根据《中华人民共和国促进科技成果转化法》等国家法律法规，现将如下科技成果转让进行公示。公示期15天，自2021年12月24日至2022年1月7日。如有任何异议，请于公示期内向科研院实名反映。
联系方式：025-84892757
技术秘密名称：大批量飞机发动机叶片的流水线检测机制
技术秘密简介：大批量飞机发动机叶片的流水线检测机制,采用工业生产线的流水线作业形式，能满足大批量的飞机发动机叶片的高质量检测，相较于传统的人工定点检测，极大提升了质检效率。该机制主要包括以下步骤：
第一步：飞机发动机涡轮叶片送上传送装置，跟随传送装置流水作业；
第二步：机械臂系统负责叶片的中转；
第三步：可视化模块实时显示质量检测结果。
相关程序主要包括两个功能模块：传送装置模块和可视化模块。其中，传送装置模块主要用于协调传送装置和机械臂系统，保证发动机叶片在正常的流水线上进行作业；可视化模块主要用于实时显示质量检测结果。
技术秘密名称：对缝区域特征点提取与筛选
技术秘密简介：经过激光雷达扫描设备获得飞机蒙皮对缝点云数据之后，通过对点云数据的去噪和去除离群点，零点、跳点，获得对缝区域的特征点，以少量的点来表达对缝区域的主要特征，为下一步计算对缝间隙和阶差值提供准确的点云模型。主要步骤为利用LSD算法提取强度图像中的直线，得到直线检测结果图，对结果图做图像二值化处理，对二值化后的结果图进行图像像素的水平和垂直投影，提取强度图像中的对缝特征点。
技术秘密名称：多面片引导的基于多重偏移网络的点云去噪方法
技术秘密简介：主要功能是通过多面片引导的基于多重偏移网络对加强件与待加强结构区域点云的多重约束配准结果所分割得的余量点云进行去噪。首先通过构建一个多重偏移点云去噪网络结构，接着将分割的余量点云的每个点的三个不同尺度的邻域面片进行PCA主轴方向与笛卡尔空间对齐和归一化预处理，接着使用预处理后的数据对构建的网络进行训练，最后使用训练后的网络模型对余量点云的每个点进行去噪，实现余量点的优化。
技术秘密名称：多视角约束下注意力引导的基于深度学习模型的缺陷检测技术
技术秘密简介：多视角约束下注意力引导的基于深度学习模型的缺陷检测技术，提出了一种多视角约束的视觉监测系统，能够保证叶片表面的高质量成像，为质量检测提供基础保障；注意力引导下的神经网络检测模型，在区分缺陷区域与背景的能力上有大幅度提高，从而保证了发动机叶片表面质量检测的精度。该技术主要包括以下步骤：
第一步：根据实际现场工装环境，架设多视角约束的视觉监测系统；
第二步：人工制作高质量发动机叶片表面检测数据集，用于神经网络模型训练；
第三步：通过多目相机共同拍摄发动机叶片表面，获取高质量图像数据；
第四步：训练好的神经网络模型对获取的发动机叶片表面图像进行提取和检测，输出检测结果。
相关软件主要包含两个功能模块：神经网络模型训练模块和叶片图像检测模块。其中，神经网络模型训练模块用于训练神经模型，保证模型对于检测任务具有鲁棒性；叶片图像检测模块用于对发动机叶片表面进行质量检测。
技术秘密名称：多维信息融合
技术秘密简介：本技术以三维扫描仪获取的点云数据，相机获取的RGB图像，以及IMU等传感器作为数据输入，通过对点云数据进行由粗到精的匹配工作来实现点云帧之间的数据配准，最终实现三维重建。具体地，该技术针对三维表面形貌提取角点特征；再对当前帧提取的角点利用光流法实现下一帧的特征进行稳定跟踪；从而通过提取的特征信息得到相邻两帧间的位姿变换。在重建过程中选择满足一定条件的点云帧将做为整个配准过程中的关键帧，针对所选的关键帧进行局部的稀疏集束调整，然后与惯性模块测量所得绝对尺度的位姿进行整合滤波。最后结合融合多传感器数据对复杂三维形貌表面进行快速三维稠密重建。
