Turbineblätter zeichnen sich durch komplexe Formen, spezielle Materialien, komplexe Herstellungsprozesse und andere Merkmale aus. Auf der Basis der Registrierung von Punktwolken kann ein dreidimensionales Modell zur Vergleichsanalyse und Bewertung der Genauigkeit und Qualität der Herstellung von Blättern erstellt werden. Es ist jedoch schwierig, den Überlappungsbereich der Punktwolke genau zu lokalisieren und die Berechnung während der Registrierung der Punktwolke ist komplex. Um dieses Problem zu lösen, wird ein schnelles Registrierungsverfahren für komplexe Hohlturbineblätter vorgeschlagen. Diese Methode basiert auf der Extraktion mehrerer Merkmale aus der Quell- und der Ziel-Punktwolke unter Verwendung von Deep Learning und auf dem Informationsaustausch zwischen den Merkmalen, sodass die globalen Merkmale der Eingangspunktwolken sich auf denselben Teil konzentrieren können, ohne dass ein Aufmerksamkeitsmechanismus erforderlich ist. Die experimentellen Ergebnisse zeigen, dass die Registrierungsergebnisse des ModelNet40-Datensatzes des Deep-Learning-Netzwerks PANet um 34 % bzw. 15 % gesunken sind. Darüber hinaus sind die Registrierungsergebnisse von Turbinenblattpunktwolken bei der kontinuierlichen Registrierung auf dem ModelNet40-Datensatz um 83 % bzw. 46 % gesunken. Es scheint, dass diese Methode breite Anwendung bei der Bewertung der Genauigkeit der Herstellung von Turbinenblättern finden könnte.

Punktwolkenregistrierung; Turbinenblatt; Merkmalinformation; Merkmalsaustausch; Überlappungsbereich