)開口的未損傷表面或背景的光照。為了使背景照明更均勻,需要創(chuàng)建一個背景近似值作為單獨的圖像,然后從圖像中減去該近似值。作為創(chuàng)建背景近似圖像的第一步,使用形態(tài)開口移除整個前景。打開具有刪除不能完全包含結(jié)構(gòu)元素的對象的效果。要從圖像中刪除損傷區(qū)域,必須調(diào)整結(jié)構(gòu)元素的大小,使其不能完全適合單個損傷區(qū)域。步驟3:從初始圖像中減去背景近似圖像由于已知圖像是以矩陣形式表示的,所以從初始圖像中減去背景近似圖像就是兩個相同尺寸矩陣的相減運算。步驟4:圖像調(diào)整在減法運算后獲得的一幅新圖像中,為了使圖像更清晰、更準(zhǔn)確地看到背景和前景之間的差別,需要增加對比度。它也有助于生成二進制圖像。在圖像中,底部1%和頂部1%是飽和的。步驟5:二值化和噪聲消除經(jīng)過飽和度調(diào)整后的圖像需要傳輸?shù)蕉祱D像。采用Otsu方法對圖像進行二值化,選擇閾值使黑白像素的類內(nèi)方差最小化。圖像二值化完成后,二值圖像上的背景會變黑,前景會變白,如前所述,前景會被破壞區(qū)域,但也因為不可能產(chǎn)生完全完美的照明,二值圖像上的一些小區(qū)域也會變白,產(chǎn)生所謂的噪音。當(dāng)損傷區(qū)域邊界形成以后,這些噪聲將成為障礙物,需要去除。通過選取最大噪聲大小的像素的閾值進行噪聲去除,然后從二值圖像中去除所有小于閾值像素的連接分量,生成新的二值圖像,不產(chǎn)生任何噪聲,只產(chǎn)生損傷區(qū)域。此外,在檢測到損傷區(qū)域后,它們的邊界可以被視為非直線,而是鋸齒形,這將導(dǎo)致?lián)p傷區(qū)域再制造更困難的方式,將邊界線改為更方便的形式,在損傷區(qū)域上采用圓盤近似的形態(tài)閉合操作。盤形結(jié)構(gòu)元素根據(jù)損傷區(qū)域邊緣的大小手動指定半徑。形態(tài)閉合是由結(jié)構(gòu)元素B對二值圖像A的侵蝕和膨脹,其中AoB=(A(?)B)(?)B此處(?)和(?)分別表示膨脹和侵蝕。經(jīng)過圖像預(yù)處理,建立損傷區(qū)域的三維模型,重建損傷的三維模型,損傷區(qū)域及其邊界是必要的。損傷區(qū)域檢測與其邊界檢測方法有關(guān)。檢測邊界的方法與第三章中描述的方法相同,這里將更詳細地描述。預(yù)處理后圖像上的損傷區(qū)域是與圖像背景無關(guān)的白色區(qū)域,這意味著損傷區(qū)域是與圖像的一般背景分離的區(qū)域,即除損傷對象外的背景。黑色區(qū)域已經(jīng)顯示出未損傷的區(qū)域,這些區(qū)域是分開的,但由于它們的大小非常小,因此它們被視為噪音。與圖像背景相連的物體上的區(qū)域意味著它們具有與背景相同的亮度,以及與背景分離的區(qū)域,其亮度與圖像的其他部分不同。在二值圖像中,在去除噪聲和校正邊界形狀后,需要檢測出損傷區(qū)域的邊界�；诙祱D像中前景區(qū)域和白色區(qū)域之間的差異進行邊界檢測和提取,在本研究中,它是圖像的損傷區(qū)域和背景或黑色區(qū)域,在本研究中,它是未損傷區(qū)域和其他區(qū)域。利用MATLAB實現(xiàn)了雅各布停止準(zhǔn)則修正的摩爾鄰域跟蹤算法,實現(xiàn)了邊界檢測。摩爾鄰域是一個二維方格,由一個中心單元和圍繞它的八個單元組成。給定一個數(shù)字圖案,背景上的一組白色像素位于黑色像素上,找到一個白色像素并將其聲明為起始像素。定位起始像素可以通過多種方式完成,例如從左上角開始,從上到下掃描每一列,從最左邊的列開始,然后向右移動,直到遇到白色像素。摩爾鄰域跟蹤算法在特定方向(順時針或逆時針)搜索當(dāng)前邊界像素的摩爾鄰域,直到找到一個白色像素。