技术秘密名称：飞机蒙皮端面拟合
技术秘密简介：飞机蒙皮实测点云数据经过栅格化处理和主成分分析之后，采用加权最小二乘法来将处理后的点云拟合成平面，判断拟合的平面是否为端面之后，即可计算蒙皮端面的对缝间隙。主要步骤为构建拟合平面的驱动模型，通过驱动模型不断迭代计算得到点云数据的法向量和重心即可确定平面方程，得到拟合平面的方程。该算法一共分为三个模块。
模块一：飞机蒙皮实测点云数据获取，对点云进行栅格化处理，通过主成分分析计算栅格中点云的平面度，提取其中的平面栅格。
模块二：采用加权最小二乘算法将平面栅格中的点云拟合平面，并基于拟合的平面采用区域生长算法提取平面区域的点云数据。
模块三：采用迭代加权最小二乘算法拟合平面，判断拟合的平面是否为端面，计算蒙皮端面的对缝间隙。
技术秘密名称：基于Colored Point Cloud配准技术
技术秘密简介：本技术以三维扫描仪获取的点云数据作为输入，通过对对尺度几何特征进行提取，同时结合反射率及纹理特征对点云进行操作处理来实现高精度数据配准，以深层高质量的三维数据模型。具体地，基于Colored Point Cloud配准技术利用结构光相机从多视角下获取物体表面形貌点云数据，通过几何外形特征匹配找到待匹配点云之间的对应点，根据对应点的位置变换关系。同时，以点云数据反射强度等纹理信息，解算出点云之间的配准变换矩阵，进而实现点云数据帧两两之间的高精度配准。
技术秘密名称：基于靶标点的多视角和多站位拼接的全局测量场构建方法
技术秘密简介：系统包含点云获取模块、点云预处理模块、点云精配准流程生成模块三部分。点云获取模块基于点云获取硬件设备获取多站点云数据。点云预处理模块对点云数据进行滤波、下采样、去除离散点等预处理，减少点云数据存在的噪声对后续工作的影响，同时减少后续处理的时间成本。点云精配准流程生成模块基于标靶点生成多站点云初配准流程，对点云数据进行特征计算生成点云精配准流程。
技术秘密名称：一种基于三维测量几何特征提取的局部离群因子算法的特征提取方法
技术秘密简介：技术手段：首先对三维点云数据进行几何估算,然后研究几何特性中弦长,单位切向量的角度变化与曲率在三种几何不连续点上的行为变化,再利用离群因子算法提取出弦长与曲率的极值,从而反向识别零阶不连续点和一阶不连续点。实现效果：以三维扫描仪获取的点云数据作为输入，自动计算三维模型的关键集合特征。
技术秘密名称：基于多视角定位的多目标实时跟踪方法
技术秘密简介：该算法包含三个模块：位姿状态获取模块、变形分析模块、实时显示模块。位姿状态获取模块：获取待测目标对象的位姿，其中刚性变形的设备采用基于摄影测量的技术获取，柔性变形的设备则结合PSD传感器模块与激光发射器对空间位置进行预估。变形分析模块：该模块对采集到的数据进行分析计算，建立相对应的坐标系，得到相对应的位姿状态。实时显示模块：该模块将变形分析模块处理后的数据进一步处理，将其实时显示，达到可视化及动态跟踪测量的目的。
技术秘密名称：基于多约束的综合布线路径规划技术
技术秘密简介：它的主要功能是进行综合布线路径规划的设计与研究。主要包括以下步骤：
第一步：零件的建模；
第二步：建立多约束条件下布线路径的几何模型；
第三步：顺序和路径规划；
第四步：航空布线装配工艺生成。
系统包含零件建模、多约束条件下的路径规划模型、顺序和路径规划、航空布线装配工艺生成共4项模块。
