摘"要：針對(duì)目前利用γ光子進(jìn)行發(fā)動(dòng)機(jī)葉片沉積物檢測(cè)需要的流程多，且沒(méi)有相應(yīng)軟件平臺(tái)的問(wèn)題，設(shè)計(jì)一個(gè)γ光子探測(cè)裝置控制與圖像處理系統(tǒng)軟件，包括控制探測(cè)器進(jìn)行數(shù)據(jù)的采集模塊、檢測(cè)圖像處理模塊以及點(diǎn)云配準(zhǔn)模塊等的設(shè)計(jì)。該系統(tǒng)基于Qt平臺(tái)，集成了VTK、ITK、PCL等C++類(lèi)庫(kù)，并設(shè)計(jì)實(shí)現(xiàn)一種基于PCA-ICP的點(diǎn)云配準(zhǔn)算法優(yōu)化。經(jīng)實(shí)驗(yàn)測(cè)試表明：該配準(zhǔn)算法能夠有效提高沉積物檢測(cè)的效率及精度，并且該系統(tǒng)設(shè)計(jì)能夠?qū)崿F(xiàn)對(duì)探測(cè)裝置的控制并滿(mǎn)足對(duì)圖像的處理要求。

關(guān)鍵詞：γ光子；無(wú)損檢測(cè)；軟件設(shè)計(jì)；圖像處理，點(diǎn)云配準(zhǔn)

中圖分類(lèi)號(hào)：TB302.5""文獻(xiàn)標(biāo)志碼：A""文章編號(hào)：1671-5276（2024）02-0035-05

Design of Engine Blade Sediment Detection System Based on γ Photon

GAO Chaoyu， YAO Min， CHEN Shuyi， WANG Ming

（College of Automation Engineering， Nanjing University of Aeronautics and Astronautics， Nanjing 211106， China）

Abstract：Regarding the complex processes of engine blade detection by means of γ photon and lack of related software platform， this paper designs a γ photon detection device control and image processing system software， which includes the design of data acquisition module， detection image processing module and point cloud registration module controling the detector. Based on Qt platform， the system integrates VTK，ITK，PCL and other C++class libraries， and designs and implements a point cloud registration algorithm optimization based on PCA-ICP. The experiments show that the registration algorithm can effectively improve the efficiency and accuracy of sediment detection， and the system design can achieve the control of detection devices and meet the requirements of image processing.

Keywords：γ photons; non destructive testing; software design; image processing; point cloud registration

0"引言

利用γ光子發(fā)動(dòng)機(jī)葉片沉積物檢測(cè)是一種新的檢測(cè)手段。將放射性核素與熔融態(tài)石蠟顆粒混合，通過(guò)風(fēng)洞模擬沉積的動(dòng)態(tài)過(guò)程，直至熔融態(tài)顆粒在發(fā)動(dòng)機(jī)葉片上沉積。在外部通過(guò)γ光子探測(cè)裝置接收發(fā)射出的γ光子對(duì)，經(jīng)過(guò)重建能夠得到葉片沉積物的三維圖像，之后對(duì)該圖像進(jìn)行濾波、邊緣提取等處理，能夠獲得有效的沉積物檢測(cè)圖像。將處理后的圖像轉(zhuǎn)換成點(diǎn)云數(shù)據(jù)，與葉片模型點(diǎn)云數(shù)據(jù)進(jìn)行配準(zhǔn)，即可判斷沉積物在葉片的分布，達(dá)到檢測(cè)的目的。但是，由于目前還沒(méi)有能夠?qū)⑸鲜鎏幚磉^(guò)程集成在一起的軟件平臺(tái)，導(dǎo)致檢測(cè)過(guò)程較為繁瑣，需要在不同平臺(tái)上進(jìn)行切換處理。因此，本文設(shè)計(jì)了一款γ光子探測(cè)及圖像處理系統(tǒng)軟件，并結(jié)合γ光子點(diǎn)云圖像的特點(diǎn)對(duì)其中點(diǎn)云配準(zhǔn)模塊所用的配準(zhǔn)算法進(jìn)行了優(yōu)化，將γ光子檢測(cè)所需的流程進(jìn)行集成，為以后檢測(cè)的標(biāo)準(zhǔn)化提供解決方案。

1"系統(tǒng)總體設(shè)計(jì)

