CN111882658B - 一种针对核电厂房内核设施的自动重构方法 - Google Patents
一种针对核电厂房内核设施的自动重构方法 Download PDFInfo
- Publication number
- CN111882658B CN111882658B CN202010632666.4A CN202010632666A CN111882658B CN 111882658 B CN111882658 B CN 111882658B CN 202010632666 A CN202010632666 A CN 202010632666A CN 111882658 B CN111882658 B CN 111882658B
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- cloud data
- nuclear
- pointcloud
- 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
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种针对核电厂房内核设施的自动重构方法,包括以下步骤:S1、通过基于飞越时间的大区域激光扫描仪与结构光双目扫描仪组合扫描的方式,获取满足精度要求的核电厂房点云数据;S2、利用卷积神经网络模型PointNet对核电厂房点云数据进行处理,识别出所有核设施的点云数据;S3、采用RANSAC算法对核设施的点云数据进行形面识别,得到组成核设施的所有形面的点云数据,以及所有形面的位置参数和尺寸参数;S4、基于NURBS曲面对所有形面的点云数据形面进行重构。本发明可以高效率、高准去率的重构出核电厂房内需进行重构的核设施。
Description
技术领域
本发明属于三维模型构建技术领域,尤其涉及的是一种全局尺度大、局部精度要求高的针对核电厂房内核设施的自动重构方法。
背景技术
随着核电的不断发展,其已逐渐成为支撑可持续发展的重要途经之一。核设施与非核设施一样,都有生命周期。退役则是核设施生命周期的最后一个阶段,更是保证核安全的一个至关重要环节,由于其带有强辐射的特殊性,退役方案的设计、验证、评估和实施都比一般工程项目具有更大的挑战。其中,仿真技术是核设施退役的重要辅助手段之一,然而,所有仿真技术的应用都建立在有准确的三维模型的基础上,故如何获得核设施三维模型是核设施退役管理的首要内容。但由于早期的核设施,很多工程资料由于一些原因已经不齐全或者不完整,即使保留有完整图纸资料,也需要重新进行三维建模,耗时耗力。
三维激光扫描模型重构技术是近些年兴起的高新技术。将此技术应用于核设施退役领域,可以充分发挥三维激光扫描技术许多独特的优势,比如不用依靠平面图纸资料,直接采集立体数据,使用灵活,速度快,可以进入到许多人类无法进入的环境和恶劣工作现场中,具有广阔的应用空间。但目前三维激光扫描重构技术仍存在以下问题:(1)核电厂房空间尺度跨越大,且对于核设施部分的局部点云精度要求极高,现有的基于飞越时间的大区域激光扫描的精度较低,而具备高精度扫描的结构光双目扫描的效率不高;(2)核电厂房内环境复杂,点云数量较大,且核设施一般布置紧凑、且结构也较为复杂,传统的三维激光重构技术难以高效率、高准确率的直接应用于核电厂房内核设施的重构。
因此,现有技术还有待于改进和发展。
发明内容
本发明的目的在于克服现有技术的不足,提供一种可以高效率、高准去率的重构出核电厂房内需进行重构的核设施的针对核电厂房内核设施的自动重构方法。
本发明的目的是通过以下技术方案来实现的:一种针对核电厂房内核设施的自动重构方法,包括以下步骤:
S1、通过基于飞越时间的大区域激光扫描仪与结构光双目扫描仪组合扫描的方式,获得核电厂房点云数据;
S2、利用卷积神经网络模型PointNet对核电厂房点云数据进行处理,识别出所有核设施的点云数据;
S3、采用RANSAC算法对核设施的点云数据进行形面识别,得到组成核设施的所有形面的点云数据,以及所有形面的位置参数和尺寸参数;
S4、基于NURBS曲面对所有形面的点云数据进行形面重构。
进一步地,所述步骤S1包括以下子步骤:
S1.1、通过大区域激光扫描仪获取核电厂房的全局点云数据Global_PointCloud;
S1.2、通过结构光双目扫描仪对精度要求高的核设施进行高精度扫描,获得精度高的多个局部点云数据Partial_PointCloud,以Partial_PointCloud[i]表示第i个对精度要求较高的核设施的点云数据,其中1≤i≤n,n为对精度要求高的核设施的总数量;
S1.3、采用ICP算法寻找局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标到全局点云数据Global_PointCloud的基准坐标之间的变换矩阵(x,y,z,Rx,Ry,Rz),使得局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标都统一到全局点云数据Global_PointCloud的基准坐标中,实现全局点云Global_PointCloud与局部点云数据Partial_PointCloud的拼接,x,y,z分别表示局部点云数据Partial_PointCloud中核设施的点云数据的基准坐标,Rx,Ry,Rz表示全局点云数据Global_PointCloud的基准坐标。
进一步地,所述步骤S2包括以下子步骤:
S2.1、通过结构光双目扫描仪对每一个需要重构的核设施种类进行扫描,以获得需要重构的核设施种类的点云数据Device_PointCloud,用Device_PointCloud[j]表示第j个需要重构的核设施种类,其中1≤j≤m,m为需要重构的核设施的种类类别总数;
