CN108303037B - 一种基于点云分析的工件表面形状差异的检测方法及装置 - Google Patents
一种基于点云分析的工件表面形状差异的检测方法及装置 Download PDFInfo
- Publication number
- CN108303037B CN108303037B CN201810098174.4A CN201810098174A CN108303037B CN 108303037 B CN108303037 B CN 108303037B CN 201810098174 A CN201810098174 A CN 201810098174A CN 108303037 B CN108303037 B CN 108303037B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- key
- model
- octree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明实施例提供了一种基于点云分析的工件表面形状差异的检测方法及装置,该方法包括:获取到扫描点云和预置的模型点云,对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;计算第一关键点和第二关键点的FPFH特征,通过SAC‑IA算法对第一关键点和第二关键点进行FPFH特征匹配,得到粗配准后的模型点云;对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云;根据精配准后的模型点云构建第一八叉树,根据扫描点云构建第二八叉树,确定第一八叉树和第二八叉树之间的差异节点为扫描点云与模型点云之间的差异点。
Description
技术领域
本发明涉及工件表面形状测量领域,尤其涉及一种基于点云分析的工件表面形状差异的检测方法及装置。
背景技术
现有的工件表面形状测量方法中分为接触式测量和非接触式测量方法两种。接触式测量因为其技术成熟,精度高而广泛应用于工业测量中,它的局限性在于效率低,成本高,并且测头与工件直接接触,不适用于非刚性物体测量。非接触式测量大多采用光学原理实现数据采集。如在航空叶片型面检测中,有采用便携式激光扫描仪对工件进行逐行扫描来获取点云数据,通过主成分PCA算法进行扫描点云的粗匹配对齐,再通过ICP来进行精确对齐的方案。
现有的扫描模型与标准模型对齐中,是通过目标点云与整体CAD模型进行配准,该配准方式称为全局配准。当前全局配准的过程中还无法做到边扫描,边检测形状差异,不能满足快速检测以及实时反馈生产情况的需求。
发明内容
本发明实施例提供了一种基于点云分析的工件表面形状差异的检测方法及装置,实现了快速检测以及快速提取差异。
本发明实施例提供了一种基于点云分析的工件表面形状差异的检测方法,包括:
获取到扫描点云和预置的模型点云,对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云;
对所述扫描点云和粗配准后的所述模型点云进行ICP迭代,得到精配准后的所述模型点云;
根据精配准后的所述模型点云构建第一八叉树,根据所述扫描点云构建第二八叉树,确定所述第一八叉树和所述第二八叉树之间的差异节点为所述扫描点云与所述模型点云之间的差异点。
优选地,所述第一八叉树和所述第二八叉树之间的差异节点为所述第二八叉树中存在且所述第一八叉树不存在的节点。
优选地,所述对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点具体包括:
将所述模型点云和所述扫描点云输入ISS特征点检测算子,得到所述模型点云的第一特征点和所述扫描点云的第二特征点;
若所述第二特征点的数量大于预置数量,则确定所述第一特征点为第一关键点,确定所述第二特征点为第二关键点,若所述第二特征点的数量不大于所述预置数量,则对所述模型点云和所述扫描点云分别进行栅格滤波,得到第一关键点和第二关键点。
优选地,所述计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云具体包括:
计算所述第一关键点和所述第二关键点的FPFH特征;
将所述第一关键点的FPFH特征和所述第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到所述第一关键点和所述第二关键点之间的对应关系,根据所述对应关系计算得到变换矩阵;
将所述模型点云乘以所述变换矩阵得到粗配准后的所述模型点云。
优选地,本发明实施例还提供了一种基于点云分析的工件表面形状差异的检测装置,包括:
提取单元,用于获取到扫描点云和预置的模型点云,对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
粗配准单元,用于计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云;
精配准单元,用于对所述扫描点云和粗配准后的所述模型点云进行ICP迭代,得到精配准后的所述模型点云;
确定单元,用于根据精配准后的所述模型点云构建第一八叉树,根据所述扫描点云构建第二八叉树,确定所述第一八叉树和所述第二八叉树之间的差异节点为所述扫描点云与所述模型点云之间的差异点。
优选地,所述第一八叉树和所述第二八叉树之间的差异节点为所述第二八叉树中存在且所述第一八叉树不存在的节点。
优选地,提取单元具体包括:
获取子单元,用于获取到扫描点云和预置的模型点云;
提取子单元,用于对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
所述提取子单元还用于将所述模型点云和所述扫描点云输入ISS特征点检测算子,得到所述模型点云的第一特征点和所述扫描点云的第二特征点;
所述提取子单元还用于若所述第二特征点的数量大于预置数量,则确定所述第一特征点为第一关键点,确定所述第二特征点为第二关键点,若所述第二特征点的数量不大于所述预置数量,则对所述模型点云和所述扫描点云分别进行栅格滤波,得到第一关键点和第二关键点。
优选地,粗配准单元具体包括:
第一计算子单元,用于计算所述第一关键点和所述第二关键点的FPFH特征;
第二计算子单元,用于将所述第一关键点的FPFH特征和所述第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到所述第一关键点和所述第二关键点之间的对应关系,根据所述对应关系计算得到变换矩阵;
第三计算子单元,用于将所述模型点云乘以所述变换矩阵得到粗配准后的所述模型点云。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种基于点云分析的工件表面形状差异的检测方法及装置,该方法包括:获取到扫描点云和预置的模型点云,对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;计算第一关键点和第二关键点的FPFH特征,通过SAC-IA算法对第一关键点和第二关键点进行FPFH特征匹配,得到粗配准后的模型点云;对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云;根据精配准后的模型点云构建第一八叉树,根据扫描点云构建第二八叉树,确定第一八叉树和第二八叉树之间的差异节点为扫描点云与模型点云之间的差异点。本发明基于FPFH(快速直方图特征)进行粗对齐,再利用ICP(迭代最近点)算法进行精确对齐,同时保证点云的快速对齐以及精确对齐,最后利用构建八叉树数据结构,提供了一种有效的点云做差算法,达到快速提取表面形状差异效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明提供的一种基于点云分析的工件表面形状差异的检测方法的一个实施例的流程示意图;
图2为本发明提供的一种基于点云分析的工件表面形状差异的检测方法的另一个实施例的流程示意图;
图3为本发明提供的一种基于点云分析的工件表面形状差异的检测方法的一个实施例的流程示意图;
图4为本发明提供的一种基于点云分析的工件表面形状差异的检测方法的整体框架示意图;
图5为八叉树的结构示意图。
具体实施方式
本发明实施例提供了一种基于点云分析的工件表面形状差异的检测方法及装置,实现了快速检测以及快速提取差异。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明提供的一种基于点云分析的工件表面形状差异的检测方法的一个实施例,包括:
101、获取到扫描点云和预置的模型点云,对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
102、计算第一关键点和第二关键点的FPFH特征,通过SAC-IA算法对第一关键点和第二关键点进行FPFH特征匹配,得到粗配准后的模型点云;
103、对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云;
104、根据精配准后的模型点云构建第一八叉树,根据扫描点云构建第二八叉树,确定第一八叉树和第二八叉树之间的差异节点为扫描点云与模型点云之间的差异点。
本发明通过获取到目标物的扫描点云和与预置标准模型的模型点云,然后对扫描点云和模型点云进行关键点提取,再计算二者关键点的FPFH特征,根据FPFH特征进行粗配准,得到粗配准后的模型点云。获取原始的扫描点云数据,对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云,最后建立与原始的扫描点云对应的八叉树、与精配准后的模型点云对应的八叉树,确定两个八叉树之间的差点节点为扫描点云与模型点云之间的差异点,能够快速精准地提取目标物与预置标准模型之间的形状差异。
以上为一种基于点云分析的工件表面形状差异的检测方法的一个实施例,为进行更具体的说明,下面提供一种基于点云分析的工件表面形状差异的检测方法的另一个实施例,请参阅图2和图4,本发明提供的一种基于点云分析的工件表面形状差异的检测方法的另一个实施例,包括:
201、获取到扫描点云和预置的模型点云,对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
在本实施例中,可以通过手持式维扫描仪打出结构光,对需要检测的工件(目标物)表面进行单次拍摄扫描,实现快速获取单幅工件的目标面的高质量点云数据,即扫描点云。
获取到扫描点云M和模型点云S后,为了去除部分噪声点,可以对扫描点云和模型点云分别进行栅格滤波,使得点云在空间分布上具有规律性,且点数量的减少能够加快粗配准的速度。本发明使用体素化网格方法实现下采样,即减少点的数量,减少点云数据,并同时保持点云的形状特征,在提高配准、曲面重建、形状识别等算法速度中非常实用。通过输入的点云数据创建一个三维体素栅格(可把体素栅格想象为微小的空间三维立方体的集合),然后在每个体素(即三维立方体)内,用体素中所有点的重心来近似显示体素中其他点,这样该体素的所有点就用一个重心点进行表示,对于所有体素处理后得到过滤后的点云,这种方法比用体素中心来逼近的方法更慢,但它对于采样点对应曲面的表示更为准确。故该类常用于对大数据量的下采样处理,特别是在配准、曲面重建等工作之前作为预处理,可以很好的提高程序的速度。
