CN112258474A - 一种墙面异常检测方法和装置 - Google Patents
一种墙面异常检测方法和装置 Download PDFInfo
- Publication number
- CN112258474A CN112258474A CN202011137802.9A CN202011137802A CN112258474A CN 112258474 A CN112258474 A CN 112258474A CN 202011137802 A CN202011137802 A CN 202011137802A CN 112258474 A CN112258474 A CN 112258474A
- Authority
- CN
- China
- Prior art keywords
- wall surface
- cloud data
- point cloud
- model
- target
- 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
Images
Classifications
-
- 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本申请公开了一种墙面异常检测方法和装置,所述方法包括:获取目标建筑的原始点云数据;对所述原始点云数据进行降采样,得到降采样点云数据;将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;对所述初始平面进行构建,获得所述目标建筑的3D模型;对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。通过目标建筑的原始点云数据可以构建目标建筑的3D模型,从而通过3D模型对目标建筑的墙面进行检测,无需人工逐个房间进行检测,提高墙面异常检测的效率,检测结果也无不依赖与测量人员的测量专业水平,使检测结果更加客观,提高了检测结果的可靠性与准确性。
Description
技术领域
本发明涉及信息测绘技术领域,尤其是涉及一种墙面异常检测方法和装置。
背景技术
对于新建房屋,如果墙面存在墙面不平整、垂直度偏差较大等异常情况,不仅会影响住户后期装修房子的外观美感,墙面的结构还有可能存在问题,导致存在安全隐患。
所以,开发商在交付房屋之前,一般会对房屋的各个方面进行检查。对墙面进行异常检测时,通常采用人工进行检测,测量人员对每一个墙面运用长尺等工具靠近墙壁空中,以检测墙面是否平整,又或者使用多功能内外直角检测尺对房屋中每一个墙面与墙面的夹角进行测量,以检测墙面之间是否垂直。
开发商在交付房屋时若采用上述方式对每一间房屋进行检测,会使检测效率低,且检测结果依赖于测量人员的测量专业水平,无法保证检测结果的可靠性。
发明内容
针对上述问题,本申请提供一种墙面异常检测方法及装置,用于提高墙面异常检测的效率,并提高检测结果的可靠性。
本申请第一方面提供一种墙面异常检测方法,所述方法包括:
获取目标建筑的原始点云数据;
对所述原始点云数据进行降采样,得到降采样点云数据;
将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;
对所述初始平面进行构建,获得所述目标建筑的3D模型;
对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
可选的,所述将所述降采样点云数据进行分割,包括:
通过区域生长算法或RANSAC算法将所述降采样点云数据分割成不同的聚类。
可选的,所述通过区域生长算法将所述降采样点云数据分割成不同的聚类,包括:
在所述降采样点云数据中选择目标种子点;
将所述目标种子点作为生长的起点,在所述目标种子点的邻域中搜索与所述目标种子点相似的像素点,将相似的像素点作为下次生长的种子点,直至完成所述目标种子点的生长,将生长过程中搜索到的种子点作为一个相同的聚类;
获得所述多个种子点分别对应的聚类。
可选的,所述目标种子点的邻域中的点云数据量为n,所述n大于或等于30,所述n小于或等于50。
可选的,所述将所述降采样点云数据进行分割,包括:
将所述降采样点云数据按照阈值进行分割;所述阈值大于或等于20000,所述阈值小于或等于100000。
可选的,所述搜索与所述目标种子点相似的像素点,包括:
通过kd-tree方法搜索与所述目标种子点相似的像素点。
可选的,所述区域生长算法的平滑阈值为5度。
可选的,所述区域生长算法的曲率阈值为1。
可选的,所述对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常,包括:
计算所述3D模型中的第一墙面和所述3D模型中的第二墙面之间的夹角,若所述夹角小于预设夹角阈值,则所述第一墙面和/或所述第二墙面存在异常,所述第一墙面和所述第二墙面为相邻的两个墙面;和/或,
