基于AdaBoost集成学习的航空铆钉齐平度检测方法、装置及系统

基于adaboost集成学习的航空铆钉齐平度检测方法、装置及系统
技术领域
1.本发明涉及飞机铆钉数字化检测的技术领域，具体而言涉及一种基于adaboost集成学习的航空铆钉齐平度检测方法、装置及系统。


背景技术：

2.在飞机制造过程中，铆接是一项关键的工艺，用于将不同部件或结构元素牢固连接在一起。然而，由于制造和装配的复杂性，飞机铆接中可能存在铆钉的齐平度问题。铆钉的齐平度指的是铆接表面与铆钉头之间的平面度或垂直度差异。这对飞机的气动外形和性能有着重要的影响。目前，飞机蒙皮上的铆钉数量众多，使用传统人工方法进行检测效率低、可靠性低，并且无法实现定量检测，过于依赖经验。虽然基于图像处理的方法可以识别铆钉，但图像缺乏三维信息，无法进行齐平度的检测。
3.三维激光扫描技术可以高效获取飞机蒙皮表面的三维信息，具有高精度和准确反映真实形状的优势。然而，由于蒙皮表面的铆钉点与非铆钉点之间的差异微小，传统的点云分割算法难以有效区分铆钉区域，从而进行齐平度的计算。因此，本研究旨在针对飞机蒙皮表面的铆钉齐平度定量检测问题；因此，本发明提出了一种基于数字孪生的装配间隙实时测量方法来解决以上问题。