本文設(shè)計(jì)的系統(tǒng)基于Qt開(kāi)發(fā)，Qt具有良好的封裝機(jī)制，其模塊化程度非常高。此外，Qt的信號(hào)槽機(jī)制非常高效實(shí)用，加上豐富的API，便于開(kāi)發(fā)者理解，最重要的是它還支持2D/3D圖形渲染，支持OpenGL，因此廣泛用于軟件界面的開(kāi)發(fā)設(shè)計(jì)。同時(shí)，更為重要的是，Qt采用C++編寫(xiě)，使之后的圖像處理以及點(diǎn)云配準(zhǔn)模塊均可調(diào)用C++的類(lèi)庫(kù)，大大方便了軟件的開(kāi)發(fā)過(guò)程［1-2］。

γ光子探測(cè)及圖像處理系統(tǒng)包含了以下幾個(gè)重要的模塊：探測(cè)器控制模塊、圖像處理模塊、點(diǎn)云配準(zhǔn)模塊和圖像顯示模塊等。

1.1"探測(cè)器控制模塊

探測(cè)器控制模塊采用DMC1380運(yùn)動(dòng)控制卡來(lái)發(fā)送控制指令給步進(jìn)電機(jī)來(lái)控制齒輪旋轉(zhuǎn)，從而將探測(cè)器送至指定的位置進(jìn)行采集。該控制卡采用了專(zhuān)用運(yùn)動(dòng)控制卡，可以對(duì)多個(gè)步進(jìn)電機(jī)進(jìn)行點(diǎn)位運(yùn)動(dòng)控制，并且提供了一套簡(jiǎn)單易用的、功能豐富的運(yùn)動(dòng)控制API函數(shù)庫(kù)，大大提高了開(kāi)發(fā)的效率。控制指令通過(guò)CAN總線來(lái)傳輸，因?yàn)镃AN總線的數(shù)據(jù)段長(zhǎng)度最多為8個(gè)字節(jié)，8個(gè)字節(jié)不會(huì)占用總線時(shí)間過(guò)長(zhǎng)，從而能夠保證通信的實(shí)時(shí)性。該模塊的工作原理如圖1所示。

該模塊主要實(shí)現(xiàn)以下的功能：顯示當(dāng)前運(yùn)動(dòng)狀態(tài)，判斷裝置處于旋轉(zhuǎn)或者停止?fàn)顟B(tài)；顯示旋轉(zhuǎn)的方向，判斷是否處于采集狀態(tài)或者回零狀態(tài)；顯示旋轉(zhuǎn)速度，判斷當(dāng)前速度是否滿(mǎn)足設(shè)定要求；同時(shí)還可以顯示當(dāng)次采集的采集進(jìn)度，用來(lái)判定當(dāng)前采集是否結(jié)束。

1.2"圖像處理模塊

因?yàn)槔忙霉庾訉?duì)沉積物檢測(cè)得到的切片圖為DICOM格式。DICOM是一種標(biāo)準(zhǔn)的醫(yī)學(xué)圖像格式，所以圖像處理模塊利用了ITK庫(kù)對(duì)DICOM數(shù)據(jù)讀取和處理，包括濾波、讀取DICOM數(shù)值等基本處理。但是，ITK沒(méi)有顯示圖像的功能，因此將處理后的數(shù)據(jù)利用VTK進(jìn)行顯示。VTK是一個(gè)可視化工具包，主要應(yīng)用在三維計(jì)算機(jī)圖形、圖像處理以及可視化方向作為一個(gè)專(zhuān)業(yè)的可視化工具，它還具有強(qiáng)大的三維圖形功能，可以利用光線投射法進(jìn)行三維體繪制，還能進(jìn)行逼真的體、面、光源等渲染。上述這些特性，可以很好地將檢測(cè)結(jié)果呈現(xiàn)出來(lái)，實(shí)現(xiàn)數(shù)據(jù)的可視化。

