陳末然，鄧昌義，張 健，郭銳鋒

1(北京航空航天大學(xué) 儀器科學(xué)與光電工程學(xué)院，北京 100191)

2(國家工業(yè)信息安全發(fā)展研究中心，北京 100040)

3(中國科學(xué)院 沈陽計(jì)算技術(shù)研究所，沈陽 110168)

E-mail:dengchangyi@sict.ac.cn

1 引 言

隨著自動(dòng)化技術(shù)的發(fā)展，視覺檢測算法被廣泛應(yīng)用于智能化生產(chǎn)線以提高自動(dòng)化水平，可用于生產(chǎn)線異常檢測、機(jī)械臂加工，質(zhì)量分揀等環(huán)節(jié)中.近年來，視覺檢測技術(shù)在圖像領(lǐng)域有著極大的發(fā)展[1，2].但是由于二維目標(biāo)檢測方法僅可以分類目標(biāo)的像素坐標(biāo)，缺乏物理世界參數(shù)信息，所以在三維場景的實(shí)際應(yīng)用中存在一定的局限性[3].

三維目標(biāo)檢測方法，旨在識別三維場景中的目標(biāo)物體，并且獲取目標(biāo)物體的位置以及姿態(tài)等幾何信息，目前算法大致分為兩類：基于神經(jīng)網(wǎng)絡(luò)的方法和基于特征描述的方法.基于神經(jīng)網(wǎng)絡(luò)的方法在檢測準(zhǔn)確性和實(shí)時(shí)性方面有待進(jìn)一步發(fā)展，以DSS[4]、3D-SSD[5]為代表的三維空間卷積的方法，將三維空間柵格化，利用圖像卷積的思想完成網(wǎng)絡(luò)的搭建，但是三維卷積產(chǎn)生了大量的空卷積計(jì)算量，并且點(diǎn)云自身的缺陷也導(dǎo)致在精度上不及圖像檢測.以F-PointNet[6]為代表的基于彩色圖像和點(diǎn)云的雙通道卷積網(wǎng)絡(luò)融合的方法，將2D檢測網(wǎng)絡(luò)的結(jié)果通過2D-3D的對應(yīng)關(guān)系確定點(diǎn)云目標(biāo)區(qū)域，雖然提高了檢測精度和效率，但網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，且超參數(shù)類似于“黑箱”，人工很難解析高維參數(shù)的作用并針對專用場景的約束進(jìn)行優(yōu)化.基于特征描述的方法應(yīng)用較為廣泛，旨在尋找模型點(diǎn)云和場景點(diǎn)云中特征點(diǎn)的對應(yīng)關(guān)系，常用的FPFH[7]等算法，但是在雜亂背景和噪聲的環(huán)境中，仍有抗干擾能力不強(qiáng)的問題，表現(xiàn)在傳統(tǒng)的特征匹配方法往往存在大量偽對應(yīng)關(guān)系.Linemod算法[8]綜合二維RGB梯度與三維法向量特征，但在實(shí)際應(yīng)用中仍需要精細(xì)配準(zhǔn).生產(chǎn)線是專用化的機(jī)械、微電子、傳感器系統(tǒng)，但往往檢測算法相對獨(dú)立，不利于指導(dǎo)工件檢測環(huán)節(jié)的約束與優(yōu)化.隨著生產(chǎn)各環(huán)節(jié)之間的內(nèi)在關(guān)聯(lián)與約束在生產(chǎn)任務(wù)中的地位越發(fā)突出，亟需結(jié)合設(shè)計(jì)環(huán)節(jié)中已有先驗(yàn)信息的檢測分析算法，將算法的通用性轉(zhuǎn)化為特定產(chǎn)線的專用性.