零件建模模块描述了航空布线中零件的建模方法。首先构建零件库，其中包括了所有类型的零件的几何模型，各模型以零件编号作为唯一的身份标识。
多约束条件下的路径规划模型模块描述了多个约束条件下构建路径规划模型。首先结合路径长度成本和布线总成本的计算方法去建立模型，然后对约束进行分析，最终提出了多约束的综合布线路径规划技术。
技术秘密名称：基于多重约束配准的余量点云分割技术
技术秘密简介：首先将扫描点云数据和参考模型进行平面分割面，得到两个三维点云模型点云的所有核心平面，同时计算各个平面其对应法向、面积和重心。根据扫描点云数据和参考模型的分割面的法向、面积和重心等特性的对应关系，实现快速粗对齐。在粗配准的基础上，基于余量均匀性的约束ICP精配准方法进行虚拟装配，使得装配后的两片点云尽可能的余量分布均匀。并对虚拟装配后的参考模型内测点云和扫描点云数据外侧点云进行余量点搜索，得到扫描点云数据的余量点。最后将扫描点云数据的余量点的参照点和扫描点云数据的余量点进行合并成最终分割的余量点，实现了余量点云的分割。
技术秘密名称：基于关键点采样的路径规划技术
技术秘密简介：它的主要功能是将预先布置的标识物进行识别与定位，然后对多个路径关键点进行定位并可视化，从而达到引导布线的作用。主要包括以下步骤：第一步：布线数据设计；第二步：关键点采样；第三步：布线路径规划模型设计；第四步：布线路径输出。系统包含布线数据设计、关键点采样、布线路径规划模型设计、布线路径输出共3项模块。布线数据设计模块描述了布线操作之前的数据准备工作。首先在场景中布置标识物，构建标志物数据库，记录标志物的标号作为路径障碍物。关键点采样模块描述了关键点的生成。在场景中把任意标识物当作起始点,先搜寻水平方向,当水平方向上有障碍物时，采用搜寻对角线方向采样，得到一个新的关键点，没有障碍物时，采用水平方向采样得到关键点，最后将关键点作为下一个搜寻的起始点，进行搜寻，一直搜寻到终点为止。
布线路径规划模型设计模块描述了虚拟布线路径的设计。布线路径输出模块描述了从起点到终点的路径规划的最优路径。
技术秘密名称：基于广域空间测量场的三维激光自动化测量方法
技术秘密简介：主要功能是建立汽车整车身测量场，为后续的汽车整车测量提供硬件基础和精度支撑。由于其通用性，可用于多种型号的汽车车身测量。此方法包括：测量场构建模块、测量场校准模块、自动化测量模块。测量场构建模块是通过现场龙门或AGV与激光跟踪仪组合构成移动式扫描工装，使用多track联合组网技术，构建高精度全局测量场，实现对测点的精确坐标定位。测量场校准模块是对构建的测量场进行精度优化，在汽车整车测量场建立过程中，激光跟踪仪的分布站位影响测量场的整体精度，测量场中激光跟踪仪的位置部署及优化起着重要作用。该模块利用测量场几何结构特点，结合DPOD值对激光跟踪仪的空间站位进行优化部署，以提高整个测量场的测量精度自动化测量模块的功能是对汽车整车进行自动化测量，在构建和优化测量场后，通过移动式工装移动激光跟踪仪测头位置，以固定的扫描线路进行整车数据的采集，并可视化于图形界面中。
技术秘密名称：基于局部信息引导补偿网络的点云下采样技术
技术秘密简介：主要功能是针对翼身点云数据进行基于局部信息引导补偿网络的点云下采样。主要功能是基于局部信息引导补偿网络对飞机翼身扫描到的点云数据进行下采样。首先通过构建一个局部信息引导补偿网络，其结构主要特点在于首先通过全局信息获取一个预采样点云，而网络另一个分支获取预下采样点在原点云中的邻域点进行补偿值预测，最终下采样点云为被补偿后的预采样点云。接着对点云进行平均曲率、法线和表面密度计算，并进行数据拼接，得到N*8的几何特征融合点云，并使用何特征融合点云进行局部信息引导补偿网络训练，最后使用训练后的网络模型对翼身点云数据进行下采样，实现翼身关键点集的重组。