S2.2、遍历所述Device_PointCloud[j]的点云数据,得到Device_PointCloud[j]中的X向最值、Y向最值、Z向最值,分别记为Xmin、Xmax、Ymin、Ymax、Zmin、Zmax,以点(Xmax,Ymax,Zmax)、点(Xmin,Ymin,Zmax)、点(Xmax,Ymin,Zmax)、点(Xmin,Ymax,Zmax)、点(Xmax,Ymax,Zmin)、点(Xmin,Ymin,Zmin)、点(Xmax,Ymin,Zmin)和点(Xmin,Ymax,Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最小轴对齐包围盒minBox[j];
以点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmax)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)和点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最大轴对齐包围盒maxBox[j];
S2.3、对Device_PointCloud[j]的点云数据添加随机噪声;所述随机噪声在最小轴对齐包围盒minBox[j]与最大轴对齐包围盒maxBox[j]之间;随机噪声的点云数量在Device_PointCloud[j]的点云数量的1/20~1/40之间;
将得到的带有随机噪声的核设施点云数据作为神经网络的一组训练样本TraningSample_1,TraningSample_1点云数据中的属于核设施的点云数据标记为1,属于随机噪声的点云标记为0;
S2.4、重复执行步骤S2.3一百次,获得一百个训练样本,分别记为TraningSample_1、TraningSample_2、TraningSample_3,……,TraningSample_100;
S2.5、将训练样本TraningSample_1、TraningSample_2、……、TraningSample_100送入卷积神经网络模型PointNet中完成神经网络的训练;
S2.6、通过完成训练的PointNet神经网络模型对核电厂房点云数据PointCloud进行处理,识别出核电厂房中所有需要进行重构的核设施点云数据NuclearFacility,以NuclearFacility[k]表示在核电厂房中识别到的第k个需要进行重构的核设施,其中,1≤k≤l,l为在厂房的点云数据PointCloud中识别到的需要进行重构的核设施总数量。
进一步地,所述步骤S4包括以下子步骤:
S4.1、根据Shape_NuclearFacility[k][h]中所识别到的形面类型以及在Parameter_NuclearFacility[k][h]中所对应的该形面的位置参数与尺寸参数,重构出一个未经裁剪的NURBS基本形面;其中,Shape_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面,Parameter_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面的位置参数与尺寸参数;
S4.2、将Shape_NuclearFacility[k][h]形面的点云数据逆映射到步骤S4.1中的NURBS曲面的uv参数域中得到点集P;
S4.3、提取出所述点集P中的边界点集B;
S4.4、对边界点集B进行聚类算法,得到B1、B2……Bn共n个边界点集;
S4.5、分别计算所述B1、B2……Bn的轴对齐包围盒,利用轴对齐包围盒之间的包含关系,将轴对齐包围盒在u方向及v方向上跨度最大的边界点集作为外边界点集B′0,其余的n-1个边界点集作为内边界点集B′1、B′2……B′n-1;
S4.6、根据每个边界点集自身的点云走势方向分别对所述外边界点集B′0与n-1个内边界点集B′1、B′2……B′n-1进行排序分别得到有序边界点云O0、O1、O2……On-1;
步骤4.7:对有序边界点云O0、O1、O2……On-1的方向进行判断,若外边界有序点云O0的方向为顺时针,则将其方向反向;若内边界有序点云的方向为逆时针,则将其方向反向,即使得外边界有序点云的方向成逆时针方向,内边界有序点云的方向成顺时针方向,得到有序边界点云O′0、O′1、O′2……O′n-1;
判断有序边界点集的方向算法原理如下:A.设有序边界点集O,大小为m,取点集O中的第m/3个点为P1=(x1,y1),取第2*m/3个点为P2=(x2,y2),取第m个点为P3=(x3,y3),设向量计算向量与的叉乘,若为正,则点集O为逆时针,若为负,则点集O为顺时针;
S4.8、提取每一个有序边界点云O′0、O′1、O′2……O′n-1中的直线图元与曲线图元,提取直线图元的算法为随机采样一致性算法,提取直线图元后,剩余的图元统一作曲线处理;
S4.9、对步骤S4.8中所述直线图元的直线性进行验证,若直线性较低,则将此直线图元归为曲线图元处理;直线性的验证算法主要基于协方差矩阵,协方差矩阵可以计算出点集的两个方向,第一方向为点集方差最大的方向,即为直线图元的方向,第二个方向为第一方向的垂直方向;若第一方向上的特征值与第二方向上的特征值之比大于10,则认为此直线图元的直线性合格,否则将此直线图元归为曲线处理;
S4.10、对步骤S4.9中所述直线图元与曲线图元进行描述,其中,直线图元采用一次NURBS曲线进行拟合,曲线图元采用二次NURBS曲线进行拟合;
S4.11、根据所述有序边界点云O′0、O′1、O′2……O′n-1的顺序,对步骤S4.10所述图元进行排序,将每一个边界点云的图元按顺序连接,对步骤S1中所述的NURBS曲面进行裁剪,得到最终重构形面。
进一步地,所述步骤S4.6包括以下子步骤:
S4.6.1、排序算法主要依据kdtree最近邻查询,任意选取点集中的一点,加入点集O;
S4.6.2、令x=1;
