CN111563904B - 一种基于三维特征描述子的机翼叉耳点云分割方法 - Google Patents
一种基于三维特征描述子的机翼叉耳点云分割方法 Download PDFInfo
- Publication number
- CN111563904B CN111563904B CN202010370281.5A CN202010370281A CN111563904B CN 111563904 B CN111563904 B CN 111563904B CN 202010370281 A CN202010370281 A CN 202010370281A CN 111563904 B CN111563904 B CN 111563904B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- sampling
- wing
- dimensional feature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000011218 segmentation Effects 0.000 title claims description 9
- 238000005070 sampling Methods 0.000 claims abstract description 61
- 210000005069 ears Anatomy 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims 1
- 210000001503 joint Anatomy 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三维特征描述子的机翼叉耳点云分割方法,包括以下步骤:采集机翼信息,获取机翼点云数据集;根据叉耳CAD模型采样获取点云数据作为模板点云M,对模板点云M计算三维特征描述子m;将机翼点云数据集进行随机采样得到采样集I1;选取采样点i,寻找采样点i的邻域k,并计算全部点的三维特征描述子ni;分别度量三维特征描述子m和ni的相似性,并设置阈值ε,筛选大于阈值ε的点云数据;得到新的点云数据集并对其聚类,得到多个聚类点云;将每个聚类点云的三维特征描述子ni和模板点云的三维描述子m对比,筛选出差异大的异常点聚类;滤除异常点聚类,得到分割后的叉耳点云数据。本发明可以得到准确的叉耳数据,大大提高了机翼装配的精确度。
Description
技术领域
本发明属于三维模型技术领域,具体涉及一种基于三维特征描述子的机翼叉耳点云分割方法。
背景技术
飞机大部件对接是飞机总装配的重要组成部分,主要包含翼身对接、垂尾对接等。其中,翼身对接的约束关系最为复杂,机翼承受的载荷也最大,对接质量直接影响飞机的飞行安全和使用寿命。
机翼与中央翼对接时,机翼大梁耳片与轮舱支臂为叉耳配合,通过一个螺栓连接。在飞机翼身对接过程中,叉耳式交点接头会导致装配变形。因此,在装配前需分割出叉耳,确定叉耳的位置再装配就会大大减少装配的工作量和精度。可以利用飞机数字化装配系统中的测量设备对待装配产品实际状态进行信息采集,达到对装配过程进行仿真计算和预测装配结果的目的。
目前,现有技术还没有针对叉耳分割提成直接的解决方案,因此叉耳的快速有效分割,减少装配变形等问题,尚未提出有效的解决方案。
发明内容
本发明所要解决的技术问题是针对上述现有技术的不足,提供一种基于三维特征描述子的机翼叉耳点云分割方法。
为实现上述技术目的,本发明采取的技术方案为:
一种基于三维特征描述子的机翼叉耳点云分割方法,其中包括以下步骤:
步骤S1:采集机翼信息,获取机翼点云数据集;
步骤S2:根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M,对模板点云M计算其三维特征描述子m;
步骤S3:将机翼点云数据集进行随机采样,得到采样集I1;
步骤S4:选取采样集中的采样点i,寻找采样点的特定邻域k,将采样点和特定邻域k组成预测点云I,并计算预测点云I中的三维特征描述子ni;
步骤S5:分别度量三维特征描述子m和ni的相似性,并设置阈值ε,筛选大于阈值ε的点云数据;得到新的点云数据集并对其聚类,得到多个聚类点云;
步骤S6:将每个聚类点云的三维特征描述子ni和模板点云的三维特征描述子m对比,筛选出差异大的异常点聚类;
步骤S7:滤除异常点聚类,得到分割后的叉耳点云数据。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S2中,计算模板点云M的三维特征描述子m具体为:
通过边缘检测算子获取轮廓边缘,对轮廓边缘采样得到一组离散的点集X={x1,x2,x3,...,xj};