技术实现要素：

4.为解决上述问题，提出一种基于adaboost集成学习的航空铆钉齐平度检测方法、装置及系统，旨在解决传统的点云分割算法对蒙皮表面的铆钉点与非铆钉点之间的微小差异难以有效区分铆钉区域，从而进行齐平度的计算的问题；本发明基于adaboost集成学习算法，使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量，提高飞机性能。
5.为达成上述目的，本发明提供如下技术方案：本发明提出的一种基于adaboost集成学习的航空铆钉齐平度检测方法，包括以下步骤：s1、获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；s2、基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；s3、获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；s4、将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；s5、对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果。
6.进一步地，步骤s1中获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征，具体包括以下步骤：s11、对训练集的第i个点使用kd-tree进行临近点查询；s12、基于临近点计算目标点的局部特征，包括高斯曲率，pfh描述子和密度；s13、记单点的样本特征为 ，记训练集的数据集为，其中是训练集中样本数量，，为第i点的样本特征，为第i点的标记集合，。
7.进一步地，步骤s2中使用训练集中单点局部特征生成用于分割铆钉区域的强分类器，具体包括以下步骤：s21、初始化样本权重，将训练集中每个样本的权重初始化为；s22、开始迭代训练弱分类器模型，为第t次迭代的弱分类器模型，其中是样本特征的集合，，设需要迭代t次，则；s23、计算弱分类器模型的分类误差率，其计算公式如下所示：；其中，是样本特征 的真实类别，是弱分类器模型对样本特征的分类结果，为当前样本权重；s24、计算弱分类器模型的权重，其计算公式如下所示：；s25、根据当前弱分类器模型的分类准确率更新样本权重，其计算公式如下所示：；s26、重复s22~s25进行t轮迭代，得到了个弱分类器模型和对应的权重，再将它们组合成一个强分类器，其计算公式如下所示：；
其中，表示将为其符号，即当时为+1，当时为
ꢀ‑
1。
8.进一步地，步骤s22中的弱分类器模型包括两个卷积层和，每个卷积层后有一个最大池化层、，在后配置一个全连接层fc。
9.进一步地，所述卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层的卷积核大小为2x2，步长为2，所述卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层的卷积核大小为2x2，步长为2。
10.进一步地，步骤s3中点云模型的单点局部特征包括计算该点高斯曲率和pfh描述子和局部密度，记为数据集合。
11.进一步地，对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果，具体包括以下步骤：s51、使用区域增长算法对铆钉区域进行分割，将分割成个独立铆钉区域，；s52、使用ransac对非铆钉区域进行平面拟合，拟合出的平面记为；s53、计算中的每个点对平面的垂直距离，，为中点的数量；s54、计算区域中每个点对平面的垂直距离的平均值，即得到第i个铆钉的高度。
12.该技术方案还提供了一种用于实现所述的基于adaboost集成学习的航空铆钉齐平度检测方法的装置，包括：训练集局部特征提取模块，所述训练集局部特征提取模块用于获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；强分类器生成模块，所述强分类器生成模块用于基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；点云模型局部特征提取模块，所述点云模型局部特征提取模块用于获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；铆钉区域分割模块，所述铆钉区域分割模块用于将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；获取检测结果模块，所述获取检测结果模块用于对铆钉区域和非铆钉区域
进行目标面的齐平度计算得到检测结果。
13.该技术方案还提供了一种用于实现所述的基于adaboost集成学习的航空铆钉齐平度检测方法的系统，包括：处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行上述的方法。
14.由上述技术方案，本发明提供了基于adaboost集成学习的航空铆钉齐平度检测方法、装置及系统。至少具备以下有益效果：飞机蒙皮上的铆钉齐平度对飞机的气动外形和性能有着重要的影响，使用传统人工方法进行检测效率低、可靠性低，并且无法实现定量检测，过于依赖经验。基于图像处理的方法可以识别铆钉，但图像缺乏三维信息，无法进行齐平度的检测；三维激光扫描技术可以高效获取飞机蒙皮表面的三维信息，具有高精度和准确反映真实形状的优势；然而，由于蒙皮表面的铆钉点与非铆钉点之间的差异微小，传统的点云分割算法难以有效区分铆钉区域，从而进行齐平度的计算；因此，本发明利用三维激光扫描技术进行铆钉齐平度检测，基于adaboost集成学习算法，使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，可实现对铆钉区域的准确分割，提高检测精度和效率，通过该方法，并进行齐平度计算，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量，提高飞机性能。
附图说明
15.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：图1为本发明的一种基于adaboost集成学习的铆钉平齐度检测方法流程图；图2为本发明提出的弱分类器网络结构图；图3为本发明实施提供的铆钉提取结果图；图4为本发明实施提供的铆钉齐平度计算结果图；图5为本发明实施提供的基于adaboost集成学习的铆钉平齐度检测方法的装置原理框图。
16.图中：100训练集局部特征提取模块；200强分类器生成模块；300点云模型局部特征提取模块；400铆钉区域分割模块；500获取检测结果模块。
具体实施方式