S4.6.3、利用点集O中的最后一个点作为查询点,查询第x个近邻点,若所述点集O中存在此近邻点,则令x=x+1,且重复此步骤;若所述点集O中不存在此近邻点,则在点集O尾部加入此近邻点;
S4.6.4、判断所述点集O的大小是否等于需排序的点集的大小,若不等则重复步骤S4.6.2、步骤S4.6.3、步骤S4.6.4,若相等则终止循环,此时所述点集O的点便是排序后的点。
本发明的有益效果是:本发明提出了一种针对于核电厂房内核设施的自动重构方法,首先通过基于飞越时间的大区域激光扫描仪获取厂房全局点云、通过具备高精度扫描的结构光双目扫描仪获取局部点云,再通过ICP算法完成全局点云与局部点云的拼接得到厂房的点云数据;通过卷积神经网络PointNet对厂房点云数据进行处理,识别出需重构的核设施的点云数据;利用高效RANSAC算法识别出需重构的核设施上的所有基本形面的点云数据;最后基于NURBS曲面对每一个形面单独进行重构。该方法可以高效率、高准去率的重构出核电厂房内需进行重构的核设施的三维模型。
附图说明
图1为本实施例的小推车实物图;
图2为本发明的针对核电厂房内核设施的自动重构方法的流程图;
图3为本实施例大区域激光扫描仪扫描图像;;
图4为本实施例结构光双目扫描仪扫描图像;
图5为本实施例全局点云与局部点云数据拼接后的效果图;
图6为用于训练卷积神经网络PointNet的其中一组训练样本效果图;
图7为通过卷积神经网络PointNet对小车上阀门的识别效果图;
图8为小车上阀门的重构效果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
本发明的一种针对核电厂房内核设施的自动重构方法,在windows操作系统中通过VS2017平台用C++编程语言实现核电厂房内核设施的自动重构方法的全部过程。本发明选取装有阀门的小车的下半部分为例,小车实物图如图1所示,基于本发明的方法对小车上的阀门进行自动识别及重构,并检验其重构效果。
如图2所示,本发明的针对核电厂房内核设施的自动重构方法,包括以下步骤:
S1、通过基于飞越时间的大区域激光扫描仪与结构光双目扫描仪组合扫描的方式,获得核电厂房点云数据;具体包括以下子步骤:
S1.1、通过大区域激光扫描仪获取核电厂房的全局点云数据Global_PointCloud,扫描图像如图3所示;
S1.2、通过结构光双目扫描仪对精度要求高的核设施进行高精度扫描,获得精度高的多个局部点云数据Partial_PointCloud,以Partial_PointCloud[i]表示第i个对精度要求较高的核设施的点云数据,其中1≤i≤n,n为对精度要求高的核设施的总数量;扫描图像如图4所示;
S1.3、所述全局点云数据Global_PointCloud与局部点云数据Partial_PointCloud中的每一个核设施的点云数据均是基于不同的基准坐标系,故采用ICP(iterative closest point,ICP)算法寻找局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标到全局点云数据Global_PointCloud的基准坐标之间的变换矩阵(x,y,z,Rx,Ry,Rz),使得局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标都统一到全局点云数据Global_PointCloud的基准坐标中,实现全局点云Global_PointCloud与局部点云数据Partial_PointCloud的拼接,以获得可满足精度要求的核电厂房点云数据PointCloud;x,y,z分别表示局部点云数据Partial_PointCloud中核设施的点云数据的基准坐标,Rx,Ry,Rz表示全局点云数据Global_PointCloud的基准坐标。拼接后的效果图如图5所示。ICP(iterative closest point,ICP)算法可参考文献“刘丰华.复杂模型三维点云自动配准技术的研究[D].天津大学,2014”。
S2、由于核电厂房的三维激光扫描点云数据数量大,为提高重构效率与效果,故本发明利用卷积神经网络模型PointNet对核电厂房点云数据PointCloud进行处理,识别出所有核设施的点云数据NuclearFacility;以NuclearFacility[k]表示在核电厂房中识别到的第k个需要进行重构的核设施,其中,1≤k≤l,l为在厂房的点云数据PointCloud中识别到的需要进行重构的核设施总数量。卷积神经网络模型PointNet可参考文献“Charles R,Hao Su,Kaichun Mo,et al.PointNet:deep learning on point sets for 3Dclassification and segmentation.Proceedings of the 2017IEEE Conference onComputer Vision and Pattern Recognition.2017”。具体包括以下子步骤:
S2.1、通过结构光双目扫描仪对每一个需要重构的核设施种类进行扫描,以获得需要重构的核设施种类的点云数据Device_PointCloud,用Device_PointCloud[j]表示第j个需要重构的核设施种类,其中1≤j≤m,m为需要重构的核设施的种类类别总数;
S2.2、遍历所述Device_PointCloud[j]的点云数据,得到Device_PointCloud[j]中的X向最值、Y向最值、Z向最值,分别记为Xmin、Xmax、Ymin、Ymax、Zmin、Zmax,以点(Xmax,Ymax,Zmax)、点(Xmin,Ymin,Zmax)、点(Xmax,Ymin,Zmax)、点(Xmin,Ymax,Zmax)、点(Xmax,Ymax,Zmin)、点(Xmin,Ymin,Zmin)、点(Xmax,Ymin,Zmin)和点(Xmin,Ymax,Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最小轴对齐包围盒minBox[j];