然后它聲明像素作為當(dāng)前邊界像素,并像以前一樣繼續(xù)。這意味著當(dāng)前邊界像素成為新的起始像素。采用雅各布停止準(zhǔn)則終止算法。雅各布斯的停止準(zhǔn)則要求,當(dāng)算法在第一次訪問開始像素的相同方向上第二次訪問開始像素時,算法終止。整個過程從檢測起點到算法結(jié)束,在圖像中再次重復(fù),尋找與第一個區(qū)域分離的區(qū)域,直到圖像上不再有起點,即所有區(qū)域邊界都被跟蹤。3)損傷零件三維模型重建方法在開始重建損傷的三維模型之前,需要提取損傷區(qū)域邊界和重建損傷區(qū)域邊界。損傷區(qū)域的邊界需要重建為三維模型,但從圖像只能獲取二維數(shù)據(jù),邊界只能繪制為二維圖,損傷區(qū)域邊界的三維或深度是手工選擇的,由于這些損傷是表面損傷,所以選擇的深度值不是很大。提取損傷區(qū)域的邊界,并將其存儲在少量的mx2矩陣中。在這些矩陣中,第一列是y,第二列是x坐標(biāo),同時由于圖像的坐標(biāo)系不同,需要從所獲取圖像大小的行值中減去y坐標(biāo),得到一個圖。為了在圖像上建立損傷物體的三維模型,首先基于損傷區(qū)域的邊界坐標(biāo)建立二維圖。如前所述,因為從圖像中只能提取二維數(shù)據(jù)來創(chuàng)建三維視圖,所以Z方向值是手動選擇的,且該值不大,而且Z方向值是常量。這里是作為一個單位。創(chuàng)建兩個二維圖,其中x和y值取自邊界,而z值取自1和0。之后,這兩個二維圖需要連接起來,就像在它們之間創(chuàng)建一個曲面一樣。為了將三維模型重構(gòu)為損傷模型,需要將三維模型放置在獲取圖像的位置,以檢測正確的表面,并在其表面上創(chuàng)建損傷區(qū)域。將使用與采集圖像相匹配的二維視圖。如前所述,二維視圖的提取是按照先方位角變化5度的順序進行的,然后根據(jù)從1到提取結(jié)束的索引,將高程和二維視圖保存下來,以幫助找到正確的表面。在本研究案例中,實驗僅使用58個二維視圖,因為使用的零件的特定形狀,前視圖是圓形的,從頂部或左側(cè)看,它看起來像矩形的,所以通過采取固定的方位角,90度,只有5個仰角從-90度變?yōu)?度,然后改變方位角值,180度,5個仰角從0度變?yōu)?0度。ee,在恒定高度-180度的情況下,方位角從0度改為-90度。第三章通過尋找最佳匹配的二維視圖也找到了它的索引,并利用該索引找到了方位角和仰角值,在這種情況下,索引值為15,在方位角為90,仰角為-90+5*15=-15的情況下。根據(jù)它放置零件。三維繪圖和三維模型的邊界尺寸不同,其原因在于邊界是從一個既有對象又有背景的圖像中得到的,因此對象位置不是從原點開始的。但是,三維模型的位置是從一個原點開始的,這會導(dǎo)致?lián)p傷邊界和三維模型的實際位置不同,并且由于圖像上對象的大小與三維模型的大小不同,繪制邊界的大小和需要的邊界也不同。由于三維模型坐標(biāo)系的存在,邊界坐標(biāo)也隨之發(fā)生變化,即X→Z、Y→X、、Z→Y。要重新調(diào)整邊界的大小,需要二維視圖對象的大小。首先將匹配的二維圖像轉(zhuǎn)換為二值圖像。在二進制圖像中,對象變?yōu)榘咨蚱渲底優(yōu)橐?對象的背景變?yōu)楹谏蚱渲底優(yōu)?。二值圖像成為一個包含一個元素和零個元素的MXN矩陣。其次,需要找到矩陣的所有非零元素下標(biāo),并將其保存為行下標(biāo)和列下標(biāo)。第三,求出行和列的最小和最大下標(biāo)。最后,這四個點創(chuàng)建矩形,然后根據(jù)這個矩形裁剪圖像,創(chuàng)建新的裁剪圖像,使其邊界穿過這四個點。