CN110517220A - 一种基于激光三维数据的集料表面数量检测方法 - Google Patents
一种基于激光三维数据的集料表面数量检测方法 Download PDFInfo
- Publication number
- CN110517220A CN110517220A CN201910497703.2A CN201910497703A CN110517220A CN 110517220 A CN110517220 A CN 110517220A CN 201910497703 A CN201910497703 A CN 201910497703A CN 110517220 A CN110517220 A CN 110517220A
- Authority
- CN
- China
- Prior art keywords
- materials
- currently
- point
- point cloud
- current
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 123
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 abstract description 4
- 238000000034 method Methods 0.000 description 16
- 239000002245 particle Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 235000019738 Limestone Nutrition 0.000 description 3
- 239000006028 limestone Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供了一种基于激光三维数据的集料表面数量检测方法,包括:步骤1,获取当前集料三维点云数据,并对当前集料三维点云数据进行去噪;步骤2,获取去噪后的当前集料三维点云数据的局部拟合平面,并计算局部拟合平面的法向量,即得到当前集料的全部表面法线;步骤3,通过当前集料的每一条表面法线的起始点位置坐标对当前集料的多条表面法线进行聚类,得到N个聚类中心,即当前集料具有N个表面数量;步骤4,对多种形状集料集合中的每一个集料重复上述步骤,即可得到每个形状集料的表面数量。本发明利用激光三维数据,能够批量、快速、无损的对集料表面个数进行智能检测。
Description
技术领域
本发明属于道路工程领域,具体涉及一种基于激光三维数据的集料表面数量检测方法。
背景技术
近年来我国在交通领域发展迅猛,已成为我国经济增长体系的主要组成部分。目前沥青混凝土被广泛应用于高速公路和城乡道路的修建中,沥青原材料的合格与否严重影响着集料颗粒形成嵌挤结构,而占据混合料绝大部分的集料颗粒是构成沥青混凝土的重要组成部分。因此,研究集料颗粒的形态特征是影响沥青混合料路用性能的关键因素。
粗集料棱角性属于形状特性中的宏观范畴,粗集料形状越接近立方体且棱角分明,越有利于矿料级配集料之间的相互嵌锁,集料表面角度变化越锐利,集料的棱角性就表现得越强。传统对集料棱角的量化一般是通过测量未压实松散集料颗粒样品的空隙率来推断集料颗粒的棱角或者采用流砂法,测量集料通过标准漏斗所需要的时间来粗略评价集料的形态特征。这些方法不仅费时、枯燥而且测量过程主观性较大,并且测量的集料是不可循环利用的。而目前的图像分析技术,虽然已经开发出了许多不同的算法和实验装置来量化集料颗粒形态特征,但这些技术多局限于基于二维图像处理,无法准确地表征集料颗粒的三维特征。
发明内容
针对现有技术中存在的不足,本发明的目的在于,提供一种基于激光三维数据的集料表面数量检测方法,解决现有技术无法快速、准确的检测出集料颗粒的表面个数的技术问题。
为了解决上述技术问题,本申请采用如下技术方案予以实现:
一种基于激光三维数据的集料表面数量检测方法,包括以下步骤:
步骤1,从多种形状集料集合中任选一个集料作为当前集料,获取该当前集料三维点云数据,并对当前集料三维点云数据进行去噪,得到去噪后的当前集料三维点云数据;
步骤2,获取去噪后的当前集料三维点云数据的局部拟合平面,并计算局部拟合平面的法向量,即得到当前集料的全部表面法线;
包括:
步骤21,设去噪后的当前集料三维点云数据为p={pi|i∈1,2,…,pi∈R3};选取去噪后的集料三维点云数据中的任一点pi作为当前点pi,其中pi=(xi,yi,zi);
