CN110334818A - 一种管路自动识别的方法及系统 - Google Patents
一种管路自动识别的方法及系统 Download PDFInfo
- Publication number
- CN110334818A CN110334818A CN201910429055.7A CN201910429055A CN110334818A CN 110334818 A CN110334818 A CN 110334818A CN 201910429055 A CN201910429055 A CN 201910429055A CN 110334818 A CN110334818 A CN 110334818A
- Authority
- CN
- China
- Prior art keywords
- pipeline
- point cloud
- surface marker
- cloud model
- automatic identification
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000003550 marker Substances 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004321 preservation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明涉及一种管路自动识别的方法及系统。方法通过扫描获取管路的点云数据，建立管路点云模型，并提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的管路识别信息；本发明能够大幅减少了管路识别过程中工作人员的工作量，并实现了对管路的高效、准确的自动识别。
Description
技术领域
本发明涉及船舶信息采集领域，特别是涉及一种管路自动识别的方法及系统。
背景技术
船舶及化工厂在建造完成后，会在设施中的管路表面设置一些供工作人员人工识别的标识；工作人员可以通过判读比对管路上的表面标识物获悉目标管路的类别、内部介质、管路的流向、物量信息以及管路压力、温度、保温、伴热等参数。
但是，如果工作人员不熟悉对应的管路标识规则，将难以对管路系统进行直观的识别；而船舶及工业管路在使用或者运行过程中可能需要对管路进行检测维护或者重新设计，而检测维护和重新设计、改造的前提则需要对管路进行清晰的识别；现有情况往往是根据人工查阅相关的管路手册数据，对管路逐一进行人工识别并记录而后再进行后续的工作，如果涉及的管路系统较为庞大繁杂的话，人工识别的工作量极大，效率极低；另外，人工识别的结果比较零乱而又不够直观，不能很好地为后续的检测维护和重新设计、改造提供参考。
发明内容
本发明的目的在于针对船舶及化工厂的管路，提供一种可视化的管路自动识别的方法及实现的系统，由以下技术方案实现：
一种管路自动识别的方法，包括以下步骤：
对目标管路进行扫描，得到所述目标管路的三维点云数据；
依据所述三维点云数据建立管路点云模型；
提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的管路识别信息；其中，所述神经网络训练模型由神经网络算法对特征数据库进行机器学习后生成；所述特征数据库包括表面标识物样本以及所述表面标识物样本对应关联的管路数据。
相较于现有技术，本发明的一种管路自动识别的方法，通过扫描获取管路的点云数据，建立管路点云模型，并提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的类别、管路的压力、温度、保温、伴热等运作参数及管路内部介质的类别、物量与流向等管路识别信息；本发明能够大幅减少了管路识别过程中工作人员的工作量，并实现了对管路的高效、准确的自动识别。
作为对上述管路自动识别的方法的改进，提取所述管路点云模型中管路上的表面标识物，可包括以下步骤：
对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图；
提取所述管路截图中的表面标识物。
相比于直接对管路点云模型进行特征提取和匹配识别，通过以上步骤，本案在将所述三维点云数据转化为管路点云模型之后，进行了二次转化，将原始数据进一步规整为更低噪、更少干扰、更利于识别的点云模型截图，不仅提升了识别的准确度，在大幅简化了后续的特征提取、匹配识别步骤所涉算法的复杂度使得本案的实现更加简单易行的同时，显著提升了所述神经网络训练模型的处理速度。
在一种实施例中，对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图，可包括以下步骤：
在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
通过以上步骤，本案能够从六个视角对各条管路进行截图，所得到的六视图能够更有效地用于进行特征提取和匹配识别，进一步提升识别的准确度。
在另一种实施例中，对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图，可包括以下步骤：
隐藏管路点云模型中的环境内容；
在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