计算所述3D模型中目标墙面的平整度,若所述平整度不满足预设平整度阈值,则所述目标墙面存在异常凸起或凹陷,将所述异常凸起或凹陷渲染成预设颜色。
本申请第二方面提供一种墙面异常检测装置,所述装置包括:获取单元、降采样单元、分割单元、构建单元和判断单元;
所述获取单元,用于获取目标建筑的原始点云数据;
所述降采样单元,用于对所述原始点云数据进行降采样,得到降采样点云数据;
所述分割单元,用于将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;
所述构建单元,用于对所述初始平面进行构建,获得所述目标建筑的3D模型;
所述判断单元,用于对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
本申请第三方面提供一种用于墙面异常检测的设备,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行上述任意一项所述的方法。
本申请第四方面提供一种计算机可读存储介质,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行上述任意一项所述的方法。
相对于现有技术,本申请上述技术方案的优点在于:
本申请提供一种墙面异常检测方法,首先,获取目标建筑的原始点云数据;然后,对所述原始点云数据进行降采样,得到降采样点云数据;其次,将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;再次,对所述初始平面进行构建,获得所述目标建筑的3D模型;最后,对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。通过目标建筑的原始点云数据可以构建目标建筑的3D模型,从而通过3D模型对目标建筑的墙面进行检测,无需人工逐个房间进行检测,提高墙面异常检测的效率,检测结果也无不依赖与测量人员的测量专业水平,使检测结果更加客观,提高了检测结果的可靠性与准确性。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例,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它的附图。
图1为本申请提供的一种墙面异常检测方法的流程图;
图2为本申请提供的一种墙面异常检测方法的流程图;
图3为本申请提供的一种墙面异常检测装置的示意图;
图4为本申请实施例提供的一种用于墙面异常检测的设备;
图5为本申请实施例提供的一种计算机可读存储介质的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
参见图1,图1是本申请提供的一种墙面异常检测方法的流程图,该方法可以包括以下步骤101-105。
S101:获取目标建筑的原始点云数据。
目标建筑的原始点云数据是指对需要检测的建筑进行扫描获得的未经处理的点云数据。其中,点云数据是指透过3D扫瞄仪所取得之资料型式。
扫描资料以点的型式记录,每一个点包含有三维坐标,有些可能含有色彩资讯(R,G,B)或物体反射面强度。点云数据除了具有几何位置以外,还有强度信息,强度信息的获取是激光扫描仪接受装置采集到的回波强度,此强度信息与目标的表面材质、粗糙度、入射角方向,以及仪器的发射能量,激光波长有关。
本申请实施例不具体限定原始点云数据的获取方式,例如可以通过终端检测机器获取原始点云数据,终端检测机器例如可以是三维激光扫描仪。
S102:对所述原始点云数据进行降采样,得到降采样点云数据。
由于目标建筑的点云数据的数据量较大,根据原始点云数据构建目标建筑的3D模型,会消耗大量的计算资源和时间。为了提高构建目标建筑3D模型的效率,减少计算资源的消耗,可以对获取到的原始点云数据进行降采样处理,得到降采样点云数据。
发明人发现,原始点云数据中存在大量冗余数据和噪声,因此可以对获取到的原始点云数据按照预设比例进行降采样处理,在不损失目标建筑的墙面成像精度的前提下,不仅能够使得图像符合显示区域的大小,还能够生成目标建筑对应图像的缩略图。
需要说明的是,不同类型的目标建筑具有不同的房屋比例,本领域技术人员可以根据实际需要选择预设比例的大小。
S103:将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面。
在目标建筑中,不同的墙面具有不同的特征,因此可以将降采样点云数据进行分割,分割后的降采样点云数据不同的聚类具有不同的特征,根据分割后的降采样点云数据构建对应的初始平面,即目标建筑内外部整体结构的每一个平面,例如目标建筑不同的墙面。