以点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmax)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)和点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最大轴对齐包围盒maxBox[j];
S2.3、对Device_PointCloud[j]的点云数据添加随机噪声;所述随机噪声在最小轴对齐包围盒minBox[j]与最大轴对齐包围盒maxBox[j]之间;随机噪声的点云数量在Device_PointCloud[j]的点云数量的1/20~1/40之间;
将得到的带有随机噪声的核设施点云数据作为神经网络的一组训练样本TraningSample_1,TraningSample_1点云数据中的属于核设施的点云数据标记为1,属于随机噪声的点云标记为0;训练样本效果图如图6所示;
S2.4、重复执行步骤S2.3一百次,获得一百个训练样本,分别记为TraningSample_1、TraningSample_2、TraningSample_3,……,TraningSample_100;
S2.5、将训练样本TraningSample_1、TraningSample_2、……、TraningSample_100送入卷积神经网络模型PointNet中完成神经网络的训练;
S2.6、通过完成训练的PointNet神经网络模型对核电厂房点云数据PointCloud进行处理,识别出核电厂房中所有需要进行重构的核设施点云数据NuclearFacility,以NuclearFacility[k]表示在核电厂房中识别到的第k个需要进行重构的核设施,其中,1≤k≤l,l为在厂房的点云数据PointCloud中识别到的需要进行重构的核设施总数量。图7为通过所述神经网络对小车上阀门的识别效果图。
S3、所述核设施都是由基本形面组成,所谓基本形面即为平面、圆柱面、圆锥面、球面以及圆环面。故本发明采用高效RANSAC(Random Sample Consensus)算法对核设施的点云数据NuclearFacility[k]进行形面识别,得到组成核设施的所有形面的点云数据Shape_NuclearFacility,以及所有形面的位置参数和尺寸参数Parameter_NuclearFacility;以Shape_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面,以Parameter_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面的位置参数与尺寸参数。其中1≤k≤l,1≤h≤g,其中l为在厂房的点云数据PointCloud中识别到的需要进行重构的核设施数量,g为在NuclearFacility[k]所识别的基本形面的总数量;高效RANSAC(Random Sample Consensus)算法可参考文献“RuwenSchnabel,Roland Wahl,Reinhard Klein.Efficient ransac for point-cloud shapedetection.In Computer graphics forum,volume 26,pages 214–226.Wiley OnlineLibrary,2007”。
S4、基于NURBS曲面对所有形面的点云数据Shape_NuclearFacility[k][h]进行形面重构。NURBS曲面的相关重构原理可参考文献“张甜田.基于分割点云的NURBS曲面三维重构方法研究[D].北京建筑大学,2013”,小车上阀门的重构效果如图8所示。具体包括以下子步骤:
S4.1、根据Shape_NuclearFacility[k][h]中所识别到的形面类型以及在Parameter_NuclearFacility[k][h]中所对应的该形面的位置参数与尺寸参数,重构出一个未经裁剪的NURBS基本形面;对于NURBS曲面重构基本形面可参考文献“刘军强,高佳宏,李言.规则曲线和曲面的NURBS表示[J].西安工业学院学报,2004(04):311-315”;
S4.2、将Shape_NuclearFacility[k][h]形面的点云数据逆映射到步骤S4.1中的NURBS曲面的uv参数域中得到点集P;
S4.3、提取出所述点集P中的边界点集B;边界点提取可参考文献“R.B.Rusu,N.Blodow,Z.Marton,A.Soos,and M.Beetz,.Towards 3D object maps for autonomoushousehold robots.Robot.Syst.2007IEEE/RSJ Int.Conf.IEEE,2007,pp.3191–3198”;
S4.4、对边界点集B进行聚类算法,得到B1、B2……Bn共n个边界点集;聚类算法可参考文献“孙红岩,孙晓鹏,李华.基于K-means聚类方法的三维点云模型分割[J].计算机工程与应用,2006(10):42-45”;
S4.5、分别计算所述B1、B2……Bn的轴对齐包围盒,利用轴对齐包围盒之间的包含关系,将轴对齐包围盒在u方向及v方向上跨度最大的边界点集作为外边界点集B′0,其余的n-1个边界点集作为内边界点集B′1、B′2……B′n-1,轴对齐包围盒的求解可参考步骤S2.2;
S4.6、根据每个边界点集自身的点云走势方向分别对所述外边界点集B′0与n-1个内边界点集B′1、B′2……B′n-1进行排序分别得到有序边界点云O0、O1、O2……On-1;包括以下子步骤:
S4.6.1、排序算法主要依据kdtree最近邻查询,任意选取点集中的一点,加入点集O;kdtree最近邻搜索可参考文献“张艳芹,杨习贝,陈向坚.基于kd-树的快速邻域分类方法[J].江苏科技大学学报(自然科学版),2018,32(06):823-831”;
S4.6.2、令x=1;
S4.6.3、利用点集O中的最后一个点作为查询点,查询第x个近邻点,若所述点集O中存在此近邻点,则令x=x+1,且重复此步骤;若所述点集O中不存在此近邻点,则在点集O尾部加入此近邻点;
S4.6.4、判断所述点集O的大小是否等于需排序的点集的大小,若不等则重复步骤S4.6.2、步骤S4.6.3、步骤S4.6.4,若相等则终止循环,此时所述点集O的点便是排序后的点。
步骤4.7:对有序边界点云O0、O1、O2……On-1的方向进行判断,若外边界有序点云O0的方向为顺时针,则将其方向反向;若内边界有序点云的方向为逆时针,则将其方向反向,即使得外边界有序点云的方向成逆时针方向,内边界有序点云的方向成顺时针方向,得到有序边界点云O′0、O′1、O′2……O′n-1;
判断有序边界点集的方向算法原理如下:A.设有序边界点集O,大小为m,取点集O中的第m/3个点为P1=(x1,y1),取第2*m/3个点为P2=(x2,y2),取第m个点为P3=(x3,y3),设向量计算向量与的叉乘,若为正,则点集O为逆时针,若为负,则点集O为顺时针;
S4.8、提取每一个有序边界点云O′0、O′1、O′2……O′n-1中的直线图元与曲线图元,提取直线图元的算法为随机采样一致性算法,提取直线图元后,剩余的图元统一作曲线处理;随机采样一直性算法提取直线图元可参考文献“吴剑亮,李艳,高扬,黄小赛.基于改进RANSAC算法的道路直线提取方法[J].地理空间信息,2017,15(05):42-44+50+10-11.”;
S4.9、对步骤S4.8中所述直线图元的直线性进行验证,若直线性较低,则将此直线图元归为曲线图元处理;直线性的验证算法主要基于协方差矩阵,所述协方差矩阵可以计算出点集的两个方向,第一方向为点集方差最大的方向,即为直线图元的方向,第二个方向为第一方向的垂直方向;若第一方向上的特征值与第二方向上的特征值之比大于10,则认为此直线图元的直线性合格,否则将此直线图元归为曲线处理;协方差矩阵的相关原理可参考文献“赵一惠.协方差矩阵的广义几何型收缩估计[D].浙江工商大学,2020”;
S4.10、对步骤S4.9中所述直线图元与曲线图元进行描述,其中,直线图元采用一次NURBS曲线进行拟合,曲线图元采用二次NURBS曲线进行拟合;NURBS曲线拟合算法可参考文献“张蒙,李亚娟,邓重阳.NURBS曲线拟合的最小二乘渐进迭代逼近优化算法[J].计算机辅助设计与图形学学报,2020,32(04):568-574”;
S4.11、根据所述有序边界点云O′0、O′1、O′2……O′n-1的顺序,对步骤S4.10所述图元进行排序,将每一个边界点云的图元按顺序连接,对步骤S1中所述的NURBS曲面进行裁剪,得到最终重构形面。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (4)
1.一种针对核电厂房内核设施的自动重构方法,其特征在于,包括以下步骤:
S1、通过基于飞越时间的大区域激光扫描仪与结构光双目扫描仪组合扫描的方式,获得核电厂房点云数据;
S2、利用卷积神经网络模型PointNet对核电厂房点云数据进行处理,识别出所有核设施的点云数据;包括以下子步骤:
S2.1、通过结构光双目扫描仪对每一个需要重构的核设施种类进行扫描,以获得需要重构的核设施种类的点云数据Device_PointCloud,用Device_PointCloud[j]表示第j个需要重构的核设施种类,其中1≤j≤m,m为需要重构的核设施的种类类别总数;
S2.2、遍历所述Device_PointCloud[j]的点云数据,得到Device_PointCloud[j]中的X向最值、Y向最值、Z向最值,分别记为Xmin、Xmax、Ymin、Ymax、Zmin、Zmax,以点(Xmax,Ymax,Zmax)、点(Xmin,Ymin,Zmax)、点(Xmax,Ymin,Zmax)、点(Xmin,Ymax,Zmax)、点(Xmax,Ymax,Zmin)、点(Xmin,Ymin,Zmin)、点(Xmax,Ymin,Zmin)和点(Xmin,Ymax,Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最小轴对齐包围盒minBox[j];
以点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmax-0.1Zmin)、点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmax-0.1Zmin)、点(1.1Xmax-0.1Xmin,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmax)、点(1.1Xmin-0.1Xmax,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)、点(1.1Xmax-0.1Xmin,1.1Ymin-0.1Ymax,1.1Zmin-0.1Zmax)和点(1.1Xmin-0.1Xmax,1.1Ymax-0.1Ymin,1.1Zmin-0.1Zmin)为顶点构成一个长方体,该长方体即为Device_PointCloud[j]的最大轴对齐包围盒maxBox[j];
S2.3、对Device_PointCloud[j]的点云数据添加随机噪声;所述随机噪声在最小轴对齐包围盒minBox[j]与最大轴对齐包围盒maxBox[j]之间;随机噪声的点云数量在Device_PointCloud[j]的点云数量的1/20~1/40之间;