通过增加以上步骤，本案不仅能够从六个视角对各条管路进行截图，且所得到的六视图无死角、无遮挡，能够更有效地用于进行特征提取和匹配识别，进一步提升识别的准确度。
进一步的，所述表面标识物样本包括表面标识物的样本图例。
进一步的，所述表面标识物样本包括设有表面标识物的样本管道图例。
进一步的，所述表面标识物为管路色环标示带。
采用管路色环标示带作为用于对管路进行识别的表面标示物，能对管路色环标示带的条纹、色彩、文字等多个特征维度关联管路的类别、管路的运作参数信息及管路内部介质的类别、物量与流向等管路数据，即使目标管道上的管路色环标示带受到部分污损或遮挡，仍然能够对其进行准确的识别，在提升识别的准确度的同时，保证了本案的鲁棒性。
一种管路自动系统，包括：
管路建模模块，用于接收、处理目标管路的三维点云数据，建立管路点云模型；
管路识别模块，用于提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出对应的管路识别信息；
特征数据库，用于向神经网络算法提供表面标识物样本以及所述表面标识物样本对应关联的的管路数据进行机器学习生成所述神经网络训练模型。
本发明还提供一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实现前述管路自动识别的方法的步骤。
本发明还提供一种计算机设备，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现前述管路自动识别的方法的步骤。
附图说明
图1是本发明实施例的流程图；
图2是本发明实施例提取所述管路点云模型中管路上的表面标识物的流程图；
图3是本发明实施例步骤S1031的流程图；
图4是本发明实施例命名规则示意图；
图5是本发明实施例文件夹类别示意表；
图6是本发明实施例文件类别示意表；
图7是本发明实施例样本训练脚本运作流程示意图；
图8是本发明实施例识别环节运作流程示意图；
图9是本发明的管路自动识别系统的示意图。
具体实施方式
请参阅图1，一种管路自动识别的方法，包括以下步骤：
S101，对目标管路进行扫描，得到所述目标管路的三维点云数据；
S102，依据所述三维点云数据建立管路点云模型；
S103，提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的管路识别信息；其中，所述神经网络训练模型由神经网络算法对特征数据库进行机器学习后生成；所述特征数据库包括表面标识物样本以及所述表面标识物样本对应关联的管路数据。
相较于现有技术，本实施例通过扫描获取管路的点云数据，建立管路点云模型，并提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的类别、管路的压力、温度、保温、伴热等运作参数及管路内部介质的类别、物量与流向等管路识别信息；本发明能够大幅减少了管路识别过程中工作人员的工作量，并实现了对管路的高效、准确的自动识别。
具体的，可采用三维场景扫描设备对目标管路进行扫描，得到所述目标管路的三维点云数据；对部分复杂的船舱或工厂区间，可利用机器人或无人机搭载扫描设备完成扫描的工作。
所述三维点云数据包括图像、点云的三维坐标及对应点的颜色；为便于后续图像处理，可根据需要对点云的密度进行调节。
点云模型利用三维点云数据通过算法拟合生成各种曲面并获得的三维模型，可对现实世界中的场景、物体进行还原。
所述表面标识物样本对应关联的管路数据包括管路的类别、管路的压力、温度、保温、伴热等运作参数及管路内部介质的类别、物量与流向等。
得出目标管路的管路识别信息后，可生成识别信息库，并将管路识别信息与管路点云模型中的对应管路进行关联。
进一步的，请参阅图2，提取所述管路点云模型中管路上的表面标识物，可包括以下步骤：
S1031，对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图；
S1032，提取所述管路截图中的表面标识物。
相比于直接对管路点云模型进行特征提取和匹配识别，通过以上步骤，本案在将所述三维点云数据转化为管路点云模型之后，进行了二次转化，将原始数据进一步规整为更低噪、更少干扰、更利于识别的点云模型截图，不仅提升了识别的准确度，在大幅简化了后续的特征提取、匹配识别步骤所涉算法的复杂度使得本案的实现更加简单易行的同时，显著提升了所述神经网络训练模型的处理速度。
在一种可选的实施例中，请参阅图3，步骤S1031可包括以下步骤：
S1031b，在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
S1031c，对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
通过以上步骤，本案能够从六个视角对各条管路进行截图，所得到的六视图能够更有效地用于进行特征提取和匹配识别，进一步提升识别的准确度。
在另一种实施例中，请参阅图3，步骤S1031可包括以下步骤：
S1031a，隐藏管路点云模型中的环境内容；
S1031b，在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
S1031c，对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
所述管路点云模型中的环境内容指点云模型中的设备、船舶结构等非管路的内容。