本申请实施例不具体限定对降采样点云数据进行分割的方法,例如可以是通过区域生长算法将所述降采样点云数据分割成不同的聚类,又或者通过RANSAC算法将所述降采样点云数据分割成不同的聚类。下面分别对区域生长算法和RANSAC算法进行介绍。
区域生长算法的基本思想是将有相似性质的像素点合并到一起。对每一个区域要先指定一个种子点作为生长的起点,然后将种子点周围领域的像素点和种子点进行对比,将具有相似性质的点合并起来继续向外生长,直到没有满足条件的像素被包括进来为止。这样一个区域的生长就完成了。
RANSAC算法的基本假设是样本中包含正确数据(inliers,可以被模型描述的数据),也包含异常数据(outliers,偏离正常范围很远、无法适应数学模型的数据),即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。
通过区域生长算法将降采样点云数据分割成不同的聚类的方法后续会详细介绍,在此不再赘述。
S104:对所述初始平面进行构建,获得所述目标建筑的3D模型。
在S103中获得了构成目标建筑的每一个平面,根据每一个平面中的点云数据所携带的位置信息、方向信息等信息进行目标建筑的构建,获得目标建筑的3D模型,以便根据3D模型获得目标建筑内外部整体结构和单体墙面图像。
可以理解的是,3D模型是一种三维的立体模式,模型介于平面图纸与实际立体空间之间,可以直观地体现设计意图,能准确反映建筑物三维空间轮廓信息,可以实现大范围三维城市场景建模,已逐渐成为数字城市领域建筑物精细建模的主要技术方法之一。
S105:对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
通过构建目标建筑的3D模型使目标建筑的整体结构和局部结构可视化,对3D模型中的墙面进行检测,若3D模型中的墙面不满足预设条件,则3D模型中的墙面存在异常,进而目标建筑对应的墙面也存在异常。本申请实施例不具体限定预设条件,下面以两个具体示例进行说明。
示例一:墙面存在倾斜。
计算3D模型中任意两个相邻墙面:第一墙面和第二墙面之间的夹角。需要说明的是,目标建筑中的地面与天花板也属于墙面的一种。若第一墙面与第二墙面之间的夹角小于预设夹角阈值,则第一墙面和/或第二墙面存在倾斜,倾斜的墙面属于异常的墙面。
本申请实施例不具体限定预设夹角阈值的大小,例如为75度。
示例二:墙面存在凹凸。
计算3D模型中任意一个墙面的平整度,下面以目标墙面为例进行说明。若目标墙面的平整度不满足预设平整度阈值,则目标墙面上存在异常凸起或凹陷。当目标墙面存在异常凸起或凹陷时,可以将该凸起或凹陷渲染成预设颜色,使之与正常墙面色彩不同,更容易辨识,从而让项目管理人员更加直观的对项目过程质量、与项目检测进度进行把控。
本申请实施例提供一种墙面异常检测方法,首先,获取目标建筑的原始点云数据;然后,对所述原始点云数据进行降采样,得到降采样点云数据;其次,将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;再次,对所述初始平面进行构建,获得所述目标建筑的3D模型;最后,对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。通过目标建筑的原始点云数据可以构建目标建筑的3D模型,从而通过3D模型对目标建筑的墙面进行检测,无需人工逐个房间进行检测,提高墙面异常检测的效率,检测结果也无不依赖与测量人员的测量专业水平,使检测结果更加客观,提高了检测结果的可靠性与准确性。
为了使本申请实施例提供的技术方案更加清楚,下面结合图2以一个实例对本申请实施例提供的墙面异常检测方法进行说明。
参见图2,该图为本申请实施例提供的一种墙面异常检测方法的流程图。该方法包括S201-S208。
S201:获取目标建筑的原始点云数据。
S202:对所述原始点云数据进行降采样,得到降采样点云数据。
S203:在所述降采样点云数据中选择目标种子点。
本申请实施例不具体限定从降采样点云数据中选择种子点的方式,例如可以依据降采样点云数据中的曲率值对点云数据进行排序,区域生长算法是从曲率最小的点云数据开始生长的,这个点云数据就是初始种子点,初始种子点所在的区域即为最平滑的区域,从最平滑的区域开始生长可减少分割片段的总数,提高效率。
S204:将所述目标种子点作为区域生长的起点,在所述目标种子点的邻域中搜索与所述目标种子点相似的像素点,将相似的像素点作为下次生长的种子点,直至完成所述目标种子点的生长,将生长过程中搜索到的种子点作为一个相同的聚类。
将目标种子点作为生长的起点,在目标种子点的邻域中,搜索与目标种子点相似的像素点。将相似的像素点作为下次生长的种子点,在该种子点的邻域中,搜索与该种子点相似的像素点,继续进行搜索,直至完成目标种子点的生长。生长过程中搜索到的种子点作为一个相同的聚类,可以根据该聚类的种子点构成一个初始平面。
