一种基于二阶锥优化的零件检测方法与系统与流程

1.本技术涉及零件检测技术领域，尤其涉及一种基于二阶锥优化的零件检测方法与系统。


背景技术：

2.生产过程中对工件进行外形检测时，首先通过扫描工件表面，然后获取用于在坐标系中可以表征工件特征的三维点云数据，以实现非接触测量是工业检测的常用手段。通过获取工件的形状公差判断工件是否合格。
3.工件的线轮廓度和面轮廓度可用于描述工件的形状公差。其中，面轮廓度用于评价实际曲面形状相对于理想曲面的变动量，适用于圆柱、圆锥、曲面和不规则曲面表面工件的形状误差测量。在计算面轮廓度时，常通过最小二乘法对工件进行匹配，通过判断待测工件与标准工件两片点云的整体欧式距离偏差，求取待测工件的面轮廓度值。
4.面轮廓度值的大小与待测工件与标准工件点云的最大法向距离相关，而采用最小二乘法结合求取整体欧式距离偏差的方式，是对于待测工件与标准工件的整体平均比较，并不对最大法向距离进行优化，通常会导致面轮廓度值偏大，导致检测精度不高。


技术实现要素：

5.本技术提供了一种基于二阶锥优化的零件检测方法与系统，以解决在求取面轮廓度值时，未对待测工件点云和标准工件点云之间的最大法向距离进行优化导致检测精度不高的问题。
6.第一方面，本技术提供了一种基于二阶锥优化的零件检测方法。包括：
7.扫描待测零件，得到第一点云数据；所述第一点云数据用于表征所述待测零件的特征点坐标；
8.对所述第一点云数据进行初始化变换，得到第一初始点云数据；
9.基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到标准检验值；
10.若所述标准检验值小于标准检验值阈值，则标记所述待测零件合格。
11.可选的，所述对第一点云数据进行初始化变换的步骤包括：
12.根据所述待测零件类型，获取用于表征标准零件的特征点坐标的第二点云数据；所述标准零件与所述待测零件的零件类型相同；
13.根据所述第一点云数据与所述第二点云数据计算得到协方差矩阵；
14.根据所述协方差矩阵对所述第一点云数据进行初始化变换，得到第一初始点云数据。
15.可选的，根据所述第一点云数据与所述第二点云数据计算得到协方差矩阵的步骤包括：
16.对所述第一点云数据与所述第二点云数据进行优化处理，分别得到第一点云优化数据和第二点云优化数据；所述优化处理包括去中心化和尺度归一化；
17.根据所述第一点云优化数据和所述第二点云优化数据，构建所述协方差矩阵。
18.可选的，根据所述协方差矩阵对所述第一点云数据进行初始化变换，得到第一初始点云数据，还包括：
19.对所述协方差矩阵进行奇异值分解，得到左奇异矩阵和右奇异矩阵；
20.根据所述左奇异矩阵和所述右奇异矩阵，对所述协方差矩阵的符号进行修正；
21.根据所述第一点云优化数据和所述协方差矩阵，得到所述第一初始点云数据。
22.可选的，所述基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到标准检验值之前，包括：
23.根据所述第一初始点云数据与所述第二点云优化数据的最大法向距离建立目标函数；
24.基于二阶锥优化建立所述目标函数的约束矩阵。
25.可选的，所述基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到标准检验值的步骤包括：
26.根据所述约束矩阵和所述目标函数，得到所述第一初始点云数据进行标准化变换时的变换参数；所述变换参数包括旋转参数和偏移参数；
27.根据所述第一初始点云数据、所述旋转参数和所述偏移参数，得到所述第一迭代点云数据；
28.根据所述第一迭代点云数据与所述第二点云优化数据计算所述标准检验值；所述标准检验值包括第一最大法向距离与第二最大法向距离。
29.可选的，所述方法还包括：
30.若所述第一最大法向距离小于或等于所述标准检验值阈值，则标记所述待测零件合格；
31.若所述第一最大法向距离大于所述标准检验值阈值，则求取所述第二最大法向距离，以及判断所述第二最大法向距离是否大于所述标准检验值阈值。