圖像裁剪后,其大小、行和列將重新計算。然后將三維模型的行劃分為裁剪圖像的行,將三維視圖的列劃分為裁剪圖像的列,并獲取重新縮放值。將損傷區(qū)域邊界的三維圖的Y值和Z值相乘,得到新的Y值和Z值,并繪制新的圖。裁切后的二維視圖與裁切前的坐標(biāo)系不同,因此需要將損傷區(qū)域邊界從原始二維視圖重新定位到裁切后的圖像。它類似于移動坐標(biāo)。因此,首先需要找出一個差異,通過這個差異,行在修剪前后發(fā)生了移動。要做到這一點,從最小列的下標(biāo)減去1,從最小行的下標(biāo)也減去1。減去1而不是0是因為在圖像坐標(biāo)或像素索引中,從1開始。然后分別從損傷邊界的行和列中減去這些差異。然而,重新定位是在二維視圖上完成的,在應(yīng)用于繪制的三維邊界之前,需要做一些小的修正。對于Y方向或列,沒有問題,但是由于Z方向或行中的圖像具有不同的坐標(biāo),為了重新定位邊界需要計算的差異有一點。從最大行數(shù)減去最大下標(biāo),然后從三維打印行中減去差,或從Z中減去差,以重新定位繪制的三維邊界。然而,在減去之前,這些差異也需要重新調(diào)整。根據(jù)采集的圖像定位物體的三維模型后,可以開始繪制邊界的三維模型并重新縮放和定位,重建損傷的三維模型。從物體的三維模型中減去三維邊界模型,重建損傷的三維模型。減法運算是在兩個三維模型的坐標(biāo)點之間進行的,因為數(shù)據(jù)插值的大小存在差異。三維損傷區(qū)域邊界的坐標(biāo)數(shù)據(jù)或X數(shù)據(jù)、Y數(shù)據(jù)、Z數(shù)據(jù)與用于創(chuàng)建邊界三維繪圖但重新縮放和重新定位后的點相同。這些點以矩陣mx2的形式保存,m是創(chuàng)建繪圖形狀的點,2是因為三維是由連接的兩個繪圖創(chuàng)建的。對于對象x的三維模型,y和z坐標(biāo)數(shù)據(jù)點以3xn矩陣的矩陣形式保存。原因是X數(shù)據(jù)、Y數(shù)據(jù)和Z數(shù)據(jù)表示模型的單個面或表示此面的頂點。對象的三維模型是一個STL文件。STL文件描述了一個原始的,非結(jié)構(gòu)化的三角曲面,由單位法向和頂點的三角形使用三維笛卡爾坐標(biāo)系。因為STL文件有三角形面,所以它有三個頂點,所以數(shù)據(jù)以3xn矩陣的形式保存,其中n是面數(shù)。這兩個三維模型可以描述為創(chuàng)建某種形式的多個點。減法運算只在一個方向上進行,但兩個模型的X數(shù)據(jù)尺寸不同,需要插值。由于繪制了邊界的三維模型,因此在Y和Z定義的Y-Z平面上方的高度值(x)中,X值是恒定的,實際上i與Y和Z沒有任何關(guān)系,因此插值成為二維插值。根據(jù)物體三維模型的X點數(shù)據(jù)進行插值。本研究采用整體自然鄰域內(nèi)插法。該方法基于離散空間點集的Voro.noi細分。在Y中插入三維邊界后,Z尺寸或其形狀沒有改變,只是在X方向或其深度值上,矩陣尺寸改變?yōu)榕c對象三維模型的X尺寸相同的尺寸。新的邊界X維矩陣的尺寸為3xn,但由于其Y、Z維矩陣的尺寸比一個三維模型小,許多矩陣元素都等于零,這就導(dǎo)致了對一個物體的三維模型進行減法運算而不改變。從物體的三維模型中減去不等于零的邊界的X維矩陣的值,將導(dǎo)致改變?nèi)S模型的X維,并創(chuàng)建三維模型的損傷區(qū)域。最后利用損傷的三維繪圖建立了損傷的STL模型。 【學(xué)位授予單位】：中國礦業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP391.41;TH161.14

