عنوان پایان‌نامه
کنترل کیفیت ابعادی قطعات صنعتی از طریقمقایسه ابر نقاط اسکن شده با مدل CAD مرجع
- رشته تحصیلی
- مهندسی عمران - نقشه برداری - فتوگرامتری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: 2506;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 60513
- تاریخ دفاع
- ۱۲ شهریور ۱۳۹۲
- دانشجو
- مسعود حسنی مطلق
- استاد راهنما
- محمد سعادت سرشت
- چکیده
- کنترل کیفی ابعادی یکی از مهمترین مراحل در چرخه تولید قطعات صنعتی میباشد. امروزه روشهای مختلفی جهت کنترل کیفی ابعادی وجود دارد که متناسب با کاربرد و هزینه آن ها مورد استفاده قرار می گیرند. یکی از این روشها استفاده از اسکنرصنعتی است که قادر به تولید ابر نقطه ای متراکم از قطعه بوده و امکان مقایسه سه بعدی و دقیق ابرنقطه و مدل را فراهم میکند. هدف این پایان نامه ارائه روش هایی خودکار و سریع جهت هم مرجع سازی خودکار ابرنقطه و مدل CAD، تشخیص نقاط با تناظریابی اشتباه، مقایسه سه بعدی آنها و نمایش اعوجاجات هندسی محاسبه شده است. هم مرجع سازی میتواند با استفاده از کل نقاط و یا برمبنای عوارض انتخابی انجام شود. مقصود از مقایسه سه بعدی نیز محاسبه فاصله هریک از نقاط تا سطح مدل میباشد. روش پیشنهادی کنترل کیفی بایستی خودکار، سریع، دقیق و بدون محدودیت بوده و از روشهایی ساده و بدون پیچیدگی جهت رسیدن به نتیجه استفاده کرده باشد. در این پایان نامه از روش PCA و روش ICP با ساختار هرمی جهت هم مرجع سازی اولیه استفاده شده است. در ادامه دو روش برای جهت هم مرجع سازی دقیق به کار رفته است. در روش اول روش ICP بر روی کل نقاط ابرنقطه اعمال میشود. در روش ICP مهمترین مساله پیدا کردن نقاط متناظر است که بدین جهت روشی ارائه میشود که از طریق شبکه بندی فضای مدل و با استفاده از روش Barycentric نقاط متناظر و فواصل آنها از مدل را بدست می آورد. روش دوم در هم مرجع سازی دقیق، بر مبنای تعیین عوارض انتخابی در مدل CAD توسط کاربر، جداسازی و تناظریابی نقاط مربوطه در ابرنقطه و تعیین پارامترهای انتقال عمل می کند. جداسازی نقاط براساس فاصله و زاویه قائم موضعی بین مدل CAD و ابر نقطه انجام میگیرد. تناظریابی نقاط مربوط به عارضه انتخابی با به کارگیری برخی روش های قطعه بندی (رشد ناحیه)، خوشه بندی (Kmeans) و برازشی (SVD و LM) صورت میگیرد. تعیین پارامترهای انتقال بر اساس دو راهکار اعمال مدل خطی انتقال روی پارامترهای عوارض استخراجی و روش ICP روی نقاط استخراج شده عمل میکند. در انتها مدل CAD و ابر نقاط هم مرجع سازی شده با هم مقایسه شده و اعوجاجات هندسی موضعی برآورد میگردد. نتایج آزمون ها حاکی از این است که اعمال PCA موجب افزایش سرعت و اطمینان از همگرایی روش ICP هرمی در هم مرجع سازی اولیه می شود. همچنین استفاده از روش ساختار هرمی سبب افزایش چشم گیر سرعت و پایداری هم مرجع سازی اولیه، بدون کاهش محسوس دقت شده است. دقت پایین هم مرجع سازی اولیه تاثیر منفی روی هم مرجع سازی نهایی در حالت مبتنی بر عوارض دارد زیرا میزان انحراف بالا بین مدل و ابرنقطه موجب کاهش دقت تناظریابی نقاط با مدل CAD و حذف نقاط صحیح عارضه میگردد که در حالت هم مرجع سازی دقیق مبتنی بر ICP این مشکل وجود ندارد. همچنین در هم مرجع سازی بر مبنای عوارض که بر مبنای پارامترهای عوارض عمل می کنند، تعیین پارامترهای انتقال با استفاده از روش ICP دقت بالاتری نسبت به روش اعمال مدل خطی از خود نشان می دهد. در انتها مشاهده گردید در هم مرجع سازی دقیق مبتنی بر ICP، هنگام مقایسه ابرنقطه با مدل CAD، جهت تشخیص نقاط با تناظریابی اشتباه بایستی آزمون سه سیگما را بر روی زاویه بین قائم ها اعمال نمود زیرا اعمال آزمون سه سیگما روی فواصل نقاط از سطح مدل موجب حذف نقاط در محل های اعوجاج دار خواهد شد. واژه‌های کلیدی: ابرنقطه، مدل CAD، هم مرجع سازی، ICP، PCA، SVD، روش بهینه سازی LM، ICL، روش Barycentric، کواترنیون، روش قطعه بندی رشد ناحیه ای و روش Kmeans.
- Abstract
- for automatic registration of point cloud and CAD model based on all points and selected objects . The proposed method included two stages of coarse and fine registration. Coarse registration in this paper has been carried out automatically by a combination The quality control in industrial production lines has been significant importance from ancient times especially in recent decades. Nowadays, different systems are used to control dimensional quality among which the industrial 3D scanners are known. After scanning of object and collection of point cloud and having CAD model in hand, both must register together. Registration of point cloud and reference model is a basic stage in dimensional quality control. This project presents algorithms of the following methods: Principal Component Analysis, Grid model space, Barycentric technique and ICP method with pyramid structure. In the proposed method, following steps are done sequentially: (1) at first, initial registration is done based on Principal Component Analysis with little care. (2) Point cloud and vertexes of CAD model are indexed via a 3D grid network with proper cell size. (3) Barycentric technique is used to find corresponding triangle of CAD model to each point of point cloud having same grid index. This technique gives the min distance between each point and nearest triangle and computes nearest point on the triangle. (4) At end, coarse registration is finalized via corresponding coordinates with ICP method through a pyramid structure of points. For point based fine registration, ICP method is continued until the desired precision. For object based fine registration, at first, some object in CAD model should be selected and traced manually by user in the areas with maximum deviation between model and point cloud and normal vectors. Then, since after coarse registration, point cloud is close enough to CAD model; corresponding points in the point cloud for each object can be extracted automatically. This is done in five steps: (1) initial point extraction by cutting point cloud using object limit and distance threshold. (2) Computation of point surface by TIN and local normal vectors. (3) Point segmentation by region growing based on normal vectors and points connectivity or point clustering by Kmeans method based on position of points. (4) object fitting to each point segment by SVD or LM method. (5) select the best segment based on number of points. Two methods are used to calculate the transformation parameters. Finally, the CAD models and point cloud are compared and deviations are estimated. The result of our experiments shows that the proposed algorithms is very precise and efficient for dimensional quality control of industrial complex objects. It is also possible to extract and register object even with dimensions smaller than 1cm2. The transformation parameters are calculated using the ICP method shows higher accuracy of linear model. for detection of Wrong matching points three sigma test should be applied on the angle between the normal vectors.Keep in mind that more care in coarse registration leads to more stability in fine registration. Keywords: Registration, Segmentation, Singular Value Decomposition, Principal Component Analysis, ICL, Quaternion, Region Growing, Kmeans.