步骤22,选取当前点pi的k个邻域点,从k个邻域点中任选一个邻域点作为当前邻域点j,j=1,2,...,k;
步骤23,计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij,该局部拟合平面Pij的法向量为nij;
步骤24,对法向量nij进行标准化,得到局部邻域点的协方差矩阵Cij;
步骤25,计算协方差矩阵Cij的特征值以及特征向量
步骤26,对k个邻域点中的每一邻域点均进行步骤23至步骤25的处理,得到k个特征值及其所对应的k个特征向量
在k个特征值中选取特征值最小时所对应的特征向量作为当前集料的一条表面法线;
步骤27,将去噪后的集料三维点云数据p={pi|i∈1,2,…,pi∈R3}中的每个点均作为当前点pi,重复步骤23至步骤26,得到当前集料的多条表面法线;
步骤3,获取当前集料的每一条表面法线的起始点位置坐标,通过当前集料的每一条表面法线的起始点位置坐标对当前集料的多条表面法线进行聚类,得到N个聚类中心,即当前集料具有N个表面数量;
步骤4,对多种形状集料集合中的每一个集料重复步骤1至步骤3,即可得到每个形状集料的表面数量。
进一步地,所述多种形状集料集合包括类四面体、类五面体和类六面体形状集料。
进一步地,所述步骤1中对当前集料三维点云数据进行去噪,得到去噪后的集料三维点云数据,包括:
预设上限阈值Tup和下限阈值Tdown,将当前集料三维点云数据中Z方向的点云坐标大于上限阈值Tup或者Z方向的点云坐标小于下限阈值Tdown所对应的当前集料三维点云数据删除,得到阈值分割后的当前集料三维点云数据;并对阈值分割后的当前集料三维点云数据进行滤波处理。
进一步地,通过式(1)计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij:
式(1)中,mj表示当前邻域点j,nij表示局部拟合平面Pij的法向量,di表示当前点pi到坐标原点的距离,argmin代表函数取得最小值时,自变量的取值。
进一步地,通过式(2)得到协方差矩阵Cij:
式(2)中,表示k个邻域点的三维质心。
进一步地,通过式(3)得到协方差矩阵Cij的特征值则特征向量
其中,xj、yj、zj为当前邻域点j的X方向坐标、Y方向坐标和Z方向坐标;a、b、c、d为待定系数,d为常数项。本发明与现有技术相比,有益的技术效果是:
1.本发明利用激光三维数据,能够批量、快速、无损的对集料表面个数进行智能检测。
2.本发明通过三维数据计算得到集料表面所有点云的法线起始点坐标信息,根据法线起始点信息得到集料不同表面的法线方向分布特性。
3.本发明采用聚类方法对集料表面个数进行量化,达到对集料表面个数进行准确检测的目的,检测结果能够为路用集料棱角性的快速、准确评价提供量化基础。
附图说明
图1是本发明挑选出的符合形状的集料颗粒实物图,其中,(a)为类六面体集料,(b)为类五面提集料,(c)为类六面体集料;
图2是本发明所采集的集料点云数据的采集界面以及存储数据信息,其中,(a)为Gocator集料采集图,(b)为CSV存储文件细节信息;
图3是本发明的方法集料颗粒点云数据Z方向分量的阈值滤波前后对比,其中,(a)为原图,(b)为本发明的方法滤波后的集料Z方向分量图像;
图4是本发明的方法集料颗粒点云数据Z方向分量的滤波前后对比,其中,(a)为原图,(b)为本发明的方法滤波后的集料Z方向分量图像;
图5是本发明的方法求得的集料颗粒表面法线图;
图6为本发明的方法计算到的集料不同形状聚类结果示意图;(a)为四面体集料聚类决策图,(b)为四面体集料聚类结果图,(c)为五面体集料聚类决策图,(d)为五面体集料聚类结果图,(e)为六面体集料聚类决策图,(f)为六面体集料聚类结果图。
以下结合附图和实施例对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例,需要说明的是本发明并不局限于以下具体实施例,凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例1:
本实施例给出一种基于激光三维数据的集料表面数量检测方法,,包括以下步骤:
步骤1,从多种形状集料集合中任选一个集料作为当前集料,获取该当前集料三维点云数据,并对当前集料三维点云数据进行去噪,得到去噪后的当前集料三维点云数据;
本发明利用筛分试验分别获取了9.5mm、13.2mm和16mm的玄武岩、花岗岩和石灰岩集料,并选择多种形状集料集合包括类四面体、类五面体和类六面体形状集料,如图1所示。
