CN112785596A - 基于dbscan聚类的点云图螺栓分割和高度测量方法 - Google Patents

基于dbscan聚类的点云图螺栓分割和高度测量方法 Download PDF

Info

Publication number
CN112785596A
CN112785596A CN202110137294.2A CN202110137294A CN112785596A CN 112785596 A CN112785596 A CN 112785596A CN 202110137294 A CN202110137294 A CN 202110137294A CN 112785596 A CN112785596 A CN 112785596A
Authority
CN
China
Prior art keywords
bolt
clustering
point cloud
segmentation
dbscan
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
Application number
CN202110137294.2A
Other languages
English (en)
Other versions
CN112785596B (zh
Inventor
毕江海
王继军
包哲静
颜文俊
马功民
徐元成
付波
郭柱
熊奎翔
路正东
朱章齐
陆臣斌
丁一凡
朱春甫
夏需要
尹志华
张亮
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.)
Zhejiang University ZJU
China Railway Construction Electrification Bureau Group Co Ltd
Original Assignee
Zhejiang University ZJU
China Railway Construction Electrification Bureau Group Co Ltd
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 Zhejiang University ZJU, China Railway Construction Electrification Bureau Group Co Ltd filed Critical Zhejiang University ZJU
Priority to CN202110137294.2A priority Critical patent/CN112785596B/zh
Publication of CN112785596A publication Critical patent/CN112785596A/zh
Application granted granted Critical
Publication of CN112785596B publication Critical patent/CN112785596B/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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06T2207/10012—Stereo images

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，首先对螺栓3D点云图沿Y轴方向进行分层聚类，利用已知螺栓几何特征，初步过滤掉复杂的背景；接着，对X‑Z二维平面进行第一次压缩聚类，过滤掉干扰点，仅保留螺栓所在位置的类，并计算各个类的中心点X、Z坐标；以各中心点为圆心，以已知的螺栓半径值为半径，筛选原始3D点云螺栓图，初步得到螺栓分割结果；接着，仅考虑Y轴信息，进行第二次压缩聚类，过滤掉干扰点，得到最终的螺栓分割图，并进行高度测量。本方法侧重于对几何特征的数据分析，相比于RGB图可以有效减少背景干扰的影响。本发明实现了在复杂工况环境下基于三维视觉信息对螺栓的分割和测量，效果较好，精度较高。