1.3"點(diǎn)云配準(zhǔn)模塊

由于γ光子檢測(cè)手段只能獲取到沉積物的三維圖像，無(wú)法得到沉積物在葉片上的準(zhǔn)確分布。因此采用了將檢測(cè)得到的數(shù)據(jù)轉(zhuǎn)換成點(diǎn)云數(shù)據(jù)與發(fā)動(dòng)機(jī)葉片的空腔點(diǎn)云進(jìn)行配準(zhǔn)的方式實(shí)現(xiàn)檢測(cè)的目的，以此來(lái)反映沉積物在葉片的分布情況，并對(duì)之后的葉形設(shè)計(jì)提供輔助作用。該模塊的任務(wù)就是將檢測(cè)到的序列切片圖轉(zhuǎn)換成點(diǎn)云數(shù)據(jù)，同時(shí)獲取葉片的點(diǎn)云數(shù)據(jù)。該模塊基于點(diǎn)云庫(kù)（point cloud library，PCL）來(lái)實(shí)現(xiàn)，PCL是目前比較流行的點(diǎn)云處理庫(kù)，用來(lái)實(shí)現(xiàn)點(diǎn)云濾波、配準(zhǔn)等點(diǎn)云處理中常見(jiàn)的問(wèn)題［3］。

1.4"圖像顯示模塊

本文設(shè)計(jì)的檢測(cè)系統(tǒng)有較多的可視化需求，包括對(duì)序列檢測(cè)切片圖的可視化、圖像處理過(guò)程的可視化、點(diǎn)云數(shù)據(jù)處理過(guò)程中的可視化。圖像顯示模塊考慮到Qt與VTK的結(jié)合，采用了VTK中可視化模塊［3］，集成到Qt界面，來(lái)滿(mǎn)足該檢測(cè)系統(tǒng)的可視化需求。

2"點(diǎn)云配準(zhǔn)算法優(yōu)化

由于γ光子檢測(cè)得到的數(shù)據(jù)是體數(shù)據(jù)，而體數(shù)據(jù)的數(shù)據(jù)量較大，會(huì)導(dǎo)致配準(zhǔn)時(shí)間長(zhǎng)，并且在γ光子成像過(guò)程中存在散射現(xiàn)象，導(dǎo)致在將圖像轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)時(shí)存在大量的噪聲點(diǎn)。因此分別對(duì)γ光子檢測(cè)的體數(shù)據(jù)和內(nèi)腔模型的點(diǎn)云數(shù)據(jù)進(jìn)行降采樣處理并通過(guò)濾波減少檢測(cè)點(diǎn)云中存在的噪聲，針對(duì)經(jīng)典PCA算法出現(xiàn)的主軸反轉(zhuǎn)情況［4-5］提出了改進(jìn)的PCA算法，結(jié)合γ光子檢測(cè)點(diǎn)云的特點(diǎn)，利用列文伯格-馬夸爾特（levenberg-marquardt，LM）算法對(duì)迭代最近點(diǎn)（iterator closest points， ICP）算法進(jìn)行了優(yōu)化。

2.1"基于主軸校正的PCA算法

1）首先，將點(diǎn)云坐標(biāo)記為矩陣P，矩陣P的每一行分別記錄了點(diǎn)云中一個(gè)點(diǎn)空間坐標(biāo)的x、y、z坐標(biāo)值，第i個(gè)點(diǎn)的坐標(biāo)記為pi（pxi，pyi，pzi）：

P=px1py1pz1px2py2pz2pxnpynpzn（1）

2）遍歷點(diǎn)云中所有的點(diǎn)，假設(shè)該點(diǎn)云中共有n個(gè)點(diǎn)，計(jì)算點(diǎn)云的中心空間坐標(biāo)，記為O：

O=1n∑ni=1pxi，∑ni=1pyi，∑ni=1pzi（2）

3）采用協(xié)方差矩陣來(lái)計(jì)算不同維度之間的協(xié)方差，協(xié)方差矩陣可以通過(guò)式（2）進(jìn)行構(gòu)造：

C=1n∑ni=1［（pi-O）（pi-O）T］（3）

4）利用奇異值分解的方法來(lái)計(jì)算協(xié)方差矩陣C的特征值和特征向量，奇異值分解的形式為

C=UΛUT（4）

5）分別計(jì)算源點(diǎn)云和目標(biāo)點(diǎn)云的主軸方向，利用源點(diǎn)云和目標(biāo)點(diǎn)云的主軸方向矩陣計(jì)算源點(diǎn)云變換到目標(biāo)點(diǎn)云的旋轉(zhuǎn)矩陣R：