本实施例基于Gocator 3D智能传感器的集料三维图像采集系统,分别获取了不同岩性、不同粒径的集料三维点云数据,以.CSV格式保存三维点云数据,如图2所示。
由于Gocator输出的图像一般为16bit的RGB图,图像中每个点云坐标信息可以拆分为X、Y、Z方向,坐标分别存储在ImageX、ImageY、ImageZ三个通道中,ImageZ数组存储的高度数值由于受环境影响比较敏感,所以对三维数据滤波可转为对高度方向ImageZ图像进行去噪处理。
其中,对当前集料三维点云数据进行去噪,得到去噪后的集料三维点云数据,包括:
预设上限阈值Tup和下限阈值Tdown,将当前集料三维点云数据中Z方向的点云坐标大于上限阈值Tup或者Z方向的点云坐标小于下限阈值Tdown所对应的当前集料三维点云数据删除,得到阈值分割后的当前集料三维点云数据;并对阈值分割后的当前集料三维点云数据进行滤波处理。
由于Z分量数据为三维点云数据中的高度数据,阈值的条件可以直接按高度数据选取。本发明实施例中采用9.5~16档的集料,所以上限阈值Tup取0.2,下限阈值Tdown取20,这样就可以去除一些较高或者较低的噪声。如图3所示,可以明显看出图像中的一些杂点已经去除。
对阈值分割后的Z分量数据进行滤波处理,在一定程度上可以克服线性滤波器所带来的图像模糊问题,并且在滤除噪声的同时,可以较好地保留图像边缘信息,如图4所示。
本实施例具体采用中值滤波对阈值分割后的当前集料三维点云数据进行滤波处理。
为了得到更加准确的集料表面点云的法线数据,对步骤2得到的去噪后的点云数据通过采用最小二乘法来求解局部数据点的拟合平面,然后以此平面的法线来表示待求数据点的法线。所以估计集料表面法线的解决方案变为求解集料点云数据的局部拟合平面,并分析该邻域内协方差矩阵的特征矢量和特征值,找到特征的最小值,称该最小值所对应的特征向量即为拟合平面的法向量。
步骤2,获取去噪后的当前集料三维点云数据的局部拟合平面,并计算局部拟合平面的法向量,即得到当前集料的全部表面法线;
包括:
步骤21,设去噪后的当前集料三维点云数据为p={pi|i∈1,2,…,pi∈R3};选取去噪后的集料三维点云数据中的任一点pi作为当前点pi,其中pi=(xi,yi,zi);
步骤22,选取当前点pi的k个邻域点,从k个邻域点中任选一个邻域点作为当前邻域点j,j=1,2,...,k;
步骤23,计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij,该局部拟合平面Pij的法向量为nij;
通过式(1)计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij:
式(1)中,mj表示当前邻域点j,nij表示局部拟合平面Pij的法向量,di表示当前点pi到坐标原点的距离,argmin代表函数取得最小值时,自变量的取值。
步骤24,对法向量nij进行标准化,使法向量数据符合正态分布,||n||=1,得到对应的协方差矩阵Cij;
本发明中的标准化是将数据按比例缩放,使之落在一个小区间内符合正态分布,均值为0,标准差为1。
过式(2)得到协方差矩阵Cij:
式(2)中,表示k个邻域点的三维质心。
步骤25,计算协方差矩阵Cij的特征值以及特征向量
通过式(3)得到协方差矩阵Cij的特征值则特征向量
其中,xj、yj、zj为当前邻域点j的X方向坐标、Y方向坐标和Z方向坐标;a、b、c、d为待定系数,d为常数项。
步骤26,对k个邻域点中的每一邻域点均进行步骤23至步骤25的处理,得到k个特征值及其所对应的k个特征向量
在k个特征值中选取特征值最小时所对应的特征向量作为当前集料的一条表面法线;集料表面法线如图5所示。
步骤27,将去噪后的集料三维点云数据p={pi|i∈1,2,…,pi∈R3}中的每个点均作为当前点pi,重复步骤23至步骤26,得到当前集料的多条表面法线;
由于集料颗粒表面法线,可以看出集料的相邻面法线方向是不同的,且在一个面上法线方向趋于平行,基于此,提出一种基于法向量的三维数据聚类方法,来判断集料颗粒所在面的个数,从而分析集料的棱角性。
步骤3,获取当前集料的每一条表面法线的起始点位置坐标,通过当前集料的每一条表面法线的起始点位置坐标对当前集料的多条表面法线进行聚类,得到N个聚类中心,即当前集料具有N个表面数量;
本发明采用基于快速搜索与寻找密度峰值的聚类方法(Clustering by fastsearch and find of density peaks.Science,2014)对集料表面法线坐标数据进行聚类。该方法具体包括两个部分:首先通过用户输入的参数值,计算每个样本的局部密度以及距离,找到样本聚类中心,并根据决策图选择合适的聚类中心;然后将剩余的其它样本点分配到与其最近的高密度邻域的集群中,得到聚类结果。