以數(shù)字孿生[9]驅(qū)動(dòng)的檢測算法相對于傳統(tǒng)方法有以下的優(yōu)勢：一方面可利用工件數(shù)據(jù)庫、傳感器標(biāo)定數(shù)據(jù)、產(chǎn)線結(jié)構(gòu)等信息作為指導(dǎo)，促進(jìn)檢測算法和設(shè)備的匹配，改進(jìn)設(shè)計(jì)缺陷，降低設(shè)計(jì)冗余，減少偽對應(yīng)關(guān)系等.并且反饋回的信息可以通過產(chǎn)線數(shù)字孿生平臺(tái)呈現(xiàn)，不再是抽象的數(shù)據(jù)而是可讀性強(qiáng)的直觀數(shù)據(jù)或影像，進(jìn)一步作用于產(chǎn)線的控制.

本文提取被測工件數(shù)字模型的特征描述構(gòu)建數(shù)字孿生體，在特征描述的基礎(chǔ)上優(yōu)化傳統(tǒng)的最近鄰特征匹配算法，引入霍夫投票機(jī)制在產(chǎn)線孿生空間中尋找標(biāo)志點(diǎn)位置，以篩選剔除特征匹配后的偽對應(yīng)關(guān)系，提高工件類別、位置、姿態(tài)等狀態(tài)變量的檢測準(zhǔn)確率與魯棒性，實(shí)現(xiàn)算法與檢測設(shè)備、工件模型和產(chǎn)線環(huán)境的融合，改善產(chǎn)品生產(chǎn)質(zhì)量管控過程.

2 問題描述與方案

目前基于三維特征描述的方法，需要從大量點(diǎn)云數(shù)據(jù)中提取物體的局部特征.三維檢測技術(shù)一般分為兩個(gè)環(huán)節(jié).首先在場景中識別被測物的類別標(biāo)簽，再定量計(jì)算被測物體的位置姿態(tài)矩陣.

所以檢測任務(wù)是兩個(gè)任務(wù)模塊，第一個(gè)是獲取場景S(P1,P2,P3,…，Pi)中可能存在的候選模型M(p1,p2,p3,…pj)，二是獲得每個(gè)候選模型可能的姿態(tài)假設(shè)H(h1,h2,h3,…h(huán)k).若只采用關(guān)鍵點(diǎn)的位置，則需要至少三個(gè)特征對(δm,δs)、(εm,εs)、(θm,θs)，能計(jì)算場景與一個(gè)候選模型之間的變換關(guān)系,其中δm,δs,εm,εs,θm,θs表達(dá)式為三組分別在模型中和在場景中的對應(yīng)點(diǎn)坐標(biāo).若同時(shí)采用關(guān)鍵點(diǎn)的位置和法向量δm,δs,Nm,Ns，則至少需要兩個(gè)特征對才能計(jì)算一個(gè)變換關(guān)系，Nm,Ns為點(diǎn)對的法向量.如采用局部坐標(biāo)系，則只需一個(gè)特征對vm,vs即可實(shí)現(xiàn)變換關(guān)系計(jì)算，vm,vs為局部坐標(biāo)系相對于標(biāo)志點(diǎn)的向量.

在生產(chǎn)線中存在機(jī)械臂與裝配運(yùn)輸操作，使得工業(yè)檢測從3個(gè)自由度擴(kuò)展到6個(gè)自由度.由于三維場景中包含大量的局部特征，每個(gè)局部特征對應(yīng)一個(gè)高維描述向量，一個(gè)確定的位置姿態(tài)需要確定六維向量(x,y,z,α,β,γ)，其中有三個(gè)平移自由度，三個(gè)旋轉(zhuǎn)自由度，構(gòu)造多維的參數(shù)空間進(jìn)行廣義霍夫變換計(jì)算存在效率低下的問題.需要指出的是，特征對應(yīng)關(guān)系既包含正確的，也包含錯(cuò)誤的.為精確計(jì)算假設(shè)，需要采用有效的方法從包含錯(cuò)誤特征點(diǎn)對的集合中盡可能準(zhǔn)確的獲取場景與模型之間的變換關(guān)系.因此需要從模版數(shù)據(jù)中提取描述性強(qiáng)的特征，并構(gòu)建向量投票空間.使用上述局部坐標(biāo)系的方法，可以減少傳統(tǒng)算法的特征維度、計(jì)算量，提高匹配精確性.