技术秘密名称：基于轮廓的铆钉点云提取
技术秘密简介：通过RANSAC算法提取得到铆钉的轮廓，并确定轮廓的圆心、半径和法向量，根据铆钉头的轮廓及信息提取出铆钉的点云，为下一步生成铆钉平齐度的距离色差图做准备。主要步骤为基于提取到的铆钉头轮廓及信息和铆钉设计尺寸，调整轮廓，得到校正半径；根据轮廓的圆心、法向量和校正半径构造无限长圆柱，提取被圆柱包围的点云作为铆钉头的初始点云；根据初始点云，利用基于RANSAC的三维平面拟合方法拟合铆钉的三维平面，得到此平面的法向量作为校正法向量；根据轮廓圆心、校正半径和校正法向量构造新的无限长圆柱，提取被包围的点云作为铆钉头的最终的点云。本算法可用于点云铆钉数据的提取或铆钉点云数据滤除。
技术秘密名称：基于深度贝叶斯与低秩表示的三维抽象特征提取方法
技术秘密简介：技术手段：通过将分割问题转化为聚类分析,提出了两种无监督/半监督的聚类算法来解决三维模型的语义分割问题。方法一为低秩结构导向的聚类算法；方法二,结合深度学习贝叶斯框架,将隐含特征的定义转化为数据驱动的参数学习。实现效果：以三维扫描仪获取的点云数据作为输入，通过深度贝叶斯与低秩表示的三维抽象特征提取方法，实现三维模型语义分割。
技术秘密名称：基于深度学习的图像数据的数据增强技术
技术秘密简介：该技术以高清相机获取的图像数据作为输入，通过对图像数据进行处理来实现数据增强。提出了基于深度学习的图像数据的数据增强技术，该技术对数据进行增强，即利用图像处理中翻转、平移或旋转，从而生成更多的数据，来使得神经网络具有更好的泛化效果。其一方面增加训练的数据量，提高模型的泛化能力，另一方面增加噪声数据，提升模型的鲁棒性。
技术秘密名称：基于外形特征引导的自动化扫描规划方法
技术秘密简介：主要功能是根据汽车的数字模型外形自动化生成扫描路径，结合外形特征对扫描路径进行规划，以高精度和高效率对汽车整车或关键结构件进行数据采集与测量。此方法包括：扫描路径规划模块、零部件特征分析。扫描路径规划模块：以汽车整车或关键部件数模为输入，寻找显著特征并引导三维传感器，针对汽车数模的外形特征，提取汽车车身上的关键点，基于最优路径法则自动生成扫描轨迹。零部件特征分析模块：根据扫描路径，驱动机械臂结合高精度三维扫描仪进行零件表面精密数据快速获取，通过高精度三维数据配准技术，将实测数据与零件数模进行快速匹配，从而精确分析出零件表面的外形制造误差。
技术秘密名称：面向AR引导的航空布线引导技术
技术秘密简介：他的主要功能是在航空布线的复杂场景下，将布线路径通过AR技术可视化，实现大批量布线的引导。主要包括以下步骤：
第一步：存储布线路径；
第二步：标志点查询；
第三步：布线路径AR可视化。
相关软件主要包含AR引导与布线路径存储两个功能模块。
AR引导模块负责布线路径的可视化，根据用户头戴的显示设备采集视频流并对每帧图像进行图像分析，基于标志点定位计算图像中的路径位置，输出并可视化布线路径；
路径存储负责将待布线的空间路径存储至本地中等待调用，包含路径与导线编号的对应关系，路径与标志点的空间位置对应关系。
技术秘密名称：深层学习网络