步骤4,对多种形状集料集合中的每一个集料重复步骤1至步骤3,即可得到每个形状集料的表面数量。
本发明中不同形状集料表面聚类个数不同,如图6所示,可以为进一步分析聚类个数与集料表面个数之间的关系打下基础。
表1石灰岩聚类结果统计表
对步骤1中挑选出的所有形状石灰岩集料颗粒数据进行聚类处理,便可得到不同形状集料表面的个数情况,统计结果如表1所示。
Claims (6)
1.一种基于激光三维数据的集料表面数量检测方法,其特征在于,包括以下步骤:
步骤1,从多种形状集料集合中任选一个集料作为当前集料,获取该当前集料三维点云数据,并对当前集料三维点云数据进行去噪,得到去噪后的当前集料三维点云数据;
步骤2,获取去噪后的当前集料三维点云数据的局部拟合平面,并计算局部拟合平面的法向量,即得到当前集料的全部表面法线;
包括:
步骤21,设去噪后的当前集料三维点云数据为p={pi|i∈1,2,…,pi∈R3};选取去噪后的集料三维点云数据中的任一点pi作为当前点pi,其中pi=(xi,yi,zi);
步骤22,选取当前点pi的k个邻域点,从k个邻域点中任选一个邻域点作为当前邻域点j,j=1,2,...,k;
步骤23,计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij,该局部拟合平面Pij的法向量为nij;
步骤24,对法向量nij进行标准化,得到局部邻域点的协方差矩阵Cij;
步骤25,计算协方差矩阵Cij的特征值以及特征向量
步骤26,对k个邻域点中的每一邻域点均进行步骤23至步骤25的处理,得到k个特征值及其所对应的k个特征向量
在k个特征值中选取特征值最小时所对应的特征向量作为当前集料的一条表面法线;
步骤27,将去噪后的集料三维点云数据p={pi|i∈1,2,…,pi∈R3}中的每个点均作为当前点pi,重复步骤23至步骤26,得到当前集料的多条表面法线;
步骤3,获取当前集料的每一条表面法线的起始点位置坐标,通过当前集料的每一条表面法线的起始点位置坐标对当前集料的多条表面法线进行聚类,得到N个聚类中心,即当前集料具有N个表面数量;
步骤4,对多种形状集料集合中的每一个集料重复步骤1至步骤3,即可得到每个形状集料的表面数量。
2.如权利要求1所述的集料表面数量检测方法,其特征在于,所述多种形状集料集合包括类四面体、类五面体和类六面体形状集料。
3.如权利要求1所述的集料表面数量检测方法,其特征在于,所述步骤1中对当前集料三维点云数据进行去噪,得到去噪后的集料三维点云数据,包括:
预设上限阈值Tup和下限阈值Tdown,将当前集料三维点云数据中Z方向的点云坐标大于上限阈值Tup或者Z方向的点云坐标小于下限阈值Tdown所对应的当前集料三维点云数据删除,得到阈值分割后的当前集料三维点云数据;并对阈值分割后的当前集料三维点云数据进行滤波处理。
4.如权利要求1所述的集料表面数量检测方法,其特征在于,通过式(1)计算当前点pi与当前邻域点j所拟合的局部拟合平面Pij:
式(1)中,mj表示当前邻域点j,nij表示局部拟合平面Pij的法向量,di表示当前点pi到坐标原点的距离,argmin代表函数取得最小值时,自变量的取值。
5.如权利要求1所述的集料表面数量检测方法,其特征在于,通过式(2)得到协方差矩阵Cij:
式(2)中,表示k个邻域点的三维质心。
6.如权利要求1所述的集料表面数量检测方法,其特征在于,通过式(3)得到协方差矩阵Cij的特征值则特征向量
其中,xj、yj、zj为当前邻域点j的X方向坐标、Y方向坐标和Z方向坐标;a、b、c、d为待定系数,d为常数项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497703.2A CN110517220A (zh) | 2019-06-10 | 2019-06-10 | 一种基于激光三维数据的集料表面数量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910497703.2A CN110517220A (zh) | 2019-06-10 | 2019-06-10 | 一种基于激光三维数据的集料表面数量检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110517220A true CN110517220A (zh) | 2019-11-29 |
Family
