《Sensors》：A Vision-Guided Point Cloud Refinement Method for Helical Surface Measurement: A Case Study on Screw Thread Pitch
编辑推荐：
摘要：螺纹是关键的机械零部件，其几何精度直接决定机械系统的性能与可靠性。然而，传统的接触式检测方法耗时且仅能实现稀疏采样。现有非接触光学技术常因离散点间距导致边缘定位精度不足。为解决上述挑战，本文提出一种视觉引导的点云精化测量方法。该系统集成激光扫描仪与相机，
摘要：螺纹是关键的机械零部件，其几何精度直接决定机械系统的性能与可靠性。然而，传统的接触式检测方法耗时且仅能实现稀疏采样。现有非接触光学技术常因离散点间距导致边缘定位精度不足。为解决上述挑战，本文提出一种视觉引导的点云精化测量方法。该系统集成激光扫描仪与相机，其中激光扫描作为获取三维点云的主通道，视觉系统通过亚像素定位与插值提供高分辨率螺纹边缘位置。研究人员建立联合二维-三维（2D-3D）配准流程，将二维亚像素边缘定位精度传递至对应三维点，有效修正螺纹牙顶的空间位置。随后采用由粗到精的处理流程，包括基于主成分分析（PCA）的主轴对齐、基于傅里叶变换的螺距粗估计以及基于高斯金字塔的多分辨率精化，从精化后的点云中提取螺距。在真实螺纹试件上的实验验证表明，所提方法实现0.0423 mm的螺距测量误差，性能与纯视觉方法相当，可为高精度螺纹检测提供可靠解决方案。
一、研究背景与问题
螺纹作为机械系统中广泛使用的关键零部件，在紧固、动力传递、运动转换和密封等工业场景中发挥着不可替代的作用，其几何精度直接决定机械系统的功能性能与运行可靠性。随着制造公差日益收紧，螺旋表面的精密检测已成为现代质量保证中关键而富有挑战性的任务。
传统螺纹检测主要依赖接触式三坐标测量机（CMM）或专用螺纹测量仪器。尽管这类方法具有较高测量精度，但存在固有局限：逐点探测耗时、测头磨损以及稀疏采样策略无法完整获取复杂螺旋表面的三维形貌。此外，传统方法仅从两个轴向截面评估螺纹参数，无法捕捉三维几何异常。近年来，基于面域测量策略的三维螺纹计量研究已证明点云方法在螺纹计量中的可行性与高重复性，但这些方法主要针对接触式CMM系统开发，尚未充分扩展到光学线激光扫描场景。
非接触光学测量技术中，线结构光（线激光）扫描凭借高采集速度、高空间分辨率、主动照明降低表面对反射率变化的敏感性以及易于集成到自动化检测流程等优势受到广泛关注。然而，线结构光系统在扫描高反射表面时易受多次反射和镜面高光影响，导致激光条纹图像损坏、中心线提取不准确，进而产生离群点和数据空洞。此外，获取的点云通常包含数十万至数百万个点，带来显著计算负担并可能传播误差。螺旋几何具有连续曲率变化和三维周期性特征，使得牙顶和牙根识别成为挑战，直接极值检测易受采样误差影响。因此，亟需一种能够获取并分析螺旋表面全场三维几何数据、同时兼顾精度与效率的测量方法。
二、研究内容与结论
针对上述挑战，本文提出一种基于线结构激光扫描的测量方法。该方法以激光扫描系统作为主测量通道获取稠密三维点云，同时通过相机获取高分辨率二维螺纹边缘位置，经联合二维-三维（2D-3D）配准流程将亚像素定位精度传递至对应三维点，有效修正螺纹牙顶的空间位置，提升后续螺距测量精度。该方法兼具激光扫描的全场三维测量能力与机器视觉的高分辨率边缘定位能力，在保持全面空间覆盖的同时实现增强的测量精度。通过仿真与真实螺纹点云数据的对比实验验证了所提方法的有效性。
三、关键技术与方法
