Segmenting surface defects in 3D scans of aerospace components using random walks

A recent initiative in the use of additive manufacturing for repair has prompted the need to segment defect regions from 3D point cloud scans of damaged aerospace surfaces. This research presents two novel contributions relating to the collection and segmentation of unorganized point cloud data, that together allow for the localization of defect regions in machine tool coordinates. First, a method is developed to produce textured point clouds by registering images to laser scans collected using a coordinate measuring machine system. The method is implemented in this research to acquire data for a series of case studies. Next, the random walker segmentation algorithm, originally developed for 2D greyscale images, is extended to operate directly on raw, unorganized point clouds. The algorithm segments point cloud scans by determining the most likely destination of a random walker traversing a discrete domain, where the fundamental link between random walks and potential theory allows for a solution to be formulated in terms of energy minimization on a resistance network. The extended algorithm incorporates both geometric and texture information into the segmentation result, and can be run on noisy cloud data containing common real-world scanning artefacts. A series of experiments on synthetic data in MATLAB demonstrate that the algorithm is well-suited for interactive use, and that it maintains a significant advantage over conventional region growing algorithms when segmenting noisy data. Five case studies on actual damaged aerospace components confirm that the extended algorithm is capable of accurately identifying a wide range of surface defect types, even in the presence of compounding laser scanning effects.Le récent intérêt pour l'utilisation de la fabrication additive en tant que processus de réparation a conduit à la nécessité de segmenter les régions défectueuses à partir de numérisations de « nuages de points » 3D de surfaces aérospatiales endommagées. Cette étude de recherche présente deux nouvelles contributions à la collecte et à la segmentation de nuages de points désorganisés, qui permettent ensemble la localisation de régions défectueuses dans les coordonnées de la machine-outil. D'abord, une méthode est développée pour produire des nuages de points texturés en enregistrant des images par numérisation laser collectées au travers d'une machine à mesurer tridimensionnelle. La méthode est mise en œuvre dans cette étude de recherche pour acquérir des données pour une série d'études de cas. Ensuite, l'algorithme de segmentation par marche aléatoire, initialement développé pour des images 2D en échelle de gris, est étendu pour fonctionner directement sur des données brutes et désorganisées de nuages de points. L'algorithme segmente les numérisations de nuages de points en déterminant la destination la plus probable par marche aléatoire traversant un domaine discret, où le lien fondamental entre les marches aléatoires et la théorie potentielle permet de formuler une solution en termes de minimisation d'énergie sur un réseau de résistance. L'algorithme étendu pour cette étude incorpore à la fois des informations sur la géométrie et la texture obtenues dans le résultat de segmentation, et peut être exécuté sur des données de nuages bruitées contenant des artefacts communs provenant de numérisations réelles. Une série d'expériences sur des données synthétiques analysées par MATLAB démontre que l'algorithme est bien adapté pour une utilisation interactive, et qu'il conserve un avantage significatif par rapport aux algorithmes conventionnels de croissance de régions lors de la segmentation de données bruitées. Cinq études de cas sur de réels composants aérospatiales endommagés confirment que l'algorithme étendu pour cette étude est capable d'identifier avec précision une large gamme de types de défauts surfaciques, même en présence d'effets de numérisation laser indésirables