于潤澤，習(xí)俊通

上海交通大學(xué) 機械與動力工程學(xué)院，上海200240

1 引言

白車身是整車制造的核心要素，其裝配特征符合設(shè)計要求是整車性能的保證。對白車身裝配特征進行在線檢測，能夠及時發(fā)現(xiàn)誤差并通過調(diào)整相關(guān)夾具、模具或狀態(tài)參數(shù)反饋校正，保證整車的尺寸質(zhì)量。目前，常見的白車身在線檢測系統(tǒng)可分為接觸式和非接觸式兩大類。其中，接觸式設(shè)備大多存在柔性差或效率低的缺陷；非接觸式系統(tǒng)使用機器視覺測量技術(shù)，將拍攝到的特征圖像經(jīng)三維重建轉(zhuǎn)化為點云數(shù)據(jù)，再對點云進行擬合，計算出特征參數(shù)，配合機器人系統(tǒng)可以實現(xiàn)高柔性與實時性的目標(biāo)。根據(jù)這一思路，前期開發(fā)設(shè)計了基于線激光擺動掃略的白車身裝配特征機器人在線檢測系統(tǒng)[1]，目前已投入到生產(chǎn)應(yīng)用中，在檢測孔、槽、切邊等單一簡單特征時具有很高的準(zhǔn)確性和穩(wěn)定性。

然而，白車身上還存在大量與其他簡單特征緊密相連的復(fù)雜特征，如焊接在平面上的螺柱特征、在沖壓圓孔下層的螺紋孔特征等。使用機器視覺檢測這些復(fù)雜特征時，與復(fù)雜特征關(guān)聯(lián)的簡單特征難以避免地出現(xiàn)在檢測圖像中，在提供必要信息的同時，也對復(fù)雜特征本身形成了干擾。將混雜的特征分離，是正確計算復(fù)雜特征參數(shù)的前提，在機器視覺領(lǐng)域多通過點云分割實現(xiàn)。對于散亂且難以建立拓撲關(guān)系的點云，常用的分割方法有RANSAC（隨機抽樣一致性）算法和霍夫變換法。文獻[2-4]在RANSAC 算法的基礎(chǔ)上進行了各自的改進，實現(xiàn)了柱面與平面混合點云的分割，但該方法對點云質(zhì)量要求高，適用于高密度點云。文獻[5]與本文使用相同的檢測系統(tǒng)，在獲取同時包含螺柱面和底部平面的點云后，使用PCA 法粗略擬合螺柱軸線并做混合點云沿軸線方向的投影，最后使用霍夫變換直線檢測法以檢測投影為直線還是圓弧的方式實現(xiàn)點云分割。當(dāng)由于點云質(zhì)量不佳或有效螺柱面點云過少導(dǎo)致粗略擬合的軸線向量誤差過大時，該方法無法正確分割點云。文獻[6]通過轉(zhuǎn)換霍夫圓變換的統(tǒng)計參量，實現(xiàn)了平面上多個同心圓的分離與參數(shù)計算，但本文需要分離的螺紋孔和上層圓孔在多數(shù)情況下不同心。

在完成點云提取與分割后，需要對點云數(shù)據(jù)進行擬合，從而得到需要的特征參數(shù)。對于柱面點云，常見的擬合方法可分為基于投影映射[4-5，7]和基于迭代法求目標(biāo)函數(shù)最優(yōu)解[8-10]兩大類。其中，基于迭代法求目標(biāo)函數(shù)最優(yōu)解的方法以圓柱方程的幾個參數(shù)為變量，建立目標(biāo)函數(shù)（一般為點云到圓柱表面距離的平方和）并使用迭代法求最優(yōu)解。該方法計算量較大，效率不高，且易受初值影響陷入局部最優(yōu)解，只適用于點云數(shù)量稀少的情況?；谕队坝成涞姆椒ㄊ紫扔嬎銏A柱體軸線的方向向量，之后構(gòu)造以該方向向量為法向的平面，將柱狀點云投影至該平面，得到一圓狀點集并做圓擬合。通常使用主成分分析（PCA）法計算圓柱軸向，但該方法要求點云沿周向均勻分布，而螺柱面光刀由于存在螺紋線干擾，其點云呈現(xiàn)不規(guī)則的殘缺，無法使用PCA法計算軸向。另外，由于線激光實際照射在螺柱的螺旋曲面上，使得對應(yīng)的點云不能準(zhǔn)確還原螺柱柱面的信息。這些因素都加大了螺柱特征參數(shù)的提取難度。

