基于SFM的退役零件失效特征表征精度影響研究*

張 琦，張秀芬*，蔚 剛

(1.內蒙古工業大學 機械工程學院，內蒙古 呼和浩特 010051;2.內蒙古機電職業技術學院 教學實習部，內蒙古 呼和浩特 010070)

0 引 言

退役機械零件往往存在多種失效模式，比較典型的失效形式有磨損、腐蝕、變形和斷裂等。不同的失效模式對應著不同的失效特征，如失效面積、失效長度、失效體積等。其中，失效特征的識別與表征對于快速評估零部件的可再制造性具有重要意義。

通常，機械零件內部的失效特征多采用超聲波無損探傷、電磁波無損探傷、射線檢測等[1-3]技術進行表征和量化。機械零件表面的失效特征則多采用模糊評價法、3D掃描儀重建法等[4-5]進行表征和量化。其中，模糊評價法通過專家評價結果進行失效特征量化，主觀性較大，評價不精確。3D掃描儀重建法則通過3D掃描儀對物體進行掃描，并構建失效零件的三維模型，需要特定的設備，成本高、過程復雜、效率低。

基于圖像的三維重建即是通過照相機中的傳感器拍攝物體的圖像，來獲得物體的三維模型。圖像三維重建分為多攝像頭重建和單一攝像頭重建[6-7]。單攝像頭重建包含從聚焦中獲取深度(depth from focus， DFF)[8]、從陰影中恢復形狀(shape from shading，SFS)[9]、從運動中恢復形狀(SFM)[10]等。其中：SFM方法具有重建精度高、魯棒性強等特點，是近年來研究和應用最廣的方法。李文達等[11]以無人機拍攝的地面信息圖片為輸入，基于SFM法進行了地面三維模型重建。李瑩等[12]采用SFM方法重建了城市植被。

為了克服已有失效特征表征中存在的精度低、成本高等不足，筆者提出基于SFM的失效特征表征的方法，并研究失效特征表征精度的影響因素，為提高可控制表征精度提供理論支持。

1 退役零件失效特征表征方案

以退役機械零件表面失效特征為研究對象，根據退役零件照片序列中的特征信息，筆者基于SFM法重建出該零件的稀疏點云，通過CMVS/PMVS法重建出該零件的稠密點云，通過泊松表面重建算法獲得零件三維圖形，導入到SolidWorks進行網格實體轉換，并與未失效零件進行對比，獲得失效區域的失效信息。

退役零件失效特征表征方案由退役零件三維重建和退役零件失效特征表征兩部分組成。退役零件失效特征表征方案流程如圖1所示。

圖1 退役零件失效特征表征方案流程圖

退役零件失效特征的三維重建旨在通過SFM和表面泊松重建方法恢復退役零件的三維圖形，其具體的步驟如下：

(1)構建退役零件圖像集。通過智能手機拍攝采集退役零件失效特征的圖像集，不需要提前對相機位置和退役零件的相對位置進行標定，通過合適的拍攝角度和拍攝位置采集到高精度的圖片，高精度的圖片可以優化三維重建的精度。因此，圖片集應包含退役零件盡可能多的失效信息，圖片與圖片間應包含相同的特征點；

(2)構建退役零件三維點云。構建退役零件圖像集后，將圖像集導入到Visual SFM軟件中(該軟件中包含圖片特征信息提取和匹配模塊，SFM方法重構稀疏點云模塊和CMVS/PMVS重構稠密點云模塊)，應用以上模塊對圖像集進行處理，重構出退役零件的稠密點云，獲得了包含相機相對位置、稀疏點云和稠密點云信息的文件；

(3)構建退役零件三維圖形。將包含退役零件相關信息的文件導入到MeshLab軟件中，去除退役零件稠密點云中的冗余點，應用泊松表面重建模塊，擬合出最接近退役零件表面的三維模型，通過修復流形邊緣得到最終的三維圖形。

退役零件失效特征表征旨在通過對比退役零件和未退役全新零件的三維模型，得到量化的失效信息和直觀對比圖。為快速準確評估退役零件的可再制造性提供數據支撐，其步驟如下：

(1)構建退役零件的三維數字化模型。將退役零件失效特征三維重建出的三維圖形以多邊形數據格式(PLY)保存，導入到三維軟件SolidWorks中選擇圖形實體進行打開，設置單位長度為毫米，將圖形轉換成網格實體。由于其三維重建過程中丟失了失效零件的尺寸信息，需要測量失效零件上的部分長度信息，對重建后三維模型中相同點的長度信息進行比例縮放，以還原真實尺寸的失效零件的三維模型；

(2)構建未失效零件的三維數字化模型。未失效零件其尺寸完好，通過測繪或原設計廠獲得零件的三維數字化模型。

(3)量化失效特征。對構建的失效和未失效零件的三維數字化模型進行質量評估仿真，通過分析仿真獲得失效零件和未失效零件的失效體積、表面積、質量等失效信息，對量化的數據求其差值，得到失效零件在該失效形式下的失效量。

2 失效特征重建精度影響因素

為了提高失效特征的表征精度，筆者根據退役零件失效特征表征方案流程及SFM方法的特點，提取出3個影響重建精度的影響因素，主要包括零件形狀、失效程度、照片采集數量和角度等。

筆者采用控制變量法對影響因素進行實驗研究，采用正交實驗得到最優化的重建結果。

2.1 照片采集數量和拍攝高度的影響

SFM方法的原理在于從運動中恢復形狀，其中涉及到重建圖片內的特征信息，圖片的數量和拍攝高度會影響特征信息量，從而影響重建精度。

首先，筆者以重建物體為坐標原點建立三維坐標系，在該坐標系中研究照片數量和拍攝高度的影響。

將拍攝高度分為平拍、俯拍和仰拍拍攝3種，在保證拍攝所使用的設備、外部環境和照片數量相同的情況下進行3次實驗，實驗情況如表1所示。

表1 玩偶拍攝高度實驗表

筆者通過拍攝高度實驗確定最佳的拍攝高度后，對拍攝照片的數量展開實驗。為了保證實驗的可靠性，筆者在同一拍攝高度繞玩偶拍攝72張圖片，每張圖片間隔弧度為0.873 rad，按拍攝角度變化從圖片集中選擇不同數量圖片進行重建。

不同拍攝高度與照片數量下的玩偶重建稠密點云，如圖2所示。

圖2 拍攝高度與照片數量實驗對比圖

由圖2可知：

(1)俯拍拍攝重建的稠密點云有部分缺失和部分重建錯位，仰拍拍攝重建的稠密點云有大部分的缺失，平拍拍攝獲取的稠密點云特征恢復較好，沒有重建錯位的發生。對比以上3種拍攝高度可知，平拍拍攝效果最好；

(2)圖片數量較少時，重建后的稠密點云會丟失部分特征信息，圖片數量超過40張后重建精度不會增加，反而會引入冗余特征點和噪點，也會增加重建所需的時間。因此，圖片數量為36至40張時重建精度較好。

2.2 零件形狀的影響

根據其本身結構和功能不同，機械零件具有多種形狀。為了更好地劃分類別，筆者將退役零件的形狀分為軸套類、箱體類、輪盤類3種。其中，軸套類零件特點為長度較長，類似長方體；箱體類零件特點為形狀較為規則，類似正方體；輪盤類零件特點為形狀不規則，類似薄圓柱體。

實驗過程中選取了各類零件，采用相同的拍攝設備，保證外界環境光照等外界條件一致，在采集特征照片的過程中選擇相同的拍攝高度，對每類零件拍攝相同數量的照片，對比三維重建獲取的三維圖形與實物，判斷零件形狀對三維重建精度的影響。

零件形狀實驗情況如表2所示。

表2 零件形狀實驗表

不同類型零件形狀實驗結果如圖3所示。

圖3 不同類型零件形狀對比圖

由圖3可知，重建效果最好的是箱體類零件，重建出的稠密點云能夠較好地還原零件的特征信息；其次是軸套類零件，重建后有小部分的特征信息丟失；最次的是輪盤類零件，雖然從圖3中看其重建后的稀疏點云比較好地還原了零件的特征信息，但是卻丟失了另一面的特征信息。其原因在于零件特征信息的提取過程中，由一面轉換到另一面過程中長方形零件和不規則零件其圖片包含的特征信息快速減少，造成后續的特征點匹配時出現錯誤匹配和匹配不上等情況，使重建后的稀疏點云出現變形甚至將匹配出多個點云，從而影響稠密點云的重建。

為解決該問題，可以在面與面的過渡區間密集地拍攝圖片，從而使每張圖片中的特征信息能夠相互匹配。

2.3 失效程度的影響

退役零件有多種失效模式，典型的有磨損、腐蝕、變形等。在以上的失效模式下，往往伴隨著退役零件質量減小的現象，具體表現為外部形狀、體積、表面積等特征發生變化。

根據退役零件質量變化程度，可將退役零件失效程度分為輕度失效、中度失效和嚴重失效3種：(1)輕度失效表現為零件表面磨損和腐蝕量非常小，在局部有點蝕、燒傷等；(2)中度失效表現為零件表面出現較大磨損或腐蝕，零件的表面有比較明顯的變化和損傷；(3)嚴重失效表現為零件表面磨損或腐蝕非常嚴重，零件有較大的形狀變化。

實驗時，確定一種退役零件，選擇3種不同失效程度的零件進行三維重建，采用相同的拍攝設備，保證外界環境光照等外界條件一致，采集特征圖片過程中選擇相同的拍攝高度，對每個零件拍攝相同數量的照片。

零件失效程度影響實驗情況如表3所示。

表3 零件失效實驗表

零件不同程度失效的實驗結果如圖4所示。

圖4 零件不同程度失效對比圖

由圖4可知，剎車片的剎車皮存在不同程度的磨損，剎車片與剎車皮邊存在輕微磨損，重建效果最好的是重度失效的零件，其次是中度失效的零件，最次是輕度失效的零件。這是由于輕度失效零件表面只有非常小的磨損量，在重建過程中會損失小部分特征信息，從而引入誤差，影響重建效果。

為了解決該問題，可以在零件失效處增加拍攝數量，避免特征信息的損失。

2.4 實驗結果優化

在上述實驗中，拍攝照片數量和拍攝高度是影響每一次實驗的因素，定義為全局影響因素。零件形狀和失效程度分別影響單次實驗，故定義為局部影響因素。

筆者對各影響因素中的影響因子對重建后的稠密點云進行評分。影響因素評分如表4所示(分值在0～1之間)。

表4 影響因素評分表

構造重建精度的函數式為：

P=AnBn(w1Cn+w2Dn)

(1)

式中：P—重建精度，取值范圍為0%～100%，值越大，則重建精度越高；An，Bn，Cn，Dn—拍攝角度、照片數量、零件類型、失效模式的評分值；w—各局部影響因素權重，上述實驗中w1取0.4，w2取0.6。

為了綜合檢驗零件形狀、失效程度、照片采集數量和拍攝高度等影響因素對重建精度的影響，筆者采用正交實驗法尋找最優解。

實驗時選擇紅米note7作為拍攝設備，實驗時保證外部環境的一致性。

設定影響因素：A-拍攝高度，B-照片數量，C-零件形狀，D-失效程度。

設定水平：

A:A1-仰拍；A2-平拍；A3-俯拍。

B：B1-18;B2-36;B3-48。

C:C1-輪盤類零件；C2-箱體類零件；C3-軸套類零件。

D:D1-輕度失效；D2-嚴重失效；D3-中度失效。

正交實驗的參數如表5所示。

表5 正交實驗參數表

將評分代入式(1)進行計算，獲得最次解為A1B1C1D1,其重建精度P為16.8%，獲得最優解為A2B2C2D2，即采用平拍拍攝，拍攝照片數量為36張，箱體類零件，其重建精度P為100%，精度最高。

上述結果與通過觀察對比實驗效果相符。

3 案例研究

筆者采用正交實驗獲取的重建方法進行案例研究，對退役零件失效特征表征和失效信息量化，對量化后數據與3D掃描儀測量數據對比，以驗證重建的準確率。

3.1 破碎錘錘頭圖像集的獲取

該實驗選取碎煤機中的退役碎煤錘錘頭進行實驗。破碎錘為鑄件，具有固定的規格和尺寸，也具有比較規則的表面。對未失效破碎錘測繪后，基于SolidWorks軟件構建出三維數字化模型。

碎煤機在碎煤時，錘頭與煤塊接觸，將煤塊打碎，在運行過程中繞軸旋轉，磨損十分嚴重，且磨損具有不規則性。由于破碎錘在工作時磨損的部位是錘頭部分，筆者主要對錘頭進行三維重建；使用手機采用平拍拍攝采集了36張錘頭圖片構成圖像集，每張圖片分辨率為3 000×4 000像素。

3.2 稀疏和稠密點云的建立

采集到失效錘頭的圖像集后，筆者應用SFM方法在Visual SFM軟件中建立稀疏和稠密點云；應用SIFT算法提取和匹配圖片中的特征點，利用隨機抽樣一致算法去除匹配錯誤的特征點，進行稀疏點云重建。由于所得到的稀疏點云只能看出錘頭大體的輪廓，點與點之間間距很大，不能很好地表現出零件的表面特征，需要使用CMVS/PMVS算法重建出錘頭的稠密點云。

錘頭稠密點云如圖5所示。

圖5 錘頭稠密點云圖

由圖5可以明顯地看出錘頭的表面細節，點與點之間的距離也很小，有很小部分的細節缺失。筆者將評分A2B2C3D2代入式(1)進行計算，其重建精度P為92.0%。上述結果與通過觀察實驗效果相符。稠密點云不能夠直接導入到三維軟件當中去，需要做進一步的處理。

3.3 泊松表面重建與失效特征表征量化

為了得到最接近錘頭真實表面的三維曲面，需要使用泊松表面重建算法。重建后的三維圖形和稠密點云十分接近，既修補了稠密點云中的缺陷部分，也將稠密點云中的點還原成了三維曲面，得到的三維模型是密閉的。

筆者將重建的三維模型圖形導入到SolidWorks中，將錘頭的材質設置成灰鑄鐵，通過仿真分析得到模型的質量、表面積和體積等信息。

對于未失效破碎錘進行相同的操作，得到模型的信息。錘頭失效信息的對比如表6所示。

表6 錘頭失效信息對比表

由此可見，破碎錘的錘頭經過磨損其表面積減小了1.720×10-2m2，體積減小了1.772×10-4m3，質量減少了1.276 kg。

錘頭直觀對比如圖6所示。

圖6 錘頭直觀對比圖

圖6中，破碎錘在工作后的磨損十分嚴重，錘頭部分被磨小。筆者對錘頭部分進行掃描，其體積為4.603×10-4m3。由三維重建與掃描結果對比可知，三維重建的準確度為93.5%。由此證明了實驗方法和所提出的失效特征表征方法的可行性與準確性。

4 結束語

為了快速、低成本地表征零件失效程度，支持零部件可再制造性快速評估，筆者提出了基于SFM的退役零件三維重建和失效特征表征方法，研究了零件形狀、失效程度、拍攝高度和數量對重建精度影響，為提高表征精度提供了理論支持；

筆者以某破碎錘為例進行了實驗，獲得了表征其失效特征的表面積、體積、質量等信息，并將該結果與3D掃描結果進行了對比，證明了筆者所提出方法的可行性與有效性。

該方法具有以下特點：

(1)以退役零件圖片為輸入，基于SFM方法和表面泊松重建算法獲得了零件的三維模型，克服了傳統掃描法成本高、過程復雜等不足；

(2)通過對比失效零件和未失效零件的三維模型，直接獲取量化的失效零件失效信息，克服了傳統模糊評判法主觀性強、精度低等不足；失效零件的三維重建和失效特征表征均采用計算機仿真計算完成，減少了工作強度，提高了效率；

(3)研究了零件形狀、失效程度、照片采集數量和拍攝高度對重建精度的影響，獲取了最優重建方法。

由于SFM方法中圖像的特征信息錯誤匹配和匹配精度不高，導致目前的重建精度受到影響。下一步筆者將對圖像匹配算法進行設計和優化，以降低SFM方法對照片數量和拍攝環境的影響，提高重建精度，縮短重建時間。