以其中任意一点xi为参考点,在xi为圆心、R为半径的局域内按对数距离间隔建立a个同心圆,将此区域沿圆周方向b等分,点xi到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数;分析其它参考点的形状上下文特征hi(k),计算公式为:
hi(k)=#{q≠pi:(q-pi)∈bin(k)}
其中,y表示余下的采样点,bin(k)表示第k个等分,1≤k≤K,K=a×b,hi(k)即为形状上下文特征。
选取点集X中j个点x1,x2,x3,...,xj作参考点,依次计算与剩下的j-1个点构成的形状上下文特征,最终得到j个形状直方图,并以j*j-1大小的矩阵存储表示三维特征描述子m。
进一步地,步骤S3具体为:设定阈值δ,根据设定的阈值δ对点云数据集进行采样,其中采样的点云数据大于设定的阈值δ。
进一步地,步骤S4具体为:
选取采样集中的采样点,寻找采样点的邻域k,把与采样点的法向量夹角小于阈值的邻域点添入集合中,遍历整个点云数据集组成预测点云I,利用三维形状上下文特征计算得到预测点云I中参考点i的点云块的三维特征描述子ni。
进一步地,步骤S5中度量m和ni的相似性的计算具体如下:
计算模块点云的形状直方图与预测点云I的形状直方图之间的匹配代价,代价函数如下:
其中,hi(k)为模块点云M中点xi的形状上下文特征;hj(k)为采样点云I中点yj的形状上下文特征。
进行点云匹配获得最小值:
H(π)=∑C(xs,yπ(s)),
其中:s是利用匈牙利算法进行对应点查找得到对应点集的个数;
利用变换矩阵来表示形状之间的区别:
其中,yπ(s)表示查找得到的点云I中对应点,i表示预测点云I采样得到的i个点,j表示模板点云M采样得到的j个点,x表示模板点云中的采样点,T(y)表示预测点云I中采样点y经过T的变换结果;
基于形状距离衡量模块点云M与预测点云I之间的相似度,结果越大表示差异越大,结果越小表示差异越小。
进一步地,步骤S5中聚类采用k-means方法。
本发明的有益效果:
本发明一种基于三维特征描述子的机翼叉耳点云分割方法,能够有效分割机翼叉耳点云数据,在对机翼点云数据进行处理时,首先对采集的机翼点云数据I1进行随机采样,将机翼点云数据集I1进行随机采样得到采样集;选取采样点i,寻找采样点i的邻域k,并计算全部点的三维特征描述子ni;然后度量机翼点云聚类三维特征描述子ni和模板叉耳点云的三维特征描述子m相似性;最后滤除差异大的异常点集,得到分割后的叉耳点云数据。在计算三维特征描述子时采用三维形状上下文特征方法,通过对比形状差异可以快速准确找到噪声点云,从而得到准确的叉耳数据,因此大大缩短了机翼装配的时间,提高了机翼装配的精确度。
附图说明
图1是本发明的流程图;
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
如图1所示,本发明为一种基于三维特征描述子的机翼叉耳点云分割方法,其中包括以下步骤:
步骤S1:采集机翼信息,获取机翼点云数据集;
在具体实施中,通过三维激光扫描仪对机翼进行扫描的方式,采集机翼信息,获取机翼信息点云数据集I1。由于叉耳的CAD模型是已知的,利用PCL点云库从CAD模型采样得到模板叉耳点云。
步骤S2:根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M,利用三维形状上下文特征方法对模板点云M计算其三维特征描述子m;
在具体实施中,对于模板点云M,通过边缘检测算子获取轮廓边缘,对轮廓边缘采样得到一组离散的点集Y={y1,y2,y3,...,yk}。
在具体实施中,计算形状上下文特征:以其中任意一点yi为参考点,在yi为圆心、R为半径的局域内按对数距离间隔建立a个同心圆。将此区域沿圆周方向b等分。点yi到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数;分析其它参考点的形状分布直方图hi(k),其计算公式为:
hi(k)=#{q≠pi:(q-pi)∈bin(k)}
其中,k={1,2,...,K=a*b}。
在具体实施中,对于整个点集Y,分别以其j个点y1,y2,y3,...,yj作参考点,依次计算与剩下的j-1个点构成的形状上下文特征,最终得到j个形状上下文特征,并以j*j-1大小的矩阵存储表示三维特征描述子m。
步骤S3:将扫描点云数据集进行随机采样,得到点云数据采样集;
在具体实施中,由于采集得到的机翼信息数据量大,为了减少计算量,给定一个点云个数的阈值δ,然后按给定点的个数进行随机采样,得到采样后的点云数据。
步骤S4:选取点云数据采样集中的采样点,寻找采样点的邻域k,将采样点和特定邻域k组成预测点云I,并计算预测点云I中的三维特征描述子ni;
在具体实施中,选取预测点云I中的采样点i,寻找采样点的邻域k,把与采样点的法向量夹角小于阈值的邻域点添入集合,遍历整个点云数据集组成预测点云I,利用三维形状上下文特征方法计算得到参考点i的点云块的三维特征描述子ni;