Description

基于DBSCAN聚类的点云图螺栓分割和高度测量方法
技术领域
本发明属于计算机视觉3D点云数据处理算法领域，尤其涉及一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法。
背景技术
铁路高大桥墩分布在水域或者山坳等特殊环境下，现场实施人员为检测支柱基础接口上的螺栓分布、高度等信息，需要搭设攀爬工具，攀登到高大桥墩顶端进行作业，作业完成后再撤掉攀登工具。
高大桥墩支柱基础接口的检测亟需改进作业方式的主要原因：
1)作业难度大，危险系数高，作业人员在攀登高大桥墩和从高大桥墩下行过程中，容易发生危险，存在严重的安全隐患。
2)测量周期长，整个准备工作复杂且难度大，需要占用大量的人力和时间，影响项目施工进度。
3)数据不易保存分析，难以进行后续的分析、查阅。
3D点云数据的检测和分割有很多现有的算法，例如区域增长等，还有很多基于深度学习的方法，然而现有的算法如区域增长等只能检测较为平整的平面，无法用于表面因螺纹而粗糙的3D螺栓点云图；深度学习的方法效果虽好，却需要大量的数据进行训练，而由上述可知采集大量数据是行不通的。
发明内容
本发明的目的在于针对现有技术的不足，提供一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，本发明基于DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)算法，结合分层聚类和定向压缩聚类，利用较少的原始数据能够得到很好的分割和测量结果，成本低，精确度高。
本发明的目的是通过以下技术方案实现的：一种基于DBSCAN聚类的3D点云图螺栓分割和高度测量方法，该方法包括以下步骤：
(1)获取螺栓3D点云图；
(2)对螺栓3D点云图进行分层聚类：沿Y轴方向进行切片，对每一层进行DBSCAN聚类；
(3)对分层聚类结果利用已知的螺栓几何特征进行过滤；
(4)第一次X-Z二维平面基于DBSCAN的压缩聚类，以去除X和Z轴上的干扰点；
(5)计算各个压缩聚类结果的中心点，以各中心点为圆心，以给定先验半径值为半径，在原始3D点云图中初步提取螺栓；
(6)第二次Y轴方向基于DBSCAN的压缩聚类，以去除Y轴上的干扰点，得到最终的螺栓分割结果，根据分割结果计算螺栓高度。
进一步地，所述步骤(1)中，通过深度相机拍摄螺栓3D点云图，螺栓均为竖直摆放，深度相机为水平拍摄，即点云数据的Z轴沿相机光轴方向，X轴垂直于相机光轴方向且平行于地面，Y轴沿螺栓方向。
进一步地，所述步骤(2)具体为：遍历所有点云数据，获取Y坐标的最大值和最小值，通过设置切片宽度，对点云图沿Y轴方向进行切片操作；对切片后的每一层点云数据进行DBSCAN聚类。
进一步地，所述步骤(3)具体为：针对每一层，基于分层聚类后的结果，利用设计图纸中给出的螺栓直径信息进行筛选，过滤大部分干扰背景；利用设计图纸中给出的螺栓间距离和位置信息，过滤不规则的干扰点云。
进一步地，所述步骤(4)中，针对分层聚类的结果，不考虑Y轴信息，对所有点云数据进行X-Z二维平面的DBSCAN聚类，将包含点数较少的类去除，从而过滤掉X和Z轴上的干扰点，仅保留螺栓所在位置的类。
进一步地，所述步骤(5)中，针对压缩聚类的结果，计算各个结果类中X、Z轴坐标的平均值，得到每个类的中心点；以各中心点为圆心，以已知的螺栓半径值为半径，取原始3D点云图在各个圆范围内的点，实现点云数据筛选，得到初步螺栓分割结果。
进一步地，所述步骤(6)中，针对初步螺栓分割结果，取出所有点云数据的Y轴坐标；为所有Y轴坐标值赋予一个固定的X轴坐标，得到一列有序点；对点列进行DBSCAN聚类，将包含点数较少的类去除，从而过滤掉Y轴上的干扰点，得到最终的螺栓分割结果。
进一步地，所述步骤(7)中，针对最终的螺栓分割结果，计算每个类中Y轴坐标的最大值和最小值，求最大值和最小值之差，得到每只螺栓的高度值。
本发明的有益效果是：本发明基于DBSCAN算法，结合分层聚类和定向压缩聚类，实现了在复杂工况环境下基于三维视觉信息对螺栓的分割和测量，相比于RGB图可以有效减少背景干扰的影响，测量效果较好，精度较高。
附图说明
图1为本发明基于DBSCAN聚类的点云图螺栓分割和高度测量方法流程图；
图2为本发明实施例提供的支柱接口RGB图；
图3为本发明实施例提供的MATLAB显示的支柱接口点云图；
图4为本发明实施例提供的螺栓直径示意图；
图5为本发明实施例提供的分层聚类后的点云图；
图6为本发明实施例提供的第一次X-Z压缩聚类后的二维结果图；
图7为本发明实施例提供的第一次X-Z压缩聚类后提取到的点云图；
图8为本发明实施例提供的第二次Y轴压缩聚类后提取到的点云图。
具体实施方式
为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。
