基于点云切片的燃料喷嘴锥角测量方法

《Micromachines》：Measurement Method of Fuel Nozzle Cone Angle Based on Point Cloud Slicing

　　

针对传统燃油喷嘴尺寸测量策略效率低、误差大的问题，研究人员提出了一种改进的区域约束随机采样一致性（RANSAC）圆拟合方法，用于内孔锥角的高精度测量。采用聚焦形貌恢复（Shape-from-Focus, SFF）方法提取三维点云。随后将点云切片投影到二维平面，提取切片边缘。基于边缘形状分布，优化RANSAC的候选点选择策略：将初始圆划分为八个扇形区域，从三个不同区域中随机选取三个点来拟合候选圆。经过多次迭代，获得最优拟合圆。在最小二乘法、标准RANSAC和所提算法之间进行了比较分析，引入了三个定量指标——残差标准差（σ）、均方根误差（RMSE）和内点率（ε）——来评估拟合质量。实验结果表明，所提出的区域约束RC-RANSAC方法在三种方法中表现最佳，σ=2.826像素，RMSE=2.826像素，ε=95.2%，锥角偏差仅为1.0°，与基恩士（Keyence）超景深测量结果（误差0.8°）高度一致。该方法为燃油喷嘴内孔锥角的准确、鲁棒测量提供了一种新途径。

**论文解读：基于点云切片的燃油喷嘴锥角测量方法研究**

**研究背景与问题**
燃油喷嘴的喷射性能直接影响发动机燃烧效率，其内孔锥角是决定喷雾锥角、流量分布等关键参数的核心几何特征。传统接触式测量方法（如内径千分尺、三坐标测量机CMM）存在效率低、易损伤工件、难以在线检测等缺陷，而非接触光学方法（如显微视觉、白光干涉、CT等）虽可避免接触损伤，但面临微孔深部信息提取困难、边缘定位精度受噪声影响等问题。现有圆拟合算法（如最小二乘法、霍夫变换、标准随机采样一致性RANSAC）在处理含离群点和局部缺失的点云数据时，常因采样随机性导致拟合偏差大、跨切片锥角估计不稳定。为此，研究人员提出一种基于聚焦形貌恢复（SFF）的三维点云提取与区域约束RANSAC（RC-RANSAC）圆拟合相结合的锥角测量方法，旨在提高测量精度与鲁棒性。论文发表在《Micromachines》。

**主要技术方法**
研究人员采用以下关键技术：首先，利用显微景深原理（SFF）以10 μm步长采集200帧序列图像，通过改进的方差聚焦测度算子（FM）提取初始三维点云；然后，应用统计离群滤波去除噪声点，并采用均匀体素降采样简化点云；接着，对预处理后的点云进行切片（厚度4帧），将三维切片投影为二维图像，使用Canny算子提取边缘坐标；最后，提出区域约束RANSAC（RC-RANSAC）圆拟合算法——将初始圆按极角均匀分为8个扇形区域，每次从3个不同区域各随机取一点拟合候选圆，经多次迭代选出最优圆，并结合最小二乘法进行最终拟合。实验样本为两个经热处理的燃油喷嘴工件（编号1和2），测量环境为实验室。

**研究结果**
**3.1 Comparative Analysis of Cone Angle Calculation（锥角计算的比较分析）**
通过对燃油喷嘴1号工件三个不同高度切片（P1、P2、P3）进行圆拟合，计算各方法所得半径差及锥角。结果表明：最小二乘法锥角偏差为8.7°，标准RANSAC偏差为23.1°，而RC-RANSAC偏差仅为1.0°。对于2号工件，最小二乘法偏差为23.4°，标准RANSAC偏差为2.0°，RC-RANSAC仍保持1.0°偏差。利用基恩士（Keyence）VHX-6000超景深平台测量2号工件锥角为91.69°，RC-RANSAC的估计值（92.0°~93.0°）测量误差仅0.8°，远优于最小二乘法（误差5.6°）和标准RANSAC（误差2.3°）。由此得出结论：RC-RANSAC在跨切片锥角一致性上最优。

**3.2 Analysis of Circle Fitting Accuracy（圆拟合精度分析）**
以1号工件P2切片为例，引入三个定量指标——残差标准差（σ）、均方根误差（RMSE）、内点率（ε）进行评估。实验结果显示：RC-RANSAC的σ=2.8260像素、RMSE=2.8256像素、ε=95.2%，均优于最小二乘法（σ=2.8492、RMSE=2.8554、ε=94.6%）和标准RANSAC（σ=2.8849、RMSE=2.8776、ε=93.2%）。这表明RC-RANSAC对离群点鲁棒性最强，拟合圆最接近真实边缘轮廓。标准RANSAC因随机采样易陷入局部密集区域，导致性能最差。当前RMSE约2.8像素，相对误差约5.3%，研究人员指出可通过亚像素边缘提取技术进一步降至1像素以下。

**讨论与结论**
讨论部分指出，RC-RANSAC区别于现有引导型RANSAC（需几何先验或局部优化），其创新在于仅引入极角扇区划分的空间约束，无需任何先验信息（如半径估计或初始圆心），计算开销极低（仅增加角度计算与扇区分配），且采样可解释性强。实验验证了该策略在拟合精度和鲁棒性上的优势。局限性包括：固定切片厚度（4帧）可能产生冗余边缘点，样本量较小，且当前RMSE仍受限于图像噪声和边缘检测精度。未来工作将扩大样本，结合深度学习分割处理复杂场景，并部署至在线监测线验证实时效率。

**研究结论翻译**：本文利用显微景深原理获取燃料喷嘴入口孔的等间距序列图像，然后使用清晰度评价算子提取初始点云数据。应用统计离群滤波方法去除初始点云中的冗余数据，并采用均匀体素降采样对点云数据进行简化。预处理后的点云数据在去除噪声的同时保留了几何特征。采用点云切片方法测量燃料喷嘴内孔的锥角。首先，在几个等间距位置选择厚度为4帧的点云切片，并将点云切片从三维点转换为二维图像。同时，使用Canny边缘检测方法提取二维图像的边缘坐标。然后应用最小二乘法、RANSAC和RC-RANSAC方法对切片数据进行圆拟合。实验结果表明，鲁棒RANSAC方法提供了最佳的圆拟合结果。本文仍存在一些局限性，未来工作可以增加测量样本数量，并与深度学习算法进行比较分析，同时将实验室研究应用于在线监测线，以验证该方法的实时检测效率。本研究存在若干局限性，包括固定的切片厚度（4帧）可能引入冗余边缘，以及样本量相对较小。未来工作将增加测量样本数量，结合基于深度学习的分割方法处理复杂场景，并将该方法部署到在线监测线上以验证实时检测效率。总之，RC-RANSAC为燃油喷嘴内孔的自动锥度测量提供了一种无需先验知识的高效解决方案。