針對這些問題，本文在實驗室已有系統(tǒng)的基礎(chǔ)上，提出了全新的螺柱及螺紋孔特征點云提取和分割方法，同時提出了全新的螺柱點云數(shù)據(jù)擬合方法。其中，點云提取光刀圖像預(yù)處理階段使用的基于直方圖的最佳閾值迭代法能幫助實現(xiàn)自動、完整、準(zhǔn)確地識別有效光刀曲線，該方法對于其他裝配特征具有通用性。

2 螺柱點云提取、分割與數(shù)據(jù)擬合

2.1 光刀圖像的處理

本文利用實驗室已有的在線檢測系統(tǒng)獲取螺柱及螺紋孔的線激光光刀圖像。得到光刀圖像后，首先要對圖像進行預(yù)處理，主要包括二值化濾波、形態(tài)學(xué)濾波、邊緣檢測等步驟。其中，二值化濾波需要以前景與背景的灰度值存在差異為前提。例如，原始圖像G0中光刀線的灰度值均大于Tf，而背景的灰度值均小于Tb，則此時可任取Tf至Tb的中間值為閾值T0，運用式得到新圖像G ，保留光刀線同時過濾背景噪聲。對于線激光照射在平面上的光刀圖像，其光刀線與背景的灰度值差異非常明顯，因此T0可手動設(shè)置，并隨光刀線的亮度變化做適當(dāng)調(diào)整。但當(dāng)線激光照射在柱面上時，其光刀線灰度值呈中間向兩側(cè)逐漸降低的趨勢，Tf出現(xiàn)在光刀線起始與結(jié)束位置附近，與Tb差值不大，且Tf與Tb在一組柱面光刀圖像中會出現(xiàn)變動。此時，人工手動設(shè)置T0很難滿足要求。針對這一問題，本文結(jié)合光刀圖像背景占比極大的特點，以基于直方圖的最佳閾值迭代法為基礎(chǔ)，設(shè)計了一套能夠自動計算閾值的算法。

2.1.1 基于直方圖的最佳閾值迭代法

關(guān)于圖像二值化閾值選取算法的相關(guān)研究已經(jīng)十分成熟，但目前還沒有一種方法能夠在面對不同類型的圖像時都能取得滿意的效果。基于直方圖的全局二值算法因其具有代碼簡單、計算效率高的優(yōu)點而被廣泛應(yīng)用。該類方法一般需參照直方圖的特點選取具體的方法。光刀圖像黑色背景占比極大，屬于單峰直方圖，適用的算法包括最佳閾值迭代法[11]、OTSU算法[12]、一維最大熵閾值分割法[13]、基于模糊集理論的閾值分割法[14]等。經(jīng)過嘗試，最佳閾值迭代法的效果和效率最好。設(shè)直方圖函數(shù)為h(g)，該算法流程如下所示。

（1）統(tǒng)計圖像的灰度值范圍，最小灰度值和最大灰度值分別記為gmin和gmax，設(shè)初始閾值T0為：

（2）以Tk(k=0,1,2,…)為分界將圖像分割為背景和前景，分別求出兩者的平均灰度值A(chǔ)b和Af：

當(dāng)Tk+1=Tk時，得到所求閾值，迭代停止，否則轉(zhuǎn)至（2），繼續(xù)迭代。

該算法通過迭代逐步向最終結(jié)果T*(T*=Tk+1=Tk)逼近，即正整數(shù)迭代序列{ }Tn為單調(diào)序列，且存在穩(wěn)定值T*使得