将得到的带有随机噪声的核设施点云数据作为神经网络的一组训练样本TraningSample_1,TraningSample_1点云数据中的属于核设施的点云数据标记为1,属于随机噪声的点云标记为0;
S2.4、重复执行步骤S2.3一百次,获得一百个训练样本,分别记为TraningSample_1、TraningSample_2、TraningSample_3、……、TraningSample_100;
S2.5、将训练样本TraningSample_1、TraningSample_2,……,TraningSample_100送入卷积神经网络模型PointNet中完成神经网络的训练;
S2.6、通过完成训练的PointNet神经网络模型对核电厂房点云数据PointCloud进行处理,识别出核电厂房中所有需要进行重构的核设施点云数据NuclearFacility,以NuclearFacility[k]表示在核电厂房中识别到的第k个需要进行重构的核设施,其中,1≤k≤l,l为在厂房的点云数据PointCloud中识别到的需要进行重构的核设施总数量;
S3、采用RANSAC算法对核设施的点云数据进行形面识别,得到组成核设施的所有形面的点云数据,以及所有形面的位置参数和尺寸参数;
S4、基于NURBS曲面对所有形面的点云数据进行形面重构。
2.根据权利要求1所述的一种针对核电厂房内核设施的自动重构方法,其特征在于,所述步骤S1包括以下子步骤:
S1.1、通过大区域激光扫描仪获取核电厂房的全局点云数据Global_PointCloud;
S1.2、通过结构光双目扫描仪对精度要求高的核设施进行高精度扫描,获得精度高的多个局部点云数据Partial_PointCloud,以Partial_PointCloud[i]表示第i个对精度要求较高的核设施的点云数据,其中1≤i≤n,n为对精度要求高的核设施的总数量;
S1.3、采用ICP算法寻找局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标到全局点云数据Global_PointCloud的基准坐标之间的变换矩阵(x,y,z,Rx,Ry,Rz),使得局部点云数据Partial_PointCloud中的每一个核设施的点云数据的基准坐标都统一到全局点云数据Global_PointCloud的基准坐标中,实现全局点云Global_PointCloud与局部点云数据Partial_PointCloud的拼接,x,y,z分别表示局部点云数据Partial_PointCloud中核设施的点云数据的基准坐标,Rx,Ry,Rz表示全局点云数据Global_PointCloud的基准坐标。
3.根据权利要求1所述的一种针对核电厂房内核设施的自动重构方法,其特征在于,所述步骤S4包括以下子步骤:
S4.1、根据Shape_NuclearFacility[k][h]中所识别到的形面类型以及在Parameter_NuclearFacility[k][h]中所对应的该形面的位置参数与尺寸参数,重构出一个未经裁剪的NURBS基本形面;其中,Shape_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面,Parameter_NuclearFacility[k][h]表示第k个需要进行重构的核设施中所识别到的第h个基本形面的位置参数与尺寸参数;
S4.2、将Shape_NuclearFacility[k][h]形面的点云数据逆映射到步骤S4.1中的NURBS曲面的uv参数域中得到点集P;
S4.3、提取出所述点集P中的边界点集B;
S4.4、对边界点集B进行聚类算法,得到B1、B2……Bn共n个边界点集;
S4.5、分别计算所述B1、B2……Bn的轴对齐包围盒,利用轴对齐包围盒之间的包含关系,将轴对齐包围盒在u方向及v方向上跨度最大的边界点集作为外边界点集B′0,其余的n-1个边界点集作为内边界点集B′1、B′2……B′n-1;
S4.6、根据每个边界点集自身的点云走势方向分别对所述外边界点集B′0与n-1个内边界点集B′1、B′2……B′n-1进行排序分别得到有序边界点云O0、O1、O2……On-1;
步骤4.7:对有序边界点云O0、O1、O2……On-1的方向进行判断,若外边界有序点云O0的方向为顺时针,则将其方向反向;若内边界有序点云的方向为逆时针,则将其方向反向,即使得外边界有序点云的方向成逆时针方向,内边界有序点云的方向成顺时针方向,得到有序边界点云O′0、O′1、O′2……O′n-1;
判断有序边界点集的方向算法原理如下:A.设有序边界点集O,大小为m,取点集O中的第m/3个点为P1=(x1,y1),取第2*m/3个点为P2=(x2,y2),取第m个点为P3=(x3,y3),设向量计算向量与的叉乘,若为正,则点集O为逆时针,若为负,则点集O为顺时针;
S4.8、提取每一个有序边界点云O′0、O′1、O′2……O′n-1中的直线图元与曲线图元,提取直线图元的算法为随机采样一致性算法,提取直线图元后,剩余的图元统一作曲线处理;
S4.9、对步骤S4.8中所述直线图元的直线性进行验证,若直线性较低,则将此直线图元归为曲线图元处理;直线性的验证算法主要基于协方差矩阵,计算出点集的两个方向,第一方向为点集方差最大的方向,即为直线图元的方向,第二个方向为第一方向的垂直方向;若第一方向上的特征值与第二方向上的特征值之比大于10,则认为此直线图元的直线性合格,否则将此直线图元归为曲线处理;
S4.10、对步骤S4.9中所述直线图元与曲线图元进行描述,其中,直线图元采用一次NURBS曲线进行拟合,曲线图元采用二次NURBS曲线进行拟合;
S4.11、根据所述有序边界点云O′0、O′1、O′2……O′n-1的顺序,对步骤S4.10所述图元进行排序,将每一个边界点云的图元按顺序连接,对步骤S1中所述的NURBS曲面进行裁剪,得到最终重构形面。