通过增加以上步骤，本案不仅能够从六个视角对各条管路进行截图，且所得到的六视图无死角、无遮挡，能够更有效地用于进行特征提取和匹配识别，进一步提升识别的准确度。
具体的，在设置管路视角、对管路进行截图及利用神经网络训练模型进行识别匹配的过程中，可对管路批量进行操作，也可对管路逐一进行操作。
进一步的，所述表面标识物样本包括表面标识物的样本图例。
进一步的，所述表面标识物样本包括设有表面标识物的样本管道图例。
在一种可选的实施例中，所述表面标识物为管路色环标示带。
采用管路色环标示带作为用于对管路进行识别的表面标示物，能对管路色环标示带的条纹、色彩、文字等多个特征维度关联管路的类别、管路的运作参数信息及管路内部介质的类别、物量与流向等管路数据，即使目标管道上的管路色环标示带受到部分污损或遮挡，仍然能够对其进行准确的识别，在提升识别的准确度的同时，保证了本案的鲁棒性。
具体的，作为一种可选的实施例，所述特征数据库提供的表面标识物样本需要满足以下几个条件：
(1)样本的特征形式符合船舶或工厂管路涂装规范；
(2)样本数量足够体现管路各种状态、朝向、类别；
(3)样本图片的格式一致；
(4)样本图片的尺寸一致。
在一种可选的实施例中，本实施例涉及的样本数据文件、截图文件及对应的文件夹根据各自所属管路系统、功能进行命名。
具体的，请参阅图4，本实施例将名称种类分为两大类，一类是表面标识物样本的名称，另一类是测试文件的名称即目标管路的名称。样本的名称分为样本文件夹的名称和样本文件的名称，文件夹的名称通过样本所属系统的英文首字母加上Example字样命名，样本的名称通过样本所述系统的英文首字母与数字结合的方式命名。例如，舱底水的英文名为Bilge Water，那么舱底水系统样本的文件夹名称为BW_Example，舱底水系统样本的名称为BW_001。测试文件夹的名称为Image_pre，测试文件名为Target_001_01。
请参阅图5、6，对于存放文件的文件夹，则按以下说明建立：
其中，Main_Data_Base文件夹是主文件夹，用于存放所有神经网络训练用的文件；Bottleneck是卷积文件夹，用于存放卷积神经网络计算中产生的所有文件；Data文件夹是样本文件夹，用于存放样本；Image_Target文件夹是目标文件夹，用于存放需要识别的管路图片；Summaries是结论文件夹，用于存放卷积神经网络计算的最终结果。
由于本实施例涉及对管道点云模型中管路的六个不同视角的截图，还包括样本数据、中间数据及识别数据，数据量较多；通过以上命名方式，能使本实施例数据库的归档整理更加有序，避免在运作过程中出现数据混乱。
在一种可选的实施例中，本实施例以循环运行样本训练脚本的方式利用神经网络算法进行机器学习，生成训练模型。具体的，请参阅图7，通过调用编写好的运行样本训练脚本对样本进行学习，在完成对各类系统的样本学习前，脚本不断循环，直至训练完成，生成所述神经网络训练模型，训练过程结束。
在一种可选的实施例中，本实施例从所述管路点云模型获取管路的总数与各个管路的编号，根据管路的编号以循环脚本的形式逐一对各个管路进行截图；对管路各个视角的截图也可用循环脚本的形式逐一进行；在匹配识别环节，本实施例通过匹配脚本的形式，调用所述神经网络训练模型对管路截图进行匹配识别。
具体的，请参阅图8，识别环节的具体运作流程如下：通过所述管路点云模型获得所有管路的编号、位置等，并获取管路数量max；
设置初始化管路序号n＝1，然后显示编号为1的管路，将模型中其余的管路、设备、船舶结构等隐藏，保证图形显示窗口显示的内容只有编号为1的管路；
设置初始化视角i＝1，初始化视图的值为1～6，依次为前视图、右视图、后视图、左视图、俯视图、仰视图，设置模型视图为i＝1对应的视角，截取模型在当前视角下的图像，保存到Image_pre中。由于每条管路都需要采集6个视角的图片，所以判断i是否等于6，如果i≠6，则继续循环设置视图并截取图像，否则进入下一条管路的显示模型、设置视图、截取图像、保存图像、判断视图等操作，直至所有管路均被操作完毕，即n＝max；
通过匹配脚本，将截取的所有图像送入所述神经网络训练模型进行匹配识别。根据匹配输出的识别数据设置管子系统，将设置的结果生成数据库。
请参阅图9，本发明提供的一种与前述管路自动识别的方法对应的管路自动识别系统，包括：
1，管路建模模块，用于接收、处理目标管路的三维点云数据，建立管路点云模型；
2，管路识别模块，用于提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出对应的管路识别信息；
3，特征数据库，用于向神经网络算法提供表面标识物样本以及所述表面标识物样本对应关联的的管路数据进行机器学习生成所述神经网络训练模型。
本发明提供的一种储存介质，其上储存有计算机程序，所述计算机程序被处理器执行时实施例所述的管路自动识别的方法的步骤。
本发明提供的一种具有触摸屏的终端，包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现实施例所述的管路自动识别的方法的步骤。
本发明并不局限于上述实施方式，如果对本发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包括这些改动和变形。
Claims (10)
1.一种管路自动识别的方法，其特征在于，包括以下步骤：
对目标管路进行扫描，得到所述目标管路的三维点云数据；