2.1.2 閾值自動計算方法

由于光刀圖像黑色背景占比極大，如果對整幅圖像采用最佳閾值迭代法，計算得到的閾值相對較小。本文通過最大程度縮小感興趣區(qū)域（ROI）范圍獲得更準(zhǔn)確的閾值，具體步驟如下：

（1）對整幅圖像做閉運算濾波，并采用最佳閾值迭代法得到初閾值Ti。

（2）令T0=Ti，對圖像運用式并做findContours 輪廓檢測，統(tǒng)計圖1（b）粗黃色小框范圍內(nèi)各輪廓周長。

（3）取周長最長的輪廓，計算其最小包絡(luò)矩形，該矩形對應(yīng)的區(qū)域為縮小到最大程度的ROI。

（4）對ROI內(nèi)的圖像采用最佳閾值迭代法得到終閾值Tr。

圖1 螺柱特征的三種典型光刀圖像及合成圖像

2.2 點云提取與分割

圖1（a）～（c）展示了螺柱特征的三種典型光刀圖像，根據(jù)它們各自的特點，本文提出了一種新的基于圖像二維幾何信息的螺柱特征點云分割方法。利用不同類別光刀線最小包絡(luò)矩形的不同特征，通過比較最小包絡(luò)矩形的長度、面積和對角線斜率，判斷光刀屬于哪一種類型。

面對不同類型、尺寸的螺柱，通過微調(diào)測量位姿等方法，檢測系統(tǒng)總是可以獲得兩條連貫的平面光刀線，且保證柱面光刀線位于圖像中部。另外，由于測量位姿的關(guān)系，系統(tǒng)的拍攝順序為純平面光刀、平面柱面混合光刀、純柱面光刀，且純柱面光刀至少占一半的比例。

根據(jù)這些條件，本文設(shè)計判別光刀線的步驟如下：

（1）使用圖1（b）中細紅色大ROI依次讀取第1至第12幅圖像，提取圖像中周長最長的光刀輪廓并記錄它的最小包絡(luò)矩形。

（2）比較各最小包絡(luò)矩形的橫向長度，記錄最長的最小包絡(luò)矩形，編號P1，其對應(yīng)的光刀為一條連貫的純平面光刀線，而比它編號小的光刀一定沒有掃描到螺柱。

（3）在剩余的圖像中，繼續(xù)以編號從小到大的順序搜索最小包絡(luò)矩形的橫向長度大于P1的二分之一，同時兩包絡(luò)矩形相對位置關(guān)系正確的光刀，搜索到一條即停止搜索，編號為P2，為第二條連貫的純平面光刀線，P1與P2的最大值記為BiggerP。

（4）使用粗黃色小ROI讀取第13至第23幅圖像，提取圖像中周長最長的光刀輪廓，該輪廓為柱面光刀線。記錄它們的最小包絡(luò)矩形，比較各最小包絡(luò)矩形的橫向長度、縱向長度、左右端位置，并記錄這些參數(shù)的極值為maxRows、maxHeight、studLeft 和studRight，同時記錄橫向長度最長的光刀線編號為MaxS。

（5）計算P1與MaxS對應(yīng)的最小包絡(luò)矩形的面積和對角線斜率。

（6）使用粗黃色小ROI 讀取第（BiggerP+1）至第12幅圖像，提取圖像中周長最長的光刀輪廓并記錄它的最小包絡(luò)矩形，其橫向長度、面積和對角線斜率分別與P1和MaxS 比較，若其中兩項以上更接近MaxS，則將提取的光刀輪廓視為柱面光刀線。

各條光刀線被標(biāo)記為屬于柱面或平面后，使用灰度質(zhì)心法計算光刀軌跡在像素坐標(biāo)系下的二維坐標(biāo)，并由三維重建分別生成初始柱面點云集和平面點云集。此時得到的平面點云集對應(yīng)的光刀線不存在柱面的干擾，而柱面點云集存在將屬于平面的點云誤選入的可能，因此需對這一部分點云做點云分割。對平面點云集使用最小二乘法計算平面方程，并做初始柱面點云集沿平面法向量lp方向的投影，選擇MaxS號光刀線對應(yīng)的投影曲線近似為標(biāo)準(zhǔn)圓弧，用Kasa 算法計算標(biāo)準(zhǔn)圓弧的圓心，剔除到圓心距離超過1.5 倍螺柱公稱半徑的投影點所對應(yīng)的點云，則混入的平面點云將被剔除，從而完成點云分割。

2.3 特征參數(shù)計算

2.3.1 螺柱軸線的擬合

根據(jù)三維重建的原理，當(dāng)相機拍攝到的光刀線不在線激光光平面上時，光刀線對應(yīng)的點云點并不在被測物體表面。對于線激光掃描螺柱而言，雖然理論上激光應(yīng)只照射在螺柱的單側(cè)螺旋曲面和牙頂上，對應(yīng)的點云應(yīng)為線激光光平面與螺柱的單側(cè)螺旋曲面的交線，但線激光不可忽略的寬度使得光刀中心往往不在線激光光平面上，以及線激光照射在另一側(cè)螺旋曲面時，反射光會在被測螺旋曲面上形成光刀線，這些情境下得到的點云與被拍攝到的光刀實際位置都存在著不小的誤差。這些誤差加大了計算( )l,m,n的難度。本文根據(jù)螺柱點云的生成機制和特點，選取兩組不同的特征和特征點，使用基于穩(wěn)健總體最小二乘的擬合方法，擬合得到兩組方向向量再擇優(yōu)。

兩組特征分別為螺柱軸線和距離相機坐標(biāo)系原點最近的螺柱母線，對應(yīng)的特征點為每條弧形點云經(jīng)最小二乘圓擬合后得到的中心點，以及每條弧形點云中距離相機坐標(biāo)系原點最近的點。使用基于穩(wěn)健總體最小二乘的擬合方法剔除特征點樣本中的粗差并得到特征空間直線的單位方向向量l1和l2。之后，將l1和l2分別與lp點乘，取數(shù)值大的為螺柱軸線的方向向量。

2.3.2 穩(wěn)健總體最小二乘擬合法

由于選取的特征為三維空間直線，而空間直線的擬合是一個非線性問題，簡單地套用最小二乘法（Least Squares，LS）需要以觀測點的某一坐標(biāo)分量不含誤差為前提。目前常用的空間直線擬合方法主要有高斯-牛頓法[15]等迭代算法以及總體最小二乘法[16]（Total Least Squares，TLS）。其中，迭代算法對初值有一定要求，且計算過程相對繁瑣，而總體最小二乘法能取得良好的效果。由于特征點集易存在粗差，本文在穩(wěn)健總體最小二乘擬合算法的基礎(chǔ)上針對特征點的特點進行了優(yōu)化?？傮w最小二乘法擬合公式的具體推導(dǎo)過程可參考文獻[17]。

穩(wěn)健估計是一種能夠解決粗差問題的數(shù)據(jù)處理方法，其本質(zhì)是將粗差歸入隨機模型中，選擇適當(dāng)?shù)墓烙嫹椒ㄊ刮粗抗烙嫳M可能減免粗差的影響，得出正常模式下的最佳估計。對于總體最小二乘法，一般使用選權(quán)迭代的估計方法，即在原擬合算法的基礎(chǔ)上，選擇穩(wěn)健的權(quán)函數(shù)作用于特征點，通過迭代使含粗差的觀測值的權(quán)越來越小。權(quán)函數(shù)的形式多種多樣，本文使用的IGG法[18]對應(yīng)的權(quán)因子為：

式中，vi為特征點i的殘差，σ?0為總體最小二乘法中的單位權(quán)標(biāo)準(zhǔn)差估計值。

2.3.3 截面中心的擬合

螺柱三維點云不規(guī)則且部分點云數(shù)據(jù)誤差大，其投影如圖2所示，可視為存在噪聲和干擾的圓弧二維點云集。由于干擾點存在偏向性，如果采用傳統(tǒng)最小二乘法擬合圓心，計算結(jié)果受干擾點影響大。本文采用以數(shù)據(jù)點到擬合圓的距離絕對值之和最小為準(zhǔn)則的迭代法，目標(biāo)函數(shù)為：

