CN112161566B - 一种基于模型的零件制造质量智能检测方法 - Google Patents
一种基于模型的零件制造质量智能检测方法 Download PDFInfo
- Publication number
- CN112161566B CN112161566B CN202011035546.2A CN202011035546A CN112161566B CN 112161566 B CN112161566 B CN 112161566B CN 202011035546 A CN202011035546 A CN 202011035546A CN 112161566 B CN112161566 B CN 112161566B
- Authority
- CN
- China
- Prior art keywords
- model
- point cloud
- detection
- manufacturing quality
- cad model
- 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
-
- 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
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于模型的零件制造质量智能检测方法,涉及智能制造技术领域,从采用MBD技术构建的CAD模型中自动提取PMI以及关联的几何信息,重构检测项,可免去检测人员的人工构建,减少了出错率,提高了效率;通过实物点云与CAD模型的坐标系配准、点云与CAD模型表面的自动归属匹配等过程的处理,在检测特征的引导下,自动调用相应的制造质量评价算法,给出评价结果,免去人工选择采样点、创建构造项等繁冗工作,降低了出错率,评价效率得到大幅提升。
Description
技术领域
本发明涉及智能制造技术领域,特别是涉及一种基于模型的零件制造质量 智能检测方法。
背景技术
零件制造质量检测是智能制造的一个关键环节。三维数字化技术的发展, 使产品的性能得到飞速的提升,致使传统的零件质量检测方法难以满足现代制 造业在检测效率和精度上的要求,基于模型的数字化质量检测将成为主流。
目前零件制造质量数字化检测的方法主要有三种:基于“二维图纸”或“二 维图纸+三维模型”的人工检测和基于点云的模型几何比对检测。①基于“二维 图纸”的人工检测方法,检测人员首先对照图纸制定检测工艺规划,然后驱动 检测设备(如坐标测量机)进行离散点采样,最后逐项的进行零件制造质量的 评价。该方法具有较好的灵活性,可在没有CAD模型的情况下,根据图纸中 的技术要求,对零件进行检测和评价。该方式对检测人员的要求较高,检测效 率较低,容易遗漏检测项和出错,严重影响检测的工作进度及成本。②基于“二 维图纸+三维模型”的人工检测,检测人员首先将三维模型导出为中性文件加载 到检测系统中,然后对照二维图纸上的设计要求,对CAD模型进行离散点虚 拟采样和评价,并将该过程保存为程序,最后在真正的检测设备上运行,再现 检测评价过程。该方法检测过程比较直观、充分利用多种CAD软件所构建的 模型,摆脱了各CAD系统知识产权的保护。但该方式在三维模型向中性文件 转化过程中会造成产品制造信息(Product andManufacturing Information,PMI) 的丢失,没有充分利用CAD模型中蕴含的知识,同时还存在检测效率低,容 易遗漏检测项等问题。③基于点云的模型几何比对检测,检测人员首先将源于 接触或非接触检测设备得到的实物点云与CAD几何模型(通常是离散为三角 面片)进行点点、点线、点面的比对,利用几何逼近程度来评价零件的制造质 量。但这是一种无差别的检测方式,即该比对检测忽略了设计者对模型检测项 的要求,会造成检测结果过于严格或宽松,造成资源的浪费。
发明内容
本发明实施例提供了一种基于模型的零件制造质量智能检测方法,可以解 决现有技术中存在的问题。
本发明提供了一种基于模型的零件制造质量智能检测方法,所述方法包括 以下步骤:
坐标系配准:载入零件实物点云模型与该零件的CAD模型,将二者转化 到同一模型坐标空间,得到两个模型所在坐标系之间的位姿变换矩阵,根据该 位姿变换矩阵对所述点云模型进行处理,使点云模型中的点云处在CAD模型 附近,获得配准后的点云模型;
检测信息的识别与特征重构:提取和识别CAD模型中的PMI及关联的几 何信息,重构CAD模型的检测特征;
配准后点云模型与CAD模型表面归属匹配:在检测特征的指导下,通过 构建包围体的方式将配准后点云模型与CAD模型的表面进行归属匹配;
制造质量的评价:根据检测特征的类型,自动对配准后点云模型调用相应 的处理及评价算法,完成零件制造质量的评价工作。
优选地,使用3-2-1法或ICP及其变种方法对实物点云模型和CAD模型进 行坐标系配准。
优选地,检测信息的识别与特征重构具体包括:
载入CAD模型,提取其中的PMI信息,形成PMI集合;
遍历PMI集合中的PMI,对Fcf、Datum、SurfaceFinish、Dimension进行 判断和处理,通过提取注释的语义及关联的几何信息,重构模型的检测特征。