依据所述三维点云数据建立管路点云模型；
提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出目标管路的管路识别信息；其中，所述神经网络训练模型由神经网络算法对特征数据库进行机器学习后生成；所述特征数据库包括表面标识物样本以及所述表面标识物样本对应关联的管路数据。
2.根据权利要求1所述的管路自动识别的方法，其特征在于，提取所述管路点云模型中管路上的表面标识物，包括以下步骤：
对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图；
提取所述管路截图中的表面标识物。
3.根据权利要求2所述的管路自动识别的方法，其特征在于，对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图，包括以下步骤：
在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
4.根据权利要求2所述的管路自动识别的方法，其特征在于，对所述管路点云模型进行图像截取，获得具有表面标识物的管路截图，包括以下步骤：
隐藏管路点云模型中的环境内容；
在管路点云模型中对各条管路设置管路的前、后、左、右、俯、仰六个视角；
对各个视角截图，获得各条管路的前视图、后视图、左视图、右视图、俯视图及仰视图。
5.根据权利要求1至4任一项所述的管路自动识别的方法，其特征在于：所述表面标识物为管路色环标示带。
6.根据权利要求1至4任所述的管路自动识别的方法，其特征在于：所述表面标识物样本包括表面标识物的样本图例。
7.根据权利要求1至4任所述的管路自动识别的方法，其特征在于：所述表面标识物样本包括设有表面标识物的样本管道图例。
8.一种管路自动识别系统，其特征在于，包括：
管路建模模块，用于接收、处理目标管路的三维点云数据，建立管路点云模型；
管路识别模块，用于提取所述管路点云模型中管路上的表面标识物，利用神经网络训练模型对所述表面标识物进行识别，得出对应的管路识别信息；
特征数据库，用于向神经网络算法提供表面标识物样本以及所述表面标识物样本对应关联的的管路数据进行机器学习生成所述神经网络训练模型。
9.一种储存介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的管路自动识别的方法的步骤。
10.一种计算机，其特征在于：包括储存介质、处理器以及储存在所述储存介质中并可被所述处理器执行的计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的管路自动识别的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429055.7A CN110334818B (zh) | 2019-05-22 | 2019-05-22 | 一种管路自动识别的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429055.7A CN110334818B (zh) | 2019-05-22 | 2019-05-22 | 一种管路自动识别的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110334818A true CN110334818A (zh) | 2019-10-15 |
| CN110334818B CN110334818B (zh) | 2022-04-26 |
Family
ID=68139081
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910429055.7A Active CN110334818B (zh) | 2019-05-22 | 2019-05-22 | 一种管路自动识别的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110334818B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563905A (zh) * | 2020-05-06 | 2020-08-21 | 南京航空航天大学 | 一种发动机复杂管路轴线提取方法 |
| CN113160301A (zh) * | 2021-04-16 | 2021-07-23 | 华南理工大学 | 一种测量弯管弯曲半径的方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495879A (zh) * | 2011-12-06 | 2012-06-13 | 南京市测绘勘察研究院有限公司 | 基于地面lidar的工业架空管线量测方法 |
| CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
| US20140244219A1 (en) * | 2013-02-28 | 2014-08-28 | Autodesk, Inc. | Method of creating a pipe route line from a point cloud in three-dimensional modeling software |