其中，xi、yi為第i個數(shù)據(jù)點的坐標(biāo)，xc、yc、R為圓擬合參數(shù)。使用求多元函數(shù)極值的迭代算法，計算f取最小值時的xc、yc、R為擬合結(jié)果。圓擬合參數(shù)的初值可使用最小二乘法的結(jié)果。

圖2 螺柱點云沿擬合軸線方向的投影點

3 螺紋孔點云提取、分割與數(shù)據(jù)擬合

3.1 光刀圖像的處理

白車身上的螺紋孔如圖3所示，上半部分為車身沖壓件外孔，下半部分為帶螺紋的內(nèi)孔，其孔徑小于外孔。內(nèi)孔的孔心精度決定了之后的裝配質(zhì)量，因此內(nèi)孔孔心為待測特征參數(shù)。

圖3 螺紋孔三維模型

對于普通圓孔，僅需要圓孔的輪廓點即可擬合孔心，因此在處理光刀圖像時，可只提取光刀線被圓孔截斷的斷點，對圖像預(yù)處理的要求低。然而對于螺紋孔，由于存在多個孔且有內(nèi)螺紋線的干擾，斷點不容易識別，另外螺紋孔光刀線包含的信息可輔助點云分割，因此需要對完整的光刀線進行處理，過程與2.1節(jié)類似。

3.2 點云提取與分割

線激光掃描螺紋孔時會出現(xiàn)以下情況：

（1）激光掃描在上半部分的平面上且未掃描到螺紋孔，形成的光刀線稱為平面線。

（2）激光掃描到螺紋孔，形成的光刀線可分為三種類型：被上半部分圓孔輪廓分割的兩條外孔線、激光照射在下半部分的一至兩條內(nèi)孔線、激光照射在內(nèi)孔螺紋上形成的一至兩條螺紋線。

（3）激光掃描在上半部分的焊斑等干擾物上，形成的光刀線稱為干擾線。

在二維光刀圖像中，平面線長度最長，外孔線次之，且它們的長度遠遠超過其他三種類型。可根據(jù)這一特點，在圖像處理階段識別出平面線和外孔線，并在點云重建階段進行二次確認。

將光刀線經(jīng)三維重建轉(zhuǎn)化為點云，平面線和外孔線對應(yīng)的點云在同一平面上，且在相機坐標(biāo)系中的Z軸分量相較于其他三種類型對應(yīng)的點云更接近原點。內(nèi)孔線對應(yīng)的點云共面，而螺紋線對應(yīng)的點云集不共面。干擾線對應(yīng)的點云數(shù)量較少，一般與平面線所對應(yīng)的點云共面，且距螺紋孔中心較遠。根據(jù)這些特點，可結(jié)合二維光刀圖像階段的識別，剔除平面線和外孔線對應(yīng)的點云，在剩下的點云中找出共面且數(shù)量最多的點云集，即為內(nèi)孔線對應(yīng)的點云。

在實際測量時，由于被測螺紋孔表面不完全平整以及點云存在偏差，使用RANSAC 等傳統(tǒng)方法尋找共面點云集的效果不佳，因此本文引入閾值DiffPlane。由于像平面與被測平面間的夾角很小，當(dāng)兩條光刀線對應(yīng)的點云在相機坐標(biāo)系下的Z坐標(biāo)均值差大于閾值DiffPlane，就認為兩條光刀線在白車身鋼板的不同板面上。本文測試的白車身鋼板厚度普遍在1 mm 上下，而按照設(shè)計慣例白車身鋼板厚度應(yīng)不小于0.8 mm，考慮兩層鋼板間存在縫隙，將DiffPlane設(shè)置為1，可合理地區(qū)分出不在同一板面上的光刀線，且相比傳統(tǒng)方法減少了計算量。

另一需要設(shè)定的閾值為平面光刀線長度閾值LengthOfPlaneLine。若光刀圖像中一光刀線在像素坐標(biāo)系下的長度大于該閾值，則該光刀線為平面線。設(shè)圖像有效區(qū)域?qū)抴idth像素，當(dāng)圓孔位于圖像中心位置時，若光刀線被圓孔輪廓分割，長度必定小于width/2像素，考慮圓孔可能略微偏離中心，設(shè)定LengthOfPlaneLine為（width/2+100）。