17.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本技术如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
18.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有
计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
19.请参照图1-图5，示出了本实施例的一种具体实施方式，本实施例该方法基于adaboost集成学习算法，使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量，提高飞机性能，解决传统的点云分割算法对蒙皮表面的铆钉点与非铆钉点之间的微小差异难以有效区分铆钉区域，从而进行齐平度的计算的问题。
20.请参照图1，一种基于adaboost集成学习的铆钉平齐度检测方法，包括如下步骤：s1、获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；具体的，步骤s1包括以下步骤：s11、对训练集的第i个点使用kd-tree进行临近点查询； 查询到的个最近邻点记为点集,其中是目标点的最近邻点；s12、基于临近点计算目标点的局部特征，包括高斯曲率，pfh描述子和密度；其中，计算目标点的高斯曲率，pfh描述子和密度，具体包括以下步骤：s121、对于的第j个邻域点，计算其相对于目标点的坐标偏移向量：；s122、对邻域点计算协方差矩阵：；s123、对协方差矩阵进行特征值分解，得到特征值和，以及它们对应的特征向量和，计算可得高斯曲率：；s124、在目标点上定义坐标系：；
其中为目标点的法向量，为上定义的坐标系的三个轴向；；其中为点的法向量；s125、利用构成pfh算子；s126、对步骤s121中计算出的坐标偏移向量，取，，计算处的点云密度，其计算公式表示如下：；s13、记单点的样本特征为 ，记训练集的数据集为，其中是训练集中样本数量，，为第i点的样本特征，为第i点的标记集合，。
21.s2、基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；具体的，步骤s2包括以下步骤：s21、初始化样本权重，将训练集中每个样本的权重初始化为，其中是训练集中样本数量；s22、开始迭代训练弱分类器模型，将当前样本权重归一化，使用当前样本权重训练一个弱分类器模型，为第t次迭代的弱分类器模型，其中是样本特征的集合，，设需要迭代t次，则；具体的，弱分类器模型包括两个卷积层和，如图2所示，每个卷积层后有一个最大池化层、，在后配置一个全连接层fc；具体的，卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，最大池
化层的卷积核大小为2x2，步长为2，卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，最大池化层的卷积核大小为2x2，步长为2；s23、计算弱分类器模型的分类误差率，其计算公式如下所示：；其中，是样本特征 的真实类别，是弱分类器模型对样本特征的分类结果，为当前样本权重；s24、计算弱分类器模型的权重，其计算公式如下所示：；s25、根据当前弱分类器模型的分类准确率更新样本权重，其计算公式如下所示：；s26、重复s22~s25进行t轮迭代，得到了个弱分类器模型和对应的权重，再将它们组合成一个强分类器，其计算公式如下所示：；其中，表示将为其符号，即当时为+1，当时为
ꢀ‑
1。
22.s3、获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；具体的，步骤s3中计算点云模型的单点局部特征包括计算该点高斯曲率和pfh描述子和局部密度，记为数据集合；首先，使用激光扫描仪获取含铆钉区域的飞机蒙皮点云模型，其次对点云模型的每个单点使用kd-tree算法进行固定数量的临近点查询，基于临近点计算该点高斯曲率，pfh描述子和局部密度，具体计算过程同s121~s126，计算结果记为集合。
23.s4、将数据集合输入已训练好的强分类器中进行铆钉区域分割，得到每个单点样本的分类结果，即为铆钉分割结果，如图3所示，图3为本发明实施提供的铆钉提取结果图，输出分割后的点云组，点云组中包括铆钉区域和非铆钉区域，最终得到分割后的铆钉区域和非铆钉区域，如图2所示， 图中rivet region为铆钉区域， non-rivet region为非铆钉区域。
24.s5、对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果；具体的，对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果包括以下步骤：s51、使用区域增长算法对铆钉区域进行分割，将分割成个独立铆钉区域，；s52、使用ransac对非铆钉区域进行平面拟合，拟合出的平面记为，记的方程为：；s53、对独立铆钉区域中的每个点计算其距离平面的垂直距离，，为中点的数量，其垂直距离的计算公式如下：；s54、计算区域中每个点对平面的垂直距离的平均值，即为第i个铆钉的高度，如图4所示，图4 为本发明实施提供的铆钉齐平度计算结果图，其中平均值的计算公式如下：；该技术方案还提供了一种用于实现所述的基于adaboost集成学习的航空铆钉齐平度检测方法的装置，如图5所示，图5为本发明实施提供的基于adaboost集成学习的铆钉平齐度检测方法的装置原理框图，包括：训练集局部特征提取模块100，所述训练集局部特征提取模块100用于获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；强分类器生成模块200，所述强分类器生成模块200用于基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；点云模型局部特征提取模块300，所述点云模型局部特征提取模块300用于获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；铆钉区域分割模块400，所述铆钉区域分割模块400用于将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；获取检测结果模块500，所述获取检测结果模块500用于对铆钉区域和非铆钉
区域进行目标面的齐平度计算得到检测结果。
25.该技术方案还提供了一种用于实现所述的基于adaboost集成学习的航空铆钉齐平度检测方法的系统，包括：处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行上述的方法。