| US20150254499A1 (en) * | 2014-03-07 | 2015-09-10 | Chevron U.S.A. Inc. | Multi-view 3d object recognition from a point cloud and change detection |
| CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
| US20180315232A1 (en) * | 2017-05-01 | 2018-11-01 | Lockheed Martin Corporation | Real-time incremental 3d reconstruction of sensor data |
| CN108846379A (zh) * | 2018-07-03 | 2018-11-20 | 南京览笛信息科技有限公司 | 面单识别方法、系统、终端设备及存储介质 |
| CN109147038A (zh) * | 2018-08-21 | 2019-01-04 | 北京工业大学 | 基于三维点云处理的管道三维建模方法 |
| CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
| CN109636790A (zh) * | 2018-12-13 | 2019-04-16 | 北京理工大学 | 一种管路结构的识别方法及装置 |
| CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
-
2019
- 2019-05-22 CN CN201910429055.7A patent/CN110334818B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495879A (zh) * | 2011-12-06 | 2012-06-13 | 南京市测绘勘察研究院有限公司 | 基于地面lidar的工业架空管线量测方法 |
| CN102565081A (zh) * | 2012-01-12 | 2012-07-11 | 北京化工大学 | 基于圆结构光视觉检测三维数据点的管道缺陷检测方法 |
| US20140244219A1 (en) * | 2013-02-28 | 2014-08-28 | Autodesk, Inc. | Method of creating a pipe route line from a point cloud in three-dimensional modeling software |
| US20150254499A1 (en) * | 2014-03-07 | 2015-09-10 | Chevron U.S.A. Inc. | Multi-view 3d object recognition from a point cloud and change detection |
| US20180315232A1 (en) * | 2017-05-01 | 2018-11-01 | Lockheed Martin Corporation | Real-time incremental 3d reconstruction of sensor data |
| CN107886133A (zh) * | 2017-11-29 | 2018-04-06 | 南京市测绘勘察研究院股份有限公司 | 一种基于深度学习的地下管道缺陷自动识别方法 |
| CN108846379A (zh) * | 2018-07-03 | 2018-11-20 | 南京览笛信息科技有限公司 | 面单识别方法、系统、终端设备及存储介质 |
| CN109165549A (zh) * | 2018-07-09 | 2019-01-08 | 厦门大学 | 基于三维点云数据的道路标识获取方法、终端设备及装置 |
| CN109147038A (zh) * | 2018-08-21 | 2019-01-04 | 北京工业大学 | 基于三维点云处理的管道三维建模方法 |
| CN109767422A (zh) * | 2018-12-08 | 2019-05-17 | 深圳市勘察研究院有限公司 | 基于深度学习的管道检测识别方法、存储介质及机器人 |
| CN109636790A (zh) * | 2018-12-13 | 2019-04-16 | 北京理工大学 | 一种管路结构的识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| GUAN PANG 等: "Automatic 3D industrial point cloud modeling and recognition", 《2015 14TH IAPR INTERNATIONAL CONFERENCE ON MACHINE VISION APPLICATIONS (MVA)》 * |
| 张楠: "铁路场景下三维点云识别与分类算法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 * |