本文針對傳統(tǒng)檢測方法中特征匹配存在大量偽對應(yīng)關(guān)系和參數(shù)空間維度高計(jì)算量大的問題，引入數(shù)字孿生技術(shù)建立特征描述的物理模型：在靜態(tài)的離線環(huán)節(jié)提取工件點(diǎn)云SHOT(signatures histogram of orientations)[10]特征和局部坐標(biāo)系，將工件的數(shù)字模型質(zhì)心作為標(biāo)志點(diǎn)，計(jì)算投票向量作為特征描述模型.在動(dòng)態(tài)在線環(huán)節(jié)中構(gòu)造孿生的霍夫投票空間，通過投票機(jī)制在投孿生空間中計(jì)算出局部極大值位置.再由絕對定向等后處理，得出位置姿態(tài)的平移旋轉(zhuǎn)向量.并且數(shù)字孿生平臺(tái)可以虛擬現(xiàn)實(shí)技術(shù)呈現(xiàn)生產(chǎn)線實(shí)時(shí)物理狀態(tài)，這種轉(zhuǎn)化方式使得生產(chǎn)過程更加直觀.

3 數(shù)字孿生模型

數(shù)字孿生模型是被測物理實(shí)體中局部坐標(biāo)特征描述和生產(chǎn)線實(shí)體物理環(huán)境的數(shù)字孿生體，被測物抽象成數(shù)字模型為檢測環(huán)節(jié)提供所需的先驗(yàn)信息，基于產(chǎn)線實(shí)體環(huán)境的孿生空間為檢測添加約束.數(shù)字孿生模型由圖1中三部分組成：

1)離線模型：特征提取的環(huán)節(jié)總結(jié)為靜態(tài)性能的物理模型.通過工件點(diǎn)云模型提取SHOT特征點(diǎn)，建立基于局部坐標(biāo)系的特征描述，作為檢測模版內(nèi)置于數(shù)據(jù)庫中.

2)在線模型：檢測階段霍夫投票機(jī)制為動(dòng)態(tài)模型.傳感器深度數(shù)據(jù)通過標(biāo)定參數(shù)進(jìn)行點(diǎn)云轉(zhuǎn)化，提取場景點(diǎn)云的特征描述，與模版數(shù)據(jù)匹配檢測.

3)在后處理和假設(shè)驗(yàn)證階段，對投票空間進(jìn)行非極大值抑制，投票點(diǎn)極大值對應(yīng)的點(diǎn)對進(jìn)行最小二乘法計(jì)算絕對定向，ICP精確迭代后提高平移旋轉(zhuǎn)計(jì)算準(zhǔn)確性.

圖1 數(shù)字孿生模型的設(shè)計(jì)框架

3.1 離線靜態(tài)模型

在三維目標(biāo)檢測中，點(diǎn)云的特征描述占據(jù)著重要地位，特征點(diǎn)可進(jìn)行匹配以達(dá)到物體檢測的目的，此過程需借助特征描述.選取特征點(diǎn)的魯棒性、描述性、旋轉(zhuǎn)不變性等能力將決定檢測算法是否能準(zhǔn)確完成識別匹配等任務(wù).其中研究表明[11]，局部特征描述與全局描述相比，具有旋轉(zhuǎn)不變性，尺度不變性，更能準(zhǔn)確的檢測目標(biāo)物體.

3.1.1 特征選擇與初始匹配

特征類型及其作用如表1所示.局部坐標(biāo)系LRF(Local reference frame)對于一個(gè)特征描述符至關(guān)重要，本文選取SHOT(Signatures histogram of orientations)特征，充分結(jié)合了直方圖(Histogram)和標(biāo)簽(Signature)兩種特征的優(yōu)勢，并具有獨(dú)特唯一的局部坐標(biāo)系，有良好的噪聲魯棒性、尺度不變性、旋轉(zhuǎn)不變性等.