ID=68622554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910497703.2A Pending CN110517220A (zh) | 2019-06-10 | 2019-06-10 | 一种基于激光三维数据的集料表面数量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110517220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763537A (zh) * | 2021-09-07 | 2021-12-07 | 岱悟智能科技(上海)有限公司 | 一种基于平面识别的三维点云平面优化方法 |
CN116012539A (zh) * | 2023-03-27 | 2023-04-25 | 埃尔法(山东)仪器有限公司 | 一种无人机与激光检测结合对气团三维成像的计算方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN107392875A (zh) * | 2017-08-01 | 2017-11-24 | 长安大学 | 一种基于k近邻域划分的点云数据去噪方法 |
CN107784646A (zh) * | 2017-09-29 | 2018-03-09 | 长安大学 | 一种路用集料的自适应检测方法 |
CN108489402A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理规模快速精细取值方法 |
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN108629315A (zh) * | 2018-05-07 | 2018-10-09 | 河海大学 | 一种针对三维点云的多平面识别方法 |
CN108830317A (zh) * | 2018-06-08 | 2018-11-16 | 绍兴文理学院 | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 |
CN109410333A (zh) * | 2018-09-19 | 2019-03-01 | 北京大学 | 一种高质量超面片聚类生成方法 |
CN109583003A (zh) * | 2018-10-08 | 2019-04-05 | 成都理工大学 | 基于面裂多边形的碎裂结构岩体碎裂程度量化方法 |
CN109785261A (zh) * | 2019-01-11 | 2019-05-21 | 辽宁工程技术大学 | 一种基于灰度体元模型的机载lidar三维滤波方法 |
-
2019
- 2019-06-10 CN CN201910497703.2A patent/CN110517220A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105180890A (zh) * | 2015-07-28 | 2015-12-23 | 南京工业大学 | 融合激光点云和数字影像的岩体结构面产状测量方法 |
CN107392875A (zh) * | 2017-08-01 | 2017-11-24 | 长安大学 | 一种基于k近邻域划分的点云数据去噪方法 |
CN107784646A (zh) * | 2017-09-29 | 2018-03-09 | 长安大学 | 一种路用集料的自适应检测方法 |
CN108629315A (zh) * | 2018-05-07 | 2018-10-09 | 河海大学 | 一种针对三维点云的多平面识别方法 |
CN108489402A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理规模快速精细取值方法 |
CN108489403A (zh) * | 2018-06-08 | 2018-09-04 | 绍兴文理学院 | 基于三维激光扫描的露天矿山边坡岩体节理产状快速精细取值方法 |
CN108830317A (zh) * | 2018-06-08 | 2018-11-16 | 绍兴文理学院 | 基于数字摄影测量的露天矿山边坡岩体节理产状快速精细取值方法 |
CN109410333A (zh) * | 2018-09-19 | 2019-03-01 | 北京大学 | 一种高质量超面片聚类生成方法 |