其中计算三维特征描述子ni的具体过程为:
以ni个点云组中任意一点xi为参考点,在xi为圆心、R为半径的局域内按对数距离间隔建立a个同心圆。将此区域沿圆周方向b等分。参考点xi到其它参考点的向量相对位置简化为模板上各扇区内的点分布数;分析其它参考点的形状分布直方图hi(k),称为点xi的形状上下文,其计算公式为:
hi(k)=#{q≠pi:(q-pi)∈bin(k)}
其中,k={1,2,...,K=a*b};
在具体实施中,采用对数距离分割可以使形状上下文描述子对邻近的采样点比远离点更敏感,能强化局部特征。轮廓不同点处的形状上下文是不同的,但相似轮廓的对应点处趋于有相似的形状上下文。
在具体实施中,对于整个点集I,分别以其j个点x1,x2,x3,...,xj作参考点,依次计算与剩下的j-1个点构成的形状上下文特征,最终得到j个形状直方图。以j*j-1大小的矩阵存储表示三维特征描述子ni。
这样,对于任一目标,可用j*j-1大小的矩阵表示其形状信息,j*j-1大小的矩阵就是点集I的形状上下文,它描述了整个轮廓形状的特征。
步骤S5:分别度量三维特征描述子m和ni的相似性,并设置阈值ε,筛选大于阈值ε的点云数据,得到新的点云数据集,利用k-means方法对其聚类,得到多个聚类点云;
其中步骤S5中度量m和ni的相似性的计算具体如下:
计算模块点云M的形状直方图与预测点云I的形状直方图之间的匹配代价,代价函数如下:
其中,hi(k)为模块点云M中点xi的形状上下文特征;hj(k)为预测点云I中点yj的形状上下文特征。
进行点云的匹配操作,获得最小值:
H(π)=∑C(xs,yπ(s))
其中:s是利用匈牙利算法进行对应点查找得到对应点集的个数;
利用变换矩阵T来表示形状之间的区别:
其中,yπ(s)表示查找得到的点云I中对应点,i表示预测点云I采样得到的i个点,j表示模板点云M采样得到的j个点,x表示模板点云中的采样点,T(y)表示预测点云I中采样点y经过T的变换结果;
基于形状距离衡量模块点云M与预测点云I之间的相似度,结果越大表示差异越大,结果越小表示差异越小。
步骤S6:将每个聚类点云的三维特征描述子ni和模板点云的三维特征描述子m对比,筛选出差异大的异常点聚类;
步骤S7:滤除异常点聚类,得到分割后的叉耳点云数据。
由此可见,将叉耳的点云数据作为模板,对扫描得到的机翼点云数据进行处理。通过计算叉耳点云模板和机翼点云数据分别计算三维特征描述子,并经过对比来分割出机翼中的叉耳。因此,本发明实施例中提供的方法能够有效分割机翼叉耳点云数据。在对机翼点云数据进行处理时,首先对扫描点云数据进行随机采样,任取点云数据中的一个点i,寻找i的邻域k,然后再计算它的三维特征描述子。在计算三维特征描述子时采用三维形状上下文特征方法,通过对比形状差异找到所需点云集合,对点云集合聚类得到叉耳。在点云集合中包含噪声点云,滤除异常点聚类,剩余的类就是分割得到的叉耳,因此大大提高了机翼装配的时间和精确度。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (6)
1.一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于,包括如下步骤:
步骤S1:采集机翼信息,获取机翼点云数据集;
步骤S2:根据叉耳CAD模型采样获取叉耳点云数据作为模板点云M,对模板点云M计算其三维特征描述子m;
步骤S3:将机翼点云数据集进行随机采样,得到采样集I1;
步骤S4:选取采样集中的采样点i,寻找采样点的特定邻域k,将采样点和特定邻域k组成预测点云I,并计算预测点云I中的三维特征描述子ni;
步骤S5:分别度量三维特征描述子m和ni的相似性,并设置阈值ε,筛选大于阈值ε的点云数据;得到新的点云数据集并对其聚类,得到多个聚类点云;
步骤S6:将每个聚类点云的三维特征描述子ni和模板点云的三维特征描述子m对比,筛选出差异大的异常点聚类;
步骤S7:滤除异常点聚类,得到分割后的叉耳点云数据。
2.根据权利要求1所述的一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于:所述步骤S2中,计算模板点云M的三维特征描述子m具体为:
通过边缘检测算子获取轮廓边缘,对轮廓边缘采样得到一组离散的点集:X={x1,x2,x3,...,xj};
以其中任意一点xi为参考点,在xi为圆心、R为半径的局域内按对数距离间隔建立a个同心圆,将此区域沿圆周方向b等分,点xi到其它参考点的向量相对位置简化为模板点云上各扇区内的点分布数;分析其它参考点的形状上下文特征hi(k),计算公式为:
hi(k)=#{y≠xi:(y-xi)∈bin(k)};
其中,y表示采样集中余下的采样点,bin(k)表示第k个等分,1≤k≤K,K=a×b,hi(k)即为形状上下文特征;