SHOT特征構(gòu)造過程是在法向量與局部坐標(biāo)系建立后，對球形支持域結(jié)構(gòu)內(nèi)形狀信息和紋理信息進(jìn)行統(tǒng)計(jì).首先在特征點(diǎn)處建立一個(gè)半徑為R的球形領(lǐng)域，在球形領(lǐng)域中分別將高度二平分、經(jīng)線二平分、方位角八平分，離散化成32個(gè)等分球殼.在每個(gè)球殼內(nèi)劃分11個(gè)單元的Histogram直方圖，各Histogram內(nèi)統(tǒng)計(jì)單元值是特征點(diǎn)處法向量與鄰域點(diǎn)法向量夾角的余弦值.

表1 特征類型及作用對比

Table 1 Type and effect comparison of key points

MethodCategoryUnique LRFTexture3D-SURF[12]SignatureYesNoPFH[13]HistogramRANoFPFHHistogramRANoSHOTHybridYesYes

(1)

在得到點(diǎn)云模型與場景的描述子后，通過初始特征點(diǎn)匹配方法獲取在兩者之間特征點(diǎn)對應(yīng)關(guān)系.常采用基于KdTree搜索的FLANN[14]算法，并有較快的匹配速度，再通過匹配閾值篩選得到模型與場景的初始對應(yīng)集合.但是場景中有與目標(biāo)物體特征描述近似的特征時(shí)，初始對應(yīng)點(diǎn)集合存在大量偽對應(yīng)關(guān)系.

如表2的匹配結(jié)果中，正確的匹配比例遠(yuǎn)小于偽對應(yīng)關(guān)系，所以針對該問題將工件的特征描述存儲(chǔ)為靜態(tài)物理模型，在動(dòng)態(tài)檢測環(huán)節(jié)中引入三維霍夫投票機(jī)制，減少偽對應(yīng)關(guān)系.

表2 傳統(tǒng)檢測算法正確匹配關(guān)系占比

Table 2 Proportion of correct matches of traditional detection algorithm

點(diǎn)云數(shù)量特征提取數(shù)量正確匹配占比(%)目標(biāo)537928819.5場景966822503

3.1.2 局部特征描述

在目標(biāo)物體模板的SHOT特征點(diǎn)上建立局部坐標(biāo)系，計(jì)算每個(gè)特征點(diǎn)到標(biāo)志點(diǎn)的局部坐標(biāo)作為投票向量，標(biāo)志點(diǎn)取模板點(diǎn)云的質(zhì)心.

(2)

3.2 在線動(dòng)態(tài)投票環(huán)節(jié)

3.2.1 構(gòu)造投票空間

深度傳感器獲得的空間點(diǎn)云三維坐標(biāo)值是由深度圖像素值根據(jù)標(biāo)定轉(zhuǎn)換模型計(jì)算得到，所以首先建立量值傳遞模型[15].

(3)

利用相機(jī)量值傳遞模型可以將深度圖中的點(diǎn)映射到三維空間中，通過遍歷的方式計(jì)算所有目標(biāo)對應(yīng)的深度圖上的坐標(biāo)值，將每個(gè)坐標(biāo)值轉(zhuǎn)換成三維空間坐標(biāo)，最終組合成點(diǎn)云文件.以點(diǎn)云場景的范圍建立柵格化的孿生空間確定投票空間范圍，柵格分辨率決定位置姿態(tài)計(jì)算的量化誤差與復(fù)雜度.

3.2.2霍夫投票機(jī)制

針對上節(jié)中匹配出現(xiàn)偽對應(yīng)關(guān)系的問題，引入3D霍夫投票機(jī)制[16]，完成點(diǎn)云場景多目標(biāo)的識別.如果要確定場景中目標(biāo)物體的位姿，就要確定六個(gè)參數(shù)，即6DoF(平移參數(shù)和旋轉(zhuǎn)參數(shù))，所以理論需要構(gòu)造兩個(gè)三維霍夫空間，計(jì)算量會(huì)隨著維度的上升而指數(shù)增長.但是借助局部坐標(biāo)系唯一的特性，只引用一個(gè)三維投票空間即可完成目標(biāo)的識別與姿態(tài)估計(jì).

