CN112734619B - 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法 - Google Patents

一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法 Download PDF

Info

Publication number
CN112734619B
CN112734619B CN202011514285.2A CN202011514285A CN112734619B CN 112734619 B CN112734619 B CN 112734619B CN 202011514285 A CN202011514285 A CN 202011514285A CN 112734619 B CN112734619 B CN 112734619B
Authority
CN
China
Prior art keywords
detection
viewpoint
uncertainty
collision
free
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
Application number
CN202011514285.2A
Other languages
English (en)
Other versions
CN112734619A (zh
Inventor
刘银华
赵文政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN202011514285.2A priority Critical patent/CN112734619B/zh
Publication of CN112734619A publication Critical patent/CN112734619A/zh
Application granted granted Critical
Publication of CN112734619B publication Critical patent/CN112734619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0007—Image acquisition
    • 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
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/215—Motion-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G06T2207/10004—Still image; Photographic image
    • G06T2207/10008—Still image; Photographic image from scanner, fax or copier

Abstract

本发明提出一种面向自由曲面检测的光学视点优化及覆盖路径规划方法，该方法包括视点位姿的确定，视场内所包含检测特征点确定，视点的无碰撞路径规划等步骤；本发明实现复杂零部件高效、无碰撞的全型面检测覆盖路径规划，提高了关键特征的检测精度与效率，尤其提升了检测结果的可靠性。