CN109583003A (zh) * | 2018-10-08 | 2019-04-05 | 成都理工大学 | 基于面裂多边形的碎裂结构岩体碎裂程度量化方法 |
CN109785261A (zh) * | 2019-01-11 | 2019-05-21 | 辽宁工程技术大学 | 一种基于灰度体元模型的机载lidar三维滤波方法 |
Non-Patent Citations (2)
Title |
---|
梁士超: "三维点云预处理技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
赵传等: "基于法向量密度聚类的 LiDAR 点云屋顶面提取", 《测绘科学技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113763537A (zh) * | 2021-09-07 | 2021-12-07 | 岱悟智能科技(上海)有限公司 | 一种基于平面识别的三维点云平面优化方法 |
CN116012539A (zh) * | 2023-03-27 | 2023-04-25 | 埃尔法(山东)仪器有限公司 | 一种无人机与激光检测结合对气团三维成像的计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
CN105510195B (zh) | 一种堆叠骨料的粒度粒形在线检测方法 | |
CN105445160B (zh) | 一种沥青混合料的空隙特征及其提取方法 | |
CN101599120B (zh) | 一种遥感影像建筑物识别方法 | |
CN104134080B (zh) | 一种道路路基塌陷和边坡坍塌的自动检测方法及系统 | |
CN105787937B (zh) | 一种基于osm的高分辨遥感影像道路变化检测方法 | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
Tafesse et al. | Evaluation of image analysis methods used for quantification of particle angularity | |
CN101354241A (zh) | 集料数字图像评价系统及评价方法 | |
CN105354832B (zh) | 一种山区卫星影像自动配准到地理底图上的方法 | |
CN110443793A (zh) | 一种沥青混合料空隙分布均匀性评价方法 | |
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
CN110443810A (zh) | 基于快速邻接体素查询的点云平面分割方法 | |
CN102695056A (zh) | 一种提取压缩视频关键帧的方法 | |
CN101299237A (zh) | 一种基于信息量维数序列的高光谱数据监督分类方法 | |
CN110517220A (zh) | 一种基于激光三维数据的集料表面数量检测方法 | |
CN104657988A (zh) | 基于角点与曲率检测的微细粒粘连矿石颗粒图像分割方法 | |
EP4290470A1 (en) | Rock identification method, system and apparatus, terminal, and readable storage medium | |
CN105956544A (zh) | 一种基于结构指数特征的遥感影像道路交叉口提取的方法 | |
Bi et al. | The impact of urban green space morphology on PM2. 5 pollution in Wuhan, China: A novel multiscale spatiotemporal analytical framework | |
CN110321855A (zh) | 一种雾天检测预警装置 | |
Liu et al. | Magnification effects on the interpretation of SEM images of expansive soils | |
CN104851092A (zh) | 一种基于图像分析的堆浸铀矿石粒度参数辨识方法 | |
CN105092452A (zh) | 一种机制砂球体类似度的检测方法 | |
CN106153507B (zh) | 一种测试压裂支撑剂圆球度的方法 |
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 |