圖2 離線階段和在線階段關(guān)系圖

如圖2的離線和在線階段的關(guān)系圖，兩者是通過霍夫投票機(jī)制關(guān)聯(lián)的，即在獲得了模型和場景之間的大量對應(yīng)關(guān)系后，對場景中的標(biāo)志點(diǎn)的位置進(jìn)行投票.由于投票向量是局部坐標(biāo)系計(jì)算的，此特征也具有平移和旋轉(zhuǎn)不變性.投票后取得標(biāo)志位置極大值后再將局部坐標(biāo)轉(zhuǎn)換到全局坐標(biāo)系.

圖3 標(biāo)志點(diǎn)投票與坐標(biāo)轉(zhuǎn)化

圖3表示將孿生模型中的投票向量按照初始匹配的結(jié)果，在孿生空間中進(jìn)行投票，每一匹配關(guān)系對應(yīng)一次投票.

(4)

即可在孿生空間中得到標(biāo)志點(diǎn)可能存在的位置分布，投票分?jǐn)?shù)較高的位置標(biāo)志點(diǎn)的確信度越高.

3.3 后處理環(huán)節(jié)

后處理部分，在孿生投票空間尋找極大值點(diǎn)，應(yīng)用快速排序方法尋找最大極值點(diǎn).若實(shí)際空間中存在多個(gè)目標(biāo)，則在投票空間中，就會(huì)對應(yīng)有多少個(gè)極大值點(diǎn)存在.位置姿態(tài)矩陣由絕對定向法求解，通過精確配準(zhǔn)與假設(shè)驗(yàn)證定量評價(jià)檢測結(jié)果.

1)非極大值抑制

對于投票空間中極值不集中或多個(gè)實(shí)例混疊的情況，需要對投票空間進(jìn)行高斯濾波，匯聚鄰域內(nèi)的票數(shù)更為準(zhǔn)確.并且設(shè)定分?jǐn)?shù)閾值，當(dāng)分?jǐn)?shù)大于特定閾值的位置作為對象的質(zhì)心.

2)絕對定向

對給定的一組對應(yīng)關(guān)系，需要確定模型和場景之間的6DoF變換.給定這個(gè)假設(shè)，問題可以通過絕對方向在封閉解決方案中結(jié)算旋轉(zhuǎn)平移矩陣.給定一組n個(gè)精確對應(yīng)關(guān)系c1={p1,m，p1,s}，…，cn={pn,m，pn,s}，得到旋轉(zhuǎn)矩陣R和平移向量T為：

(5)

向量的推導(dǎo)由最小二乘估計(jì)得到最優(yōu)解.

3)ICP精確配準(zhǔn)姿態(tài)

精細(xì)配準(zhǔn)一般指ICP(Iterative Closest Point，ICP)注冊方法[17]，主要用于已經(jīng)初始匹配的點(diǎn)云，需要提升注冊精度的情況.ICP方法是三維到三維常見的位姿估計(jì)算法，但是其對初始姿態(tài)的要求很高，否則很容易陷入局部最優(yōu)解，所以需要借助全局的初始點(diǎn)云配準(zhǔn)注冊方式.

迭代最近點(diǎn)算法原理為以下流程：

1.由初始匹配后的場景和模型點(diǎn)云P′和Q，作為精確注冊的初始點(diǎn)集；

2.對模型點(diǎn)云P′中的每一點(diǎn)pi，在場景點(diǎn)云Q中尋找距離最近的對應(yīng)點(diǎn)qi，作為該點(diǎn)在模型中的對應(yīng)點(diǎn)，建立一組初始對應(yīng)關(guān)系；

3.使用方向向量閾值拒絕錯(cuò)誤點(diǎn)對；

4.優(yōu)化旋轉(zhuǎn)矩陣R和平移向量T，使各對應(yīng)點(diǎn)對之間的歐式均方誤差最小；

5.將源點(diǎn)云P′點(diǎn)乘上一步得到的旋轉(zhuǎn)和平移矩陣得到轉(zhuǎn)換后的點(diǎn)云P″，計(jì)算歐式距離誤差.設(shè)定某一閾值ε和最大迭代次數(shù)Nmax，如果迭代次數(shù)大于Nmax或者誤差小于閾值ε則迭代結(jié)束，否則繼續(xù)重復(fù)上述步驟，直至滿足收斂條件.