需要说明的是,计算量会随着目标种子点邻域的增大而增大,如果目标种子点的邻域太大会增加计算量。如果目标种子点的邻域太小会增大搜索时间。为了平衡计算量和搜索时间,可以将目标种子点的邻域中的点云数据量设置在30至50之间。
需要说明的是,区域生长算法中分割设置的墙面点云数量数量太大会影响效率,太小会影响墙面的构建,可以将区域生长算法中分割设置的墙面点云数量设置为20000至100000之间。
作为一种可能的实现方式,可以通过kd-tree方法搜索与所述目标种子点相似的像素点。
作为一种可能的实现方式,设置一个空的种子点序列和空的聚类区域,将目标种子点放入到种子点序列中。然后计算邻域中种子点的法线与目标种子点的法线之间的夹角,若夹角小于平滑阈值,则将该种子点加入到当前聚类区域中,该种子点与目标种子点属于一个聚类。进一步的,将属于同一个聚类的种子点存入种子点序列中,计算种子序列中每一个种子点的曲率值,若曲率值小于曲率阈值,则将该种子点作为下次生长的种子点,从种子点序列中删除该种子点,循环执行以上步骤,直到种子序列为空。
作为一种可能的实现方式,平滑阈值可以设置为5度。
作为一种可能的实现方式,曲率阈值可以设置为1。
S205:获得所述多个种子点分别对应的聚类。
S206:根据聚类后的点云数据构建对应的初始平面。
S207:对所述初始平面进行构建,获得所述目标建筑的3D模型。
S208:对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
本申请实施例除了提供的墙面异常检测的方法外,还提供了墙面异常检测的装置,如图3所示,包括:获取单元301、降采样单元302、分割单元303、构建单元304和判断单元305;
所述获取单元301,用于获取目标建筑的原始点云数据;
所述降采样单元302,用于对所述原始点云数据进行降采样,得到降采样点云数据;
所述分割单元303,用于将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;
所述构建单元304,用于对所述初始平面进行构建,获得所述目标建筑的3D模型;
所述判断单元305,用于对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
作为一种可能的实现方式,所述分割单元303,用于:
通过区域生长算法或RANSAC算法将所述降采样点云数据分割成不同的聚类。
作为一种可能的实现方式,所述分割单元303,用于:
在所述降采样点云数据中选择目标种子点;
将所述目标种子点作为生长的起点,在所述目标种子点的邻域中搜索与所述目标种子点相似的像素点,将相似的像素点作为下次生长的种子点,直至完成所述目标种子点的生长,将生长过程中搜索到的种子点作为一个相同的聚类;
获得所述多个种子点分别对应的聚类。
作为一种可能的实现方式,所述目标种子点的邻域中的点云数据量为n,所述n大于或等于30,所述n小于或等于50。
作为一种可能的实现方式,所述将所述降采样点云数据进行分割,包括:
将所述降采样点云数据按照阈值进行分割;所述阈值大于或等于20000,所述阈值小于或等于100000。
作为一种可能的实现方式,所述分割单元303,用于:
通过kd-tree方法搜索与所述目标种子点相似的像素点。
作为一种可能的实现方式,所述区域生长算法的平滑阈值为5度。
作为一种可能的实现方式,所述区域生长算法的曲率阈值为1。
作为一种可能的实现方式,所述判断单元305,用于:
计算所述3D模型中的第一墙面和所述3D模型中的第二墙面之间的夹角,若所述夹角小于预设夹角阈值,则所述第一墙面和/或所述第二墙面存在异常,所述第一墙面和所述第二墙面为相邻的两个墙面;和/或,
计算所述3D模型中目标墙面的平整度,若所述平整度不满足预设平整度阈值,则所述目标墙面存在异常凸起或凹陷,将所述异常凸起或凹陷渲染成预设颜色。
本申请实施例提供一种墙面异常检测装置,所述装置包括:获取单元、降采样单元、分割单元、构建单元和判断单元。通过目标建筑的原始点云数据可以构建目标建筑的3D模型,从而通过3D模型对目标建筑的墙面进行检测,无需人工逐个房间进行检测,提高墙面异常检测的效率,检测结果也无不依赖与测量人员的测量专业水平,使检测结果更加客观,提高了检测结果的可靠性与准确性。
本申请实施例提供了一种用于墙面异常检测的设备,参见图4,该图示出了本申请实施例提供的一种用于墙面异常检测的设备结构图,如图4所示,所述设备包括处理器410以及存储器420:
所述存储器410用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器420用于根据所述计算机程序中的指令执行上述实施例中所述的墙面异常检测的方法。