优选地,配准后点云模型与CAD模型表面归属匹配具体包括:
获取检测特征中关联的测量面、基准面集合;
以测量面和基准面为中心,采用偏置算法构建包围体;
对配准后点云模型中的数据采用穷举搜索法,判断配准后点云模型与包围 体的包容性,进而确定点云与测量面、基准面的归属。
优选地,在进行制造质量的评价时,先对点云数据进行预处理,然后根据 检测特征的类型调用相应的评价算法,进行零件制造质量的评价。
优选地,使用的评价算法包括最小包容区域法、最小二乘法。
优选地,对点云数据的预处理包括坐标坏点的剔除、简化、评价准则的选 择。
优选地,完成对零件制造质量的评价工作后,生成相应的检测报告。
本发明中的一种基于模型的零件制造质量智能检测方法,其有益效果为:
(1)将点云与标有PMI的CAD模型相结合,通过提取PMI及其关联的几何 信息快速重建检测特征,反映了设计者的意图,提高了检测效率。
(2)通过软处理的方法对实物点云进行识别,自动给出检测项的评价指标。
(3)消除传统点云数字化比对检测中的机械式的逼近而导致的检测评价过 松或过于严格问题,造成资源的浪费。
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的前提下,还可以根据这些附图获得 其他的附图。
图1为本发明中基于模型的零件制造质量智能检测方法的整体流程图;
图2为检测信息类型的示意图;
图3为检测信息提取的流程图;
图4为点云与表面匹配算法的流程图;
图5为零件制造质量评价的流程图;
图6中(a)为点云导入界面示意图,(b)为点云导入后的效果图;
图7中(a)为坐标系配准界面示意图,(b)为配准后的效果图;
图8中(a)为带有PMI的CAD模型示意图,(b)为检测特征的识别和重构示 意图;
图9中(a)为基准面和平面度检查项的附属面示意图,(b)为基准面和垂直度 检查项的附属面示意图;
图10为生成检测报告的示意图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是 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他实施例,都属于本发明保护的范围。
参照图1,本发明提供了一种基于模型的零件制造质量智能检测方法,该方 法的输入为实物的点云模型和标有PMI的CAD模型,主要包括四个步骤:
(1)坐标系配准:载入来自不同检测设备(如双目相机、激光、接触或非 接触传感器)获取的零件实物点云模型与该零件的CAD模型,将二者转化到同 一模型坐标空间,得到两个模型所在坐标系之间的位姿变换矩阵,根据该位姿 变换矩阵对所述点云模型进行处理,使点云模型中的点云处在CAD模型附近, 获得配准后的点云模型。
(2)检测信息的识别与特征重构:通过对CAD模型中的PMI(包括尺寸公 差、形位公差、表面粗糙度和基准等)及其关联的几何信息进行识别和提取, 重构模型的检测特征。
(3)配准后点云模型与CAD模型表面归属匹配:经坐标系配准后,配准 后点云模型已处于CAD模型的表面附近,在检测特征的指导下,通过构建包围 体的方式快速将配准后点云模型与CAD模型表面进行归属匹配。
(4)制造质量的评价:根据检测特征的类型,自动对配准后点云模型调用 相应的处理及评价算法,完成零件制造质量的评价以及输出检测报告等工作。
下面对每个步骤进行详细说明。
坐标系配准
因实物点云模型所处的设备坐标系和CAD模型所处的设计坐标系分属于 两个不同的三维坐标空间,要进行零件制造质量检测的几何比对,坐标系配准 是首要完成的任务。目前的坐标系配准方法主要有3-2-1法和ICP及其变种方 法。3-2-1法适合于欲配准的模型具有明显的基准特征,配准精度较高,采用6 个点来确定模型的坐标系。ICP及其变种算法,对模型的基准特征没有要求, 采用迭代的方式进行坐标系配准,但模型的初始位姿、点云的数量、分布等对 算法精度影响很大,精度和鲁棒性都有待研究。
本发明中除了可采用上述两种配准方法外,还采用人工干预的方式来进一 步加快坐标系配准的速度,提高配准的精度问题。
检测信息的识别与特征重构
MBD技术的应用,使CAD模型中蕴含着丰富的内容。设计者通过商品化 软件的PMI功能模块将信息标注在CAD模型上,这些信息反映设计者的意图。 与检测有关的信息主要包括:尺寸误差、形状误差和位置误差和表面粗糙度等。
尺寸误差主要是评定零件特征之间的长、宽、高、夹角、直径、半径等尺 寸类型。形状误差评定的是几何特征实际形状与理想形状之间的误差,与被评 定特征的大小和位置无关。因是与特征自身的理论形状做比较,因此不需要基 准特征;它的评定方法有最小条件、最小二乘法等等。通过对形状误差的控制 保证加工零件的几何形状变形及误差在实际应用中工作正常和可靠。位置误差: 评定的是价差和衡量集合零件的实际位置和理论位置的加工偏差。检测信息类 型如图2所示。
提取和重构的基本流程图如图3所示。首先载入CAD模型,提取其中的 PMI信息,形成PMI集合;然后遍历集合中的PMI,对Fcf(Feature control Frame, 特征控制帧,主要指形位公差类型)、Datum(基准类型)、SurfaceFinish(表面 粗糙度类型)、Dimension(尺寸类型)进行判断和处理,通过提取注释的语义 及关联的几何信息,重构CAD模型的检测特征。