32.可选的，所述方法还包括：
33.设置求取最大法向距离的次数阈值；
34.记录求取最大法向距离的次数阈值的次数；
35.若求取最大法向距离的次数阈值的次数大于所述次数阈值，则停止求取最大法向距离。
36.可选的，若所述第一最大法向距离小于或等于所述标准检验值阈值，则标记所述待测零件合格，还包括：
37.输出所述第一迭代点云数据，以及所述第一迭代点云数据对应的变换参数。
38.第二方面，本技术还提供了一种二阶锥优化的零件检测系统，包括：采集模块、处理模块和决策模块；
39.所述采集模块用于扫描待测零件，得到第一点云数据；所述第一点云数据用于表征所述待测零件的特征点坐标；
40.所述处理模块用于对所述第一点云数据进行初始化变换，得到第一初始点云数据；
41.所述处理模块还用于基于二阶锥优化方法对所述第一初始点云数据进行标准化
变换，得到标准检验值；
42.所述决策模块用于在所述标准检验值小于标准检验值阈值时，标记所述待测零件合格。
43.由上述技术内容可知，本技术提供了一种基于二阶锥优化的零件检测方法与系统。所述方法首先通过扫描待测零件获取用于表征其形状特征的第一点云数据，接着根据待测零件和标准零件的位姿关系，对第一点云数据进行初始化变换，以使得在对待测零件进行检测前获取较好的待测零件初始位姿。然后以待测零件点云数据和标准工件点云数据的最大法向距离为目标函数，配合约束矩阵构建二阶锥优化流程，求取最优法向距离。最后根据最优法向距离可以求取待测零件的面轮廓度值，并与标准值比较从而判断待测零件是否合格。本技术通过对最大法向距离的目标函数进行优化，提高了最大法向距离的求取精度，进而提高面轮廓度值的计算精度，提高检测精度。
附图说明
44.为了更清楚地说明本技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
45.图1为本技术实施例提供的基于二阶锥优化的零件检测方法的步骤示意图；
46.图2为本技术实施例提供的待测零件点云数据初始化变换的位姿变换示意图；
47.图3为本技术实施例提供的构建协方差矩阵的步骤示意图；
48.图4为本技术实施例提供的根据协方差矩阵得到旋转参数和偏移参数的步骤示意图。
具体实施方式
49.下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本技术相一致的所有实施方式。仅是与权利要求书中所详述的、本技术的一些方面相一致的系统和方法的示例。
50.生产过程中，对于生产出来的零件的外形检测常通过评价待测零件的轮廓度判断零件是否合格。其中，通常将待测零件点云数据与标准零件点云数据之间的最大法向距离的两倍作为面轮廓度值，再将面轮廓度值与标准值进行比较进而判断待测零件是否合格。在检测时多采用最小二乘法求取最大法向距离，在求取的过程中考虑的是两片点云的整体欧氏距离偏差，进而将偏差最小化求取待测点云与标准点云的变换关系，最后再对最大法向距离进行求取。其过程并未直接对最大法向距离进行优化，因此容易导致最大法向距离值偏大，造成检验精度不高的问题。
51.鉴于上述问题，本技术提供了一种基于二阶锥优化的零件检测方法，如图1所示，其步骤包括：
52.s101：扫描待测零件，得到第一点云数据；
53.所述第一点云数据用于表征所述待测零件的特征点坐标；在检测零件的过程中，对于数量少的零件可以采用测量工具进行尺寸检测，从而判断待测零件是否合格。但在零
件批量生产的情况下，检测方法需要兼具精度和效率，因此再通过测量工具逐个测量的方式不符合这一要求。进而通过扫描待测零件图像的方式，对待测零件的扫描图像进行分析，以判断待测零件是否符合生产标准。
54.获取待测零件扫描图像的方式可以采用但不限于：结构光扫描法、双目立体视觉法、飞行时间法。此部分不作为本技术的描述重点，因此对于其各自原理不再赘述。通过上述任一种方法，可以获取待测零件的点云图像，进一步的可以根据点云图像以及待测零件的特征讲点云图像进行分割以区分出待测零件的各部分特征，并选取特征点组成点集以表征待测零件。