4.根据权利要求3所述的一种针对核电厂房内核设施的自动重构方法,其特征在于,所述步骤S4.6包括以下子步骤:
S4.6.1、排序算法主要依据kdtree最近邻查询,任意选取点集中的一点,加入点集O;
S4.6.2、令x=1;
S4.6.3、利用点集O中的最后一个点作为查询点,查询第x个近邻点,若所述点集O中存在此近邻点,则令x=x+1,且重复此步骤;若所述点集O中不存在此近邻点,则在点集O尾部加入此近邻点;
S4.6.4、判断所述点集O的大小是否等于需排序的点集的大小,若不等则重复步骤S4.6.2、步骤S4.6.3、步骤S4.6.4,若相等则终止循环,此时所述点集O的点便是排序后的点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632666.4A CN111882658B (zh) | 2020-07-02 | 2020-07-02 | 一种针对核电厂房内核设施的自动重构方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010632666.4A CN111882658B (zh) | 2020-07-02 | 2020-07-02 | 一种针对核电厂房内核设施的自动重构方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111882658A CN111882658A (zh) | 2020-11-03 |
CN111882658B true CN111882658B (zh) | 2022-08-09 |
Family
ID=73150227
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010632666.4A Active CN111882658B (zh) | 2020-07-02 | 2020-07-02 | 一种针对核电厂房内核设施的自动重构方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111882658B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112802194B (zh) * | 2021-03-31 | 2023-09-19 | 电子科技大学 | 一种基于点云数据的核设施高精度重构方法 |
CN113223067B (zh) * | 2021-05-08 | 2021-11-19 | 广东三姆森科技股份有限公司 | 针对具有平面基准的非完整三维扫描点云的在线配准方法 |
CN113932730B (zh) * | 2021-09-07 | 2022-08-02 | 华中科技大学 | 一种曲面板材形状的检测装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318611A (zh) * | 2014-10-27 | 2015-01-28 | 祁海江 | 一种基于激光扫描点云的三维树木重建方法 |
CN107292002A (zh) * | 2017-06-06 | 2017-10-24 | 中国石油天然气股份有限公司 | 一种数字岩心重构的方法及装置 |
CN109887075A (zh) * | 2019-02-20 | 2019-06-14 | 清华大学 | 用于三维模型构建的三维点云模型训练方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679807B (zh) * | 2013-12-24 | 2016-08-24 | 焦点科技股份有限公司 | 一种带边界约束的散乱点云重构方法 |
US11379688B2 (en) * | 2017-03-16 | 2022-07-05 | Packsize Llc | Systems and methods for keypoint detection with convolutional neural networks |
CN109215067B (zh) * | 2017-07-03 | 2023-03-10 | 百度(美国)有限责任公司 | 基于cnn和crf模型生成高分辨率3-d点云 |
US10705216B2 (en) * | 2017-12-07 | 2020-07-07 | Institute For Information Industry | Three-dimensional point cloud tracking apparatus and method using recurrent neural network |
-
2020
- 2020-07-02 CN CN202010632666.4A patent/CN111882658B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104318611A (zh) * | 2014-10-27 | 2015-01-28 | 祁海江 | 一种基于激光扫描点云的三维树木重建方法 |
CN107292002A (zh) * | 2017-06-06 | 2017-10-24 | 中国石油天然气股份有限公司 | 一种数字岩心重构的方法及装置 |
CN109887075A (zh) * | 2019-02-20 | 2019-06-14 | 清华大学 | 用于三维模型构建的三维点云模型训练方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111882658A (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111882658B (zh) | 一种针对核电厂房内核设施的自动重构方法 | |
