摘要：目前我国存在较多外购发动机的情况,外购发动机存在只有实物及安装尺寸等信息,而没有三维数字化模型的问题,这给飞机与发动机的装配协调设计带来较大困难,因此飞机设计部门对快速重构航空发动机的外形几何模型提出了迫切需求。为了使重建出的发动机外形几何模型尽可能地保留准确的结构特征,提出了一种基于深度学习的航空发动机外形点云特征分割方法,该方法将整体点云分割成特征数据与非特征数据,这有利于后续采用不同的方法重建出各种复杂的结构特征。设计了一种迭代密度均衡算法用于构建特征分割数据集,该算法为特征分割网络的训练、测试和性能评估提供基础;设计了一种特征分割网络,从多尺度局部表面片中收集形状结构和局部邻域信息,用于判断其中心是否是特征点。将训练好的特征分割网络模型应用于发动机外形点云,验证结果表明,特征分割精度达到95.16%,所提算法实现了高精度语义分割。

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。

摘要：在航空发动机外形重建过程中,需要将外形点云数据进行分割,获得更小、连贯、具有相同属性点的点云片段,以利于之后点云数据的分类提取。设计一种用于航空发动机外形特征点云分割的深度学习训练数据集的构建方法;分析航空发动机外形的特点,将理论模型与实测数据相结合,构建包含航空发动机外形特征的点云数据训练集。训练集中包括根据航空发动机外形典型特征设计的理论模型离散点云及实际扫描的外形点云数据。

摘要：针对逆向工程领域,激光扫描仪获取的散乱点云数据难免存在着残缺的问题,设计一种迭代修复残缺点云孔洞的算法,对其进行下采样,基于加权局部最优投影算子得到分布均匀的稀疏点集;将点沿稀疏点集的代数点集曲面排斥推向残缺区域;对稀疏点集进行上采样完成孔洞区域的一次修复。将上述步骤迭代应用,逐渐缩小残缺区域,直到完成修复。研究表明:该方法对表面曲率连续的残缺点云模型可自适应完成修复,恢复原有残缺区域的几何信息。