Description

一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采 样方法
技术领域
本发明涉及视点选取及路径规划方法，尤其涉及一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法。
背景技术
近年来，随着科学技术的发展，使得光学扫描仪对复杂表面的检测精度和效率得到了提升，以机器人搭载光学检测仪对复杂曲面进行测量已逐渐成为主流的测量手段。光学扫描仪可以在短时间内通过非接触的方式获得大量的点云数据，打破了传统的CMM通过接触的方式获得少量精确数据的约束，从而完整的捕捉产品尺寸、位置以及形位误差，为产品质量评估与质量控制提供有利条件。光学检测仪需要确定较优的视点来覆盖被检测零件的全型面，而且每一次扫描仪姿态的调整都将增加测量的不确定度，因此对于光学检测仪的覆盖路径规划不仅需要耗费大量人力和时间成本，而且无法保证测量的精度。
目前光学检测规划的工作中主要分为两个方面：1)考虑到检测时间与视点数目的最佳检测路径的优化的研究；2)考虑扫描姿态、扫描重叠对于检测精度的影响。扫描路径的确定及优化是激光扫描的基础，Raffaeli等人首先以距离和曲面法线方向为基础对每个检测元素进行分类，对于分类后的集合随机选取一个视点以覆盖组内的元素，从而得到覆盖路径的视点集。该方法极大地减少了视点的数量。Bircher等人提出了一种基于迭代随机重采样的策略，以减少视点之间的成本为目标来寻找距离较近的视点，达到减少机器人的运动时间的效果。Glorieux等人以检测路径以及包含图元的数目为目标建立目标采样策略，迭代产生最佳采样点，缩短了任务检测的时间。
上述研究虽然优化了扫描的路径，提高了扫描的效率，但是，每一次扫描仪姿态的调整都将增加测量的不确定度，从而降低测量的精度。扫描的俯仰角、偏转角、景深等对于扫描精度起到了决定性作用。Mussa考虑到扫描特征公差规范，建立公差与不确定度之间的关系，以提高扫描的不确定度。遗憾的是，他们并没有完整的采样点优化策略和检测路径优化的方法。Fan等人通过建立入射角度和点云可视化的视点质量评价函数以降低不确定度，最终确定最佳视点。上述研究中考虑到入射角、景深等对于整体检测精度的影响。然而，在车身、飞机等薄板件检测中，对于不同产品特征(如圆孔、方槽、、切边、面点等)有着不同的特征公差规范，若将所有检测特征均以相同的检测精度标准进行检测姿态的优化不仅会导致检测效率的降低，而且将导致部分关键特征的检测精度难以满足检测质量的要求。
发明内容
本发明的目的在于提出一种基于测量不确定度要求的光学扫描位姿优化及覆盖路径规划方法，实现复杂零部件无碰撞、高效的全型面检测覆盖路径规划，同时提高关键特征的检测精度、保证检测质量的可靠性。
为达到上述目的，本发明提出一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，包括以下步骤：
S101、对被检测零件进行体素化处理，整理待测零部件各个检测特征的尺寸信息、检测特征点的位置、矢量方向以及尺寸轮廓；
S102、基于S101中确定的检测特征点信息以及光学传感器的检测规范确定每个检测特征点所对应的初始化视点的位置和方向；
S103、基于S101、S102确定的每个检测特征点的公差区间要求以及Guide to theexpression of uncertainty in measurement标准，确定每个检测特征点所对应的初始化视点的可行入射角范围；
S104、利用包围盒碰撞检测思想确定每个视点下所包含检测特征点集合及其数目；
S105、基于S104所确定的视点下包含特征点的集合，以视点下包含检测特征的平均不确定度最小、检测数目最小建立优化模型，利用改进RRT*算法对最优化视点进行求解；
S106、对任意两优化后的视点进行路径规划，利用动态碰撞检测算法对两视点间的路径进行碰撞检测；若存在碰撞，则利用空间移动点自动生成算法在测量特征间添加避撞点，进一步确定测量路径的可达性，并输出无碰撞路径；若无碰撞，则进入S107；
S107、考虑传感器在视点处进行扫描所消耗的时间，计算检测机器人从不同检测特征间运动及检测所需要的时间，构造无碰撞路径的的检测时间矩阵；
S108、基于步骤S107中生成的检测时间矩阵，利用智能优化算法对选取的视点进行最优测量路径规划。
进一步的，在S101中，所述体素化处理中，分割体素的最大长度小于传感器激光束的50％；分割体素表面切面和实体表面切面之间的夹角应尽可能的小，对被检测曲面进行体素化处理，从而保证体素化的网格模型更加逼近曲面；提取处体素中心点的坐标及体素中心法向量作为检测特征点的空间信息，确定特征点所属的类型。
进一步的，在S102中，根据不同检测传感器的检测规范要求，将所述体素中心点沿着体素的法向量相反方向移动一定距离得到初始化视点。
进一步的，在S104中，所述包围盒碰撞检测思想为基于不同光学传感器参数确定给定视点下所包含可行检测区域Ω，将可行检测区域Ω转化为包围盒，通过判断特征点是否包含在盒体内来确定每个视点的视场下所包含的检测特征点的集合。
进一步的，在S105中，利用以平均不确定度和候选视点下包含的第一次被检测特征点数目为约束条件建立如下评价函数来确定qnew的父节点；
Figure GDA0003809830620000041
其中qnew表示新产生的节点；qnear表示qnew邻近节点；qnear，i表示qnew邻近第i个节点；β，γ表示权重系数；Nqnew(j)表示视点qnew所包含的第j个测点；Nqnear(j)表示视点qnear所包含的第j个测点；M表示qnear内所包含视点的数目；ni,qnew、Ui(Nqnew(j),vqnew)分别表示当qnew的父节点为qnear内第i个视点时,qnew内所包含的第一次被检测特征的数目、qnew内所包含第j个检测特征点的不确定度；ni,qnear表示qnear内第i个视点内所包含的第一次被检测点的数目；vqnew表示新生成的视点；vqnear,i表示qnew附近第i个视点。
与现有技术相比，本发明的优势之处在于：本发明包括检测特征点的获取及特征分类、初始化候选视点的确定、视场内包含检测特征点的确定、检测视点优化、覆盖路径规划等，结合待测零部件的结构特征，通过算法程序与应用步骤的设计开发，实现复杂零部件覆盖路径的视点确定及无碰撞、高效的检测规划。本发明提取待测零部件测量特征的空间坐标、矢量方向等信息以确定不同检测特征点的公差区间要求；利用检测不确定度与入射角之间的关系确定可行的初始化视点；利用包围盒碰撞检测的思想确定初始化视点下所包含的特征点的数目及不确定；对利用改进的RRT*算法对检测视点进行优化；最终，利用启发式算法对确定的视点进行覆盖路径规划，得到覆盖待测零部件全型面的全局路径。提高了光学检测系统的自动化程度、保证检测质量的可靠性。
附图说明
图1为被测物体全型面覆盖路径规划方法流程图。
图2为某发动机排气歧管处法兰实物图。
图3基于改进RRT*采样策略下所确定视点的示意图。
图4基于改进RRT*采样策略下法兰不确定度示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案作进一步地说明。
本发明提出一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，包括以下步骤：
S101、对被检测零件进行体素化处理，整理待测零部件各个检测特征的尺寸信息、检测特征点的位置、矢量方向以及尺寸轮廓；
体素化处理中，分割体素的最大长度小于传感器激光束的50％；分割体素表面切面和实体表面切面之间的夹角应尽可能的小，对被检测曲面进行体素化处理，从而保证体素化的网格模型更加逼近曲面；提取处体素中心点的坐标及体素中心法向量作为检测特征点的空间信息，确定特征点所属的类型。
S102、根据不同检测传感器的检测规范要求(如景深、视场大小等)，将S101内体素中心点沿着体素的法向量相反方向移动一定距离(此距离应满足检测规范要求)得到初始化视点；
S103、根据公差区间要求以及Guide to the expression of uncertainty inmeasurement(GUM)标准，确定每个检测特征点所对应的初始化视点的可行入射角范围，进一步确定候选视点集合；
S104、基于不同传感器参数确定给定视点下所包含可行检测区域Ω。其次，将可行检测区域Ω转化为包围盒，通过判断特征点是否包含在盒体内来确定每个视点的视场下所包含的检测特征点的集合；
S105、利用以平均不确定度和候选视点下包含的第一次被检测特征点数目为约束条件建立如下评价函数来确定qnew的父节点；利用RRT*算法进行曲面覆盖视点优化；
Figure GDA0003809830620000061
其中qnew表示新产生的节点；qnear表示qnew邻近节点；qnear，i表示qnew邻近第i个节点；β，γ表示权重系数；Nqnew(j)表示视点qnew所包含的第j个测点；Nqnear(j)表示视点qnear所包含的第j个测点；M表示qnear内所包含视点的数目；ni,qnew、Ui(Nqnew(j),vqnew)分别表示当qnew的父节点为qnear内第i个视点时,qnew内所包含的第一次被检测特征的数目、qnew内所包含第j个检测特征点的不确定度；ni,qnear表示qnear内第i个视点内所包含的第一次被检测点的数目；vqnew表示新生成的视点；vqnear,i表示qnew附近第i个视点。
S106、对任意两优化后的视点进行路径规划，利用动态碰撞检测算法对两视点间的路径进行碰撞检测；若存在碰撞，则利用空间移动点自动生成算法在测量特征间添加避撞点，进一步确定测量路径的可达性，并输出无碰撞路径；若无碰撞，则进入S107；
S107、考虑传感器在视点处进行扫描所消耗的时间，计算检测机器人从不同检测特征间运动及检测所需要的时间，构造无碰撞路径的的检测时间矩阵；
S108、基于步骤S107中生成的检测时间矩阵，利用智能优化算法对选取的视点进行最优测量路径规划。
为验证本方法的有效性，对某款发动机排气歧管的法兰进行视点的确定(如图2)。利用机器人搭载线结构光传感器进行实际物体检测验证。
通过网格化处理，将发动机进气歧管法兰离散成787个体素。基于所提出的改进RRT*算法计算得到20个视点，图3为基于改进RRT*算法法获得的优化视点及可行入射角。图4为基于改进RRT*算法下法兰测量结果标准不确定度图。
为了验证视点优化结果对检测精度的影响，利用机器人搭载线结构光扫描仪到达所计算视点位姿对法兰进行检测。线结构光扫描仪内置特征拟合软件对法兰上分布的孔进行半径拟合，同时将拟合的结果与CMM所得特征值进行对比。对比结果如表1所示(其中Δ1基于改进RRT*算法的优化视点下扫描得到圆孔半径与CMM检测下圆孔半径的偏差)。
表1
Figure GDA0003809830620000071
本发明针对复杂零部件的全型面覆盖路径规划问题，提出一种基于测量不确定度要求的光学扫描位姿优化及覆盖路径规划方法，解决了待扫描零件的视点选取及路径规划的难题。实现了复杂零部件无碰撞、高效的全型面检测覆盖路径规划，提高关键特征的检测精度、保证检测质量的可靠性。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (4)

1.一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，其特征在于，包括以下步骤：
S101、对被检测零件进行体素化处理，整理待测零部件各个检测特征的尺寸信息、检测特征点的位置、矢量方向以及尺寸轮廓；
S102、基于S101中确定的检测特征点信息以及光学传感器的检测规范确定每个检测特征点所对应的初始化视点的位置和方向；
S103、基于S101、S102确定的每个检测特征点的公差区间要求以及Guide to theexpression of uncertainty in measurement标准，确定每个检测特征点所对应的初始化视点的可行入射角范围；
S104、利用包围盒碰撞检测思想确定每个视点下所包含检测特征点集合及其数目；
S105、基于S104所确定的视点下包含特征点的集合，以视点下包含检测特征的平均不确定度最小、检测数目最小建立优化模型，利用改进RRT*算法对最优化视点进行求解；
在S105中，利用以平均不确定度和候选视点下包含的第一次被检测特征点数目为约束条件建立如下评价函数来确定qnew的父节点；
Figure FDA0003809830610000011
其中qnew表示新产生的节点；qnear表示qnew邻近节点；qnear，i表示qnew邻近第i个节点；β，γ表示权重系数；Nqnew(j)表示视点qnew所包含的第j个测点；Nqnear(j)表示视点qnear所包含的第j个测点；M表示qnear内所包含视点的数目；ni,qnew、Ui(Nqnew(j),vqnew)分别表示当qnew的父节点为qnear内第i个视点时,qnew内所包含的第一次被检测特征的数目、qnew内所包含第j个检测特征点的不确定度；ni,qnear表示qnear内第i个视点内所包含的第一次被检测点的数目；vqnew表示新生成的视点；vqnear,i表示qnew附近第i个视点；
S106、对任意两优化后的视点进行路径规划，利用动态碰撞检测算法对两视点间的路径进行碰撞检测；若存在碰撞，则利用空间移动点自动生成算法在测量特征间添加避撞点，进一步确定测量路径的可达性，并输出无碰撞路径；若无碰撞，则进入S107；
S107、考虑传感器在视点处进行扫描所消耗的时间，计算检测机器人从不同检测特征间运动及检测所需要的时间，构造无碰撞路径的的检测时间矩阵；
S108、基于步骤S107中生成的检测时间矩阵，利用智能优化算法对选取的视点进行最优测量路径规划。
2.根据权利要求1所述的面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，其特征在于，在S101中，所述体素化处理中，分割体素的最大长度小于传感器激光束的50％；分割体素表面切面和实体表面切面之间的夹角小于10度，对被检测曲面进行体素化处理，从而保证体素化的网格模型更加逼近曲面；提取处体素中心点的坐标及体素中心法向量作为检测特征点的空间信息，确定特征点所属的类型。
3.根据权利要求2所述的面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，其特征在于，在S102中，根据不同检测传感器的检测规范要求，将所述体素中心点沿着体素的法向量相反方向移动一定距离得到初始化视点。
4.根据权利要求1所述的面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法，其特征在于，在S104中，所述包围盒碰撞检测思想为基于不同光学传感器参数确定给定视点下所包含可行检测区域Ω，将可行检测区域Ω转化为包围盒，通过判断特征点是否包含在盒体内来确定每个视点的视场下所包含的检测特征点的集合。
CN202011514285.2A 2020-12-21 2020-12-21 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法 Active CN112734619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011514285.2A CN112734619B (zh) 2020-12-21 2020-12-21 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011514285.2A CN112734619B (zh) 2020-12-21 2020-12-21 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法

Publications (2)

Publication Number Publication Date
CN112734619A CN112734619A (zh) 2021-04-30
CN112734619B true CN112734619B (zh) 2022-11-01

Family

ID=75603555

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011514285.2A Active CN112734619B (zh) 2020-12-21 2020-12-21 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法

Country Status (1)

Country Link
CN (1) CN112734619B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115717868B (zh) * 2022-10-08 2023-11-07 北京航天计量测试技术研究所 一种实时在线的三维自动化扫描测量系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107443373A (zh) * 2017-07-20 2017-12-08 广东工业大学 基于关节臂机器人的避碰轨迹规划方法和装置
CN110228069A (zh) * 2019-07-17 2019-09-13 东北大学 一种机械臂在线避障运动规划方法
CN110703768A (zh) * 2019-11-08 2020-01-17 福州大学 一种改进型动态rrt*的移动机器人运动规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107443373A (zh) * 2017-07-20 2017-12-08 广东工业大学 基于关节臂机器人的避碰轨迹规划方法和装置
CN110228069A (zh) * 2019-07-17 2019-09-13 东北大学 一种机械臂在线避障运动规划方法
CN110703768A (zh) * 2019-11-08 2020-01-17 福州大学 一种改进型动态rrt*的移动机器人运动规划方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Optimal path planning for automated dimensional inspection of free-form surfaces;Yinhua Liua等;《Journal of Manufacturing Systems》;20200731;第84-92页 *
Path planning of industrial robot based on improved RRT algorithm in complex environments;HAOJIAN ZHANG等;《IEEE》;20181017;第53296-53306页 *

Also Published As

Publication number Publication date
CN112734619A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
CN112513679B (zh) 一种目标识别的方法和装置
US10444398B2 (en) Method of processing 3D sensor data to provide terrain segmentation
CN112347550A (zh) 耦合式室内三维语义建图及建模方法
CN111540001B (zh) 航空发动机涡轮叶片气膜孔轴线方向检测方法
JP6756889B1 (ja) 渦検出装置、渦検出方法、プログラム及び学習済モデル
Dong et al. A weld line detection robot based on structure light for automatic NDT
CN110017790A (zh) 一种基于测量精度的曲面扫描轨迹生成与优化方法
CN112099046A (zh) 基于多值体素模型的机载lidar三维平面检测方法
Fu et al. SLAM for mobile robots using laser range finder and monocular vision
CN112734619B (zh) 一种面向检测特征扫描不确定度的自由曲面覆盖视点自动采样方法
CN113674236A (zh) 一种基于特征学习的飞机表面多圆孔检测方法
CN111359913A (zh) 一种通过激光雷达分选矿石的方法
CN112733428A (zh) 一种光学测量的扫描姿态与覆盖路径规划方法
CN110716194A (zh) 同时参考球与面的多波束三维激光成像系统的检校方法
CN114155265A (zh) 基于yolact的三维激光雷达道路点云分割方法
CN113569958A (zh) 激光点云数据聚类方法、装置、设备及介质
Liu et al. Coverage path planning for robotic quality inspection with control on measurement uncertainty
CN113203385B (zh) 一种无干涉五轴扫描轨迹生成方法及系统
CN114200472A (zh) 一种可通行区域的实时检测方法、装置、终端及存储介质
CN112085843B (zh) 一种隧道类目标特征实时提取及测量方法和装置
Yuan et al. DSmT-based ultrasonic detection model for estimating indoor environment contour
CN115971004A (zh) 一种针对车厢的智能腻子喷涂方法及系统
Liu et al. A localizability estimation method for mobile robots based on 3d point cloud feature
Li et al. Scanning data reduction and accuracy enhancement through hybrid probing and bicubic surface construction
CN115453570A (zh) 一种多特征融合的矿区粉尘滤除方法

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