应当明确，所描述的实施例仅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作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明实施例提供了一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，该方法流程如图1所示，该方法基于DBSCAN算法，结合分层聚类和定向压缩聚类，能够实现在复杂工况，例如多种铁路工况环境下，对3D点云螺栓图的图像分割和高度测量。
如图2为含螺栓的支柱接口RGB图，背景复杂，前后景分割难度大，图3为支柱接口的3D点云图。本实施例具体实施步骤如下：
步骤1：获取螺栓3D点云图；
步骤2：对螺栓3D点云图进行分层聚类：沿Y轴方向进行切片，对每一层进行DBSCAN聚类；
步骤3：对分层聚类结果利用已知的螺栓几何特征进行过滤；
步骤4：第一次X-Z二维平面基于DBSCAN的压缩聚类，以去除X和Z轴上的干扰点；
步骤5：计算各个压缩聚类结果的中心点，以各中心点为圆心，以给定先验半径值为半径，在原始3D点云图中初步提取螺栓；
步骤6：第二次Y轴方向基于DBSCAN的压缩聚类，以去除Y轴上的干扰点，得到最终的螺栓分割结果，根据分割结果计算螺栓高度。
读取3D点云数据，MATLAB中的显示结果如图3所示，本实施例是在MATLAB2020a环境下完成的。
对点云图按Y轴进行切片操作：首先遍历所有点云数据获取Y坐标最大值和最小值，通过设置切片宽度a＝0.005m进行切片操作，ceil函数为取整函数，切片次数step计算如下：
step＝ceil((ymax-ymin)/a)
对切片后的每一层进行基于DBSCAN算法的密度聚类，设置参数如下：聚类半径epsilon＝0.008m，最少点数MinPts＝10。
针对分层聚类后的结果，首先利用螺栓的直径信息进行筛选。根据点云图近似计算螺栓直径：以聚类结果中的第j类进行说明，求xj坐标最大差值dxj和zj坐标最大差值dzj的平方根，并计算dj，公式如下：
dxj＝max(xj)-min(xj)
dzj＝max(zj)-min(zj)
Figure BDA0002927202840000051
理论上，第j类的螺栓其对应的dj值与其真实直径D之间有如下关系，如图4所示：
Figure BDA0002927202840000052
从设计图纸上可以得到螺栓直径D作为先验知识，由于在点云图中螺栓的边缘信息会有一定程度缺失，同时考虑拍摄和计算过程中有可能引入的误差，因此：
D-0.01≤dj≤D+0.01
其次，针对每一层的聚类结果，利用设计图纸中各个螺栓之间的位置信息，过滤掉不规则的干扰点云。计算第j类的中心点
Figure BDA0002927202840000053
nj为该类中点的数量，(xj,zj)为点的坐标，如下式：
Figure BDA0002927202840000054
Figure BDA0002927202840000055
然后，以各个类的中心点之间的距离代替两个类之间的距离，计算公式如下：
Figure BDA0002927202840000056
根据设计图纸可知，一个螺栓与相邻两个螺栓的距离分别为0.16m和0.46m，同时我们考虑了最极限的情况，即两个螺栓类的中心点都在螺栓的最边缘，设置以下条件将距离不满足螺栓位置信息的类过滤掉：
Figure BDA0002927202840000057
Figure BDA0002927202840000061
分层聚类结果如图5，针对得到的结果，进行第一次压缩聚类，即不考虑Y轴坐标信息，对所有点云数据的X-Z坐标进行基于DBSCAN算法的密度聚类，设置聚类半径epsilon＝0.015m和类最少点数MinPts＝50，聚类结果如图6。
计算各个结果类中X、Z坐标的平均值，确定每个类的中心点，此时得到了各个螺栓在X-Z平面上的中心点。
以各个中心点为圆心，以已知的螺栓半径值为半径，遍历原始输入点云数据中的所有点，将在所有圆范围内的点取出，得到螺栓点云图如图7，此时还存在具有相同Y轴信息的干扰点。
再进行第二次压缩聚类，即不考虑Z轴和X轴信息，对所有Y坐标赋予固定的X坐标值，令X＝1，得到点列，对点列进行基于DBSCAN算法的密度聚类，聚类半径epsilon＝0.05m，最小点数MinPts＝30，滤去干扰点，结果如图8所示。
针对每个类，计算其Y轴坐标的最大值和最小值，求最大值和最小值之差，得到螺栓高度值，螺栓真实高度与本发明测量高度对比如下表所示：
Figure BDA0002927202840000062
以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (8)

1.一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，该方法包括以下步骤：
步骤1：获取螺栓3D点云图；
步骤2：对螺栓3D点云图进行分层聚类：沿Y轴方向进行切片，对每一层进行DBSCAN聚类；
步骤3：对分层聚类结果利用已知的螺栓几何特征进行过滤；
步骤4：第一次X-Z二维平面基于DBSCAN的压缩聚类，以去除X和Z轴上的干扰点；
步骤5：计算各个压缩聚类结果的中心点，以各中心点为圆心，以给定先验半径值为半径，在原始3D点云图中初步提取螺栓；
步骤6：第二次Y轴方向基于DBSCAN的压缩聚类，以去除Y轴上的干扰点，得到最终的螺栓分割结果，根据分割结果计算螺栓高度。
2.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤1中，通过深度相机拍摄螺栓3D点云图，螺栓均为竖直摆放，深度相机为水平拍摄，即点云数据的Z轴沿相机光轴方向，X轴垂直于相机光轴方向且平行于地面，Y轴沿螺栓方向。
3.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤2具体为：遍历所有点云数据，获取Y坐标的最大值和最小值，通过设置切片宽度，对点云图沿Y轴方向进行切片操作；对切片后的每一层点云数据进行DBSCAN聚类。
4.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤3具体为：针对每一层，基于分层聚类后的结果，利用设计图纸中给出的螺栓直径信息进行筛选，过滤大部分干扰背景；利用设计图纸中给出的螺栓间距离和位置信息，过滤不规则的干扰点云。
5.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤4中，针对分层聚类的结果，不考虑Y轴信息，对所有点云数据进行X-Z二维平面的DBSCAN聚类，将包含点数较少的类去除，从而过滤掉X和Z轴上的干扰点，仅保留螺栓所在位置的类。
6.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤5中，针对压缩聚类的结果，计算各个结果类中X、Z轴坐标的平均值，得到每个类的中心点；以各中心点为圆心，以已知的螺栓半径值为半径，取原始3D点云图在各个圆范围内的点，实现点云数据筛选，得到初步螺栓分割结果。
7.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤6中，针对初步螺栓分割结果，取出所有点云数据的Y轴坐标；为所有Y轴坐标值赋予一个固定的X轴坐标，得到一列有序点；对点列进行DBSCAN聚类，将包含点数较少的类去除，从而过滤掉Y轴上的干扰点，得到最终的螺栓分割结果。
8.根据权利要求1所述的一种基于DBSCAN聚类的点云图螺栓分割和高度测量方法，其特征在于，所述步骤7中，针对最终的螺栓分割结果，计算每个类中Y轴坐标的最大值和最小值，求最大值和最小值之差，得到每只螺栓的高度值。
CN202110137294.2A 2021-02-01 2021-02-01 基于dbscan聚类的点云图螺栓分割和高度测量方法 Active CN112785596B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110137294.2A CN112785596B (zh) 2021-02-01 2021-02-01 基于dbscan聚类的点云图螺栓分割和高度测量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110137294.2A CN112785596B (zh) 2021-02-01 2021-02-01 基于dbscan聚类的点云图螺栓分割和高度测量方法

Publications (2)

Publication Number Publication Date
CN112785596A true CN112785596A (zh) 2021-05-11
CN112785596B CN112785596B (zh) 2022-06-10

Family

ID=75760271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110137294.2A Active CN112785596B (zh) 2021-02-01 2021-02-01 基于dbscan聚类的点云图螺栓分割和高度测量方法

Country Status (1)

Country Link
CN (1) CN112785596B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354639A (zh) * 2022-03-21 2022-04-15 苏芯物联技术(南京)有限公司 一种基于3d点云的焊缝缺陷实时检测方法及系统
CN115345876A (zh) * 2022-10-17 2022-11-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于超声图像的螺栓螺纹缺陷检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143194A (zh) * 2014-08-20 2014-11-12 清华大学 一种点云分割方法及装置
CN106780509A (zh) * 2016-12-01 2017-05-31 山东交通学院 融合多维特征的建筑物点云层次聚类分割方法
CN109118500A (zh) * 2018-07-16 2019-01-01 重庆大学产业技术研究院 一种基于图像的三维激光扫描点云数据的分割方法
CN111462123A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于谱聚类的点云数据分割方法
CN112070769A (zh) * 2020-09-18 2020-12-11 福州大学 一种基于dbscan的分层点云分割方法
US20200410690A1 (en) * 2018-08-27 2020-12-31 Tencent Technology (Shenzhen) Company Limited Method and apparatus for segmenting point cloud data, storage medium, and electronic device

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104143194A (zh) * 2014-08-20 2014-11-12 清华大学 一种点云分割方法及装置
CN106780509A (zh) * 2016-12-01 2017-05-31 山东交通学院 融合多维特征的建筑物点云层次聚类分割方法
CN109118500A (zh) * 2018-07-16 2019-01-01 重庆大学产业技术研究院 一种基于图像的三维激光扫描点云数据的分割方法
US20200410690A1 (en) * 2018-08-27 2020-12-31 Tencent Technology (Shenzhen) Company Limited Method and apparatus for segmenting point cloud data, storage medium, and electronic device
CN111462123A (zh) * 2020-03-30 2020-07-28 华南理工大学 一种基于谱聚类的点云数据分割方法
CN112070769A (zh) * 2020-09-18 2020-12-11 福州大学 一种基于dbscan的分层点云分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114354639A (zh) * 2022-03-21 2022-04-15 苏芯物联技术(南京)有限公司 一种基于3d点云的焊缝缺陷实时检测方法及系统
CN115345876A (zh) * 2022-10-17 2022-11-15 中国空气动力研究与发展中心设备设计与测试技术研究所 一种基于超声图像的螺栓螺纹缺陷检测方法

Also Published As

Publication number Publication date
CN112785596B (zh) 2022-06-10

Similar Documents

Publication Publication Date Title
CN106530281B (zh) 基于边缘特征的无人机图像模糊判断方法及系统
CN109816664B (zh) 一种三维点云分割方法及装置
CN107392929B (zh) 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法
CN106969706A (zh) 基于双目立体视觉的工件检测与三维测量系统及检测方法
CN111553292B (zh) 一种基于点云数据的岩体结构面识别与产状分类方法
Rau et al. Bridge crack detection using multi-rotary UAV and object-base image analysis
CN112785596B (zh) 基于dbscan聚类的点云图螺栓分割和高度测量方法
CN109900338B (zh) 一种路面坑槽体积测量方法及装置
CN104063702A (zh) 一种基于遮挡修复和局部相似性匹配的三维步态识别方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN113218310B (zh) 基于三维激光点云的尾矿库干滩重要参数提取方法及系统
KR101549155B1 (ko) 라이다 자료를 활용한 구조물의 직선경계 추출방법
CN109408909A (zh) 一种三维粗糙表面微凸体拟合方法
CN112164145A (zh) 基于点云数据快速提取室内三维线段结构的方法
CN114049490A (zh) 一种智能化职业卫生预警方法及系统
Gong et al. Point cloud segmentation of 3D scattered parts sampled by RealSense
CN116524017B (zh) 一种用于矿山井下检测识别定位系统
CN115790539B (zh) 一种合作靶标水下摄影测量方法
CN113375644B (zh) 一种边坡产状高精度测量方法
CN115063698A (zh) 斜坡地表变形裂缝自动识别与信息提取方法及系统
CN113129348B (zh) 一种基于单目视觉的道路场景中车辆目标的三维重建方法
CN115909099A (zh) 基于无人机巡检的边坡危岩识别与监测方法
CN109785261A (zh) 一种基于灰度体元模型的机载lidar三维滤波方法
CN115100495A (zh) 基于子特征融合的轻量化安全帽检测方法
CN110243699B (zh) 岩石模型结构面可视化试验的表面形态网格追踪及还原方法

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