Wang et al. | Vision-assisted BIM reconstruction from 3D LiDAR point clouds for MEP scenes | |
Hu et al. | Structure‐aware 3D reconstruction for cable‐stayed bridges: A learning‐based method | |
Kim et al. | Automatic pipe and elbow recognition from three-dimensional point cloud model of industrial plant piping system using convolutional neural network-based primitive classification | |
Yu et al. | Part-wise AtlasNet for 3D point cloud reconstruction from a single image | |
Ning et al. | Part machining feature recognition based on a deep learning method | |
CN113052955A (zh) | 一种点云补全方法、系统及应用 | |
Ma et al. | Automatic recognition of machining features based on point cloud data using convolution neural networks | |
Salem et al. | Assessment of methods for industrial indoor object recognition | |
Yao et al. | A machining feature recognition approach based on hierarchical neural network for multi-feature point cloud models | |
CN113587807A (zh) | 一种飞机壁板加工特征面的扫描路径生成方法 | |
He et al. | An octree-based two-step method of surface defects detection for remanufacture | |
Zhu et al. | Three Dimensional Metal-Surface Processing Parameter Generation Through Machine Learning-Based Nonlinear Mapping | |
Li et al. | Band contour-extraction method based on conformal geometrical algebra for space tumbling targets | |
Shang et al. | Coaxiality prediction for aeroengines precision assembly based on geometric distribution error model and point cloud deep learning | |
Li et al. | A Local Feature Aggregation PointNet++ Network Based on Graph Network | |
Chen et al. | A kernel transfer learning based multi-sensor surface reconstruction framework for reverse engineering | |
Ren et al. | Prosformer: Accurate Surface Reconstruction for Sparse Profilometer Measurement with Transformer | |
Liu et al. | Automatic segmentation algorithm for dense steel structure point clouds | |
Nilsson | Level-set methods and geodesic distance functions | |
Miao et al. | NC machining verification algorithm based on the STL model | |
Zhang et al. | Newly-developed structural digital twin modeling method for monitoring deviations of prefabricated cable domes based on 3D laser scanning | |
Han et al. | Online 3D Reconstruction Based On Lidar Point Cloud | |
Liu et al. | Point2Building: Reconstructing Buildings from Airborne LiDAR Point Clouds | |
Yang et al. | Construction of Efficient Thinning Model of Point Cloud Data Based on PCA and Deep Learning |
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 |