然后将滤波后的扫描点云S1输入ISS特征点检测算子,得到模型点云的特征点model_ISS和扫描点云的特征点scan_ISS。然后判断scan_ISS数量是否大于预置数量n。
若scan_ISS数量大于预置数量n,则将model_ISS作为模型点云M1的第一关键点,并且将scan_ISS作为扫描点云S1的第二关键点scan_keypoints。
若scan_ISS数量小于n则将M1和S1送入新的栅格滤波器再次滤波,得到非常稀疏的滤波点M_small和S_small,并且将M_small作为模型点云M1的第一关键点model_keypoints,并且将S_small作为扫描点云S1的第二关键点scan_keypoints。
在上述过程中,通过ISS(Intrinsic Shape Signature)提取点云数据的特征点的具体过程为:
(1)获取点云数据中任意一个点pi,将位于其半径rframe内所有点,并且计算权值:
(2)根据权值计算方差矩阵:
202、计算第一关键点和第二关键点的FPFH特征;
在确定第一关键点和第二关键点后,计算第一关键点和第二关键点的快速点特征直方图(Fast Point Feature Histograms,FPFH)。
由于扫描出来的数据有法线信息,且法线可以计算出来,故默认扫描的点云与模型点云已有了点的法线信息。
第一步:将关键点Pi作为查询点,首先对于每个查询点Pq,计算该点和它的邻域点之间的一个元组(α,φ,θ),α,φ,θ分别是查询点的法线与近邻点的法线夹角在局部直角坐标系的分量,将所有的结果统计成一个SPFH直方图。第一步结果称为简化的点特征直方图SPFH(Simple Point Feature Histograms);
第二步:在第一步计算出每个点的SPFH后,重新确定每个点的k邻域,使用第一步计算的近邻点的SPFH值计算Pq的最终直方图(称为FPFH)公式如下:
式中,Pk是Pq的近邻点,wk是近邻点Pk关于Pq的权重(表示查询点和其近邻点之间的距离)。
203、将第一关键点的FPFH特征和第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到第一关键点和第二关键点之间的对应关系,根据对应关系计算得到变换矩阵;
随机采样一致性的特征匹配算法(Sample Consensus Initial Alignment,SAC-IA)可以确定两个对应点之间的关系,对应点即同一位置的点。通过该算法,可以将模型点云的关键点和扫描点云的关键点确定对应关系。
故本发明实施例将第一关键点的FPFH特征和第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到第一关键点和第二关键点之间的对应关系,根据对应关系计算得到变换矩阵Matrix1。
204、将模型点云乘以变换矩阵得到粗配准后的模型点云;
通过Matrix1将模型点云M1变换到扫描点云S1上,得到粗配准后的模型点云M2。
205、对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云;
本发明实施例通过精确配准算法(Iterative Closest Point,ICP)进行点云间的精准对齐。需要说明的是,得到模型点云M2后,将重新获取原始的扫描点云S,可以对模型点云M2和扫描点云S进行滤波,得到滤波后的模型点云M3和滤波后的扫描点云S2。然后将模型点云M3和扫描点云S2输入ICP算子,进行迭代计算,使得误差函数的值最小,在满足误差要求后停止迭代,得到经过变换矩阵Matrix2变换后的模型点云M4,即精配准后的模型点云。
206、根据精配准后的模型点云构建第一八叉树,根据扫描点云构建第二八叉树,确定第二八叉树中存在且第一八叉树不存在的节点为扫描点云与模型点云之间的差异点。
octree又叫八叉树,是一种数据模型。八叉树结构通过对三维空间的集合实体进行体元剖分,每个体元具有相同的时间和空间复杂度,通过循环递归的划分方法对大小为2n×2n=2n的三维空间的几何对象进行剖分,从而构成一个具有根节点的方向图。如图5。
把模型点云数据和扫描点云数据存储在设定的octree体素边长阈值中,通过递归地比较octree的树结构,可以鉴定出由octree产生的体素组成之间的区别所代表的空间变化,从而实现检测差异。
本发明获取原始的扫描点云S,并对模型点云M4和扫描点云S进行滤波后得到滤波后的模型点云M5和滤波后的扫描点云S3,根据模型点云M5建立第一八叉树,根据扫描点云S3建立第二八叉树,然后将第一八叉树和第二八叉树进行数据结构比较,如果存在一些叶子节点在第二个八叉树上,且不在第一个八叉树上,将这部分叶子节点对应的点确定为扫描点云相对于模型点云在空间上变化多出来的点。
以上是对本发明提供的一种基于点云分析的工件表面形状差异的检测方法进行的详细说明,以下将对本发明提供的一种基于点云分析的工件表面形状差异的检测装置进行说明,请参阅图3,本发明提供的一种基于点云分析的工件表面形状差异的检测装置的一个实施例,包括:
提取单元301,用于获取到扫描点云和预置的模型点云,对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
粗配准单元302,用于计算第一关键点和第二关键点的FPFH特征,通过SAC-IA算法对第一关键点和第二关键点进行FPFH特征匹配,得到粗配准后的模型点云;
精配准单元303,用于对扫描点云和粗配准后的模型点云进行ICP迭代,得到精配准后的模型点云;
确定单元304,用于根据精配准后的模型点云构建第一八叉树,根据扫描点云构建第二八叉树,确定第一八叉树和第二八叉树之间的差异节点为扫描点云与模型点云之间的差异点。
更进一步地,第一八叉树和第二八叉树之间的差异节点为第二八叉树中存在且第一八叉树不存在的节点。
更进一步地,提取单元301具体包括:
获取子单元3011,用于获取到扫描点云和预置的模型点云;
提取子单元3012,用于对模型点云和扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
提取子单元3012还用于将模型点云和扫描点云输入ISS特征点检测算子,得到模型点云的第一特征点和扫描点云的第二特征点;
提取子单元3012还用于若第二特征点的数量大于预置数量,则确定第一特征点为第一关键点,确定第二特征点为第二关键点,若第二特征点的数量不大于预置数量,则对模型点云和扫描点云分别进行栅格滤波,得到第一关键点和第二关键点。
更进一步地,粗配准单元302具体包括:
第一计算子单元3021,用于计算第一关键点和第二关键点的FPFH特征;
第二计算子单元3022,用于将第一关键点的FPFH特征和第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到第一关键点和第二关键点之间的对应关系,根据对应关系计算得到变换矩阵;
第三计算子单元3023,用于将模型点云乘以变换矩阵得到粗配准后的模型点云。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于点云分析的工件表面形状差异的检测方法,其特征在于,包括:
获取到扫描点云和预置的模型点云,对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云;
对所述扫描点云和粗配准后的所述模型点云进行ICP迭代,得到精配准后的所述模型点云;
根据精配准后的所述模型点云构建第一八叉树,根据所述扫描点云构建第二八叉树,确定所述第一八叉树和所述第二八叉树之间的差异节点为所述扫描点云与所述模型点云之间的差异点;
所述计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云具体包括:
计算所述第一关键点和所述第二关键点的FPFH特征;
将所述第一关键点的FPFH特征和所述第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到所述第一关键点和所述第二关键点之间的对应关系,根据所述对应关系计算得到变换矩阵;
将所述模型点云乘以所述变换矩阵得到粗配准后的所述模型点云。
2.根据权利要求1所述的基于点云分析的工件表面形状差异的检测方法,其特征在于,所述第一八叉树和所述第二八叉树之间的差异节点为所述第二八叉树中存在且所述第一八叉树不存在的节点。
3.根据权利要求1所述的基于点云分析的工件表面形状差异的检测方法,其特征在于,所述对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点具体包括:
将所述模型点云和所述扫描点云输入ISS特征点检测算子,得到所述模型点云的第一特征点和所述扫描点云的第二特征点;
若所述第二特征点的数量大于预置数量,则确定所述第一特征点为第一关键点,确定所述第二特征点为第二关键点,若所述第二特征点的数量不大于所述预置数量,则对所述模型点云和所述扫描点云分别进行栅格滤波,得到第一关键点和第二关键点。
4.一种基于点云分析的工件表面形状差异的检测装置,其特征在于,包括:
提取单元,用于获取到扫描点云和预置的模型点云,对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
粗配准单元,用于计算所述第一关键点和所述第二关键点的FPFH特征,通过SAC-IA算法对所述第一关键点和所述第二关键点进行FPFH特征匹配,得到粗配准后的所述模型点云;
精配准单元,用于对所述扫描点云和粗配准后的所述模型点云进行ICP迭代,得到精配准后的所述模型点云;
确定单元,用于根据精配准后的所述模型点云构建第一八叉树,根据所述扫描点云构建第二八叉树,确定所述第一八叉树和所述第二八叉树之间的差异节点为所述扫描点云与所述模型点云之间的差异点;
粗配准单元具体包括:
第一计算子单元,用于计算所述第一关键点和所述第二关键点的FPFH特征;
第二计算子单元,用于将所述第一关键点的FPFH特征和所述第二关键点的FPFH特征输入随机采样一致性初始对齐算子进行特征匹配,得到所述第一关键点和所述第二关键点之间的对应关系,根据所述对应关系计算得到变换矩阵;
第三计算子单元,用于将所述模型点云乘以所述变换矩阵得到粗配准后的所述模型点云。
5.根据权利要求4所述的基于点云分析的工件表面形状差异的检测装置,其特征在于,所述第一八叉树和所述第二八叉树之间的差异节点为所述第二八叉树中存在且所述第一八叉树不存在的节点。
6.根据权利要求4所述的基于点云分析的工件表面形状差异的检测装置,其特征在于,提取单元具体包括:
获取子单元,用于获取到扫描点云和预置的模型点云;
提取子单元,用于对所述模型点云和所述扫描点云分别进行关键点提取,得到第一关键点和第二关键点;
所述提取子单元还用于将所述模型点云和所述扫描点云输入ISS特征点检测算子,得到所述模型点云的第一特征点和所述扫描点云的第二特征点;
所述提取子单元还用于若所述第二特征点的数量大于预置数量,则确定所述第一特征点为第一关键点,确定所述第二特征点为第二关键点,若所述第二特征点的数量不大于所述预置数量,则对所述模型点云和所述扫描点云分别进行栅格滤波,得到第一关键点和第二关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098174.4A CN108303037B (zh) | 2018-01-31 | 2018-01-31 | 一种基于点云分析的工件表面形状差异的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810098174.4A CN108303037B (zh) | 2018-01-31 | 2018-01-31 | 一种基于点云分析的工件表面形状差异的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108303037A CN108303037A (zh) | 2018-07-20 |
CN108303037B true CN108303037B (zh) | 2020-05-08 |
Family
ID=62850580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810098174.4A Active CN108303037B (zh) | 2018-01-31 | 2018-01-31 | 一种基于点云分析的工件表面形状差异的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108303037B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001191B2 (en) | 2021-06-01 | 2024-06-04 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109489548B (zh) * | 2018-11-15 | 2019-11-12 | 河海大学 | 一种利用三维点云的零件加工精度自动检测方法 |
CN109829476B (zh) * | 2018-12-27 | 2023-02-10 | 青岛中科慧畅信息科技有限公司 | 基于yolo的端到端三维物体检测方法 |
WO2020223594A2 (en) * | 2019-05-02 | 2020-11-05 | Kodak Alaris, Inc | Automated 360-degree dense point object inspection |
DE102019213904A1 (de) * | 2019-09-12 | 2021-03-18 | Carl Zeiss Smt Gmbh | Verfahren zur Erfassung einer Objektstruktur sowie Vorrichtung zur Durchführung des Verfahrens |
CN111179432A (zh) * | 2019-10-18 | 2020-05-19 | 北京中智核安科技有限公司 | 一种伽玛放射性活度测量无源效率刻度方法 |
CN111890061B (zh) * | 2020-07-31 | 2021-08-10 | 华中科技大学 | 飞行器过渡端框架高精度电弧熔丝增材制造方法及其产品 |
JP7381973B2 (ja) | 2020-11-05 | 2023-11-16 | 日本電信電話株式会社 | 検出方法、検出装置及びプログラム |
CN113706454B (zh) * | 2021-07-13 | 2022-05-03 | 广东泽亨智能科技有限公司 | 一种基于配准的工件偏移检测的方法及喷涂装置 |
CN114202566A (zh) * | 2022-02-17 | 2022-03-18 | 常州铭赛机器人科技股份有限公司 | 基于形状粗配准和icp点云精配准的胶路引导定位方法 |
CN115661189A (zh) * | 2022-12-27 | 2023-01-31 | 上海仙工智能科技有限公司 | 一种场景动态信息检测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976455A (zh) * | 2010-10-08 | 2011-02-16 | 东南大学 | 一种基于立体匹配的彩色图像三维重建方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2483434A (en) * | 2010-08-31 | 2012-03-14 | Sony Corp | Detecting stereoscopic disparity by comparison with subset of pixel change points |