选取点集X中j个点x1,...,xj为参考点,依次计算与剩下的j-1个点构成的形状上下文特征,最终得到j个形状直方图,并以j*j-1大小的矩阵存储表示三维特征描述子m。
3.根据权利要求2所述的一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于,所述步骤S3具体为:设定阈值δ,根据设定的阈值δ对点云数据集进行采样,其中采样的点云数据大于设定的阈值δ。
4.根据权利要求3所述的一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于:所述步骤S4具体为:选取采样集中的采样点i,寻找采样点的邻域k,把与采样点的法向量夹角小于阈值的邻域点添入集合中,遍历整个点云数据集组成预测点云I,利用三维形状上下文特征计算得到预测点云I中参考点i的点云块的三维特征描述子ni。
5.根据权利要求4所述的一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于,所述步骤S5中度量m和ni的相似性的计算具体如下:
计算模块点云M的形状上下文特征与预测点云I的形状上下文特征之间的匹配代价,代价函数如下:
其中,hi(k)为模块点云M中点xi的形状上下文特征;hj(k)为预测点云I中点yj的形状上下文特征;
采用点云匹配获得最小值:
H(π)=∑C(xs,yπ(s))
其中:s是利用匈牙利算法进行对应点查找得到对应点集的个数;
利用变换矩阵T来表示形状之间的区别:
其中,yπ(s)表示查找得到的点云I中对应点,i表示预测点云I采样得到的i个点,j表示模板点云M采样得到的j个点,x表示模板点云中的采样点,T(y)表示预测点云I中采样点y经过T的变换结果;
基于形状距离衡量模块点云M与预测点云I之间的相似度,结果越大表示差异越大,结果越小表示差异越小。
6.根据权利要求1所述的一种基于三维特征描述子的机翼叉耳点云分割方法,其特征在于:所述步骤S5中采用k-means聚类的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370281.5A CN111563904B (zh) | 2020-04-30 | 2020-04-30 | 一种基于三维特征描述子的机翼叉耳点云分割方法 |
JP2021016985A JP7014472B2 (ja) | 2020-04-30 | 2021-02-04 | 三次元特徴記述子に基づく機翼フォーク点群の分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010370281.5A CN111563904B (zh) | 2020-04-30 | 2020-04-30 | 一种基于三维特征描述子的机翼叉耳点云分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111563904A CN111563904A (zh) | 2020-08-21 |
CN111563904B true CN111563904B (zh) | 2021-04-30 |
Family
ID=72071977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010370281.5A Active CN111563904B (zh) | 2020-04-30 | 2020-04-30 | 一种基于三维特征描述子的机翼叉耳点云分割方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7014472B2 (zh) |
CN (1) | CN111563904B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113866743B (zh) * | 2021-12-06 | 2022-03-15 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 一种用于车路协同感知的路侧激光点云精简方法和系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3972647B2 (ja) | 2001-12-19 | 2007-09-05 | 株式会社日立製作所 | 画像診断装置,画像診断システム及び画像診断方法 |
CN100497088C (zh) * | 2007-12-28 | 2009-06-10 | 北京航空航天大学 | 一种无人机机身与机翼的连接结构 |
CN106043661B (zh) * | 2016-06-08 | 2018-08-24 | 江西洪都航空工业集团有限责任公司 | 一种机身机翼人工快速对接方法 |