55.例如，对于一个齿轮，在获取齿轮的三维图像后，可以根据三维图像建立一个坐标系，并针对于齿轮的中心部分和啮合齿部分进行分割、特征点标记。对于每一个啮合齿、齿轮中心的固定孔等细节部分都要进行标记，以充分表现齿轮的特征，实现通过三维图像的点云数据表征齿轮。
56.s102：对所述第一点云数据进行初始化变换，得到第一初始点云数据；
57.初始化变换指的是在对待测零件的检测过程中，需要将待测零件与标准零件进行比对。并最终求出待测零件与标准零件之间的最大法向距离。本技术实施例采用的方法是求取第一点云数据与标准零件对应的点云数据之间的最大法向距离。通过对第一点云数据与标准零件对应的点云数据的最大法向距离进行多次迭代求取，直至到达预设迭代条件才停止，再利用最优最大法向距离求取面轮廓度值判断待测零件是否合格。
58.如图2所示，a零件在扫描时，其摆放位置恰好与标准零件进行扫描时的相同，因此其图像在坐标系中只需要通过简单的移动即可匹配对齐，进而求取最大法向距离。在求取最大法向距离的过程中，因其初始位姿较好，迭代次数也较少，计算效率较高。而b零件在扫描时，与标准零件的位姿差异明显，因此在迭代的过程中需要多次迭代才可求取最大法向距离，进而验证b零件是否合格。
59.因为在获取待测零件的图像时，存在未对待测零件的摆放、位置特定布置的情况，因此获取的图像数据在同一个坐标系中的坐标差异较大。坐标差异较大导致对应的点云数据在迭代时需要的迭代次数不同，一些图像的点云数据因为图像在坐标系中分布的原因，达到预设迭代条件的过程中需要的迭代次数过多，为了提高检测筛选的效率，在进行迭代前就对第一点云数据进行初始化变换以得到较为理想的初始位姿点云数据。在第一点云进行初始化变换的过程中，仅是相当于对其对应的图像的初始位置进行变换，而没有改变对应的待测零件的实际尺寸，因此经过初始化变换的第一点云数据仍是有效数据。
60.第一点云数据在进行初始化变换时，需要变换依据。因此还需要获取用于表征标准零件特征点坐标的第二点云数据作为第一点云数据的变换方向，以第二点云数据为基准，第一点云数据进行初始化变换，所述对第一点云数据进行初始化变换的步骤包括：
61.根据所述待测零件类型，获取用于表征标准零件的特征点坐标的第二点云数据；所述标准零件与所述待测零件的零件类型相同；
62.根据所述第一点云数据与所述第二点云数据计算得到协方差矩阵；
63.根据所述协方差矩阵对所述第一点云数据进行初始化变换，得到第一初始点云数据。
64.标准零件与待测零件的零件类型相同，以保证可以作为参考标准对待测零件进行
检验，同时也可以作为待测零件初始变换的位姿参考。获取第二点云数据的方式可以根据待测零件的类型，在数据库中查找相同类型的标准零件，并同时获取标准零件的第二点云数据。也可以实时对已知的标准零件进行扫描，并获取第二点云数据，并存储至数据库中以供后续检测使用。
65.如图3所示，第一点云数据进行初始化变换，即初始位姿变换的依据可以通过分解协方差矩阵实现。因此协方差矩阵是根据第一点云数据和第二点云数据计算得到的，并且第一点云数据在根据协方差矩阵变换时会使得其对应的位姿最大程度接近第二点云数据对应的位姿以减少运算量。需要理解的是，虽然协方差矩阵是根据第一点云数据和第二点云数据得到，第一点云数据又通过协方差矩阵进行位姿变换，但并不表示第一点云数据与协方差矩阵的变换结果就完全等同于第二点云数据，其目的是为了获取匹配程度最高的初始位姿。
66.根据所述第一点云数据与所述第二点云数据计算得到协方差矩阵的步骤包括：
67.对所述第一点云数据与所述第二点云数据进行优化处理，分别得到第一点云优化数据和第二点云优化数据；所述优化处理包括去中心化和尺度归一化；
68.根据所述第一点云优化数据和所述第二点云优化数据，构建所述协方差矩阵。
69.优化处理的目的是为了减少后续对第一点云数据和第二点云数据的计算量。通过中心化处理点云数据相当于将点云的中心点移动到坐标系的原点，减少因点云之间互相平移产生的计算量。尺度归一化则将待测零件点云与标准零件点云各自与远点的最大距离限制为1，降低了在迭代求取最大法向距离时因数值不稳定导致结果发散，无法求取最优解的可能性。
70.对于第一点云和第二点云均需要去中心化处理以保证点云数据同步，才可以使第一点云数据获得较好的初始位姿。去中心化相当于去除中心点的坐标再将点云移动至坐标系原点处。去除中心点则需要先求取中心点，可以通过如下公式计算第一点云和第二点云的中心点：
[0071][0072][0073]
其中，c
p
和cq可以分别表示第一点云和第二点云的中心点坐标，(p
xi
，p
yi
，p
zi
)(q
xi
，q
yi
，q
zi
)可以分别表示第一点云和第二点云的坐标。接着在第一点云和第二点云的坐标中减去各自对应的第一点云的中心点坐标和第二点云的中心点坐标，即可完成点云数据的去中心化。
[0074]
对第一点云数据和第二点云数据去中心化处理后，可以继续执行尺度归一化处理。需要对第一点云数据和第二点云数据上包含的特征点距离原点的最大距离进行求取。以第一点云数据为例，第一点云数据上的p1点为距离原点距离最大的点，求取p1点到原点的距离d1，并将第一点云数据上包含的每个特征点坐标都相应的除以d1，此时可以保证第一点云数据上的每个点与原点最大距离为1，因此在后续计算过程中不易出现因数值不稳定造成无法求出最优解的现象。
[0075]
对第一点云数据和第二点云数据进行优化处理有效地减少了运算量，且降低了因数值不稳定造成求解最大法向向量时无法求取最优解的现象的发生几率，有利于提高零件检测效率。在优化处理后，可以根据第一优化点云数据和第二优化点云数据求取用于初始位姿变换的协方差矩阵。
[0076]
协方差矩阵可以根据如下公式进行计算：
[0077][0078]
其中，∑
xy
表示协方差矩阵，qi’和pi’分别表示第二点云数据和第一点云数据。在计算得到∑
xy
后可以对协方差矩阵进行奇异值分解以获得第一点云坐标在初始化变化过程中的旋转矩阵和平移向量。根据所述协方差矩阵对所述第一点云数据进行初始化变换，得到第一初始点云数据的步骤包括：
[0079]
对所述协方差矩阵进行奇异值分解，得到左奇异矩阵和右奇异矩阵；
[0080]
根据所述左奇异矩阵和所述右奇异矩阵，对所述协方差矩阵的符号进行修正；
[0081]
根据所述第一点云优化数据和所述协方差矩阵，得到所述第一初始点云数据。
[0082]
如图4所示，对协方差矩阵进行奇异值分解，即svd分解，需要获取左奇异矩阵u和右奇异矩阵v，令s＝i，i为单位矩阵。协方差矩阵可以由i
·u·
v得到。在∑
xy
对应的行列式的值小于0时，还需为矩阵s对角线上最后一个元素添加符号以保证运算的准确性。第一点云数据进行位姿变换相当于其对应的矩阵在变换，因此旋转矩阵(旋转参数)r可以通过下述公式表示：
[0083]
r＝usv
t
；
[0084]
进而平移向量(偏移参数)t可以通过下述公式表示：
[0085]
t＝c
q-r
·cp
。
[0086]
s103：基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到标准检验值；
[0087]
在得到旋转矩阵r和平移向量t后，可以对第一点云数据进行初始化变换，得到第一初始点云数据。第一处是点云数据具有较好的初始位姿，可以有效地减少后续检测过程的计算量。第一初始点云数据具有较好的初始位姿，进而可以通过多次迭代的方式求取第一初始点云数据与第二优化点云数据的最大法向距离，因此所述基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到检验值之前的步骤包括：
[0088]
根据所述第一初始点云数据与所述第二点云优化数据的最大法向距离建立目标函数；
[0089]
基于二阶锥优化建立所述目标函数的约束矩阵。
[0090]
第二优化点云数据为经过优化处理后的第二点云数据，第一初始点云数据是第一优化点云数据为了获得更好的初始位姿经过初始化变换得到的。第一初始点云数据与第二优化点云数据均具有尺度归一、去中心化的特点，且第二优化点云数据为标准零件对应的数据，因此可以通过求取第一处是点云数据与第二优化点云数据之间的最大法向向量判断待测零件是否合格。
[0091]
本技术实施例中对待测零件进行检验的方式为求取待测零件的面轮廓度，而面轮廓度通常从数值上等于2倍的最大法向距离。因此，本技术实施例直接对第一初始点云数据
与第二点云优化数据的最大法向距离进行优化，首先根据最大法向距离的求取公式建立目标函数：
[0092]dm
＝max|(rp
ti
+t-qi)
·
ni|
[0093]
其中，dm表示最大法向距离，r表示旋转矩阵，p
ti
表示第一初始点云数据，q
ti
表示第二优化点云数据，ni表示第二优化点云每个点的法向量。
[0094]
在建立目标函数后，可以对目标函数进行约束以通过二阶锥优化方式求取最大法向距离。采用最小二乘配合欧氏距离的整体求取距离的方法求取的法向距离容易偏大，因此在本技术实施例中通过二阶锥优化的方式将最大法向距离最小化，即得到：
[0095]
f＝minmax|(rp
ti
+t-qi)
·
ni|
[0096]
令e＝max|(rp
ti
+t-qi)
·
ni|，则优化的目标函数可以写为：f＝mine，e≥|(rp
ti
+t-qi)
·
ni|，此时的约束条件为标准二次约束，可以使用二阶锥优化方法进行最优求解，并获得迭代过程中的旋转矩阵和平移向量。
[0097]
在对目标函数进行优化以及二次约束时，还可以对旋转角度和平移大小进行二次约束以使得计算过程中的损失精度最小，提高优化结果的可靠性与精度。
[0098]
在构建目标函数以及约束矩阵后，可以对第一初始点云数据进行标准化变换并得到标准检验值，基于二阶锥优化对所述第一初始点云数据进行标准化变换，得到标准检验值的步骤包括：
[0099]
根据所述约束矩阵和所述目标函数，得到所述第一初始点云数据进行标准化变换时的变换参数；
[0100]
根据所述第一初始点云数据、所述旋转参数和所述偏移参数，得到所述第一迭代点云数据；
[0101]
根据所述第一迭代点云数据与所述第二点云优化数据计算所述标准检验值；所述标准检验值包括第一最大法向距离和第二最大法向距离。
[0102]
变换参数包括旋转参数和偏移参数，标准化变化的过程依托于对最大法向距离的求取，求取当前一次变换的过程中的最小化的最大法向距离也相当于对第一迭代点云数据进行了一次位姿变换。而每次位姿变化都可以假定为旋转很小的角度，此时角度对应的正弦值与角度值近似相等，因此旋转角度对应的三角函数的变换可以近似的看作是线性变换，简化了计算过程，提高了检测效率。
[0103]
得到旋转参数和偏移参数后，第一点云数据根据旋转参数和偏移参数可以得到第一迭代点云数据。第一迭代点云数据可以与第二点云优化数据求取两片点云之间的第一最大法向距离，以判断零件是否合格。
[0104]
通常一次迭代很难得到最优点云数据，因此第一点云迭代数据在未能表明待测零件合格的基础上，还可以作为后续标准化变换的初始点云，并继续进行迭代求取第二最大法向距离，再次判断零件是否合格，若未达到迭代终止条件则可以继续迭代。因此，在根据所述第一迭代点云数据与所述第二点云优化数据计算所述标准检验值之后，还包括：
[0105]
若所述第一最大法向距离小于或等于所述标准检验值阈值，则标记所述待测零件合格；
[0106]
若所述第一最大法向距离大于所述标准检验值阈值，则求取所述第二最大法向距离，以及判断所述第二最大法向距离是否大于所述标准检验值阈值。
[0107]
第二最大法向距离对应第二迭代点云数据，需要说明的是，第二迭代点云数据不是标准零件对应的第二点云优化数据通过迭代得到的数据，而是指第一迭代点云数据再次迭代得到的点云数据。其表征的是位姿发生变换的待测零件的特征点。对于第二迭代点云数据来说，同样可以与表征标准零件特征点的第二点云优化数据计算最大法向距离以判断待测零件是否合格。若第二迭代点云数据未达到可输出最优点云数据的条件，则继续迭代，并根据第二迭代点云数据继续迭代，继续判断是否达到迭代终止条件。
[0108]
通过判断标准检验值是否小于标准检验值阈值可以作为迭代变换的终止条件，且这一限定条件是根据求解精度进行限定。符合标准检验值阈值的点云数据可以视为最优点云数据。此外，在检测的过程中不仅要重视精度还需要兼顾检测效率，在一些迭代过程中，因数值计算的原因会无休止的迭代。大量的迭代对运算设备会造成负担，影响检测效率。因此，在标准检验值作为预设条件可以限制检测精度的基础上，还需要通过设置迭代次数来保证迭代效率，其步骤包括：
[0109]
设置求取最大法向距离的次数阈值；
[0110]
记录求取最大法向距离的次数阈值的次数；
[0111]
若求取最大法向距离的次数阈值的次数大于所述次数阈值，则停止求取最大法向距离。
[0112]
迭代次数以对于符合一般情况的标准零件进行设定，其迭代次数适用于大部分零件，具有一般性。从迭代次数对迭代过程进行限制，保证了检测的效率。并且根据实际检测情况，也可以对超过迭代次数仍未达到最优解的零件进行单独归类，并执行进一步的检测以确保不会造成零件浪费的情况。
[0113]
在一些实施例中，为了不会造成零件的浪费，还可以对因超过迭代次数被视为不合格的零件统一处理进行二次检测，以确保不会影响整体检测效率，也不会造成生产浪费。
[0114]
s104：若所述标准检验值小于标准检验值阈值，则标记所述待测零件合格。
[0115]
因为面轮廓度值的数值通常用两片点云的最大法向距离的2倍表示，因此标准检验阈值可以根据最大法向距离直接设置，也可以根据面轮廓度值设置。本技术实施例中采用的标准检验阈值为根据最大法向距离直接设置。在标准检验值小于标准检验值阈值时，即可视为面轮廓度值符合标准，则标记待测零件合格。反之，则标记待测零件不合格。
[0116]
此外，在进行标准检验值判断时，是结合第一初始点云数据与所有标准化变换过程得到的最优点云数据与第二点云优化数据的最大法向距离进行计算，将计算的结果作为标准检验值。迭代的过程是以最大法向距离构建的目标函数为基准，以求取每次标准化变换对应的旋转参数和偏移参数，并将每次的旋转参数和偏移参数记录汇总，第一点云初始数据根据旋转参数和偏移参数会得到最优迭代点云数据，并与第二点云优化数据共同用于计算最大法向距离。因此，第一最大法向距离小于活等于所述标准检验值阈值，标记所述待测零件合格，还包括：
[0117]
输出所述第一迭代点云数据，以及第一迭代点云数据对应的变换参数。
[0118]
输出的变换参数不局限于第一迭代点云数据对应的变换参数，变换参数的数量随迭代次数增加而增加。在确定当前变换对应的迭代点云数据为最优迭代点云数据时，则需要输出包括当前变换、以及当前变换之前的任一次变换的变换参数，为计算标准检验值提供计算依据。
[0119]
本技术还提供了一种基于二阶锥优化的零件检测系统，包括：采集模块、处理模块和决策模块；
[0120]
所述采集模块用于扫描待测零件，得到第一点云数据；所述第一点云数据用于表征所述待测零件的特征点坐标；
[0121]
所述处理模块用于对所述第一点云数据进行初始化变换，得到第一初始点云数据；
[0122]
所述处理模块还用于基于二阶锥优化方法对所述第一初始点云数据进行标准化变换，得到标准检验值；
[0123]
所述决策模块用于在所述标准检验值小于标准检验值阈值时，标记所述待测零件合格。
[0124]
本技术提供了一种基于二阶锥优化的零件检测方法与系统。所述方法首先通过扫描待测零件获取用于表征其形状特征的第一点云数据，接着根据待测零件和标准零件的位姿关系，对第一点云数据进行初始化变换，以使得在对待测零件进行检测前获取较好的待测零件初始位姿。然后以待测零件点云数据和标准工件点云数据的最大法向距离为目标函数，配合约束矩阵构建二阶锥优化流程，求取最优法向距离。最后根据最优法向距离可以求取待测零件的面轮廓度值，并与标准值比较从而判断待测零件是否合格。本技术通过对最大法向距离的目标函数进行优化，提高了最大法向距离的求取精度，进而提高面轮廓度值的计算精度，提高检测精度。
[0125]
本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。