技术秘密简介：本技术以视觉设备获取的RGB图像数据作为输入，通过对图像进行编码操作处理来实现特征提取，最终实现复杂场景下特定物体的提取及识别任务。具体地，本技术首先通过labeling标注软件对大规模图像数据进行标注，然后通过基于CNN的深度学习模型在生成的数据集上面进行迭代训练，以自动学习大规模复杂场景下的RGB图像数据隐式特征，同时利用数据增强技术对CNN深度学习网络的泛化性进行增强，使其适用于不同制造场景下的特征提取及识别任务。最后结合视觉里程计的空间定位功能来实现bounding box在三维空间中的位置确定，并通过可视化方法将识别物进行高亮显示。
技术秘密名称：一种基于few shot learning的深度学习方法
技术秘密简介：该技术以高清相机获取的图像数据作为输入，通过few shot learning模型针对小样本数据集进行学习，最终实现小样本数据集下的分类及识别工作。该方法将带间隔的小样本学习引入到原型网络和匹配网络中。通过对现有数据的分布内在结构进行学习，同时对基于度量的小样本学习算法在分类时对数据分布的特性进行分析。然后使用基于图正则的关系传播框架,通过结合样本分布的流形和已知的样本间关系,推断出未知的样本间关系。通过目标函数求得全局最优解，并利用基于图正则的小样本学习算法，将图正则融入到小样本学习的任务中，从而提升分类的准确率。
技术秘密名称：一种基于层次深度特征优化引导的三维点云下采样技术
技术秘密简介：首先构建点云特征提取网络提取测量数据的不同层次特征，再基于特征提取网络，结合不同层次的特征对数据点进行偏移计算，得到不同数据点的权重信息。基于上述权重信息，构建数据点筛选模块。获取下采样公共数据集训练基于层次深度特征优化引导的三维点云下采样神经网络模型，完成网络模型第一次训练（预训练）。标注实测点云数据，基于标注数据进行二次下采样网络模型的训练。采集实测点云数据，运用二次训练完成后的模型进行数据的下采样操作，得到下采样完成后的实测点云数据。
技术秘密名称：一种基于传统图像处理手段的质量缺陷表面图像处理方法
技术秘密简介：基于传统图像处理手段的质量缺陷表面图像处理方法，采用分治的思想，在一些区分较明显的缺陷区域上使用传统的图像处理方法，在保证质量检测精度的同时，能进一步简化操作，降低内存使用量；对原始叶片表面图像的预处理也能进一步保证最终检测结果的精度。该技术主要包括以下步骤：
第一步：对多视角监测系统获取的叶片表面图像进行预处理，提高图像质量；
第二步：识别和检测一些较为明显的质量缺陷区域；
第三步：将已识别结果记录，并反馈至原始图像，该图像再通过神经网络模型进行检测。
相关软件主要包含两个功能模块：图像预处理模块和图像检测模块。其中，图像预处理模块用于对多视角监测系统获取的叶片表面图像进行预处理，提高图像质量；图像检测模块用于对发动机叶片表面进行部分质量检测。
技术秘密名称：一种基于点云数据深度学习的图约束特征保持的噪声曲面低秩恢复方法
技术秘密简介：技术手段：扫描设备本身精度的限制,外界环境影响以及各种曲面重建算法的误差,得到的三维模型不可避免的有些噪声缺陷。使用基于学习的方法，实现自动化学习和预测。与传统的基于局部数据的降噪方法不同，本算法受到几何统计数据的启发，解决了传统方法需要进行繁琐的调整才能获得满意的结果的问题。实现效果：以三维扫描数据作为输入，自动对网格数据噪声进行过滤，并将迭代结果优化，更新网格顶点的坐标位置。
技术秘密名称：一种基于几何变换的图像处理方法
技术秘密简介：该技术以工业相机获取的RGB图像数据作为输入，通过对图像数据进行几何变换来提高深度学习模型的鲁棒性。该方法针对多尺度几何变换缺乏方向选择性和移不变性的缺点进行改进，针对复轮廓波变换、局部混合滤波，构造了一种图像去噪的移不变二维混合变换。改进的变换具有移不变性和良好的方向选择性以及稀疏性，丰富了多尺度几何变换的内容，也更有利于图像的去噪。