最大迭代次數(shù)、收斂條件是均方誤差小于閾值、兩次變化矩陣之間的差值、對應(yīng)點(diǎn)對之間的最大距離.在PCL庫中的registration模塊可實(shí)現(xiàn)ICP算法.

4)全局假設(shè)驗(yàn)證

假設(shè)驗(yàn)證是在特征描述匹配之后剔除位置姿態(tài)假設(shè)中的FPs(false Positive)保留TPs(true positive)的過程，全局假設(shè)驗(yàn)證算法[18]使用模擬退火法求解優(yōu)化聚集點(diǎn)對集合，確定場景中對象假設(shè)的實(shí)例，減少誤報(bào)的數(shù)量.

3.4 算法實(shí)現(xiàn)

算法實(shí)現(xiàn)流程如圖4所示，將前臺(tái)和檢測算法與后臺(tái)的模版數(shù)據(jù)結(jié)合起來，在虛擬的空間中進(jìn)行目標(biāo)位置的投票和姿態(tài)的計(jì)算.在離線階段提取模型文件的SHOT特征點(diǎn)，根據(jù)局部坐標(biāo)系計(jì)算特征描述，存儲(chǔ)為靜態(tài)的特征孿生模型.動(dòng)態(tài)環(huán)節(jié)在孿生的空間中進(jìn)行投票，可以檢測模版在場景中的模版標(biāo)志位置.通過最小二乘法計(jì)算絕對定向，最后利用ICP迭代的結(jié)果驗(yàn)證姿態(tài)的假設(shè).

圖4 算法實(shí)現(xiàn)流程

4 實(shí)驗(yàn)與驗(yàn)證

4.1 實(shí)驗(yàn)平臺(tái)

生產(chǎn)線硬件平臺(tái)主要包括立體倉庫區(qū)域、自動(dòng)化生產(chǎn)線區(qū)域及設(shè)備區(qū)域.自動(dòng)化生產(chǎn)線區(qū)的末端是成品檢測環(huán)節(jié).檢測環(huán)節(jié)對加工完成的產(chǎn)品進(jìn)行類別與位置姿態(tài)檢測，包括是否有漏裝錯(cuò)裝及各部件的相對位置姿態(tài)是否正確.產(chǎn)品經(jīng)過檢測工位檢測后，根據(jù)不同的檢測結(jié)果及下線需求，分為三種結(jié)果：

1)合格成品直接送出：六軸機(jī)器人抓取合格成品放置于出料輸送線上，經(jīng)出料窗口送予訪客.

2)合格成品入庫：六軸機(jī)器人從緩存工作臺(tái)上將合格成品的托盤搬下，放置于AGV上，由AGV送至立體倉庫進(jìn)行入庫.

3)不合格品回收：六軸機(jī)器人從托盤上抓取不合格品，放置于不合格料箱內(nèi)，待全部生產(chǎn)完成后，由人工統(tǒng)一回收處理.

圖5 模型在場景中的檢測結(jié)果

過程中，數(shù)字大屏中可實(shí)時(shí)顯示檢測數(shù)據(jù).軟件主體為基于Unity3D的三維可視化方案，可以綜合三維建模、虛擬現(xiàn)實(shí)、編程控制等，內(nèi)置生產(chǎn)線的設(shè)計(jì)參數(shù)與生產(chǎn)狀態(tài)數(shù)據(jù)，為孿生模型提供編程接口，并可有效的反饋檢測的結(jié)果，轉(zhuǎn)化為產(chǎn)線控制信號.

4.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中深度傳感器采用微軟Kinect2[19]設(shè)備，其獲取的深度圖分辨率為512×424pix，對模型和場景點(diǎn)云首先進(jìn)行降采樣，根據(jù)重建點(diǎn)云的分辨率，分別設(shè)置局部坐標(biāo)系計(jì)算半徑、SHOT特征計(jì)算半徑，匹配群集大小和霍夫變換閾值.

在檢測平臺(tái)上放置隨機(jī)數(shù)目和種類的不同工藝品，檢測目標(biāo)類別與擺放姿態(tài).實(shí)驗(yàn)中將模型物體附加上平移與旋轉(zhuǎn)，定量測試正確的特征匹配占比與檢測準(zhǔn)確率.