這兩個閾值結(jié)合比較光刀線長度關(guān)系，就可以區(qū)分出不同類型的光刀線。具體流程如下：

（1）依次識別各幅圖像中最小包絡(luò)矩形的橫向長度最長的光刀線，若長度大于LengthOfPlaneLine，則該光刀線為平面線，該圖像中剩余的光刀線為干擾線。獲取所有圖像中的平面線后，可提取對應(yīng)的平面點云并計算平面方程。

（2）在所有不含平面線的圖像中，依次計算各幅圖像中各條光刀線最小包絡(luò)矩形的橫向長度并從大至小排序。其中，長度排在前兩位且對應(yīng)點云到平面的平均距離小于DiffPlane的光刀線為外孔線，剩余的光刀線為內(nèi)孔線、螺紋線和少量干擾線，稱這部分光刀線集為L。

圖4 螺紋孔點云分割效果

3.3 特征參數(shù)計算

分別得到外孔和內(nèi)孔的輪廓點云后，即可計算各自的孔心，計算方法與檢測簡單普通圓孔特征所使用的方法相同，步驟如下：

（1）對輪廓點云做平面擬合后，將輪廓點投影在平面上。旋轉(zhuǎn)投影點與XOY平面平行。

（2）使用霍夫圓變換剔除投影點中的粗差，余下的點使用2.3.3小節(jié)中的迭代法計算圓心。

（3）將圓心旋轉(zhuǎn)回投影平面，結(jié)果即為孔的特征參數(shù)。

在實際應(yīng)用中發(fā)現(xiàn)，當(dāng)有效輪廓點少于6 個時，孔心的擬合結(jié)果波動很大。而造成內(nèi)孔有效輪廓點少的原因包括：內(nèi)孔外孔半徑相近、內(nèi)孔外孔圓心偏差不大等。此時將外孔作為裝配特征，對裝配質(zhì)量的影響不大。因此，當(dāng)內(nèi)孔有效輪廓點少于6 個時，將外孔的擬合數(shù)據(jù)作為最終結(jié)果。

4 實驗結(jié)果

4.1 螺柱測量精度與穩(wěn)定性檢驗

選取一白車身上的3 個螺柱特征作為被測特征。如圖5所示，3個螺柱特點各有不同。圖6中紅線為被識別出并將被提取為點云的光刀線，可以看出3幅光刀合成圖像質(zhì)量依次下降，特征參數(shù)提取難度依次上升。

圖5 白車身上的3個螺柱

圖6 3個螺柱的光刀合成圖像

4.1.1 靜態(tài)測試

靜態(tài)測試主要考察檢測系統(tǒng)和算法的重復(fù)精度，需要在機器人攜帶測頭移動到被測特征位置后，固定機器人和白車身，讓檢測系統(tǒng)連續(xù)測量100次。其中，99%的測量點應(yīng)為有效測量值，測量結(jié)果在評價方向的極差應(yīng)不超過0.1 mm。圖7 為三被測螺柱特征各方向的偏差值曲線，三被測特征都通過了測試。

4.1.2 絕對精度測試

對同一被測特征，輕微調(diào)整測頭位姿，使用creaform的便攜式三坐標(biāo)測量筆檢測位姿變化，可計算出相機坐標(biāo)系下新位姿測得的特征參數(shù)相對于起始位姿的變化量理論值，與實際測量的變化量比較，即可得到絕對精度。一號螺柱的絕對精度測試結(jié)果如表1所示，很好地滿足了測量尺寸偏差需控制在±0.3 mm的基本要求。