本申请实施例提供了一种计算机可读存储介质,参见图5,该图示出了本申请实施例提供的一种计算机可读存储介质示意图,如图5所示,所述计算机可读存储介质用于存储计算机程序510,所述计算机程序510用于执行上述实施例中所述的墙面异常检测的方法。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元及模块可以是或者也可以不是物理上分开的。另外,还可以根据实际的需要选择其中的部分或者全部单元和模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种墙面异常检测方法,其特征在于,所述方法包括:
获取目标建筑的原始点云数据;
对所述原始点云数据进行降采样,得到降采样点云数据;
将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;
对所述初始平面进行构建,获得所述目标建筑的3D模型;
对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
2.根据权利要求1所述的方法,其特征在于,所述将所述降采样点云数据进行分割,包括:
通过区域生长算法或RANSAC算法将所述降采样点云数据分割成不同的聚类。
3.根据权利要求2所述的方法,其特征在于,所述通过区域生长算法将所述降采样点云数据分割成不同的聚类,包括:
在所述降采样点云数据中选择目标种子点;
将所述目标种子点作为生长的起点,在所述目标种子点的邻域中搜索与所述目标种子点相似的像素点,将相似的像素点作为下次生长的种子点,直至完成所述目标种子点的生长,将生长过程中搜索到的种子点作为一个相同的聚类;
获得所述多个种子点分别对应的聚类。
4.根据权利要求3所述的方法,其特征在于,所述目标种子点的邻域中的点云数据量为n,所述n大于或等于30,所述n小于或等于50。
5.根据权利要求1或3所述的方法,其特征在于,所述将所述降采样点云数据进行分割,包括:
将所述降采样点云数据按照阈值进行分割;所述阈值大于或等于20000,并且所述阈值小于或等于100000。
6.根据权利要求3所述的方法,其特征在于,所述搜索与所述目标种子点相似的像素点,包括:
通过kd-tree方法搜索与所述目标种子点相似的像素点。
7.根据权利要求2所述的方法,其特征在于,所述区域生长算法的平滑阈值为5度。
8.根据权利要求2所述的方法,其特征在于,所述区域生长算法的曲率阈值为1。
9.根据权利要求1所述的方法,其特征在于,所述对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常,包括:
计算所述3D模型中的第一墙面和所述3D模型中的第二墙面之间的夹角,若所述夹角小于预设夹角阈值,则所述第一墙面和/或所述第二墙面存在异常,所述第一墙面和所述第二墙面为相邻的两个墙面;和/或,
计算所述3D模型中目标墙面的平整度,若所述平整度不满足预设平整度阈值,则所述目标墙面存在异常凸起或凹陷,将所述异常凸起或凹陷渲染成预设颜色。
10.一种墙面异常检测装置,其特征在于,所述装置包括:获取单元、降采样单元、分割单元、构建单元和判断单元;
所述获取单元,用于获取目标建筑的原始点云数据;
所述降采样单元,用于对所述原始点云数据进行降采样,得到降采样点云数据;
所述分割单元,用于将所述降采样点云数据进行分割,根据所述分割后的降采样点云数据构建对应的初始平面;
所述构建单元,用于对所述初始平面进行构建,获得所述目标建筑的3D模型;
所述判断单元,用于对所述3D模型中的墙面进行检测,若所述3D模型中的墙面不满足预设条件,则所述目标建筑存在墙面异常。
11.一种用于墙面异常检测的设备,其特征在于,所述设备包括处理器以及存储器:
所述存储器用于存储计算机程序,并将所述计算机程序传输给所述处理器;
所述处理器用于根据所述计算机程序中的指令执行权利要求1-9任意一项所述的方法。
12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储计算机程序,所述计算机程序用于执行权利要求1-9任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137802.9A CN112258474A (zh) | 2020-10-22 | 2020-10-22 | 一种墙面异常检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011137802.9A CN112258474A (zh) | 2020-10-22 | 2020-10-22 | 一种墙面异常检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112258474A true CN112258474A (zh) | 2021-01-22 |
Family