研究人员采用的主要关键技术方法包括：基于主成分分析（PCA）的点云主轴对齐方法，通过计算协方差矩阵的特征向量估计螺纹几何轴方向并将点云变换至规范坐标系；基于亚像素边缘定位与插值算法，利用Canny算子检测像素级边缘后沿梯度方向拟合二次多项式确定亚像素边缘位置，再经中值滤波、高斯平滑、残差离群点剔除和基于快速傅里叶变换（FFT）的余弦插值生成高密度轮廓；基于联合二维-三维配准的视觉引导点云校正方法，通过预标定的内外参数将三维点投影至图像平面，建立与亚像素边缘点的最近邻对应关系并修正三维点空间坐标；基于傅里叶变换的螺距粗估计方法，对去趋势和均匀重采样后的截面轮廓采用Welch平均周期图法估计功率谱密度并提取主导频率；基于高斯金字塔的多分辨率螺距精化方法，通过逐级高斯平滑与二倍下采样构建金字塔，在顶层进行粗牙顶检测后映射回原始分辨率进行局部二次多项式拟合精定位。实验样本为真实螺纹试件，分为A、B、C三个区域，名义牙底直径分别为23.8 mm、过渡段和17.9 mm，大径统一为28 mm，螺距为28 mm。
四、研究结果
仿真结果与讨论
主轴对齐精度验证：研究人员在8281种空间姿态组合下验证PCA主轴对齐方法，平均角度误差为0.078°。鲁棒性分析表明，该方法对随机缺失点和离群点污染具有显著鲁棒性，但对点云周向覆盖率高度敏感，当覆盖率低于270°时角度误差急剧增大。
多分辨率精化与误差分析验证：以螺距28 mm的螺纹为例，高斯金字塔自适应计算得到5层金字塔。顶层粗检测成功识别24个牙顶位置，无漏检和误检。精化后的螺距估计值为27.967 mm，相对偏差为0.12%。螺距分布直方图显示有效螺距值集中在28 mm附近，验证了测量结果的高重复性。
敏感性分析：50次独立蒙特卡洛运行表明，在噪声标准差0.005 mm至0.08 mm范围内平均螺距误差保持在0.015 mm以下；数据缺失率从5%增至30%时螺距误差从0.006 mm增至0.03 mm，超过20%后增幅明显；离群点污染率1%至10%范围内螺距误差保持在0.02 mm以下且无上升趋势。
实验结果与讨论
视觉引导点云校正验证：对真实螺纹试件应用所提方法，单个截面在五层高斯金字塔下于最粗层检测到21个候选牙顶位置，精化后该截面平均螺距估计为28.071 mm。九个纵向截面的螺距值范围为28.056 mm至28.075 mm，均值为28.064 mm，标准差为0.014 mm。
不同方法对比：以CMM测量值28.0217 mm为参考，纯视觉方法产生27.9715 mm的螺距，绝对误差0.0502 mm，处理时间1.56 s；仅傅里叶变换方法产生25.9 mm的螺距，绝对误差2.1217 mm；傅里叶变换加高斯金字塔方法将误差显著降至0.0783 mm；所提方法实现28.064 mm的螺距，绝对误差0.0423 mm，处理时间0.81 s。相比傅里叶变换加高斯金字塔方法，所提方法将绝对误差降低约46%，同时处理时间与纯视觉方法相比缩短近一半。
五、讨论与结论
讨论部分指出，所提方法在测量精度与计算效率之间实现了良好平衡，适用于对精度和吞吐量均有要求的实际工业检测场景。视觉引导的点云精化有效增强了激光扫描系统的测量精度，由粗到精策略在精化流程中发挥关键作用。研究结论为：本文提出一种用于螺纹螺距测量的视觉引导点云精化方法，将相机图像中提取的亚像素边缘位置直接用于修正激光点云中螺纹牙顶点的空间坐标，将机器视觉的高横向分辨率直接传递至三维测量域。仿真中，PCA对齐在8281种姿态下实现0.078°的平均角度误差，高斯金字塔精化将螺距误差从7.57%降至0.28%，最终轮廓点数从7760降至412。真实实验中，该方法实现28.064 mm的螺距，相对CMM参考值（28.0217 mm）的绝对误差为0.0423 mm。敏感性分析显示对噪声和离群点（高达10%）具有鲁棒性，但对数据缺失更为敏感。局限性包括仅在实验室条件下对单一试件进行验证、数据缺失超过20%时性能下降、仅关注螺距参数以及依赖准确的相机-激光标定。此外，PCA主轴对齐对周向覆盖率高度敏感，覆盖率低于270°时角度误差急剧增大，对于仅部分扫描的工件可能不可靠。未来工作将扩展到更多螺纹规格、材料和真实制造环境，以及大径、牙底直径、导程和牙侧角等其他几何参数，并按照计量学指南评估测量不确定度。