4.1.3 算法有效性驗證

柱體特征點云提取及參數(shù)計算的研究對象多為圓柱，且點云大多均勻密集，相關(guān)方法應(yīng)用于本文使用的數(shù)據(jù)時，常會發(fā)生錯誤，導(dǎo)致測量結(jié)果無效。RANSAC以及文獻[5]提出的針對螺柱特征的參數(shù)提取算法是為數(shù)不多的可以應(yīng)用于本文螺柱數(shù)據(jù)的方法，但相比本文提出的算法，兩種方法都存在需要手動調(diào)整閾值以及重復(fù)精度難以達標(biāo)的問題。如圖8 為兩種算法在閾值較為合適的情況下，對一號螺柱進行靜態(tài)測試的參數(shù)偏差曲線，可見，RANSAC 算法的測量結(jié)果存在一無效值，剔除后算法在y、z方向上的重復(fù)精度仍遠低于本文提出的方法；文獻[5]算法在x方向上不滿足極差不超過0.1 mm的工程應(yīng)用要求，且即使剔除極值，在三方向上的重復(fù)精度也不如本文提出的方法。

圖7 螺柱特征靜態(tài)測試參數(shù)偏差曲線

本文使用的螺柱參數(shù)提取算法，關(guān)鍵點為二值化閾值自動計算以及選取特征點計算螺柱軸線方向向量，這兩點分別保證了算法的穩(wěn)定性和準(zhǔn)確性。分別用固定閾值替換二值化閾值自動計算，用PCA 法替換特征點法計算螺柱軸向，比較替換前后的測量結(jié)果，可驗證兩方法的有效性。

表2列出了在算法其他步驟一致的情況下，使用自動計算閾值法與使用固定閾值法對一號螺柱進行靜態(tài)測試的效果對比?？梢娛褂米詣佑嬎汩撝捣ǖ闹貜?fù)精度更好。圖9 展示了在算法其他步驟一致的情況下，使用PCA 法和特征點法對一號螺柱進行絕對精度測試的結(jié)果變化，橫坐標(biāo)x1表述第一次微調(diào)下的參數(shù)x分量，以此類推，可以看出由于PCA法計算得到的螺柱軸線方向向量不準(zhǔn)確，使得特征參數(shù)擬合結(jié)果存在偏差，最終造成PCA法在大部分情況下的絕對精度低于特征點法。

表1 一號螺柱絕對精度測試數(shù)據(jù)表

圖8 其他算法對一號螺柱靜態(tài)測試參數(shù)偏差曲線

表2 二值化閾值對算法重復(fù)精度的影響

圖9 計算螺柱軸線方向向量方法對算法絕對精度的影響

4.2 螺紋孔測量精度與穩(wěn)定性檢驗

選取一白車身上的3 個螺紋孔特征作為被測特征，光刀合成圖像如圖10 所示，其中，三號螺紋孔內(nèi)孔的光刀線端點少于6個，最終擬合的特征參數(shù)為外孔孔心。

圖10 3個螺紋孔的光刀合成圖像

如圖11為三被測螺紋孔特征各方向的偏差值曲線，三被測特征都通過了測試。

圖11 螺紋孔特征靜態(tài)測試參數(shù)偏差曲線

一號螺紋孔的絕對精度測試結(jié)果如表3所示，同樣很好地滿足了測量尺寸偏差需控制在±0.3 mm的基本要求。

表3 一號螺紋孔絕對精度測試數(shù)據(jù)表

5 結(jié)語

本文針對白車身上螺柱、螺紋孔等復(fù)雜裝配特征，提出了一種基于自動計算二值化閾值的光刀線通用識別方法，與原有的人工固定閾值相比，提高了系統(tǒng)調(diào)試的效率和系統(tǒng)運行的穩(wěn)定性；提出一種綜合點云空間特征與光刀圖像二維幾何信息的點云分割方法，解決了光刀點云在難以建立正確拓撲關(guān)系的情況下，易分割不足或過度分割的問題，大大提高了分割準(zhǔn)確率。針對螺柱特征點云由于螺紋線干擾而與螺柱面間普遍存在偏差的問題，提出一種新的螺柱軸向計算方法，實現(xiàn)了螺柱點云特征參數(shù)的正確擬合。測量實驗表明，本文方法的重復(fù)精度和絕對精度滿足了工程應(yīng)用的要求。