基于球面细化法的几何轮廓特征高精度提取技术研究

本文提出了一种基于球面细化（Spherical Thinning）的几何轮廓特征高精度提取方法，通过移动最小二乘法（MLS）优化点云法向量估计，结合改进的DBSCAN聚类和KD树球面搜索算法，实现了工业工件扫描点云中突变与连续轮廓特征的精准提取。实验表明，该方法提取偏差小于1.5倍密度距离（0.748-1.256 mm），准确率达96.78%-98.42%，为三维重建、匹配拼接等应用提供了可靠技术支撑。

　　

Highlight

所提特征提取方法

在介绍本文研究方法前，需先理解以下关键流程：针对工业工件扫描点云表面轮廓特征提取，本方法分为两阶段。第一阶段（2.1节）基于曲率的特征初提取：通过双重优化改进原始曲率计算——引入移动最小二乘法（MLS）优化法向量估计，同时利用法向量构建法截面圆计算法曲率，提出MLS点云法曲率优化算法。

实验环境与扫描数据

实验在Windows 11系统搭载AMD Ryzen 5 3550H处理器的平台上运行，采用PCL1.13.0环境编程。使用CREAFORM MetraSCAN 3D光学坐标测量扫描仪（精度0.025 mm）获取工件点云数据，如图4所示。

讨论

实验结果表明，基于球面细化的几何轮廓特征提取法能有效识别工件轮廓特征，适用于含复杂几何信息的工件。尽管不同工件的初提取特征点数量浮动较大，但通过球面细化（Spherical Thinning）和DBSCAN聚类可精准分离块状与线状特征，最终偏差控制在1.5倍密度距离内，精度超96%。

结论与未来工作

本文提出的球面细化几何轮廓特征提取法，通过MLS优化曲率计算和KD树球面搜索，解决了传统方法在连续轮廓提取中的偏差问题。未来将探索该技术在生物医学三维建模（如器官表面特征分析）中的跨领域应用。

作者贡献声明

Haiman Chu：方法论构建/初稿撰写；Yinbao Cheng：数据监督；Yaru Li：论文审阅；Jingjing Fan：算法验证；Ning Chen：可视化；Yinghui Wang：软件测试。

利益冲突声明

作者声明无任何可能影响本研究结果的财务或个人关系冲突。

致谢

本研究获浙江省自然科学基金（LQN25E050005）和浙江省市场监督管理局科技计划项目（ZD2025008/ZC2023007/ZD2024011）资助。