WO2020028244A1 (en) * | 2018-07-30 | 2020-02-06 | Fedex Corporate Services, Inc. | Enhanced systems, apparatus, and methods for improved automated and autonomous operation of logistics ground support equipment |
-
2020
- 2020-04-30 CN CN202010370281.5A patent/CN111563904B/zh active Active
-
2021
- 2021-02-04 JP JP2021016985A patent/JP7014472B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2021174526A (ja) | 2021-11-01 |
CN111563904A (zh) | 2020-08-21 |
JP7014472B2 (ja) | 2022-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957076B (zh) | 一种基于聚类的点云分割方法及系统 | |
US11535400B2 (en) | Fairing skin repair method based on measured wing data | |
CN113298833A (zh) | 目标物点云特征线面提取方法及系统 | |
CN109272521B (zh) | 一种基于曲率分析的图像特征快速分割方法 | |
CN111539070B (zh) | 基于实测数据的翼身对接间隙分布控制方法 | |
CN110807473A (zh) | 目标检测方法、装置及计算机存储介质 | |
CN113269791B (zh) | 一种基于边缘判定与区域生长的点云分割方法 | |
CN112966542A (zh) | 一种基于激光雷达的slam系统和方法 | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN114612795A (zh) | 基于激光雷达点云的路面场景目标识别方法 | |
CN111563904B (zh) | 一种基于三维特征描述子的机翼叉耳点云分割方法 | |
CN103886609B (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
CN111862054A (zh) | 一种铆钉轮廓点云提取方法 | |
CN106886988B (zh) | 一种基于无人机遥感的线性目标检测方法及系统 | |
CN114358140A (zh) | 低能见度下稀疏点云航空器快速捕获方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN108520550B (zh) | 基于噪声分类与mls的点云数据泊松曲面重建方法 | |
CN108921896B (zh) | 一种融合点线特征的下视视觉罗盘 | |
CN115147433A (zh) | 点云配准方法 | |
CN117893924A (zh) | 一种基于树冠形态的无人机激光雷达点云单木分割方法 | |
CN116580217A (zh) | 一种基于预测误差反馈的毫米波雷达交通目标聚类方法 | |
CN114924260A (zh) | 一种多激光雷达点云配准方法 | |
CN116310355A (zh) | 一种复杂结构件的激光点云去噪和缺陷检测方法 | |
CN114608478A (zh) | 一种高精度曲面薄片的前后缘参数量测方法 | |
CN112884057A (zh) | 基于点云数据的三维曲面质量分类方法、系统及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220418 Address after: 210016 room 1003-1005, No. 1698, Shuanglong Avenue, Jiangning District, Nanjing, Jiangsu Province (Jiangning Development Zone) Patentee after: Nanjing Yuntong Technology Co.,Ltd. Address before: No. 29, Qinhuai District, Qinhuai District, Nanjing, Jiangsu Patentee before: Nanjing University of Aeronautics and Astronautics |