技术秘密名称：一种基于轻量级神经网络的三维点云关键点提取技术
技术秘密简介：首先构建轻量级的点云特征提取网络，具体包含三层的采样与聚合层。输出采样后的数据点以及对应的特征。并将输出后的数据点以及特征进行空间与特征维度的翻转，将翻转后的数据点以及特征与标注数据进行倒角损失计算。上述流程完成基于轻量级神经网络的三维点云关键点提取模型的构建与训练。最后基于将实测的点云数据输入进训练完成后的基于轻量级神经网络的三维点云关键点提取模型，即可提取关键点。
技术秘密名称：一种基于三维测量几何特征提取的局部离群因子算法的特征提取方法
技术秘密简介：技术手段：首先对三维点云数据进行几何估算,然后研究几何特性中弦长,单位切向量的角度变化与曲率在三种几何不连续点上的行为变化,再利用离群因子算法提取出弦长与曲率的极值,从而反向识别零阶不连续点和一阶不连续点。实现效果：以三维扫描仪获取的点云数据作为输入，自动计算三维模型的关键集合特征。
技术秘密名称：一种基于特征保持的点云航空零部件点云滤波方法
技术秘密简介：技术手段：三维点云数据的预处理是利用有效点云信息进行三维重建及障碍物感知的基础，是进行后续点云配准、点云拼接环节的前提。通过建立三维测量点云数据预处理方法，在三维点云数据处理过程中，点云数据离群点、噪声点的剔除以及点云数据的配准不仅是点云数据处理中的重要环节，也是后期对点云数据进行特征提取完成检测环节的基础。实现效果：以三维扫描仪获取的点云数据作为输入，通过基于特征保持的点云滤波算法，得到能有效保留关键特征并且经过有效滤波后的点云数据。
技术秘密名称：一种基于直方图均衡化的图像处理方法
技术秘密简介：该技术以高清相机获取的图像数据作为输入，通过对图像数据进行直方图均衡化来实现图像数据增强。该方法通过保持灰度图像在直方图均衡化处理前与处理后的灰度均值稳定性的基础上进行图像增强。具体地，首先针对传统直方图均衡化算法对低对比度灰度图像增强存在的问题，提出了一种自适应动态峰值剪切直方图均衡化算法,该算法结合了多子图像直方图均衡化算法和峰值剪切直方图均衡化算法的优点,能够很好的避免在增强图像过程中引入噪声和光晕等退化效应。其次，使用滤波器对原图像的直方图进行平滑操作并找出满足条件的分割值；并根据找到的分割值和区间内的像素个数进行灰度区间分配，以避免局部区间含有太多像素导致增强处理后图像出现过度增强等现象；最后，对每个区间的直方图进行峰值剪切操作，并分别的对每个区间进行增强和归一化处理以保证灰度均值的稳定。
技术秘密名称：一种基于注意力机制引导的大规模跨尺度测量点云数据去噪技术
技术秘密简介：首先构建点云特征提取网络，再进一步构建注意力机制引导模块，最后构建偏移计算模块。三个模块共同构成基于注意力机制引导的大规模跨尺度测量点云数据去噪神经网络。在预训练阶段，收集去噪公共数据集进行预训练，得到使用公共数据集预训练的模型。基于预训练模型，标注少量的大规模跨尺度点云去噪数据集，进行二次去噪模型的训练。在得到二次去噪模型后，即可对大规模跨尺度点云实测数据执行去噪啊操作，最终完成大规模跨尺度点云实测数据的去噪。
技术秘密所有权：南京航空航天大学
发明人： 汪俊
受让方：南京耘瞳科技有限公司
转让/许可方式：转让
拟交易价格及价格形成过程：因受让方为发明人利益关联单位（持股），经第三方评估，交易价格拟定为111.76万元。