ID=74264609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011137802.9A Pending CN112258474A (zh) | 2020-10-22 | 2020-10-22 | 一种墙面异常检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112258474A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325434A (zh) * | 2021-04-16 | 2021-08-31 | 盎锐(上海)信息科技有限公司 | 用于实测实量的爆点显示方法、测量系统及激光雷达 |
WO2023045195A1 (zh) * | 2021-09-27 | 2023-03-30 | 上海三一重机股份有限公司 | 作业区域平整度的检测方法、装置、设备、介质及产品 |
WO2023220977A1 (en) * | 2022-05-18 | 2023-11-23 | Huawei Technologies Co., Ltd. | Method and device for detecting data |
CN117237705A (zh) * | 2023-08-29 | 2023-12-15 | 广州粤建三和软件股份有限公司 | 一种关于自建房屋的安全隐患管理系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913489A (zh) * | 2016-04-19 | 2016-08-31 | 东北大学 | 一种利用平面特征的室内三维场景重构方法 |
CN108171780A (zh) * | 2017-12-28 | 2018-06-15 | 电子科技大学 | 一种基于激光雷达构建室内真实三维地图的方法 |
CN109325998A (zh) * | 2018-10-08 | 2019-02-12 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN111197979A (zh) * | 2019-06-20 | 2020-05-26 | 广东领盛装配式建筑科技有限公司 | 一种基于点云数据分析的建筑检测方法及装置 |
WO2020103110A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种基于点云地图的图像边界获取方法、设备及飞行器 |
-
2020
- 2020-10-22 CN CN202011137802.9A patent/CN112258474A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913489A (zh) * | 2016-04-19 | 2016-08-31 | 东北大学 | 一种利用平面特征的室内三维场景重构方法 |
CN108171780A (zh) * | 2017-12-28 | 2018-06-15 | 电子科技大学 | 一种基于激光雷达构建室内真实三维地图的方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN109325998A (zh) * | 2018-10-08 | 2019-02-12 | 香港理工大学 | 一种基于点云数据的室内3d建模方法、系统及相关装置 |
US20200111251A1 (en) * | 2018-10-08 | 2020-04-09 | The Hong Kong Polytechnic University | 3d indoor modeling method, system and device based on point cloud data |
WO2020103110A1 (zh) * | 2018-11-22 | 2020-05-28 | 深圳市大疆创新科技有限公司 | 一种基于点云地图的图像边界获取方法、设备及飞行器 |
CN111197979A (zh) * | 2019-06-20 | 2020-05-26 | 广东领盛装配式建筑科技有限公司 | 一种基于点云数据分析的建筑检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
王丙达;: "地铁点云分割方法比较研究", 四川建材, no. 04, pages 1 - 4 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325434A (zh) * | 2021-04-16 | 2021-08-31 | 盎锐(上海)信息科技有限公司 | 用于实测实量的爆点显示方法、测量系统及激光雷达 |