圖5為場景中多目標(biāo)三維檢測的結(jié)果.圖6為模版工藝品中關(guān)鍵點(diǎn)提取和關(guān)鍵點(diǎn)匹配情況.

從表3可以看出相同條件下，本文方法在特征點(diǎn)匹配的精確性和檢測識別率方面優(yōu)于其他方法，傳統(tǒng)方法表現(xiàn)在偽對應(yīng)關(guān)系過多，導(dǎo)致識別率較低，而改進(jìn)的方法在離線和在線環(huán)節(jié)通過廣義霍夫投票進(jìn)一步篩選出正確的匹配關(guān)系，有效的提高了識別率.

從平移與旋轉(zhuǎn)的魯棒性分析特征點(diǎn)匹配的正確占比，將模型模板圍繞Z軸旋轉(zhuǎn)不同的角度，從0°到180°，測試引入霍夫投票機(jī)制后，各算法結(jié)果正確對應(yīng)關(guān)系占比.

由圖7結(jié)果可以得出結(jié)論，引入霍夫投票環(huán)節(jié)后，相對于直接使用傳統(tǒng)的匹配算法，偽對應(yīng)關(guān)系下降明顯，正確的對應(yīng)關(guān)系占據(jù)大多數(shù)匹配關(guān)系，并且算法對于角度的變化有更加穩(wěn)定的表現(xiàn)，故檢測算法在6DoF檢測中有良好的旋轉(zhuǎn)不變性表現(xiàn).

表3 三維檢測實(shí)驗(yàn)結(jié)果

Table 3 Three-dimensional detection experiment results

目標(biāo)點(diǎn)云SHOT+FLANN正確匹配占比識別率LineMod+ICP 正確匹配占比識別率FPFH+RANSAC正確匹配占比識別率SHOT+3D HoughVoting正確匹配占比識別率142.54946.85276.08189.897241.44553.65879.68889.296347.15354.66477.78288.396449.25445.25377.48189.495549.65845.74879.48093.493641.24254.86279.88491.497749.25250.35178.78588.696840.64146.85575.87791.394均值45.149.249.755.378.082.290.195.5

圖7 附加旋轉(zhuǎn)角度檢測結(jié)果

5 結(jié)束語

本文基于數(shù)字孿生技術(shù)改進(jìn)檢測算法并應(yīng)用于生產(chǎn)線檢測環(huán)節(jié)中，建立數(shù)字模型連接物理實(shí)體與虛擬數(shù)字空間，使實(shí)時(shí)數(shù)據(jù)結(jié)合先驗(yàn)信息進(jìn)行合作性的檢測.檢測模型分為離線環(huán)節(jié)和在線環(huán)節(jié).在離線環(huán)節(jié)中提取模型點(diǎn)云的SHOT特征點(diǎn)，建立局部坐標(biāo)系，將相對于標(biāo)志點(diǎn)的局部投票向量作為模版.之后動(dòng)態(tài)在線檢測環(huán)節(jié)僅采用單獨(dú)的孿生三維投票空間，利用局部特征描述唯一的性質(zhì)降低了計(jì)算維度，并且投票結(jié)果極大值點(diǎn)的確定排除了其他偽對應(yīng)關(guān)系，提高了檢測算法的準(zhǔn)確性.在搭建數(shù)字孿生的產(chǎn)線中重復(fù)實(shí)驗(yàn)，特征點(diǎn)的正確匹配占比方面有大幅度的提升，并且匹配準(zhǔn)確率不隨實(shí)驗(yàn)附加平移旋轉(zhuǎn)向量的增加而有明顯變化，說明了方法對三維檢測具有較好的準(zhǔn)確性和穩(wěn)定性.

下一步將充分利用數(shù)字孿生平臺(tái)驅(qū)動(dòng)服務(wù)系統(tǒng)和物理設(shè)備的能力，提升交互控制效果，探索數(shù)字孿生技術(shù)在產(chǎn)品全生命周期中落地應(yīng)用.