CN112581457A - 一种基于三维点云的管道内表面检测方法及装置 - Google Patents
一种基于三维点云的管道内表面检测方法及装置 Download PDFInfo
- Publication number
- CN112581457A CN112581457A CN202011539502.3A CN202011539502A CN112581457A CN 112581457 A CN112581457 A CN 112581457A CN 202011539502 A CN202011539502 A CN 202011539502A CN 112581457 A CN112581457 A CN 112581457A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- determining
- pipeline
- registration
- image
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 230000007547 defect Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 59
- 230000000007 visual effect Effects 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 25
- 238000013519 translation Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 12
- 230000002146 bilateral effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000009436 residential construction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography 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
- G06T7/0002—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
- 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
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于三维点云的管道内表面检测方法及装置，该方法包括：获取深度相机生成的不同视角下管道内表面的两幅点云图像，并对两幅点云图像进行配准拼接；根据配准点云图像进行三维重构，确定对应的多个点云切片；通过投影法将多个点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图，并根据轮廓特征线图，确定对应的圆度和内径；根据配准点云图像进行快速遍历，确定对应的边界特征线，并根据边界特征线，确定具体缺陷信息；根据圆度、内径以及具体缺陷信息，判断管道是否合格。本发明对点云图像进行配准并进行三维重构，进一步进行切割、识别，测量管道内表面的质量情况，保证管道检测的精准度，且节约了人工成本。
Description
技术领域
本发明涉及无损检测技术领域，尤其涉及一种基于三维点云的管道内表面检测方法及装置。
背景技术
目前，我国在城镇市政工程、住宅建设、农业灌溉、交通运输建设等各领域大力推进塑料管道的应用，但是由于生产工艺的限制，国内厂家生产出的管道往往伴随着“壁厚不均匀”、“管道弯曲”、“表面不平”、“表面存在裂缝”等问题。在“西气东输”等工程中，倘若出现了质量不合格的管道，会对整个工程造成巨大的危害。因此，一种可靠的管道检测方法是必须的。
现有技术中，存在两类方法对管道进行检测。第一类为外观检测法，主要依靠肉眼直接观看，或者使用外径和色温适当的三基色灯具伸入管道内点亮后用肉眼观察，该方法由于是使用肉眼查看，容易出现错看、漏看的情况。第二类则是超声波测量法，使用超声波厚度测量仪，抽取管道中相同间隔的十个点进行测量，该方法在测量精度有一定的保证，但检测方法属于抽样检测，无法实现对管道的全面检测。综上，现有管道检测技术的检测精度和检测范围都难以有效地满足实际应用要求，因此，如何进行准确而全面的管道质量检测是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种基于三维点云的管道内表面检测方法及装置，用以解决如何进行准确而全面的管道质量检测的问题。
本发明提供一种基于三维点云的管道内表面检测方法，包括：
获取深度相机生成的不同视角下管道内表面的两幅点云图像，并对两幅所述点云图像进行配准拼接，确定配准点云图像；
根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片；
通过投影法将多个所述点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图，并根据所述轮廓特征线图，确定对应的圆度和内径；
根据所述配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据所述边界特征线，确定具体缺陷信息；
根据所述圆度、所述内径以及所述具体缺陷信息，判断管道是否合格。
进一步地，所述对两幅所述点云图像进行配准拼接，确定配准点云图像包括:
根据正态分布变换算法对两幅所述点云图像进行粗配准，确定两幅所述点云图像之间的初步旋转平移矩阵；
根据迭代最近算法对粗配准点云图像进行精配准，确定两幅所述点云图像之间的最优旋转平移矩阵，其中，所述粗配准点云图像为两幅所述点云图像经过所述初步旋转平移矩阵进行粗配准后得到的配准图像；
根据所述最优旋转平移矩阵和两幅所述点云图像，确定所述配准点云图像。
进一步地，在所述根据所述配准点云图像进行三维重构，确定对应的多个点云切片的步骤之前，对所述配准点云图像进行优化处理，确定所述优化后的配准点云图像，具体包括：
根据设定第一滤波阈值的直通滤波器，对所述配准点云图像去除离群点；
对去除离群点后的配准点云图像的k邻域进行最小二乘法平面拟合估计，确定对应的目标法向量；
根据所述目标法向量，对所述去除离群点后的配准点云图像进行双边滤波，修正采样点的位置，确定所述优化后的配准点云图像。
进一步地，所述根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片包括：
根据所述优化后的配准点云图像进行空间拟合，确定所述管道的中心轴线法向量；
根据所述优化后的配准点云图像进行分割处理，确定多个所述点云切片，其中，所述点云切片的方向由所述管道的中心轴线法向量而确定；
根据多个所述点云切片分别进行曲面拟合，确定对应的片段曲面；
根据多个所述片段曲面进行拼接，生成所述管道对应的完整曲面；
根据所述完整曲面进行三维重构，生成所述管道对应的三维模型。
进一步地，所述通过投影法将多个所述点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图包括：
建立栅格化的所述参考平面；
根据所述参考平面的栅格边长，确定投影范围；
根据所述投影范围，通过投影法将多个所述点云切片的每片邻域内的点投射到所述参考平面上对应的栅格中，生成对应的投影图像；
根据所述投影图像进行B样条曲线的拟合，生成对应的拟合投影图像；
通过连通域降噪法去除所述拟合投影图像中的噪声点和偏离点，并对所述拟合投影图像中的微小轮廓进行闭操作粘合，生成对应的所述轮廓特征线图。
进一步地，所述根据所述轮廓特征线图，确定对应的圆度和内径包括：
判断所述轮廓特征线图是否为圆形轮廓；
若是圆形轮廓，则获取所述轮廓特征线图的面积和周长；
根据所述轮廓特征线图的面积和周长，分别确定对应的所述圆度和对应的所述内径。
进一步地，所述具体缺陷信息包括缺陷坐标和缺陷轮廓，所述根据所述配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据所述边界特征线，确定具体缺陷信息包括：
根据所述三维模型，确定所述缺陷存在区域；
通过KD树快速遍历，对所述配准点云图像中每个采样点的领域点进行遍历；
若所述领域点和所述采样点的夹角超过角度阈值，则所述采样点为边界点；
根据所述边界点，生成所述边界特征线；
根据所述缺陷存在区域和所述边界特征线，确定所述缺陷坐标和所述缺陷轮廓。
进一步地，所述根据所述圆度、所述内径以及所述具体缺陷信息，判断管道是否合格包括：
判断多个所述点云切片对应的所述圆度和所述内径是否满足尺寸条件，若都满足，则所述管道的尺寸合格；
判断所述缺陷坐标和所述缺陷轮廓是否满足缺陷存在条件，若不满足，则所述管道的质量合格。
进一步地，在所述并对两幅所述点云图像进行配准拼接，确定配准点云图像的步骤之前还包括：
根据两幅所述点云图像，分别建立对应的三维体素栅格；
针对所述三维体素栅格，确定对应的体素重心；
根据每个所述体素重心，对对应的所述三维体素栅格内的点云数据进行下采样。
本发明还提供一种基于三维点云的管道内表面检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上所述的基于三维点云的管道内表面检测方法。
与现有技术相比，本发明的有益效果包括：首先，通过对两幅点云图像进行配准拼接，有效将不同视角下的点云图像统一在全局坐标系下，便于后续的图像重构；进而，利用其中的点云数据进行有效的三维重构，确定对应的三维模型，在此过程中，确定管道对应的点云切片，以多个点云切片有效反映管道的构成；然后，利用多个点云切片到参考平面的投影，确定管道不同部分的内径和圆度，以此有效判断管道的尺寸，同时，利用对配准点云图像的快速遍历结果，以边界特征线有效反映管道凸起、凹陷的特征，高效确定具体缺陷信息；最后，利用内径、圆度以及具体缺陷信息，结合多方面特征，综合判定管道质量，以此保证对管道的全面检测，并提高了检测的准确度。综上，本发明对点云图像进行配准并进行三维重构，进一步进行切割、识别，测量管道内表面的质量情况，保证管道检测的精准度，且节约了人工成本。
附图说明
图1为本发明提供的基于三维点云的管道内表面检测方法的流程示意图；
图2为本发明提供的配准拼接的流程示意图；
图3为本发明提供的优化处理的流程示意图；
图4为本发明提供的三维重构的流程示意图；
图5为本发明提供的生成轮廓特征线图的流程示意图；
图6为本发明提供的确定圆度和内径的流程示意图；
图7为本发明提供的确定具体缺陷信息的流程示意图；
图8为本发明提供的判断管道合格的流程示意图；
图9为本发明提供的点云下采样的流程示意图；
图10为本发明提供的基于三维点云的管道内表面检测装置的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种基于三维点云的管道内表面检测方法，结合图1来看，图1为本发明提供的基于三维点云的管道内表面检测方法的流程示意图，上述基于三维点云的管道内表面检测方法包括步骤S1至步骤S5，其中：
在步骤S1中，获取深度相机生成的不同视角下管道内表面的两幅点云图像，并对两幅点云图像进行配准拼接，确定配准点云图像；
在步骤S2中，根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片；
在步骤S3中，通过投影法将多个点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图，并根据轮廓特征线图，确定对应的圆度和内径；
在步骤S4中，根据配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据边界特征线，确定具体缺陷信息；
在步骤S5中，根据圆度、内径以及具体缺陷信息，判断管道是否合格。
在本发明实施例中，首先，通过对两幅点云图像进行配准拼接，有效将不同视角下的点云图像统一在全局坐标系下，便于后续的图像重构；进而，利用其中的点云数据进行有效的三维重构，确定对应的三维模型，在此过程中，确定管道对应的点云切片，以多个点云切片有效反映管道的构成；然后，利用多个点云切片到参考平面的投影，确定管道不同部分的内径和圆度，以此有效判断管道的尺寸，同时，利用对配准点云图像的快速遍历结果，以边界特征线有效反映管道凸起、凹陷的特征，高效确定具体缺陷信息；最后，利用内径、圆度以及具体缺陷信息，结合多方面特征，综合判定管道质量，以此保证对管道的全面检测，并提高了检测的准确度。
优选地，结合图2来看，图2为本发明提供的配准拼接的流程示意图，步骤S1具体包括步骤S11至步骤S13，其中：
在步骤S11中，根据正态分布变换算法对两幅点云图像进行粗配准，确定两幅点云图像之间的初步旋转平移矩阵；
在步骤S12中，根据迭代最近算法对粗配准点云图像进行精配准，确定两幅点云图像之间的最优旋转平移矩阵，其中，粗配准点云图像为两幅点云图像经过初步旋转平移矩阵进行粗配准后得到的配准图像；
在步骤S13中，根据最优旋转平移矩阵和两幅点云图像，确定配准点云图像。
由此，由于深度相机捕捉的点云初始位姿不一定完全重合，若位置距离较远，传统的迭代最近算法(ICP算法)配准收敛速度慢，不能满足点云快速化重构的要求，而正态分布变换算法(NDT算法)配准速度较快而精度较低，因而，本发明采用NDT算法进行粗配准获取转换参数，然后采用ICP算法对点云进行精配准，以此保证精确的点云配准。
需要说明的是，相机生成出两幅点云图像，其中，两幅图像中的相同的点云需要进行配准，即求两个点云之间的旋转平移矩阵，可以表示为以下方程：
Pt＝R·Ps+T (1)
上式中，Pt为采样点云(两幅点云图像中的其中一幅)，Ps为源点云(两幅点云图像中的另一幅)，R为旋转矩阵，T为平移矩阵。而NDT算法的原理是：先将捕捉到的管道三维形貌点云数据集划分成均匀的体素单元格，然后将体素单元中每个三维点位置的测量样本以正态分布的形式呈现。相较于ICP算法，NDT算法的配准过程中不计算对应三维点的特征，节约了管道检测系统的大量计算时间。因而，先通过NDT算法计算出式(1)中的旋转矩阵R和平移矩阵T，即初步旋转平移矩阵和初步平移矩阵。
其中，得到初步旋转平移矩阵和初步平移矩阵后，通过ICP算法精配准，进一步计算得到更加精确的旋转、平移矩阵。求解矩阵变换时，根据最小二乘法迭代找到最优解：
上式中，Pt i为采样点云，Ps i为源点云，R为旋转矩阵，T为平移矩阵，Np为采样点和源点的点对数(两幅点云图像中的点云数据数目)，即迭代次数。经过NDT算法配准管道内表面点云后，假设用得到的初步旋转平移矩阵、初步平移矩阵对Ps n-1进行变换，得到的一个变换后的点云Ps n。然后将变换后的点云与采样点云进行比较，只要两个点云间检测出一组对应点，其间距在设定的阈值之内，即可认为这两个点配准成功；然后用集成的对应点，对R矩阵与T矩阵进行估计，采用最小二乘法对旋转平移矩阵进行最优化求解，以缩短计算时间。按照上述步骤进行迭代，直到R、T的变化量小于一定值或邻近点对不再变化为止。
需要说明的是，在实际图像处理过程中，调取PCL点云库，通过IterativeClosestPoint类提供的NDT和ICP算法进行精配准，采用上述方法求解最优的旋转、平移矩阵。迭代时设定一个误差阈值E，如果连续的两次迭代误差小于E或者迭代次数超出了最大迭代的点对次数Np，则迭代停止。否则将源点云集Ps n-1更新为Ps n和Pt n，重复上述步骤，直至满足收敛条件，完成点云集间的配准和拼接。
优选地，结合图3来看，图3为本发明提供的优化处理的流程示意图，在步骤S2之前，对配准点云图像进行优化处理，确定优化后的配准点云图像，具体包括步骤S001至步骤S003：
在步骤S001中，根据设定第一滤波阈值的直通滤波器，对配准点云图像去除离群点；
在步骤S002中，对去除离群点后的配准点云图像的k邻域进行最小二乘法平面拟合估计，确定对应的目标法向量；
在步骤S003中，根据目标法向量，对去除离群点后的配准点云图像进行双边滤波，修正采样点的位置，确定优化后的配准点云图像。
由此，依次通过去除离群点、确定目标法向量、双边滤波，对配准点云图像进行优化，保证后续精准地三维建模，便于对准确捕捉管道的特征。
需要说明的是，由于镜头自身的原因以及周围环境的影响,相机采集的深度图像常常含有较多噪声、离群点和深度值为0的空洞，会导致采集的点云数据丢失特征信息,增加三维重建的误差,为此有必要设计适当的滤波器对其进行修复。
具体地，步骤S001包括：首先，利用直通滤波器设置阈值，消除掉配准点云图像中的圆柱轴线上的高度离散点；然后，采用统计滤波器，对配准点云图像中的每一个点的邻域进行统计分析，计算它到对应的所有临近点的平均距离。假设得到的点间距离呈现出一个高斯分布d～N(μ,σ)，其形状是由均值μ和标准差σ决定，如下式所示：
其中，平均距离在标准范围(由全局距离平均值和方差定义)之外的点，可以被定义为离群点并从数据中去除，即：
优选地，在步骤S001与步骤S002之间，还包括：利用像素滤波器，设定好配准点云图像中的采样点的遍历半径，查找像素值为0的点，并结合其周围点的分布状况对配准点云图像中的点云形状的空洞处进行填充。对点云进行二值化处理，将空值的采样点作上标记，然后采用待修复采样点的邻域点估计待修复像素的深度值，如下式所示：
式中，S(u，v)表示经过像素滤波器处理后的深度值；D(u，v)为配准点云图像中的采样点的原始深度值；c1、c2分别为滤波器内层Ω1、外层Ω2的非0像素个数；T1、T2分别为Ω1、Ω2内的阈值；M表示邻域Ω中出现频度最高的深度值。
其中，定义两个滤波器Ω1、Ω2，找出Ω内深度值非空的像素,再将非空像素的数目与二者对应的阈值做比较。如果对应的邻域间非空像素个数大于设定阈值，则用所有高频的非空像素的深度值代替空值像素的深度值；否则不做变动。
具体地，步骤S002包括：采用局部表面拟合法是通过对空间点的k邻域进行最小二乘法平面拟合估计求解法向量，使得邻域点的向量与目标点法向量的点乘和绝对值尽可能小。
其中，设邻域内中心点为c，则邻域点的向量与目标点法向量的点乘如下式所示：
进一步作目标点对应的协方差矩阵C(P)
通过上式，得到该矩阵的3个特征值λ0<λ1<λ2，最小特征值λ0对应的向量即为目标法向量。需要说明的是，目标法向量的计算是为了于双边滤波去噪步骤的进行。单个深度点的法向量只与该点的邻域点空间分布相关，不随物体刚体运动而改变。
具体地，步骤S003包括：采用双边滤波器，通过搜索邻域点的加权平均值，修正当前采样点的位置，从而去除噪声，得到平滑效果，保持边缘特征。在进行去噪前，需要进行法向量估计。法向量估计结束后再进行双边滤波，如下式所示：
Pi'＝Pi+α·ni (8)
式中：Pi'为目标点，Pi为源点，α为双边滤波因子，ni为Pi的法向量。
其中，双边滤波因子α的表达式如下：
式中，N(P)为数据点Pi的邻域点；
均为高斯核函数,表示近邻点对Pi的影响权值；σc为Pi到每个近邻点的距离对该点的影响因子,一般取值为邻域半径；σs为每个近邻点Pi在法矢上的投影距离对该点的影响因子,一般取值为近邻点的标准偏差；当σc确定后,点云在法向上的平滑距离与σs的取值成正比；||Pj-Pi||表示点Pj到Pi的空间距离；||Pj-Pi,ni||表示Pj在Pi法向上的投影；<Pj-Pi,ni>表示向量积。Wc、Ws均会随着两点之间空间距离以及投影距离的增大而缩小。它们的作用是保证邻域特征的相似性。
需要说明的是，对双边滤波去噪效果进行试验，取管道内壁深度信息形成的点云中含有的一部分不平顺点云进行滤波处理，沿点法向的方向分别查取均值、中误差等参数，然后对其做平滑处理。
优选地，结合图4来看，图4为本发明提供的三维重构的流程示意图，步骤S2包括步骤S21至步骤S25，其中：
在步骤S21中，根据优化后的配准点云图像进行空间拟合，确定管道的中心轴线法向量；
在步骤S22中，根据优化后的配准点云图像进行分割处理，确定多个点云切片，其中，点云切片的方向由管道的中心轴线法向量而确定；
在步骤S23中，根据多个点云切片分别进行曲面拟合，确定对应的片段曲面；
在步骤S24中，根据多个片段曲面进行拼接，生成管道对应的完整曲面；
在步骤S25中，根据完整曲面进行三维重构，生成管道对应的三维模型。
由此，首先，通过空间拟合确定中心轴线法向量，以此保证点云切片的方向的准确性；然后，对优化后的配准点云图像进行分割处理，确定具有方向特征的点云切片；进而，针对每个点云切片进行曲面拟合，确定对应的片段曲面，以有效反映管道多处的结构特征；再对多个片段曲面进行拼接，反映管道整体的结构特征；最后，根据完整曲面进行三维重构，生成精确度高的三维模型。
需要说明的是，步骤S21中，在进行点云切片之前，先要对点云进行空间拟合，获得管道片段点云的中心轴线法向量，以确定切片的方向。采用RANSAC算法对片段点云集进行圆柱拟合。该算法具有3D Circle模型，它能从包含大量点云的数据集中估计出圆柱拟合参数，求解精度较高。其大致思路：通过几个点集用最小二乘法给出一个假设的线段，计算在直线内的内点和离散点，在所有可能的线段中找出内点数目最多的线段。
需要说明的是，步骤S22中，在对曲面进行重构前，需要对点云进行切片的预处理，将圆柱形的管道内表面点云分割成小段圆柱形点云，然后各自拟合成曲面。其中，点云切片的本质是：用一系列均匀间隔平面与圆柱形点云集进行相交运算，点云将落在平面之间一定厚度的邻域里，并提取出相交的点；然后用虚拟的线段串连平面相交求取的邻近点，获得的集合即为截面点集。
其中，完整曲面的生成算法包括但不限于贪婪投影三角化算法(网格插值重建)、NURBS算法(参数曲面重建)和泊松算法(隐式曲面重建)。其中，NURBS算法与贪婪投影三角化算法的曲面失真度、时间复杂度、空间复杂度小，适用于管道曲面内壁的重构。
优选地，采用NURBS算法将拟合的各片段曲面进行拼合得到完整曲面，如下式所示：
式中，Pi,j(i＝0,L,n；j＝0,L,m)是呈拓扑矩阵阵列的单点；Wi,j是与Pi,j有关的加权因子；Bi,k(u)为u方向的k阶基函数，Bj,l(v)为v方向的l阶基函数,它们分别由u向和v向的节点矢量决定。
需要说明的是，NURBS算法的核心思想：针对各点云切片上的单点，通过计算加载为具有加权因子的点集；然后根据B样条曲线的边界条件筛选出合适的边界关键点；进而将所求的边界关键点作为v向的关键节点；最后沿v向依据B样条曲线的反算公式反复迭代得出结果。在图像处理的实际应用中，GLU库中提供了易用的NURBS重构函数，通过gluNewNurbsRenderer()函数构建一个NURBS渲染器，然后利用gluNurbsProperty()函数修改拟合曲面的形状，最后重构、渲染表面，形成三维模型。
优选地，结合图5来看，图5为本发明提供的生成轮廓特征线图的流程示意图，步骤S3包括步骤S31至步骤S35，其中：
在步骤S31中，建立栅格化的参考平面；
在步骤S32中，根据参考平面的栅格边长，确定投影范围；
在步骤S33中，根据投影范围，通过投影法将多个点云切片的每片邻域内的点投射到参考平面上对应的栅格中，生成对应的投影图像；
在步骤S34中，根据投影图像进行B样条曲线的拟合，生成对应的拟合投影图像；
在步骤S35中，通过连通域降噪法去除拟合投影图像中的噪声点和偏离点，并对拟合投影图像中的微小轮廓进行闭操作粘合，生成对应的轮廓特征线图。
由此，首先，根据参考平面的栅格，确定投影图像的范围，保证生成准确的投影图像；然后，依次对投影图像进行B样条曲线的拟合、连通域降噪法、闭操作粘合，保证轮廓特征线图的准确性，充分反映管道的结构组成。
在本发明的一个具体实施例中，将点云切片后的每片邻域内的点采用投影法投射到一个参考平面上，然后提取特征点，拟合生成轮廓线，再进行识别工作。为了实现点云投影，先建立栅格化的参考平面，将特征点投影到对应栅格中，然后计算栅格边长以固定图像范围。然后调用pcl::on_nurbs::FittingCurve类进行B样条曲线的拟合，通过索引联通法生成轮廓特征线。生成平面轮廓特征线图后，将该图格式转换为可以供OpenCV库调用的Mat类，便于后续图像识别的工作。
需要说明的是，在步骤S35中，采用计算量较小的连通域降噪法将图像中的噪声点和偏离点去除，然后进行闭操作粘合可能断开的微小轮廓。
优选地，结合图6来看，图6为本发明提供的确定圆度和内径的流程示意图，步骤S3还包括步骤S36至步骤S38，其中：
在步骤S36中，判断轮廓特征线图是否为圆形轮廓；
在步骤S37中，若是圆形轮廓，则获取轮廓特征线图的面积和周长；
在步骤S38中，根据轮廓特征线图的面积和周长，分别确定对应的圆度和对应的内径。
由此，首先，对轮廓特征线图的形状进行判断，当其为圆形时，说明该轮廓特征线图是准确的；然后，根据准确的轮廓特征线图，计算其面积和周长，进而确定对应的圆度和对应的内径，从而高效反映管道不同部分的尺寸特征。
在本发明一个具体的实施例中，先使用Hough变换函数对图像进行处理识别，确认图像轮廓为圆形轮廓，筛除形状错误的图像；然后调用OpenCV库的findContours()函数检索轮廓；通过contourArea()函数和arcLength()函数求出图形轮廓(即轮廓特征线图)的面积S、周长L；最后根据面积和周长计算出圆度e：
式中，计算得到的圆度e越接近于1，则说明形状轮廓更圆。其中，设定一定圆度阈值，若测量值高于圆度阈值，说明管道的内表面圆度未达到要求。可以理解的是，轮廓特征线图对应的内径为轮廓特征线图的圆形直径，通过面积S、周长L即可有效确定，在此不再赘述。
优选地，可以通过以下步骤确定更高精度的圆度：针对轮廓特征线图，采用最小二乘法测算出形成的圆形轮廓的平均半径和质心；确定轮廓特征线图中每个连通域的轮廓，然后遍历每个连通域的轮廓，计算每一点到每个连通域的轮廓的距离，测算出每个连通域的轮廓中的最大包容圆直径与最小包容圆，两者之差即为圆度。
优选地，结合图7来看，图7为本发明提供的确定具体缺陷信息的流程示意图，步骤S4包括步骤S41至步骤S45，其中：
在步骤S41中，根据三维模型，确定缺陷存在区域；
在步骤S42中，通过KD树快速遍历，对配准点云图像中每个采样点的领域点进行遍历；
在步骤S43中，若领域点和采样点的夹角超过角度阈值，则采样点为边界点；
在步骤S44中，根据边界点，生成边界特征线；
在步骤S45中，根据缺陷存在区域和边界特征线，确定缺陷坐标和缺陷轮廓。
由此，首先，通过三维模型，确定缺陷存在区域，以此初步确定缺陷的大致位置；进而，通过KD树快速遍历每个采样点的邻域点，找出与其距离在一定阈值内的点，计算该点与指定点构成的方向向量间的夹角；最后，验证其是否超出了设定的角度阈值，如果超出该阈值则将其认定为边界点，然后将符合条件的边界特征线提取出来，得到缺陷的大致轮廓。以此，通过缺陷存在区域和边界特征线，准确定位缺陷位置，以此高效确定缺陷坐标和缺陷轮廓。
其中，确定缺陷坐标和缺陷轮廓之后，可计算轮廓周长。若要了解缺陷的具体尺寸，可以搜索该处的二维点云切片，计算二维图中缺陷处的长度、宽度以及突出部的点到轮廓圆心的距离。
需要说明的是，因为出料速度、温度、润滑不均等原因，易导致挤出的管道内壁产生一些情况复杂的缺陷，此时深度相机在缺陷区域采集的图像往往伴随点云孔洞、粗糙轮廓和大片区域不全。因此可以通过识别三维点云孔洞的轮廓、二维点云切片的凸出处来找出管道的裂纹、凸起、凹陷等缺陷，因而，本发明通过步骤S41至步骤S45，确定这些情况复杂的缺陷，保证对管道的全面检验。
优选地，结合图8来看，图8为本发明提供的判断管道合格的流程示意图，步骤S5包括步骤S51至步骤S52，其中：
在步骤S51中，判断多个点云切片对应的圆度和内径是否满足尺寸条件，若都满足，则管道的尺寸合格；
在步骤S52中，判断缺陷坐标和缺陷轮廓是否满足缺陷存在条件，若不满足，则管道的质量合格。
由此，结合圆度、内径、缺陷坐标和缺陷轮廓，综合地反映管道的结构特征，全面准确地检测管道，保证管道质检的高效性和准确性。
优选地，结合图9来看，图9为本发明提供的点云下采样的流程示意图，步骤S1之前包括步骤S01至步骤S03，其中：
在步骤S01中，根据两幅点云图像，分别建立对应的三维体素栅格；
在步骤S02中，针对三维体素栅格，确定对应的体素重心；
在步骤S03中，根据每个体素重心，对对应的三维体素栅格内的点云数据进行下采样。
由此，由于深度相机获取的点云数据量很大，一般基于VoxelGrid滤波器，运用体素栅格法对深度图像进行下采样，以减少点云数据。首先根据输入的点云数据创建一个三维体素栅格，然后计算每个体素(即三维立方体)内所有对应点的重心，降低点云密集程度，减少后续运算的工作量，加快处理速度。
优选地，在检测出缺陷位置和形状后，可以再次采用NURBS算法回头对三维模型中缺陷造成的点云空洞进行修补。由此，为生产者对管道的后续加工、修复提供有效的参考。
实施例2
本发明实施例提供了一种基于三维点云的管道内表面检测装置，结合图10来看，图10为本发明提供的基于三维点云的管道内表面检测装置的结构示意图，其中，基于三维点云的管道内表面检测装置1000包括：
获取单元1001，用于获取深度相机生成的不同视角下管道内表面的两幅点云图像，并对两幅点云图像进行配准拼接，确定配准点云图像；
处理单元1002，用于根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片；还用于通过投影法将多个点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图，并根据轮廓特征线图，确定对应的圆度和内径；还用于根据配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据边界特征线，确定具体缺陷信息；
判断单元1003，用于根据圆度、内径以及具体缺陷信息，判断管道是否合格。
实施例3
本发明实施例提供了一种基于三维点云的管道内表面检测装置，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上所述的基于三维点云的管道内表面检测方法。
实施例4
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机该程序被处理器执行时，实现如上所述的基于三维点云的管道内表面检测方法。
本发明公开了一种基于三维点云的管道内表面检测方法及装置，在该方法中，首先，通过对两幅点云图像进行配准拼接，有效将不同视角下的点云图像统一在全局坐标系下，便于后续的图像重构；进而，利用其中的点云数据进行有效的三维重构，确定对应的三维模型，在此过程中，确定管道对应的点云切片，以多个点云切片有效反映管道的构成；然后，利用多个点云切片到参考平面的投影，确定管道不同部分的内径和圆度，以此有效判断管道的尺寸，同时，利用对配准点云图像的快速遍历结果，以边界特征线有效反映管道凸起、凹陷的特征，高效确定具体缺陷信息；最后，利用内径、圆度以及具体缺陷信息，结合多方面特征，综合判定管道质量，以此保证对管道的全面检测，并提高了检测的准确度。
本发明技术方案，利用配准对原始的两幅点云图像数据进行优化，消除无用和错误的信息，提升处理效率；依托预处理后的配准点云图像进行三维重构，包括切片、曲面重建；对生成的三维图像进行切割、识别，测量尺寸、查出缺陷，首先应对轮廓进行拟合，然后即可测量管道内表面的圆度、内径，对内表面缺陷进行识别、修复对点云图像进行配准并进行三维重构，进一步进行切割、识别，以此高效测量管道内表面的质量情况，保证管道检测的精准度，且节约了人工成本。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于三维点云的管道内表面检测方法，其特征在于，包括如下步骤：
获取深度相机生成的不同视角下管道内表面的两幅点云图像，并对两幅所述点云图像进行配准拼接，确定配准点云图像；
根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片，其中，所述优化后的配准点云图像为对所述配准点云图像进行优化后确定的图像；
通过投影法将多个所述点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图，并根据所述轮廓特征线图，确定对应的圆度和内径；
根据所述配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据所述边界特征线，确定具体缺陷信息；
根据所述圆度、所述内径以及所述具体缺陷信息，判断管道是否合格。
2.根据权利要求1所述的基于三维点云的管道内表面检测方法，其特征在于，所述对两幅所述点云图像进行配准拼接，确定配准点云图像包括:
根据正态分布变换算法对两幅所述点云图像进行粗配准，确定两幅所述点云图像之间的初步旋转平移矩阵；
根据迭代最近算法对所述粗配准点云图像进行精配准，确定两幅所述点云图像之间的最优旋转平移矩阵，其中，所述粗配准点云图像为两幅所述点云图像经过所述初步旋转平移矩阵进行粗配准后得到的配准图像；
根据所述最优旋转平移矩阵和两幅所述点云图像，确定所述配准点云图像。
3.根据权利要求2所述的基于三维点云的管道内表面检测方法，其特征在于，在所述根据所述配准点云图像进行三维重构，确定对应的多个点云切片的步骤之前，对所述配准点云图像进行优化处理，确定所述优化后的配准点云图像，具体包括：
根据设定第一滤波阈值的直通滤波器，对所述配准点云图像去除离群点；
对去除离群点后的配准点云图像的k邻域进行最小二乘法平面拟合估计，确定对应的目标法向量；
根据所述目标法向量，对所述去除离群点后的配准点云图像进行双边滤波，修正采样点的位置，确定所述优化后的配准点云图像。
4.根据权利要求2所述的基于三维点云的管道内表面检测方法，其特征在于，所述根据优化后的配准点云图像进行三维重构，确定对应的多个点云切片包括：
根据所述优化后的配准点云图像进行空间拟合，确定所述管道的中心轴线法向量；
根据所述优化后的配准点云图像进行分割处理，确定多个所述点云切片，其中，所述点云切片的方向由所述管道的中心轴线法向量而确定；
根据多个所述点云切片分别进行曲面拟合，确定对应的片段曲面；
根据多个所述片段曲面进行拼接，生成所述管道对应的完整曲面；
根据所述完整曲面进行三维重构，生成所述管道对应的三维模型。
5.根据权利要求4所述的基于三维点云的管道内表面检测方法，其特征在于，所述通过投影法将多个所述点云切片投射到参考平面进行轮廓拟合，生成对应的轮廓特征线图包括：
建立栅格化的所述参考平面；
根据所述参考平面的栅格边长，确定投影范围；
根据所述投影范围，通过投影法将多个所述点云切片的每片邻域内的点投射到所述参考平面上对应的栅格中，生成对应的投影图像；
根据所述投影图像进行B样条曲线的拟合，生成对应的拟合投影图像；
通过连通域降噪法去除所述拟合投影图像中的噪声点和偏离点，并对所述拟合投影图像中的微小轮廓进行闭操作粘合，生成对应的所述轮廓特征线图。
6.根据权利要求5所述的基于三维点云的管道内表面检测方法，其特征在于，所述根据所述轮廓特征线图，确定对应的圆度和内径包括：
判断所述轮廓特征线图是否为圆形轮廓；
若是圆形轮廓，则获取所述轮廓特征线图的面积和周长；
根据所述轮廓特征线图的面积和周长，分别确定对应的所述圆度和对应的所述内径。
7.根据权利要求6所述的基于三维点云的管道内表面检测方法，其特征在于，所述具体缺陷信息包括缺陷坐标和缺陷轮廓，所述根据所述配准点云图像进行快速遍历，确定缺陷存在区域的边界特征线，并根据所述边界特征线，确定具体缺陷信息包括：
根据所述三维模型，确定所述缺陷存在区域；
通过KD树快速遍历，对所述配准点云图像中每个采样点的领域点进行遍历；
若所述领域点和所述采样点的夹角超过角度阈值，则所述采样点为边界点；
根据所述边界点，生成所述边界特征线；
根据所述缺陷存在区域和所述边界特征线，确定所述缺陷坐标和所述缺陷轮廓。
8.根据权利要求7所述的基于三维点云的管道内表面检测方法，其特征在于，所述根据所述圆度、所述内径以及所述具体缺陷信息，判断管道是否合格包括：
判断多个所述点云切片对应的所述圆度和所述内径是否满足尺寸条件，若都满足，则所述管道的尺寸合格；
判断所述缺陷坐标和所述缺陷轮廓是否满足缺陷存在条件，若不满足，则所述管道的质量合格。
9.根据权利要求1-8任一项所述的基于三维点云的管道内表面检测方法，其特征在于，在所述并对两幅所述点云图像进行配准拼接，确定配准点云图像的步骤之前还包括：
根据两幅所述点云图像，分别建立对应的三维体素栅格；
针对所述三维体素栅格，确定对应的体素重心；
根据每个所述体素重心，对对应的所述三维体素栅格内的点云数据进行下采样。
10.一种基于三维点云的管道内表面检测装置，其特征在于，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如权利要求1-9任一项所述的基于三维点云的管道内表面检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539502.3A CN112581457B (zh) | 2020-12-23 | 2020-12-23 | 一种基于三维点云的管道内表面检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011539502.3A CN112581457B (zh) | 2020-12-23 | 2020-12-23 | 一种基于三维点云的管道内表面检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581457A true CN112581457A (zh) | 2021-03-30 |
| CN112581457B CN112581457B (zh) | 2023-12-12 |
Family
ID=75139484
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011539502.3A Active CN112581457B (zh) | 2020-12-23 | 2020-12-23 | 一种基于三维点云的管道内表面检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581457B (zh) |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113470091A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂点云配准方法、装置、电子设备和存储介质 |
| CN113487490A (zh) * | 2021-05-24 | 2021-10-08 | 深圳亦芯智能视觉技术有限公司 | 一种立体视觉成像检测管道内部缺陷的方法及装置 |
| CN113554614A (zh) * | 2021-07-21 | 2021-10-26 | 中国人民解放军陆军工程大学 | 一种用于点云拼接的管道测量系统位姿标定方法 |
| CN113627548A (zh) * | 2021-08-17 | 2021-11-09 | 熵智科技(深圳)有限公司 | 一种平面工件模板匹配方法、装置、介质及计算机设备 |
| CN113674425A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
| CN114782342A (zh) * | 2022-04-12 | 2022-07-22 | 北京瓦特曼智能科技有限公司 | 城市硬件设施缺陷的检测方法及装置 |
| CN114812408A (zh) * | 2022-04-07 | 2022-07-29 | 中车青岛四方车辆研究所有限公司 | 扫石器距离轨面高度的测量方法及测量系统 |
| CN114881955A (zh) * | 2022-04-28 | 2022-08-09 | 厦门微亚智能科技有限公司 | 基于切片的环状点云缺陷提取方法、装置、设备存储介质 |
| CN115326835A (zh) * | 2022-10-13 | 2022-11-11 | 汇鼎智联装备科技(江苏)有限公司 | 圆筒内表面检测方法、可视化方法以及检测系统 |
| CN115953400A (zh) * | 2023-03-13 | 2023-04-11 | 安格利(成都)仪器设备有限公司 | 基于三维点云物体表面的腐蚀坑自动检测方法 |
| CN116051565A (zh) * | 2023-04-03 | 2023-05-02 | 广州水木星尘信息科技有限公司 | 基于结构光3d点云的接触网缺陷目标检测方法及装置 |
| CN116297495A (zh) * | 2023-05-09 | 2023-06-23 | 武汉理工大学 | 一种基于结构光图像的管壁检测方法及管壁检测装置 |
| CN116363302A (zh) * | 2023-03-06 | 2023-06-30 | 郑州大学 | 一种基于多视角几何的管道三维重建和坑洞量化方法 |
| CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
| CN116503409A (zh) * | 2023-06-28 | 2023-07-28 | 矽瞻科技(成都)有限公司 | 一种焊缝缺陷3d点云检测方法、设备和介质 |
| CN116592776A (zh) * | 2023-07-19 | 2023-08-15 | 浙江视觉智能创新中心有限公司 | 一种基于三维点云的管径尺寸检测方法、装置及电子设备 |
| CN116664575A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
| CN117110319A (zh) * | 2023-10-23 | 2023-11-24 | 汇鼎智联装备科技(江苏)有限公司 | 基于3d成像的球体表面缺陷检测方法和检测系统 |
| CN117169898A (zh) * | 2023-09-07 | 2023-12-05 | 南京安透可智能系统有限公司 | 一种基于椭圆拟合的地下管网支管和尺寸检测方法 |
| CN117372433A (zh) * | 2023-12-08 | 2024-01-09 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
| CN117557553A (zh) * | 2023-12-28 | 2024-02-13 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
| CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220928A (zh) * | 2017-05-31 | 2017-09-29 | 中国工程物理研究院应用电子学研究所 | 一种牙齿ct图像像素数据转化至3d打印数据的方法 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
| CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
| CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
| CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
-
2020
- 2020-12-23 CN CN202011539502.3A patent/CN112581457B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107220928A (zh) * | 2017-05-31 | 2017-09-29 | 中国工程物理研究院应用电子学研究所 | 一种牙齿ct图像像素数据转化至3d打印数据的方法 |
| CN109242828A (zh) * | 2018-08-13 | 2019-01-18 | 浙江大学 | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 |
| CN109345620A (zh) * | 2018-08-13 | 2019-02-15 | 浙江大学 | 融合快速点特征直方图的改进icp待测物体点云拼接方法 |
| CN110335295A (zh) * | 2019-06-06 | 2019-10-15 | 浙江大学 | 一种基于tof相机的植物点云采集配准与优化方法 |
| US20200388044A1 (en) * | 2019-06-06 | 2020-12-10 | Zhejiang University | Plant point cloud acquisition, registration and optimization method based on tof camera |
| CN111709981A (zh) * | 2020-06-22 | 2020-09-25 | 高小翎 | 特征线融合的激光点云与模拟图像的配准方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴挺 等: "基于主动式全景视觉传感器的管道内部缺陷检测方法", 仪器仪表学报, vol. 36, no. 10 * |
| 孙伟栋 等: "基于逆向工程技术的含凹陷管道极限强度分析", 西安石油大学学报( 自然科学版), vol. 34, no. 5 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487490A (zh) * | 2021-05-24 | 2021-10-08 | 深圳亦芯智能视觉技术有限公司 | 一种立体视觉成像检测管道内部缺陷的方法及装置 |
| CN113554614B (zh) * | 2021-07-21 | 2022-12-20 | 中国人民解放军陆军工程大学 | 一种用于点云拼接的管道测量系统位姿标定方法 |
| CN113554614A (zh) * | 2021-07-21 | 2021-10-26 | 中国人民解放军陆军工程大学 | 一种用于点云拼接的管道测量系统位姿标定方法 |
| CN113627548A (zh) * | 2021-08-17 | 2021-11-09 | 熵智科技(深圳)有限公司 | 一种平面工件模板匹配方法、装置、介质及计算机设备 |
| CN113470091A (zh) * | 2021-09-02 | 2021-10-01 | 深圳市信润富联数字科技有限公司 | 轮毂点云配准方法、装置、电子设备和存储介质 |
| CN113674425A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
| CN114812408A (zh) * | 2022-04-07 | 2022-07-29 | 中车青岛四方车辆研究所有限公司 | 扫石器距离轨面高度的测量方法及测量系统 |
| CN114812408B (zh) * | 2022-04-07 | 2023-08-22 | 中车青岛四方车辆研究所有限公司 | 扫石器距离轨面高度的测量方法及测量系统 |
| CN114782342A (zh) * | 2022-04-12 | 2022-07-22 | 北京瓦特曼智能科技有限公司 | 城市硬件设施缺陷的检测方法及装置 |
| CN114782342B (zh) * | 2022-04-12 | 2024-02-09 | 北京瓦特曼智能科技有限公司 | 城市硬件设施缺陷的检测方法及装置 |
| CN114881955A (zh) * | 2022-04-28 | 2022-08-09 | 厦门微亚智能科技有限公司 | 基于切片的环状点云缺陷提取方法、装置、设备存储介质 |
| CN115326835A (zh) * | 2022-10-13 | 2022-11-11 | 汇鼎智联装备科技(江苏)有限公司 | 圆筒内表面检测方法、可视化方法以及检测系统 |
| CN116363302A (zh) * | 2023-03-06 | 2023-06-30 | 郑州大学 | 一种基于多视角几何的管道三维重建和坑洞量化方法 |
| CN116363302B (zh) * | 2023-03-06 | 2024-05-28 | 郑州大学 | 一种基于多视角几何的管道三维重建和坑洞量化方法 |
| CN115953400A (zh) * | 2023-03-13 | 2023-04-11 | 安格利(成都)仪器设备有限公司 | 基于三维点云物体表面的腐蚀坑自动检测方法 |
| CN115953400B (zh) * | 2023-03-13 | 2023-06-02 | 安格利(成都)仪器设备有限公司 | 基于三维点云物体表面的腐蚀坑自动检测方法 |
| CN116051565A (zh) * | 2023-04-03 | 2023-05-02 | 广州水木星尘信息科技有限公司 | 基于结构光3d点云的接触网缺陷目标检测方法及装置 |
| CN116297495A (zh) * | 2023-05-09 | 2023-06-23 | 武汉理工大学 | 一种基于结构光图像的管壁检测方法及管壁检测装置 |
| CN116481460A (zh) * | 2023-05-26 | 2023-07-25 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
| CN116481460B (zh) * | 2023-05-26 | 2024-05-07 | 中国矿业大学 | 一种基于三维重构模型的表观坑洞缺陷尺寸检测方法 |
| CN116503409A (zh) * | 2023-06-28 | 2023-07-28 | 矽瞻科技(成都)有限公司 | 一种焊缝缺陷3d点云检测方法、设备和介质 |
| CN116503409B (zh) * | 2023-06-28 | 2023-09-12 | 矽瞻科技(成都)有限公司 | 一种焊缝缺陷3d点云检测方法、设备和介质 |
| CN116592776A (zh) * | 2023-07-19 | 2023-08-15 | 浙江视觉智能创新中心有限公司 | 一种基于三维点云的管径尺寸检测方法、装置及电子设备 |
| CN116592776B (zh) * | 2023-07-19 | 2023-12-01 | 浙江视觉智能创新中心有限公司 | 一种基于三维点云的管径尺寸检测方法、装置及电子设备 |
| CN116664575B (zh) * | 2023-07-31 | 2023-11-03 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
| CN116664575A (zh) * | 2023-07-31 | 2023-08-29 | 厦门微图软件科技有限公司 | 一种基于点云配准的缺陷检测方法、装置以及设备 |
| CN117169898A (zh) * | 2023-09-07 | 2023-12-05 | 南京安透可智能系统有限公司 | 一种基于椭圆拟合的地下管网支管和尺寸检测方法 |
| CN117110319B (zh) * | 2023-10-23 | 2024-01-26 | 汇鼎智联装备科技(江苏)有限公司 | 基于3d成像的球体表面缺陷检测方法和检测系统 |
| CN117110319A (zh) * | 2023-10-23 | 2023-11-24 | 汇鼎智联装备科技(江苏)有限公司 | 基于3d成像的球体表面缺陷检测方法和检测系统 |
| CN117372433B (zh) * | 2023-12-08 | 2024-03-08 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
| CN117372433A (zh) * | 2023-12-08 | 2024-01-09 | 菲沃泰纳米科技(深圳)有限公司 | 厚度参数的控制方法、装置、设备及存储介质 |
| CN117557553A (zh) * | 2023-12-28 | 2024-02-13 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
| CN117557553B (zh) * | 2023-12-28 | 2024-05-24 | 中核武汉核电运行技术股份有限公司 | 一种核电站管道焊缝检测方法及装置 |
| CN117789198A (zh) * | 2024-02-28 | 2024-03-29 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
| CN117789198B (zh) * | 2024-02-28 | 2024-05-14 | 上海几何伙伴智能驾驶有限公司 | 基于4d毫米波成像雷达实现点云退化检测的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581457B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112581457B (zh) | 一种基于三维点云的管道内表面检测方法及装置 | |
| CN109242828B (zh) | 基于光栅投影多步相移法的3d打印制品三维缺陷检测方法 | |
| JP5703396B2 (ja) | 減数された測定点による公差評価 | |
| Lee et al. | Skeleton-based 3D reconstruction of as-built pipelines from laser-scan data | |
| Woo et al. | A new segmentation method for point cloud data | |
| CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
| CN110060338B (zh) | 一种基于bim模型的预制构件点云识别方法 | |
| WO2017195228A1 (en) | Process and system to analyze deformations in motor vehicles | |
| Son et al. | Automatic segmentation and 3D modeling of pipelines into constituent parts from laser-scan data of the built environment | |
| Skinner et al. | 3D point cloud upsampling for accurate reconstruction of dense 2.5 D thickness maps | |
| Zheng et al. | A primitive-based 3D reconstruction method for remanufacturing | |
| CN111968224A (zh) | 船舶3d扫描点云数据处理方法 | |
| CN116229017A (zh) | 一种基于逆向投影的管件三维模型重建方法 | |
| Jin et al. | A new multi-vision-based reconstruction algorithm for tube inspection | |
| Radvar-Esfahlan et al. | Robust generalized numerical inspection fixture for the metrology of compliant mechanical parts | |
| CN113971718A (zh) | 一种对三维点云模型进行布尔运算的方法 | |
| CN116934678A (zh) | 基于点云数据的不同尺度下飞机蒙皮凹坑缺陷检测方法 | |
| Hart et al. | Automated pipeline reconstruction using deep learning & instance segmentation | |
| CN114820505A (zh) | 一种动态目标的非接触测量方法 | |
| Sitnik et al. | Optimized point cloud triangulation for 3D scanning systems | |
| Dong et al. | Research on 3D model reconstruction based on a sequence of cross-sectional images | |
| Ghahremani et al. | Automated 3D image-based section loss detection for finite element model updating | |
| Alcouffe et al. | Blind quality of a 3D reconstructed mesh | |
| Barazzetti et al. | Vault modeling with neural networks | |
| US20200388026A1 (en) | Method for recognizing the geometry of a portion of an object |
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 |