R=UtUs-1（5）

6）在得到旋轉(zhuǎn)矩陣R以后，平移矩陣可以通過(guò)式（5）求?。?/p>

T=OT-ROS（6）

式中：OT表示目標(biāo)點(diǎn)云的中心坐標(biāo)；OS表示源點(diǎn)云的中心坐標(biāo)。

那么最終的變換矩陣即由旋轉(zhuǎn)矩陣R和平移矩陣T構(gòu)成：

Trans=R0T1（7）

由于PCA算法計(jì)算得到的主軸方向采用向量的形式表示，因此在計(jì)算主軸之后可能出現(xiàn)主軸反向的問(wèn)題，故本文提出一種改進(jìn)的算法用于解決主軸反向的問(wèn)題。在得到變換矩陣之后，分別構(gòu)造x、y、z軸旋轉(zhuǎn)矩陣：

V=d1000d2000d3（8）

式中d1、d2、d3的取值為1或者-1，共有8種不同的組合，對(duì)應(yīng)將x、y、z軸3個(gè)方向進(jìn)行反轉(zhuǎn)。分別計(jì)算8種情況下的兩組點(diǎn)云的配準(zhǔn)誤差δi（i=1，2，3，…，8），取誤差最小的δk對(duì)應(yīng)的Vk。用Vk校正由式（5）計(jì)算得到的旋轉(zhuǎn)矩陣R：

R′=R×Vk（9）

式中R′是經(jīng)過(guò)主軸校正得到的旋轉(zhuǎn)矩陣。

2.2"改進(jìn)的ICP算法

ICP算法是點(diǎn)云配準(zhǔn)領(lǐng)域最經(jīng)典的配準(zhǔn)算法。該算法的核心是構(gòu)造一個(gè)目標(biāo)函數(shù)，通過(guò)多次迭代來(lái)使得目標(biāo)函數(shù)最小化。利用粗配準(zhǔn)的變換矩陣作為算法的初值進(jìn)行迭代計(jì)算［6］。算法的目的就是尋找最優(yōu)的旋轉(zhuǎn)矩陣和平移矩陣使得目標(biāo)誤差函數(shù)E（R，t）的值最小。

求解最優(yōu)的旋轉(zhuǎn)矩陣和平移矩陣，按照如下步驟進(jìn)行求解。

1）計(jì)算源點(diǎn)云P和目標(biāo)點(diǎn)云Q的重心，分別記為Wp（xwp，ywp，zwp）和Wq（xwq，ywq，zwq），可以通過(guò)式（10）和式（11）分別計(jì)算Wp和Wq：

Wp=1m∑mi=1px，∑mi=1py，∑mi=1pz（10）

Wq=1n∑ni=1qx，∑ni=1qy，∑ni=1qz（11）

2）協(xié)方差矩陣計(jì)算如下：

C=1k∑ki=1［piqiT］-WpWqT（12）

3）利用協(xié)方差矩陣構(gòu)造對(duì)稱(chēng)矩陣Sym，求解對(duì)稱(chēng)矩陣的最大特征值，對(duì)應(yīng)的特征向量即為最優(yōu)的旋轉(zhuǎn)向量，對(duì)稱(chēng)矩陣Sym為

Sym（C）=tr（C）ΔTΔC+CT-tr（C）I3（13）

4）采用四元素法來(lái)計(jì)算最優(yōu)變換矩陣，記最優(yōu)旋轉(zhuǎn)向量rot=［q0q1q2q3］T，q0、q1、q2、q3滿(mǎn)足q0≥0，并且q02+q12+q22+q32=1，采用四元素法計(jì)算最優(yōu)旋轉(zhuǎn)矩陣R，得到最優(yōu)旋轉(zhuǎn)矩陣R后，求解最優(yōu)的平移矩陣t：

t=Wp-RWq（14）

將R和t帶入目標(biāo)函數(shù)就可以計(jì)算得到兩片點(diǎn)云對(duì)應(yīng)k個(gè)點(diǎn)的歐式平均距離e。當(dāng)e小于等于設(shè)定的閾值時(shí)，則當(dāng)前的最優(yōu)旋轉(zhuǎn)矩陣R和最優(yōu)平移矩陣t為全局最優(yōu)的旋轉(zhuǎn)矩陣和平移矩陣。如果當(dāng)前計(jì)算的e大于設(shè)定的閾值那么就需要重新求解步驟1）到步驟4），得到新的R和t，直到e小于等于設(shè)定的閾值。

由于γ光子檢測(cè)點(diǎn)云屬于無(wú)序點(diǎn)云并且點(diǎn)云數(shù)據(jù)量巨大，在搜索對(duì)應(yīng)點(diǎn)時(shí)會(huì)耗費(fèi)大量的時(shí)間，在多次迭代搜索后，時(shí)間復(fù)雜度也會(huì)隨之提高，同時(shí)經(jīng)典的ICP算法在部分情況下可能會(huì)產(chǎn)生局部最優(yōu)解的問(wèn)題。針對(duì)此問(wèn)題，本文通過(guò)引入LM模型來(lái)求解最優(yōu)的變換矩陣。

高斯-牛頓法是求解非線性問(wèn)題常用的方法，在實(shí)際使用中，高斯-牛頓法要求正規(guī)方程中的海塞矩陣H為正定矩陣，但是可能會(huì)遇到海塞矩陣H為奇異矩陣的情形。因此，高斯-牛頓法可能存在不收斂的情況，不能適應(yīng)所有的最優(yōu)化求解。

LM算法在高斯-牛頓法中加入了一個(gè)正定的對(duì)角矩陣，那么增量變化為

Δx=-（J（x）TJ（x）+λI）-1J（x）Te（x）（15）

式中：I為單位矩陣；λ為一個(gè)正實(shí)數(shù)。當(dāng)λ=0時(shí)，LM算法和高斯-牛頓法相同，當(dāng)λ很大時(shí)，LM算法就變成了梯度下降法。因此，λ用于控制優(yōu)化算法前進(jìn)的步長(zhǎng)，在前期將λ設(shè)置為較大的值，使得x通過(guò)梯度下降法快速收斂到極值點(diǎn)附近；當(dāng)x收斂到極值點(diǎn)附近后，將λ減小到0附近，減少收斂的步長(zhǎng)，使其達(dá)到穩(wěn)定收斂的效果。在每次迭代的時(shí)候，除了要更新誤差函數(shù)e（x）在第k次迭代值xk和在該處的一階偏導(dǎo)數(shù)值以外，還要更新λ的值，用于調(diào)節(jié)收斂步長(zhǎng)。λ選取的策略為：

λ的初始值為max（aij），aij為HG-N矩陣對(duì)角線元素，在迭代過(guò)程中定義兩個(gè)變量μ和ν，其中ν的初始值設(shè)置為2。

μ=F（xk+1）-F（xk）ψ（xk+1-xk）-ψ（0）（16）

式中：ψ（x）為F（x）的線性近似函數(shù)；μ代表了目標(biāo)函數(shù)與近似函數(shù)變化量的差異。線性近似函數(shù)總是大于0，因此，如果μ＜0則說(shuō)明前進(jìn)的方向是正確的，目標(biāo)函數(shù)F（x）變小，那么下一次迭代中的λ則更新為

λ=λ·max13，1-（2μ-1）3（17）

如果求得μgt;0則說(shuō)明前進(jìn)方向錯(cuò)誤，就通過(guò)ν調(diào)整μ：

μ′=μ·ν，v′=2·ν（18）

當(dāng)x的增量太小時(shí)，則可以認(rèn)為目標(biāo)函數(shù)已經(jīng)收斂到極值點(diǎn)附近了，可以停止迭代，判斷條件為

xk+1-xk＜ε（xk+ε）（19）

式中ε為自定義的比較小的一個(gè)正值。

本文提出的改進(jìn)ICP算法如下。

1）對(duì)源點(diǎn)云和目標(biāo)點(diǎn)云進(jìn)行數(shù)據(jù)重組，分別構(gòu)建源點(diǎn)云和目標(biāo)點(diǎn)云的kd-tree結(jié)構(gòu)。

2）將ICP算法的目標(biāo)函數(shù)記為誤差函數(shù)：

e（R，t）=1k∑ki=1qi-（R+t）2（20）

由誤差函數(shù)計(jì)算雅可比矩陣J。根據(jù)λ的選取策略修改λ，并計(jì)算誤差，當(dāng)誤差小于設(shè)定的閾值時(shí)，停止迭代；當(dāng)誤差大于設(shè)定的閾值時(shí)，繼續(xù)更新λ，直至誤差小于設(shè)定的閾值，完成配準(zhǔn)計(jì)算。

3"系統(tǒng)測(cè)試與實(shí)驗(yàn)結(jié)果

3.1"系統(tǒng)整體測(cè)試

如圖2所示，在控制探測(cè)裝置進(jìn)行旋轉(zhuǎn)采集時(shí)，可以在控制界面顯示當(dāng)前的旋轉(zhuǎn)方向、轉(zhuǎn)速、當(dāng)前角度以及當(dāng)前探測(cè)裝置的狀態(tài)等信息，同時(shí)，在探測(cè)過(guò)程中一旦出現(xiàn)錯(cuò)誤還可以人工停止采集；在采集結(jié)束之后，可以控制探測(cè)裝置順時(shí)針旋轉(zhuǎn)至原始位置，準(zhǔn)備下一次的采集操作。

圖3和圖4分別展示了對(duì)檢測(cè)模型和序列圖像的三維顯示以及圖像處理的部分功能。

3.2"點(diǎn)云配準(zhǔn)算法對(duì)比

為驗(yàn)證檢測(cè)效果，現(xiàn)場(chǎng)實(shí)驗(yàn)使用的探測(cè)器為T(mén)rans-PET Discoverist 180，其部分參數(shù)如表1所示。

Trans-PET Discoverist 180探測(cè)器如圖5所示。

利用風(fēng)洞模擬顆粒在發(fā)動(dòng)機(jī)葉片沉積的過(guò)程，通過(guò)γ光子成像算法獲得沉積物圖像，并將其轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)與葉片進(jìn)行配準(zhǔn)。為驗(yàn)證本文提出的改進(jìn)PCA-ICP算法在γ光子沉積物檢測(cè)中的效果，利用經(jīng)典的PCA-ICP算法和改進(jìn)的PCA-ICP算法分別為葉片沉積物及葉片進(jìn)行配準(zhǔn)。兩種配準(zhǔn)算法的結(jié)果如圖6所示。

圖6中綠色表示沉積物的γ光子點(diǎn)云圖像，紅色表示發(fā)動(dòng)機(jī)葉片的理論模型，藍(lán)色表示配準(zhǔn)后沉積物在葉片的分布（本刊為黑白印刷，有疑問(wèn)可向作者咨詢(xún)）。圖6（a）為傳統(tǒng)的PCA-ICP配準(zhǔn)算法的結(jié)果，根據(jù)結(jié)果可以發(fā)現(xiàn)，配準(zhǔn)出現(xiàn)錯(cuò)誤，存在主軸反轉(zhuǎn)，并且存在一定的角度偏差，圖6（b）為改進(jìn)后的PCA-ICP算法配準(zhǔn)結(jié)果，利用改進(jìn)的PCA-ICP算法作為粗配準(zhǔn)結(jié)果，修正了主軸反轉(zhuǎn)，經(jīng)過(guò)精確配準(zhǔn)之后得到了正確的配準(zhǔn)結(jié)果。

表2比較了兩種配準(zhǔn)算法的耗時(shí)和誤差，可以看到在時(shí)間上本文提出的改進(jìn)算法占有優(yōu)勢(shì)，均小于傳統(tǒng)的PCA-ICP算法所消耗的時(shí)間；同時(shí)，改進(jìn)的算法配準(zhǔn)誤差均小于傳統(tǒng)PCA-ICP算法得到的誤差。與圖6中展示的結(jié)果一致，由此證明在γ光子葉片沉積物檢測(cè)中，本文提出的改進(jìn)的PCA-ICP算法是有效的，并且效果優(yōu)于傳統(tǒng)的PCA-ICP算法。

在實(shí)際檢測(cè)環(huán)境中，γ光子檢測(cè)圖像中會(huì)產(chǎn)生較多的噪點(diǎn)，并且由于γ光子檢測(cè)圖像得到的檢測(cè)數(shù)據(jù)是體數(shù)據(jù)，數(shù)據(jù)量大，將其中轉(zhuǎn)換為點(diǎn)云數(shù)據(jù)之后，常規(guī)的配準(zhǔn)算法配準(zhǔn)時(shí)間較長(zhǎng)，為進(jìn)一步驗(yàn)證本文提出的改進(jìn)的PCA-ICP算法在葉片沉積物檢測(cè)中的優(yōu)越性和穩(wěn)定性，延長(zhǎng)了顆粒沉積實(shí)驗(yàn)的實(shí)驗(yàn)時(shí)間，使得更多的顆粒沉積在葉片上，并且在得到的數(shù)據(jù)中增加噪點(diǎn)來(lái)驗(yàn)證本文提出的算法的穩(wěn)定性。

實(shí)驗(yàn)獲得的沉積物點(diǎn)云數(shù)據(jù)為62 896個(gè)。將該點(diǎn)云作為源點(diǎn)云，葉片的點(diǎn)云數(shù)據(jù)為18 648個(gè)。該點(diǎn)云數(shù)據(jù)作為目標(biāo)點(diǎn)云，通過(guò)對(duì)源點(diǎn)云增加離群點(diǎn)的方法，將源點(diǎn)云數(shù)據(jù)擴(kuò)充到76 222個(gè)。傳統(tǒng)的PCA-ICP算法的配準(zhǔn)時(shí)間及配準(zhǔn)誤差如表3所示。

改進(jìn)的PCA-ICP算法的配準(zhǔn)時(shí)間及配準(zhǔn)誤差如表4所示。

增加的離群點(diǎn)數(shù)量約占整體點(diǎn)云的17.51%，由于離群點(diǎn)的存在，在計(jì)算對(duì)應(yīng)點(diǎn)時(shí)會(huì)增大誤差，并且增加配準(zhǔn)時(shí)間，對(duì)于改進(jìn)的PCA-ICP算法來(lái)說(shuō)，去除離群點(diǎn)和未去除離群點(diǎn)的配準(zhǔn)時(shí)間相差并沒(méi)有傳統(tǒng)PCA-ICP算法的配準(zhǔn)時(shí)間相差大，此外，在有離群點(diǎn)的情況下，改進(jìn)后的算法配準(zhǔn)時(shí)間也較短。由此可以看出，改進(jìn)的PCA-ICP算法的精度與去除離群點(diǎn)情況下的配準(zhǔn)精度相當(dāng)，該算法具有較好的穩(wěn)定性，優(yōu)于傳統(tǒng)的PCA-ICP算法，并且改進(jìn)后的算法在數(shù)據(jù)量較大的情況下也有較好的表現(xiàn)。

4"結(jié)語(yǔ)

本文設(shè)計(jì)了一款基于工業(yè)γ光子的發(fā)動(dòng)機(jī)葉片沉積物探測(cè)及圖像處理系統(tǒng)軟件，基于Qt平臺(tái)，加入了VTK、ITK、PCL 3個(gè)C++類(lèi)庫(kù)，分別用來(lái)實(shí)現(xiàn)圖像的顯示、DICOM數(shù)據(jù)的讀取與處理以及對(duì)點(diǎn)云數(shù)據(jù)的處理，并通過(guò)對(duì)點(diǎn)云配準(zhǔn)算法進(jìn)行改進(jìn)，提高了配準(zhǔn)精度和效率，經(jīng)過(guò)多次實(shí)驗(yàn)測(cè)試，該系統(tǒng)達(dá)到了設(shè)計(jì)目標(biāo)。

參考文獻(xiàn)：

［1］ 李科，岳林，惠子南，等. 基于Qt跨平臺(tái)的車(chē)載人機(jī)界面設(shè)計(jì)［J］. 鐵道標(biāo)準(zhǔn)設(shè)計(jì)，2017，61（9）：128-132.

［2］ 陳明，沈鉞. 基于Qt開(kāi)發(fā)的水下航行器監(jiān)控系統(tǒng)［J］. 計(jì)算機(jī)產(chǎn)品與流通，2019（11）：144.

［3］ 曲濱鵬，魏曉潔，繆佳，等. 圖像分割技術(shù)在醫(yī)學(xué)圖像處理中的應(yīng)用實(shí)踐［J］. 科技創(chuàng)新與應(yīng)用，2021（16）：178-180.

［4］ 李澤宇，何萍，朱立峰. 一種基于PCA的醫(yī)學(xué)圖像特征提取與配準(zhǔn)算法研究［J］. 中國(guó)數(shù)字醫(yī)學(xué)，2020，15（7）：98-101.

［5］ RUSU R B，MARTON Z C，BLODOW N，et al. Towards 3D Point cloud based object maps for household environments［J］. Robotics and Autonomous Systems，2008，56（11）：927-941.

［6］ 邢宏文，劉思仁，邱磊，等. 基于點(diǎn)云數(shù)據(jù)的零件數(shù)字化檢測(cè)技術(shù)研究［J］. 機(jī)械制造與自動(dòng)化，2020，49（6）：217-219.

收稿日期：20221019