WO2023045195A1 (zh) * | 2021-09-27 | 2023-03-30 | 上海三一重机股份有限公司 | 作业区域平整度的检测方法、装置、设备、介质及产品 |
WO2023220977A1 (en) * | 2022-05-18 | 2023-11-23 | Huawei Technologies Co., Ltd. | Method and device for detecting data |
CN117237705A (zh) * | 2023-08-29 | 2023-12-15 | 广州粤建三和软件股份有限公司 | 一种关于自建房屋的安全隐患管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258474A (zh) | 一种墙面异常检测方法和装置 | |
Wolff et al. | Point cloud noise and outlier removal for image-based 3D reconstruction | |
US10930005B1 (en) | Profile matching of buildings and urban structures | |
US8199977B2 (en) | System and method for extraction of features from a 3-D point cloud | |
KR102318023B1 (ko) | 에지를 이용한 3차원 모델 생성 | |
US20210201570A1 (en) | Method and apparatus for generating digital surface model using satellite imagery | |
CN111412842B (zh) | 墙面的截面尺寸的测量方法及装置、系统 | |
US11965967B2 (en) | Apparatus and method for detecting intersection edges | |
CN116152306B (zh) | 确定砌筑质量的方法、装置、设备和介质 | |
US20210241435A1 (en) | Point cloud fusion method, electronic device, and computer storage medium | |
JP2001067463A (ja) | 異なる視点からの複数のフェイシャル画像に基づき新たな視点からのフェイシャル画像を生成するフェイシャル画像生成装置及び方法並びにその応用装置及び記録媒体 | |
EP2705500B1 (en) | Merging three-dimensional models based on confidence scores | |
Farella et al. | Quality features for the integration of terrestrial and UAV images | |
JP2001236522A (ja) | 画像処理装置 | |
Cárdenes et al. | Fast and accurate geodesic distance transform by ordered propagation | |
Zhu et al. | Triangulation of well-defined points as a constraint for reliable image matching | |
CN117372663A (zh) | 原木端面遮挡的补全方法、装置、设备及存储介质 | |
CN116385415A (zh) | 一种边缘缺陷检测方法、装置、设备及存储介质 | |
CN115861403A (zh) | 一种非接触式物体体积测量方法、装置、电子设备及介质 | |
JP4998905B2 (ja) | 三次元地形データ高精度化装置、三次元地形データ高精度化方法及びプログラム | |
CN112802175B (zh) | 大规模场景遮挡剔除方法、装置、设备及存储介质 | |
CN112017199A (zh) | 一种楼层边界检测方法、装置、设备及存储介质 | |
CN112215959A (zh) | 一种利用图片切割的三维模型贴图系统 | |
CN116485636B (zh) | 一种点云立面成像方法、系统及可读存储介质 | |
AU2013219167B1 (en) | Merging three-dimensional models based on confidence scores |
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 |