26.本发明基于adaboost集成学习算法，使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量，提高飞机性能。
27.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
28.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，包括以下步骤：s1、获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；s2、基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；s3、获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；s4、将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；s5、对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果。2.根据权利要求1所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，步骤s1中获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征，具体包括以下步骤：s11、对训练集的第i个点使用kd-tree进行临近点查询；s12、基于临近点计算目标点的局部特征，包括高斯曲率，pfh描述子和密度；s13、记单点的样本特征为 ，记训练集的数据集为，其中是训练集中样本数量，，为第i点的样本特征，为第i点的标记集合，。3.根据权利要求1所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，步骤s2中使用训练集中单点局部特征生成用于分割铆钉区域的强分类器，具体包括以下步骤：s21、初始化样本权重，将训练集中每个样本的权重初始化为；s22、开始迭代训练弱分类器模型，为第t次迭代的弱分类器模型，其中是样本特征的集合，，设需要迭代t次，则；s23、计算弱分类器模型的分类误差率，其计算公式如下所示：；其中，是样本特征 的真实类别，是弱分类器模型对样本特征的分类结果，为当前样本权重；s24、计算弱分类器模型的权重，其计算公式如下所示：
；s25、根据当前弱分类器模型的分类准确率更新样本权重，其计算公式如下所示：；s26、重复s22~s25进行t轮迭代，得到了个弱分类器模型和对应的权重，再将它们组合成一个强分类器，其计算公式如下所示：；其中，表示将为其符号，即当时为+1，当时为
ꢀ‑
1。4.根据权利要求3所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，步骤s22中的弱分类器模型包括两个卷积层和，每个卷积层后有一个最大池化层、，在后配置一个全连接层fc。5.根据权利要求4所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，所述卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层的卷积核大小为2x2，步长为2，所述卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层的卷积核大小为2x2，步长为2。6.根据权利要求1所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，步骤s3中点云模型的单点局部特征包括计算该点高斯曲率和pfh描述子和局部密度，记为数据集合。7.根据权利要求1所述的一种基于adaboost集成学习的航空铆钉齐平度检测方法，其特征在于，对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果，具体包括以下步骤：s51、使用区域增长算法对铆钉区域进行分割，将分割成个独立铆钉区域，；s52、使用ransac对非铆钉区域进行平面拟合，拟合出的平面记为；s53、计算中的每个点对平面的垂直距离，，为中点的数量；s54、计算区域中每个点对平面的垂直距离的平均值，即得到第i个铆钉的高度。8.一种用于实现上述权利要求1-7任一项所述的基于adaboost集成学习的航空铆钉齐
平度检测方法的装置，其特征在于，包括：训练集局部特征提取模块（100），所述训练集局部特征提取模块（100）用于获取已标注铆钉区域的点云模型训练集，计算训练集中单点局部特征；强分类器生成模块（200），所述强分类器生成模块（200）用于基于adaboost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；点云模型局部特征提取模块（300），所述点云模型局部特征提取模块（300）用于获取待测的含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算点云模型的单点局部特征，记为数据集合；铆钉区域分割模块（400），所述铆钉区域分割模块（400）用于将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；获取检测结果模块（500），所述获取检测结果模块（500）用于对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果。9.一种用于实现上述权利要求1-7任一项所述的基于adaboost集成学习的航空铆钉齐平度检测方法的系统，其特征在于，包括：处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行如权利要求1-7中任一项所述的方法。

技术总结
本发明公开了一种基于AdaBoost集成学习的航空铆钉齐平度检测方法，包括：获取已标注铆钉区域的点云模型训练集，计算单点局部特征；基于AdaBoost集成学习算法，使用训练集生成用于分割铆钉区域的强分类器；获取待测含铆钉区域的点云模型，对点云模型的每个单点进行临近点查询，并计算局部特征，记为数据集合；将集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；对铆钉区域和非铆钉区域进行目标面的齐平度计算。本发明使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量。从而更好地控制飞机铆接质量。从而更好地控制飞机铆接质量。


技术研发人员：汪俊 吴斯帛 李子宽 周铉
受保护的技术使用者：南京航空航天大学
技术研发日：2023.08.17
技术公布日：2023/9/19