配准后点云模型与CAD模型表面归属匹配
配准后点云模型与CAD模型测量表面的归属关系,是进行零件制造质量 检测评价非常重要的一个环节。目前点云模型的归属处理方法主要有三种,分 别是穷举搜索法、扫掠法和光线测试法。穷举法,即对每个点遍历所有的面, 与最近的面构成归属关系。该方法算法简单,但效率较低。为了提高效率,通 常用二叉树、四叉树和八叉树等数据结构来减少遍历次数。扫掠法,即对CAD 模型中的面建立扩展包围体序列,选择一个扫掠路径,为包围体序列建立一个 优先队列,从而在比较中逐步去掉面。与穷举搜索相比,扫掠法的效率较高, 但其算法中面的数目仍有冗余。光线测试法,即引入计算机图形学中的光线测 试模型来确定CAD模型的可见面,然后归属处理点云模型与CAD模型的可见 面,该方法只能处理可见面。
本发明通过分析各方法的特点,提出了基于包围体的配准后点云模型与 CAD模型测量面的归属匹配算法,流程如图4所示。首先获取检测特征项中关 联的测量面、基准面集合;其次以这些测量面和基准面为中心,采用偏置算法 构建包围体集合;然后对配准后点云模型中的数据采用穷举搜索法,判断配准 后点云模型与包围体的包容性,进而确定测量面、基准面的归属。因测量面、 基准面通常个数不是很多,因此对归属匹配算法的效率影响不大。
零件制造质量的评价
零件存在的尺寸、形状和位置误差必然影响零件的功能和装配互换性,正 确地控制尺寸、形状和位置误差对保证产品质量具有重要意义。本发明所述的 零件制造质量的评价主要指尺寸、形状和位置误差是否满足设计者的设计要求, 流程如图5所示。首先,从检测特征集合中取出一个检测特征,然后对检测特 征的类型(包括尺寸类型,形状公差类型、位置公差类型,表面粗糙度类型及 其它)进行判断,然后根据每种类型,分别调用相应的评价算法对配准后点云 模型进行相应的计算(包括点云坐标坏点的剔除、简化、评价准则的选择等), 目前主要采用最小包容区域法、最小二乘法等,最终实现零件制造质量的自动评价。坐标法的应用,让这一过程完全通过软件来处理,降低了测量的复杂性, 精度和效率有了很大的提高。
下面基于具体实例对本发明的步骤进行说明。
步骤1:实物点云模型的导入,如图6所示,其中(a)是点云模型文件的 导入界面,包括文件的导入、文件的删除、点云的融合、点云的预览等,(b) 是点云模型数据在UG NX图形显示区的预览显示状态。
步骤2:坐标系配准,如图7所示,其中(a)是坐标系配准的操作界面, 包括方法的选择、自动和手动的调整操作;(b)是实物点云模型与CAD模型 的坐标系配准后效果图。
步骤3:检测信息的识别与特征重构,如图8所示,其中(a)是带有PMI 的CAD模型;(b)是对CAD模型中的信息识别、提取及检测特征重建的结果。
图8中(a)为利用MBD技术建立的零件CAD模型,设计者根据设计意图, 在该模型上进行了尺寸、形状和位置公差的标注共计12个PMI项,(b)为采用 本发明方法构建的模型检测特征。检测特征主要由尺寸类型、形位公差类型、 基准类型和表面粗糙度类型等构成。因设计者在进行尺寸及形位公差等标注的 时候可能选择的是模型的某些点、线作为尺寸和形位公差标注的起点或终点, 因此在检测特征重构的过程中要通过开发智能算法,将关联的点、线等几何元 素根据标注平面、标注线方向等信息转化到关联的几何面上,以便于后续工作 的进行;同样,表面粗糙度等检测项,也要进行关联几何面的检查。
检测特征的提取与重构过程,若采用检测人员的人工方式进行,特别是当 检测特征数目较多的时候,是一件十分繁冗的工作,很容易出现错误和检测特 征遗漏,而采用本发明的方法,提高了产品的检测效率,缩短了研发周期。
步骤4:配准后点云模型与CAD模型表面归属匹配,如图9所示。
步骤5:零件制造质量的评价及报告生成,如图10所示。通过对点云的算法处理,采用最小二乘法对检测项进行评价,最终生成检测报告。
通常实现检测特征的评价要经历在实物上采点、手动选点创建构造项、投 影、选择相应算法进行评价等工作。检测特征的评价,不仅要求检测人员具有 较高的理论知识和空间思维的能力,而且该工作也是十分复杂耗时的。而采用 本发明的方法,通过对PMI语义的识别以及智能算法的推理,自动给出检测特 征的评价结果。以图6中(a)所示的CAD模型为例,该零件中形位公差有两项: 分别是平面度和垂直度。经配准后点云模型与CAD模型表面归属匹配处理, 该模型表面上附属的点云如图9所示。根据平面度和垂直度的定义,通过对这 些点云的处理,采用最小二乘或相应算法,可快速得出计算结果,给出该检测 项合格与否的结论,极大的提高了检测效率。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基 本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要 求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发 明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及 其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种基于模型的零件制造质量智能检测方法,其特征在于,所述方法包括以下步骤:
坐标系配准:载入零件实物点云模型与该零件的CAD模型,将二者转化到同一模型坐标空间,得到两个模型所在坐标系之间的位姿变换矩阵,根据该位姿变换矩阵对所述点云模型进行处理,使点云模型中的点云处在CAD模型附近,获得配准后的点云模型;
检测信息的识别与特征重构:提取和识别CAD模型中的PMI及关联的几何信息,重构CAD模型的检测特征;检测信息的识别与特征重构具体包括:
载入CAD模型,提取其中的PMI信息,形成PMI集合;
遍历PMI集合中的PMI,对Fcf、Datum、SurfaceFinish、Dimension进行判断和处理,通过提取注释的语义及关联的几何信息,重构模型的检测特征;
配准后点云模型与CAD模型表面归属匹配:在检测特征的指导下,通过构建包围体的方式将配准后点云模型与CAD模型的表面进行归属匹配;配准后点云模型与CAD模型表面归属匹配具体包括:
获取检测特征中关联的测量面、基准面集合;
以测量面和基准面为中心,采用偏置算法构建包围体;
对配准后点云模型中的数据采用穷举搜索法,判断配准后点云模型与包围体的包容性,进而确定点云与测量面、基准面的归属;
制造质量的评价:根据检测特征的类型,自动对配准后点云模型调用相应的处理及评价算法,完成零件制造质量的评价工作。
2.如权利要求1所述的一种基于模型的零件制造质量智能检测方法,其特征在于,使用3-2-1法或ICP及其变种方法对实物点云模型和CAD模型进行坐标系配准。
3.如权利要求1所述的一种基于模型的零件制造质量智能检测方法,其特征在于,在进行制造质量的评价时,先对点云数据进行预处理,然后根据检测特征的类型调用相应的评价算法,进行零件制造质量的评价。
4.如权利要求3所述的一种基于模型的零件制造质量智能检测方法,其特征在于,使用的评价算法包括最小包容区域法、最小二乘法。
5.如权利要求3所述的一种基于模型的零件制造质量智能检测方法,其特征在于,对点云数据的预处理包括坐标坏点的剔除、简化、评价准则的选择。
6.如权利要求1所述的一种基于模型的零件制造质量智能检测方法,其特征在于,完成对零件制造质量的评价工作后,生成相应的检测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011035546.2A CN112161566B (zh) | 2020-09-27 | 2020-09-27 | 一种基于模型的零件制造质量智能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011035546.2A CN112161566B (zh) | 2020-09-27 | 2020-09-27 | 一种基于模型的零件制造质量智能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112161566A CN112161566A (zh) | 2021-01-01 |
CN112161566B true CN112161566B (zh) | 2021-11-12 |
Family
ID=73861282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011035546.2A Active CN112161566B (zh) | 2020-09-27 | 2020-09-27 | 一种基于模型的零件制造质量智能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112161566B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113157260B (zh) * | 2021-04-28 | 2022-11-22 | 西安电子科技大学 | 一种面向cmm的零件质量检测程序自动生成方法 |
CN115860548B (zh) * | 2022-12-08 | 2024-01-05 | 深圳市创芯人科技有限公司 | 基于大数据的SaaS一站式平台管理方法、系统及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634544A (zh) * | 2009-09-02 | 2010-01-27 | 郑州辰维科技有限公司 | 一种水轮机叶片毛坯型面测量与加工余量分析方法 |
CN105354353A (zh) * | 2015-09-28 | 2016-02-24 | 武汉开目信息技术有限责任公司 | 一种基于mbd模型的加工特征识别和建模方法 |
CN105389407A (zh) * | 2014-08-21 | 2016-03-09 | 波音公司 | 复杂系统的整合可视化与分析 |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
CN109145471A (zh) * | 2018-08-31 | 2019-01-04 | 东华大学 | 基于cad与实测数据共融模型的虚拟装配系统及方法 |
US10260870B2 (en) * | 2017-09-19 | 2019-04-16 | Industrial Technology Research Institute | On-line measuring system, datum calibrating method, deviation measuring method and computer-readable medium |
US10289770B2 (en) * | 2015-04-13 | 2019-05-14 | Bell Helicopter Textron Inc. | Rotorcraft component simulation using scan-based geometry |
CN111504191A (zh) * | 2020-05-06 | 2020-08-07 | 南京航空航天大学 | 一种基于三维激光扫描的航空零件自动快速测量方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440614B (zh) * | 2013-02-05 | 2016-03-09 | 浙江工业大学 | 基于虚拟图形水印的三维网格数据保护方法 |
US10846444B2 (en) * | 2017-04-28 | 2020-11-24 | General Electric Company | Systems and methods for generating computer-aided design model views based on product and manufacturing information data |
US11042146B2 (en) * | 2017-11-17 | 2021-06-22 | Kodak Alaris Inc. | Automated 360-degree dense point object inspection |
-
2020
- 2020-09-27 CN CN202011035546.2A patent/CN112161566B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101634544A (zh) * | 2009-09-02 | 2010-01-27 | 郑州辰维科技有限公司 | 一种水轮机叶片毛坯型面测量与加工余量分析方法 |
CN105389407A (zh) * | 2014-08-21 | 2016-03-09 | 波音公司 | 复杂系统的整合可视化与分析 |
US10289770B2 (en) * | 2015-04-13 | 2019-05-14 | Bell Helicopter Textron Inc. | Rotorcraft component simulation using scan-based geometry |
CN105354353A (zh) * | 2015-09-28 | 2016-02-24 | 武汉开目信息技术有限责任公司 | 一种基于mbd模型的加工特征识别和建模方法 |
CN106248035A (zh) * | 2016-08-19 | 2016-12-21 | 苏州大学 | 一种基于点云模型的面轮廓度精确检测的方法及系统 |
US10260870B2 (en) * | 2017-09-19 | 2019-04-16 | Industrial Technology Research Institute | On-line measuring system, datum calibrating method, deviation measuring method and computer-readable medium |
CN109145471A (zh) * | 2018-08-31 | 2019-01-04 | 东华大学 | 基于cad与实测数据共融模型的虚拟装配系统及方法 |
CN111504191A (zh) * | 2020-05-06 | 2020-08-07 | 南京航空航天大学 | 一种基于三维激光扫描的航空零件自动快速测量方法 |
Non-Patent Citations (3)
Title |
---|
A modified ICP algorithm based on dynamic adjustment factor for registration of point cloud and CAD model;Weimin Li等;《Pattern Recognition Letters》;20151101;第65卷;第88-94页 * |
基于模型的民用航空发动机几何尺寸数字化检测技术研究;王振兴等;《航空制造技术》;20200508;第63卷(第7期);第40-46页 * |
基于点云数据的复杂型面数字化检测关键技术研究及其系统开发;张学昌;《中国优秀博硕士学位论文全文数据库(博士)(信息科技辑)》;20070215(第2期);摘要、正文第72-90、104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112161566A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Automated dimensional quality assurance of full-scale precast concrete elements using laser scanning and BIM | |
Jovančević et al. | 3D point cloud analysis for detection and characterization of defects on airplane exterior surface | |
Kim et al. | Fully automated registration of 3D data to a 3D CAD model for project progress monitoring | |
Kim et al. | A framework for dimensional and surface quality assessment of precast concrete elements using BIM and 3D laser scanning | |
Bosche et al. | Automated retrieval of 3D CAD model objects in construction range images | |
US7027651B2 (en) | Geometric hashing method for model-based recognition of an object | |
CN112161566B (zh) | 一种基于模型的零件制造质量智能检测方法 | |
US8428335B2 (en) | Combining feature boundaries | |
Zhou et al. | Image-based onsite object recognition for automatic crane lifting tasks | |
Minetola et al. | A customer oriented methodology for reverse engineering software selection in the computer aided inspection scenario | |
CN116257930A (zh) | 用于交通工具的远程视觉检测的三维检测孪生体 | |
Kim et al. | 3D as-built modeling from incomplete point clouds using connectivity relations | |
CN112197773B (zh) | 基于平面信息的视觉和激光定位建图方法 | |
Tarbox et al. | IVIS: An integrated volumetric inspection system | |
CN111023965A (zh) | 一种基于激光技术的钢卷识别定位方法 | |
Jin et al. | A new multi-vision-based reconstruction algorithm for tube inspection | |
CN107504917B (zh) | 一种三维尺寸测量方法及装置 | |
CN114494385A (zh) | 一种输水隧洞病害可视化预警方法 | |
CN114494274A (zh) | 建筑施工评估方法、装置、电子设备及存储介质 | |
CN115597494A (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
Marshall et al. | Automatic inspection of mechanical parts using geometric models and laser range finder data | |
CN114004899B (zh) | 一种栈板位姿识别方法、存储介质及设备 | |
Rak et al. | The use of low density high accuracy (LDHA) data for correction of high density low accuracy (HDLA) point cloud | |
Sølund et al. | A large-scale 3D object recognition dataset | |
CN113128346A (zh) | 起重机施工现场的目标识别方法、系统、装置及存储介质 |
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 |