| 袁小翠: "产品表面缺陷视觉检测数据处理关键技术研究", 《中国优秀博硕士学位论文全文数据库(博士)信息科技辑》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563905A (zh) * | 2020-05-06 | 2020-08-21 | 南京航空航天大学 | 一种发动机复杂管路轴线提取方法 |
| CN111563905B (zh) * | 2020-05-06 | 2022-02-01 | 南京航空航天大学 | 一种发动机复杂管路轴线提取方法 |
| CN113160301A (zh) * | 2021-04-16 | 2021-07-23 | 华南理工大学 | 一种测量弯管弯曲半径的方法及系统 |
| CN113160301B (zh) * | 2021-04-16 | 2023-08-18 | 华南理工大学 | 一种测量弯管弯曲半径的方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110334818B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816725B (zh) | 一种基于深度学习的单目相机物体位姿估计方法及装置 | |
| CN110246181B (zh) | 基于锚点的姿态估计模型训练方法、姿态估计方法和系统 | |
| CN110796143A (zh) | 一种基于人机协同的场景文本识别方法 | |
| CN110598693A (zh) | 一种基于Faster-RCNN的船牌识别方法 | |
| CN110796018A (zh) | 一种基于深度图像和彩色图像的手部运动识别方法 | |
| CN109343920A (zh) | 一种图像处理方法及其装置、设备和存储介质 | |
| CN112700489B (zh) | 基于深度学习的船基视频图像海冰厚度测量方法及系统 | |
| CN109766752B (zh) | 一种基于深度学习的目标匹配和定位方法及系统、计算机 | |
| CN109446929A (zh) | 一种基于增强现实技术的简笔画识别系统 | |
| CN112396032B (zh) | 书写检测方法、装置、存储介质及电子设备 | |
| CN113724326B (zh) | 一种自主空中加油场景下锥套目标的单目视觉位姿解算方法 | |
| CN112016638A (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
| CN113762269A (zh) | 基于神经网络的中文字符ocr识别方法、系统、介质及应用 | |
| CN110334818A (zh) | 一种管路自动识别的方法及系统 | |
| CN114266881A (zh) | 一种基于改进型语义分割网络的指针式仪表自动读数方法 | |
| CN116721104B (zh) | 实景三维模型缺陷检测方法、装置、电子设备及存储介质 | |
| CN109147002B (zh) | 一种图像处理方法和装置 | |
| CN111414889B (zh) | 基于文字识别的财务报表识别方法及装置 | |
| CN113837166B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
| CN115953744A (zh) | 一种基于深度学习的车辆识别追踪方法 | |
| CN112001380B (zh) | 基于人工智能现实场景下的中文意义词组的识别方法和系统 | |
| CN113139945A (zh) | 一种基于Attention+YOLOv3的空调外机图像智能检测方法、设备及介质 | |
| CN110956174A (zh) | 一种器件编号的识别方法 | |
| CN116363435B (zh) | 一种基于深度学习的遥感图像目标检测系统及方法 | |
| CN114419451B (zh) | 电梯内外识别方法、装置、电子设备及存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200107 Address after: 511462 building 6, No. 2, No. 10, QIHANG Road, Nansha District, Guangzhou City, Guangdong Province (production management building and auxiliary building of electromechanical comprehensive workshop) (office only) Applicant after: Guangzhou Wenchong Shipbuilding Co., Ltd Address before: 511462 No. 10, sailing Road, Nansha District, Guangdong, China, No. 1, 4 (office building), written by myself, Guangzhou Applicant before: The boat in Guangzhou Wenchong Dock Company Limited |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |