航空发动机外形点云的保特征去噪方法

doi:10.3969/j.issn.1004-132X.2021.23.009

摘要/Abstract

摘要： 三维激光扫描设备可以提供航空发动机外形实测点云，但其中包含的噪声会直接影响后期外形几何模型的重建精度。为保证在去除噪声的同时不模糊或破坏掉发动机复杂的外形几何特征，提出了一种基于深度学习的点云保特征去噪方法。将航空发动机外形噪声点云分割成特征数据和非特征数据之后，分别设计了特征去噪网络和非特征去噪网络，用于预测特征噪声点和非特征噪声点的位置修正向量，噪声点沿预测向量移动后被投影回模型真实的底层表面上，实现去噪。构建了用于特征去噪学习和非特征去噪学习的数据集。验证结果表明，在将该方法应用于各种噪声尺度的发动机外形点云时，相比现有的学习基方法，去噪效果得到提高，且有更好的几何特征保护能力，可以为后续重建提供高质量点云。

关键词: 航空发动机, 保特征去噪方法, 深度学习, 去噪损失函数, 迭代去噪

Abstract: The 3D laser scanning devices might provide the raw data of aero-engine profiles，but the noise would directly affect the reconstruction accuracy of the 3D geometric model of aero-engine profiles.In order to ensure that the noise was removed without blurring or destroying the complex geometry features of the aero-engine profiles，a feature-preserving point cloud denoising method was proposed based on deep learning.The noisy point cloud of aero-engine profiles was divided into feature data and non-feature data.The feature denoising network and the non-feature denoising network were designed to predict the position correction vectors of the feature noisy points and the non-feature noisy points respectively.The noisy points moved along above vectors and were projected back onto the original clean surfaces of the model.The data sets were constructed separately for feature denoising learning and non-feature denoising learning.The verification results show that when the proposed method is applied to the point cloud of aero-engine profiles with various noise scales，the denoising effectiveness is improved respectively compared with the existing learn-based methods.The proposed method has better geometric feature protection ability and may provide high quality point cloud for subsequent reconstruction.

Key words: aero-engine, feature-preserving denoising method, deep learning, denoising loss function, iterative denoising

中图分类号:

V228.4

闫杰琼, 周来水, 胡少乾, 文思扬. 航空发动机外形点云的保特征去噪方法[J]. 中国机械工程, 2021, 32(23): 2850-2860，2889.

YAN Jieqiong, ZHOU Laishui, HU Shaoqian, WEN Siyang. Feature-preserving Denoising Method for Aero-engine Profile Point Cloud[J]. China Mechanical Engineering, 2021, 32(23): 2850-2860，2889.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2021.23.009

http://www.cmemo.org.cn/CN/Y2021/V32/I23/2850

参考文献

［1］FLEISHMAN S， DRORI I， COHEN-OR D. Bilateral Mesh Denoising［J］. ACM Transactions on Graphics， 2003，22（3）：950-953.
［2］杜小燕，姜晓峰，郝传刚，等. 点云模型的双边滤波去噪算法［J］. 计算机应用与软件， 2010， 27（7）：245-246.
DU Xiaoyan， JIANG Xiaofeng， HAO Chuangang， et al. Bilateral Filtering Denoising Algorithm for Point Cloud Model［J］. Computer Applications and Software， 2010， 27（7）：245-246.
［3］曹爽，岳建平，马文. 基于特征选择的双边滤波点云去噪算法［J］. 东南大学学报（自然科学版）， 2013（增刊2）：351-354.
CAO Shuang， YUE Jianping， MA Wen. Bilateral Filtering Denoise Algorithm for Point Cloud Based on Feature Selection［J］. Journal of Southeast University（Natural Science Edition）， 2013（S2）：351-354.
［4］袁华，庞建铿，莫建文. 基于噪声分类的双边滤波点云去噪算法［J］. 计算机应用， 2015， 35（8）：2305-2310.
YUAN Hua， PANG Jiankeng， MO Jianwen. Denoising Algorithm for Bilateral Filtered Point Cloud Based on Noise Classification［J］. Journal of Computer Applications， 2015， 35（8）：2305-2310.
［5］李鹏飞，吴海娥，景军锋，等. 点云模型的噪声分类去噪算法［J］. 计算机工程与应用， 2016， 52（20）：188-192.
LI Pengfei， WU Haie， JING Junfeng， et al. Noise Classification Denoising Algorithm for Point Cloud Model［J］. Computer Engineeringand Applications， 2016， 52（20）：188-192.
［6］ALEXA M， BEHR J， COHEN-OR D， et al. Computing and Rendering Point Set Surfaces［J］. IEEE Transactionson Visualization and Computer Graphics， 2003， 9（1）：3-15.
［7］FLEISHMAN S， COHEN-OR D， SILVA C T. Robust Moving Least-squares Fitting with Sharp Features［J］. ACM Transactions on Graphics， 2005， 24（3）：544-552.
［8］KOLLURI R K. Provably Good Moving Least Squares［J］. ACM Transactions on Algorithms， 2008， 4（2）：18.
［9］ZTIRELI A C， GUENNEBAUD G， GROSS M. Feature Preserving Point Set Surfaces Based on Non-linear Kernel Regression［J］. Computer Graphics Forum， 2009， 28（2）：493-501.
［10］GUENNEBAUD G， GROSS M. Algebraic Point Set Surfaces［J］. ACM Transactions on Graphics， 2007， 26（3）：23.
［11］LIPMAN Y， COHEN-OR D， LEVIN D， et al. Parameterization-free Projection for Geometry Reconstruction［J］. ACM Transactions on Graphics， 2007， 26（3）：22.
［12］HUANG H， LI D， ZHANG H， et al. Consolidation of Unorganized Point Clouds for Surface Reconstruction［J］. ACM Transactions on Graphics， 2009， 28（5）：1-7.
［13］HUANG H， WU S， GONG M， et al. Edge-aware Point Set Resampling［J］. ACM Transactions on Graphics， 2013， 32（1）：1-12.
［14］PREINER R， MATTAUSCH O， ARIKAN M， et al. Continuous Projection for Fast L1 Reconstruction［J］. ACM Transactions on Graphics， 2014， 33（4）：47.
［15］GU X Y， LIU Y S， WU Q. A Filtering Algorithm for Scattered Point Cloud Based on Curvature Features Classification［J］. Journal of Information and Computational Science， 2015， 12（2）：525-532.
［16］吴禄慎，史皓良，陈华伟. 基于特征信息分类的三维点数据去噪［J］. 光学精密工程， 2016， 24（6）：1465-1473.
WU Lushen， SHI Haoliang， CHEN Huawei. Denoising of Three-dimensional Point Data Based on Classification of Feature Information［J］. Optics Precision Engineering, 2016， 24（6）：1465-1473.
［17］LIU C， YAN D， ZHAO H W. 3D. Point Cloud Denoising and Normal Estimation for 3D Surface Reconstruction［C］∥Proceedings of the 2015 IEEE Conference on Robotics and Biomimetics. Zhuhai， 2015：820-825.
［18］林洪彬，付德敏，王银腾，等. 一种散乱点云的保特征滤波方法：CN106530238B［P］. 2019-04-26.
LIN Hongbin， FU Demin， WANG Yinteng， et al. A Feature-preserving Filtering Method for Scattered Point Clouds：CN106530238B［P］. 2019-04-26.
［19］林洪彬，付德敏，王银腾. 基于参数自适应各向异性高斯核的散乱点云保特征去噪［J］. 计算机集成制造系统， 2017， 23（12）：2583-2592.
LIN Hongbin， FU Demin， WANG Yinteng. Feature Preserving Denoising of Scattered Point Cloud Based on Parametric Adaptive and Anisotropic Gaussian Kernel［J］. Computer Integrated Manufacturing Systems， 2017， 23（12）：2583-2592.
［20］ZHANG K， ZUO W， CHEN Y， et al. Beyond a Gaussian Denoiser：Residual Learning of Deep CNN for Image Denoising［J］. IEEE Transactions on Image Processing， 2016， 26（7）：3142-3155.
［21］ZHANG K， ZUO W， GU S， et al. Learning Deep CNN Denoiser Prior for Image Restoration［C］∥ Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii， 2017：3929-3938.
［22］JIN K H， MCCANN M T， FRPISTEU E， et al. Deep Convolutional Neural Network for Inverse Problems in Imaging［J］. IEEE Transactions on Image Processing， 2016（99）：4509-4522.
［23］WANG P S， LIU Y， TONG X. Mesh Denoising via Cascaded Normal Regression［J］. ACM Transactions on Graphics， 2016， 35（6）：232.
［24］BENOUINI R， BATIOUA I， ZENKOUAR K， et al. Efficient 3D Object Classification by Using Direct Krawtchouk Moment Invariants［J］. Multimedia Tools and Applications， 2018， 77（20）：1-26.
［25］QI C R， SU H， MO K， et al. PointNet：Deep Learning on Point Sets for 3D Classification and Segmentation［C］∥ 2017 IEEE Conference on Computer Vision and Pattern Recognition（CVPR）. Hawaii， 2017：652-660.
［26］QI C R， SU H， MO K， et al. PointNet++：Deep Hierarchical Feature Learning on Point Sets in AMetric Space［J］. arXiv preprint arXiv， 2017：1706. 02413.
［27］RAKOTOSAONA M J， BARBERA V L， GUERRERO P， et al. PointCleanNet：Learning to Denoise and Remove Outliers from Dense Point Clouds［J］. Computer Graphics Forum， 2020， 39（1）：185-203.
［28］TAUBIN G. Curve and Surface Smoothing without Shrinkage［C］∥Proceedings of IEEE International Conference on Computer Vision. Boston， 1995：852-857.

[1]	关山月, 汪小凯, 华林, 李一轩, . 航空机匣环件曲面结构超声全聚焦检测与缺陷定量方法[J]. 中国机械工程, 2023, 34(08): 892-898.
[2]	聂昕, 谭天, 申丹凤. 基于深度学习的汽车梁类件冲压回弹研究[J]. 中国机械工程, 2023, 34(07): 838-846.
[3]	赵艺珂, 王家序, 张新, 吴磊, 刘治汶. 基于增强最小熵解卷积的航空发动机故障诊断[J]. 中国机械工程, 2023, 34(02): 193-200.
[4]	唐东林, 杨洲, 程衡, 刘铭璇, 周立, 丁超. 浅层卷积神经网络融合Transformer的金属缺陷图像识别方法[J]. 中国机械工程, 2022, 33(19): 2298-2305，2316.
[5]	李伦绪, 陈果, 杨默晗. 航空发动机套齿连接结构刚度特性仿真分析及试验研究[J]. 中国机械工程, 2022, 33(18): 2249-2257.
[6]	于浩, 黄华贵, 郑加丽, 赵铁琳, 周新亮. 无缝钢管斜轧穿孔顶头表面缺陷非接触在线检测方法[J]. 中国机械工程, 2022, 33(14): 1717-1724.
[7]	杨光友, 刘浪, 习晨博. 自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断[J]. 中国机械工程, 2022, 33(13): 1613-1621.
[8]	艾青波, 张洁, 程辉, 吕佑龙, 左丽玲, 胡蓝. 基于PointCPP-LSF方法的航天筒段薄壁件滚弯成形质量分析[J]. 中国机械工程, 2022, 33(08): 977-985.
[9]	张胜文, 周曦, 李滨城, , 程德俊, , 陈文笛. 基于图像深度学习的零件加工特征信息提取方法[J]. 中国机械工程, 2022, 33(03): 348-355.
[10]	栾孝驰, 赵宇, 沙云东, 柳贡民, 赵钱, . 弧齿锥齿轮参数调节状态下行波共振特性及其影响规律研究[J]. 中国机械工程, 2021, 32(24): 2899-2908，2914.
[11]	崔海华, 徐振龙, 杨亚鹏, 孟亚云, 王宝俊. 一种基于深度学习图像超分的环形靶标稳定检测方法[J]. 中国机械工程, 2021, 32(23): 2861-2867.
[12]	童靳于, 罗金, 郑近德. 基于增强深度自编码网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(21): 2617-2624.
[13]	赵志宏, 李乐豪, 杨绍普, 李晴. 一种频域特征提取自编码器及其在故障诊断中的应用研究[J]. 中国机械工程, 2021, 32(20): 2468-2474.
[14]	余浩帅, 汤宝平, 张楷, 谭骞, 魏静. 小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法[J]. 中国机械工程, 2021, 32(20): 2475-2481.
[15]	尹晨, 周世超, 何建樑, 孙宇昕, 王禹林. 基于多源同步信号与深度学习的刀具磨损在线识别方法[J]. 中国机械工程, 2021, 32(20): 2482-2491.