答辩博士：郭向林
指导教师：汪俊教授/博导
论文题目：基于点云深度学习的飞机外形形变检测关键技术研究
答辩委员会：
主席：周来水 教授/博导 南京航空航天大学
委员：安鲁陵 教授/博导 南京航空航天大学
魏明强 教授/博导 南京航空航天大学
郭延文 教授/博导 南京大学
王禹林 教授/博导 南京理工大学
秘书：韦红余 高级实验员/硕导 南京航空航天大学
答辩时间：2022年3月18日（周五） 16:00
地 点：南航明故宫校区 6-201
学位论文简介：
飞机机体结构对保证飞机的气动外形与整体气动性能等起着至关重要的作用。机翼、尾翼、机身任何一处的过大变形或异常，都有可能破坏飞机的气动升力、阻力特性以及良好的稳定性和操纵性，造成极大的空气动力学性能损失，甚至导致整机飞行品质的严重下降。因此，进行机体结构蒙皮外形的三维检测与形变分析以确保其满足飞行性能要求显得尤为关键。然而，当前飞机外形检测相关的研究依然处于实验阶段，依然采用传统的离散打点、以点代面的测量方式进行外形检测。这种效率低下的测量手段只能反映单点的三维坐标，更无法对飞机机身截面轮廓度、对称度、局部径向形变，机翼轮廓度以及蒙皮波纹度等指标做精细化的测量分析。基于三维扫描测量技术对飞机机体结构外形进行检测成为了当前航空检测领域一种发展趋势，但依然面临着以下两个问题：第一，手动操控各种测量仪器，过程繁琐，测量效率无法保证；第二，针对基于高精度激光雷达测量技术的点云数据，缺少有针对性的自动化分析手段。本研究针对上述问题，围绕大规模激光点云全局测量场构建与形变自动分析等极短检测窗口期的飞机外形检修工程应用需求，基于地面激光雷达数字化测量系统提供的快速、稠密、全面的数字几何信息，结合飞机点云数据的海量性、大尺寸、精度高的特点，在进行飞机外形形变检测时采用了“整机拼接—部件识别—截面拟合”的形变检测流程与分析策略，利用深度学习强大的特征表征能力，实现了基于点云深度学习方法的飞机部件形变全方位自动化分析。
论文主要研究工作包括：
（1）研究了大型飞机点云多视角配准问题。针对大型飞机部件相互遮挡结构特点，以传统双视角ICP算法为基础，将多视角配准问题转化为图闭环检测问题。使用无向图建模多视角重叠关系，基于边、回环和图自身自下而上三级分层优化，避免链式配准方式误差传播累积，实现了大型飞机点云数据的高精度配准；
（2）作为预处理步骤，针对飞机高保密性与现场实测数据不足的现实情况，提出了一种基于生成式对抗神经网络的无监督范式点云模型生成框架。通过直接学习点云数据分布，对编码空间进行插值采样生成多样化的飞机模型，为基于深度学习的飞机部件分割提供数据基础；
（3）研究了基于点云深度学习的飞机部件分割问题。针对点云数据特点，提出了基于路径可引导的二阶随机游动子图遍历的近邻点采样方法，同时捕获点云的远程语义依存关系和局部邻域几何拓扑子结构；针对飞机部件结构的多层次特征，建立了多尺度多路径游动区域；最后，在神经网络结构设计中，融合高层语义特征与低层细粒度特征以进一步提升特征表达力，实现了飞机部件的精准识别与分割；
（4）针对飞机部件外形形变自动分析，研究了基于曲线骨架驱动的截面轮廓拟合形变分析方法。利用飞机部件分割识别结果，将散乱点云中轴曲线骨架提取表达为能量优化过程，实现了对机身姿态的快速计算。以骨架点为中心，结合局部曲面拟合快速建立散乱点云截面切片；在此基础上，分析了机身与机翼轮廓度、波纹度等各项形变参数指标。
主要创新点：
（1）提出了基于深度学习目标检测的人工标靶自动识别方法，实现了大型飞机扫描场景中标靶的高效准确检测；并基于增量回环闭合的图层级优化全局配准算法，实现了大型飞机机体结构多视图点云数据的高精度配准；
（2）提出了一种变分自编码器正则化的生成式对抗神经网络，将一种称为变分混合后验作为变分自编码器的先验分布函数，并将此变分自编码器变体作为正则化项引入生成式对抗神经网络框架中。解决了实测飞机点云模型稀缺的问题，为基于数据驱动的深度学习飞机点云部件分割提供数据基础；
（3）借鉴强化学习中探索-利用困境思想，提出了一种邻域图上的路径可引导的二阶随机游动子图遍历点采样方法。可同时捕获点云的远程依存关系和局部拓扑子结构；针对飞机部件结构的多层次特征，建立了多尺度多路径随机游动区域，并采用高斯混合模型编码表征；在神经网络结构设计中，融合了高层语义特征与低层细粒度特征以进一步提升学习点云特征的表达力，实现了飞机部件的精准识别与分割；
（4）提出了基于中值曲线骨架驱动的截面轮廓拟合部件形变检测与分析方法。提出了点密度加权RANSAC圆与椭圆拟合算法，实现对截面轮廓精准拟合；开发了飞机形变检测软件系统，为大型飞机的安全稳定运营提供了强有力的技术保障。