【圖文】：

Deformation, in material science, refers to any changes in size or shape of anobject due to an applied force or a change in temperature. The applied force case canbe a result of compressive forces, tensile forces, bending, shear or torsion. In a changein temperature case, the most significant factor, which is determined by thetemperature, is the mobility of the structural defects such as grain boundaries, pointvacancies, line and screw dislocations, stacking faults and twins in both crystallineand non-crystalline solids. Deformation is often describes as strain. As deformationoccurs, internal inter-molecular forces arise that oppose the applied force. If theapplied force is not too great, these forces may be sufficient to completely resist theapplied force and allow the object to assume a new equilibrium state and to return toits original state when the load is removed. A larger applied force may lead to apermanent deformation of the object or even to its structural failure.In this paper different kind of damage cases will be studied, such as cracks,scratch, bent, corrosion failure.

listed on table 2-2, was installed on tripod. All images were acquired with maximumresolution (1624x1224) and using Computar M2514-MP2 lens with properties listein table 2-2. Experimental setup is shown on Figure 3-4.Table 2-2 Properties of Camera and Lens表 2-2 攝像機和鏡頭特性CameraCategoryProperties Lens Category PropertiesResolution 1624*1224 Focal Length 25 mmMegapixels 2.0 MP Max. Aperture Ratio 1:1.4Frame Rate 30 FPS Max. Image Format8.8mm x 6.6 mm(φ11 mm)Chroma Color Iris Range and ControlF 1.4 - F 1.6C,manualSensor NameSonyICX274Focus Range and Control 0.3m-Inf., manualSensor Type CCDFront Effective LensApertureφ 17.8 mmSensor Format 1/1.8''Rear Effective LensApertureφ 12.0 mmPixel Size 4.4 μm Filter Size M 30.5 P=0.5 mm

【相似文獻】

相關(guān)期刊論文 前10條

1 侯洪生;閆冠;谷艷華;;由二維視圖復(fù)原三維立體的新方法[J];工程圖學(xué)學(xué)報;2011年03期

2 ;從二維視圖到三維實體的有力工具──Helix[J];計算機輔助設(shè)計與制造;1999年04期

3 高瑋,彭群生;基于二維視圖特征的三維重建[J];計算機學(xué)報;1999年05期

4 武竹英;基于三維模型直接生成二維視圖的方法研究[J];南京工程學(xué)院學(xué)報(自然科學(xué)版);2003年01期

5 朱仁芝;劉磊;;關(guān)于由二維視圖重建三維形體算法的若干問題[J];計算機科學(xué);1998年03期

6 袁美榮;;由三維圖生成二維視圖的新探討[J];科技資訊;2014年29期

7 羅紅萍;許淑慧;;AutoCAD環(huán)境中立體圖轉(zhuǎn)化為三視圖的方法研究[J];機械工程與自動化;2011年02期

8 彭凱;劉書桂;張雪飛;;基于旋轉(zhuǎn)工件輪廓智能輸入系統(tǒng)二維視圖的三維重構(gòu)技術(shù)[J];納米技術(shù)與精密工程;2008年02期

9 徐根達,姜繁智;AutoCAD中圖紙空間的尺寸標(biāo)注[J];武漢科技大學(xué)學(xué)報(自然科學(xué)版);2003年01期

10 劉曉婷,姬連俊;基于特征的二維視圖描述參數(shù)化建庫方法研究[J];西北建筑工程學(xué)院學(xué)報(自然科學(xué)版);1999年04期

相關(guān)會議論文 前3條

1 黃艷華;孫文磊;;二維視圖特征自動識別的新途徑[A];先進制造技術(shù)論壇暨第二屆制造業(yè)自動化與信息化技術(shù)交流會論文集[C];2003年

2 喬海軍;;三維設(shè)計在有色冶金設(shè)計中的應(yīng)用[A];第十五屆全國現(xiàn)代結(jié)構(gòu)工程學(xué)術(shù)研討會論文集[C];2015年

3 祁燕;王琰;;基于拉伸構(gòu)造的工程圖三維重建[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

相關(guān)重要報紙文章 前1條

1 江蘇 王志軍;實用CAD小工具三款[N];電腦報;2001年

相關(guān)碩士學(xué)位論文 前10條

1 米拉姆;基于機器視覺的機械零件表面損傷檢測研究[D];中國礦業(yè)大學(xué);2019年

2 孫曉雯;支持用戶參與的三維室內(nèi)虛擬場景協(xié)同設(shè)計方法研究[D];山東大學(xué);2018年

3 葉寧寧;從二維視圖重建三維實體中假元刪除與決策求解方法研究[D];湖南大學(xué);2006年

4 黃艷華;基于二維工程圖的三維實體重構(gòu)[D];新疆大學(xué);2003年

5 侯亮;基于特征識別的三維重建方法研究[D];沈陽理工大學(xué);2008年

6 楊培鑫;基于二維視圖的加工中心自動編程系統(tǒng)的研究[D];大連理工大學(xué);2004年

7 郭鑫蕾;基于AutoCAD的工程制圖教學(xué)系統(tǒng)的開發(fā)研究[D];太原理工大學(xué);2015年

8 孫亞楠;基于二維視圖的三維模型幾何相似性評價方法研究[D];山東農(nóng)業(yè)大學(xué);2015年

9 陳沖;基于二維視圖信息的三維實體重建方法研究[D];河南理工大學(xué);2010年

10 雷迪;基于雙向法的鈑金件三視圖三維重建[D];武漢大學(xué);2005年

，

本文編號：2711939