EP2674911B1 (en) * | 2011-02-10 | 2021-03-03 | Nec Corporation | Differing region detection system and differing region detection method |
CN102980529B (zh) * | 2012-11-28 | 2015-06-03 | 西安电子科技大学 | 基于多尺度网格顶点平均坡度的零件外形差异检测方法 |
GB2521452B (en) * | 2013-12-20 | 2015-12-09 | Visual Technology Services Ltd | Point Cloud Simplification |
CN105046694B (zh) * | 2015-07-02 | 2018-08-17 | 哈尔滨工程大学 | 一种基于曲面拟合系数特征的点云快速配准方法 |
US20170078593A1 (en) * | 2015-09-16 | 2017-03-16 | Indoor Reality | 3d spherical image system |
-
2018
- 2018-01-31 CN CN201810098174.4A patent/CN108303037B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101976455A (zh) * | 2010-10-08 | 2011-02-16 | 东南大学 | 一种基于立体匹配的彩色图像三维重建方法 |
Non-Patent Citations (1)
Title |
---|
《适用于激光点云配准的重叠区域提取方法》;王帅等;《红外与激光工程》;20171231;全文 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12001191B2 (en) | 2021-06-01 | 2024-06-04 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
Also Published As
Publication number | Publication date |
---|---|
CN108303037A (zh) | 2018-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108303037B (zh) | 一种基于点云分析的工件表面形状差异的检测方法及装置 | |
Prakhya et al. | B-SHOT: A binary feature descriptor for fast and efficient keypoint matching on 3D point clouds | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
CN107481274B (zh) | 一种三维作物点云的鲁棒性重构方法 | |
CN104616278B (zh) | 三维点云兴趣点检测方法和系统 | |
CN109272524B (zh) | 一种基于阈值分割的小尺度点云噪声去噪方法 | |
CN110335234B (zh) | 一种基于古文物LiDAR点云的三维变化检测方法 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN112164145B (zh) | 基于点云数据快速提取室内三维线段结构的方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN111179433A (zh) | 目标物体的三维建模方法及装置、电子设备、存储介质 | |
Xiao et al. | Building segmentation and modeling from airborne LiDAR data | |
CN112257722A (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
CN113450269A (zh) | 一种基于3d视觉的点云关键点提取方法 | |
CN108921170B (zh) | 一种有效的图像噪声检测和去噪方法及系统 | |
CN116503575A (zh) | 一种图形化生成高质量建筑模型的方法及电子设备 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN109344750B (zh) | 一种基于结构描述子的复杂结构三维对象识别方法 | |
Xin et al. | A robust cloud registration method based on redundant data reduction using backpropagation neural network and shift window | |
CN116958485A (zh) | 一种可视域分析方法及装置 | |
CN116763295A (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
CN112509018B (zh) | 一种四元数空间优化的三维图像配准方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |