CN112802070A - 一种基于多描述子投票的飞机蒙皮局部点云定位方法 - Google Patents
一种基于多描述子投票的飞机蒙皮局部点云定位方法 Download PDFInfo
- Publication number
- CN112802070A CN112802070A CN202110011868.1A CN202110011868A CN112802070A CN 112802070 A CN112802070 A CN 112802070A CN 202110011868 A CN202110011868 A CN 202110011868A CN 112802070 A CN112802070 A CN 112802070A
- Authority
- CN
- China
- Prior art keywords
- point
- voting
- point cloud
- points
- skin
- 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
Images
Classifications
-
- 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
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种基于多描述子投票的飞机蒙皮局部点云定位方法,包括如下步骤:从完整飞机点云中采样若干个关键点;根据测地距离选取各关键点周围的蒙皮面片,组成蒙皮面片集合,其中局部扫描点云是使用点云获取设备从飞机蒙皮损伤部位扫描获取的;根据蒙皮面片集合和局部扫描点云,利用多种描述子建立飞机点云上的投票空间;对投票空间进行欧式聚类,找出投票点最为密集的区域作为聚类区域,并在聚类区域上采用投票点加权定位法确定最终定位点;将局部扫描点云定位到飞机点云上,先基于SAC‑IA算法进行粗配准,最后基于ICP算法进行精配准。本申请可以实现局部蒙皮和整机蒙皮的自动化配准,且本申请的自动化程度高,便于实施。
Description
技术领域
本发明属于飞机蒙皮数字化检测技术领域,具体涉及一种基于多描述子投票的飞机蒙皮局部点云配准方法。
背景技术
随着我国航空航天事业的快速发展,我国在飞行器研发与制造领域取得了重大突破。其中飞机蒙皮作为飞机的气动力外形构件,对飞机的性能和安全起到了非常关键的作用。然而蒙皮钣金件在加工和使用的过程中存在着一些常见的问题:一方面,飞机蒙皮具有尺寸大、刚性弱、外形复杂的特点,工业上对蒙皮件的加工质量一直不能得到很好地控制;另一方面,飞机蒙皮直接暴露于外界环境,日久老化、交变载荷、酸液腐蚀、外界撞击等不确定性因素常常使得蒙皮出现划痕、裂纹、凹陷、膨胀等一系列损伤,这些损伤的积累对飞机的安全性构成了威胁。所以无论是在飞机的加工还是使用时,飞机蒙皮质量的检测都是一个极为关键的任务
目前国内的蒙皮零件检测大多仍旧采用手动测量的方法,依靠模胎、样板等检验工装进行检测,主观性强,误差大,效率低。现有的研究例如爬壁机器人、无损检测技术、基于二维机器视觉的检测技术等存在着检测成本高,检测效率低,易受环境影响等诸多问题。近年来,随着数字化测量设备的广泛应用,基于三维点云数据的数字化检测技术逐渐称为工业发展的一个趋势。飞机蒙皮的数字换加测技术需要获取蒙皮钣金件或损伤蒙皮的局部点云数据,并将其和理论飞机模型进行配准,以分析加工偏差或是蒙皮损伤情况。然而由于飞机局部蒙皮和整机蒙皮有着很大的尺寸差异,现有的自动配准算法很将二者进行准确配准,从而影响了后续蒙皮的形变检测分析。为了解决上述问题,本发明提供了一种基于多描述子投票的飞机蒙皮局部点云配准方法,实现局部蒙皮和整机蒙皮的自动化配准。
发明内容
本发明所要解决的技术问题是针对上述现有检测技术中飞机局部蒙皮和整机蒙皮的配准问题,提供了一种基于多描述子投票的飞机蒙皮局部点云配准方法,实现局部蒙皮和整机蒙皮的自动化配准。
为实现上述技术目的,本发明采取的技术方案为:
一种基于多描述子投票的飞机蒙皮局部点云配准方法,其中:包括如下步骤:
步骤S1:从完整飞机点云中采样若干个关键点;
步骤S2:根据测地距离选取各关键点周围的蒙皮面片,组成蒙皮面片集合;
步骤S3:根据蒙皮面片集合和局部扫描点云,利用多种描述子建立飞机点云上的投票空间,所述局部扫描点云为飞机蒙皮损伤部位的扫描点云;
步骤S4:对投票空间进行欧式聚类,找出投票点最为密集的区域作为聚类区域,并在聚类区域上采用投票点加权定位法确定最终定位点;
步骤S5:将局部扫描点云定位到飞机点云上,首先基于SAC-IA算法进行粗配准,然后基于ICP算法进行精配准。
为优化上述技术方案,采取的具体措施还包括:
进一步地,步骤S1中利用最远点采样法采集关键点,具体方法为,以第一个点作为查询点,从剩余点中,选取一个距离最远的点,然后以取出来的点作为查询点,从剩余点中取距离最远的点,重复上述步骤直到采样到目标数量N为止,这N个采样点即为关键点。
进一步地,步骤S2中,蒙皮面片集合的建立方法包括以下步骤:
S21:选取一个关键点,采集关键点周围以欧氏距离rg为半径内的邻域点集合S;
S22:构建集合S的带权无向图G;
S23:根据带权无向图G,选取关键点周围以测地距离rg为半径内的邻域点,构成该关键点处的蒙皮面片;
S24:遍历所有关键点,所有的蒙皮面片组成蒙皮面片集合。
进一步地,步骤S22中,集合S的带权无向图G构建方法如下:
S221:将完整飞机点云中的所有节点V={v1,v2,…vn}并入图G={V,E},边集E={}。
S222:构造邻域点集合S的k邻近图,若点vj是vi邻近点,则将以这两点为节点的边eij并入带权无向图G的边集E,以该两点之间的欧式距离作为该边的权值;
S223:对于带权无向图G中的任意两个节点,用Dijkstra算法计算其在此时带权无向图G上的最短距离,并作为该边的权值并入图G;
S224:当任意两节点之间都有边连接时,带权无向图G构造完毕,将图上两点间连接边的权值即可作为点云上对应两点之间的测地距离。
进一步地,步骤S3中,投票空间的建立方法如下:
S31:选取几种不同类型的描述子,具体包括:快速点特征直方图、形状函数集合、全局半径表面描述子以及全局正交物体描述子四种描述子,对于每一种描述子,均计算其蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S32:计算蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S33:计算局部扫描点云的描述子特征向量,并寻找该特征向量在集合的描述空间里的前q个最邻近点;
S34:将这q个邻近点所代表的蒙皮面片在三维空间中的位置,作为该描述子的q个投票点;
S35:对于其余描述子重复以上过程,四种描述子总共可得到4q个投票点,包含所有投票点的三维空间即为最终建立的投票空间。
进一步地,步骤S4中,最终定位点采用聚类区域中的投票点加权定位法,其具体过程如下:
对于聚类区域内的m个投票点,最终的定位位置为这m个投票点的线性加权组合
其中s为定位点,wi为第i个投票点的权值;
第i个投票点的权值确定方法为:
其中:wi为第i个投票点的权值,m为聚类区域中投票点的个数,pi为第i个投票点在其描述子中的排名,δ为大于q的任意整数。
进一步地,步骤S5中,基于SAC-IA算法的粗配准过程,具体步骤如下:
S511:从局部扫描点云P中选取n个采样点,采样点两两之间的距离应满足大于预先给定最小阈值d,计算n个采样点的FPFH特征;
S512:从完整飞机Q上确定的定位点周围半径r以内的点中查找与局部扫描点云P具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在点云Q中的一一对应点;
S513:利用所有对应点计算变换矩阵,对局部扫描点云P施加计算矩阵完成粗配准。
进一步地,步骤S5中,基于ICP算法的精配准过程,具体步骤如下:
S521:在局部扫描点云P中取点集pi∈P;
S522:从完整飞机点云中选取pi对应点qi,使得|pi-qi|=min;
S523:利用对应点计算旋转矩阵R和平移矩阵t,使得误差函数最小:
S524:使用求得的旋转矩阵R和平移矩阵t,变换点云P,得到点云p′i∈P′;
S525:计算p′i与对应点集qi的平均距离:
S526:如果d小于某一给定阈值或大于最大迭代次数,则停止迭代计算,否则返回第2步,直到满足收敛条件为止;
S527:将最终的变换矩阵施加到局部扫描点云P上,即完成精配准。
本发明的有益效果:
本申请旨在解决飞机蒙皮数字化检测技术中的飞机局部蒙皮和整机蒙皮的配准问题,可以实现局部蒙皮和整机蒙皮的自动化配准。与现有技术相比,本发明的有益效果在于,在将局部扫描点云和模型进行配准之前,首先利用多描述子投票方法确定定位区域,避免因配准点云尺寸差距过大而造成的失败情况,同时保证了本申请的高自动化程度,免于数字化飞机蒙皮检测过程中人工配准对比的麻烦。
附图说明
图1是本发明的方法流程图;
图2是本发明完整飞机点云示意图;
图3是本发明的局部扫描点云示意图;
图4是本发明的多描述子投票空间示意图;
图5是本发明的投票空间聚类区域示意图;
图6是本发明的蒙皮面片集合建立方法流程图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
解决飞机蒙皮数字化检测技术中的飞机局部蒙皮和整机蒙皮的配准问题,本实施方式提供一种基于多描述子投票的飞机蒙皮局部点云配准方法,实现局部蒙皮和整机蒙皮的自动化配准,整体方法流程图如图1所示。
在本发明实施例中,如图2所示为某型飞机的扫描点云,图3示出位于该飞机某处的局部扫描点云,其大小约为1.5m2。
一种基于多描述子投票的飞机蒙皮局部点云定位方法,包括如下步骤:
S1:从完整飞机点云中采样若干个关键点;
步骤S1从完整飞机点云中采样关键点采用最远点采样法,在本实施例中,关键点数量为选取为800个。
S2:根据测地距离选取各关键点周围的蒙皮面片,组成蒙皮面片集合;
蒙皮面片集合的建立方法流程图如图6所示,具体包括以下步骤:
S21:选取一个关键点,采集关键点周围以欧氏距离rg为半径内的邻域点集合S;
S22:构建集合S的带权无向图G;
其中,集合S的带权无向图G构建方法如下:
S221:将完整飞机点云中的所有节点V={v1,v2,…vn}并入图G={V,E},边集E={}。
S222:构造邻域点集合S的k邻近图。方法是:若点vj是vi邻近点,则将以这两点为节点的边eij并入带权无向图G的边集E,以该两点之间的欧式距离作为该边的权值;
S223:对于带权无向图G中的任意两个节点,用Dijkstra算法计算其在此时带权无向图G上的最短距离,并作为该边的权值并入图G。
S224:当所有两节点之间有边连接时,带权无向图G构造完毕,此时图上两点间连接边的权值即可作为点云上对应两点之间的测地距离。
S23:根据带权无向图G,选取关键点周围以测地距离rg为半径内的邻域点,构成该关键点处的蒙皮面片;
S24:遍历所有关键点,所有的蒙皮面片组成蒙皮面片集合。
S3:根据蒙皮面片集合和局部扫描点云,利用多种描述子建立飞机点云上的投票空间;
S31:选取几种不同类型的描述子,具体包括:快速点特征直方图、形状函数集合、全局半径表面描述子以及全局正交物体描述子四种描述子,对于每一种描述子,均计算其蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S32:计算蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S33:计算局部扫描点云的描述子特征向量,并寻找该特征向量在集合的描述空间里的前q个最邻近点;
S34:将这q个邻近点所代表的蒙皮面片在三维空间中的位置,作为该描述子的q个投票点;
S35:对于其余描述子重复以上过程,四种描述子总共可得到4q个投票点,包含所有投票点的三维空间即为最终建立的投票空间,本发明实施例中投票空间可视化如图4所示。
S4:对投票空间进行欧式聚类,以聚类区域rc=rg找出投票点最为密集的区域作为聚类区域,在本实施例中,聚类区域如图5所示,并在聚类区域上采用投票点加权定位法确定最终定位点;
最终定位点采用聚类区域中的投票点加权定位法,其具体过程如下:
对于聚类区域内的m个投票点,最终的定位位置为这m个投票点的线性加权组合
其中s为定位点,wi为第i个投票点的权值;
第i个投票点的权值确定方法为:
其中:wi为第i个投票点的权值,m为聚类区域中投票点的个数,pi为第i个投票点在其描述子中的排名,δ为大于q的任意整数。
S5:将局部扫描点云定位到飞机点云上,首先对二者进行基于SAC-IA算法的粗配准,然后进行基于ICP算法的粗配准。
基于SAC-IA算法的粗配准具体步骤如下:
S511:从局部扫描点云P中选取n个采样点,采样点两两之间的距离应满足大于预先给定最小阈值d,计算n个采样点的FPFH特征;
S512:从完整飞机Q上确定的定位点周围半径r以内的点中查找与局部扫描点云P具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在点云Q中的一一对应点。
基于ICP算法的粗糙配准具体步骤如下:
S521:在局部扫描点云P中取点集pi∈P;
S522:从完整飞机点云中选取pi对应点qi,使得|pi-qi|=min;
S523:利用对应点计算旋转矩阵R和平移矩阵t,使得误差函数最小:
S524:使用求得的旋转矩阵R和平移矩阵t,变换点云P,得到点云p′i∈P′;
S525:计算p′i与对应点集qi的平均距离:
S526:如果d小于某一给定阈值或大于最大迭代次数,则停止迭代计算。否则返回第2步,直到满足收敛条件为止;
S527:将最终的变换矩阵施加到局部扫描点云P上,即完成精配准。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于,包括如下步骤:
步骤S1:从完整飞机点云中采样若干个关键点;
步骤S2:根据测地距离选取各关键点周围的蒙皮面片,组成蒙皮面片集合;
步骤S3:根据蒙皮面片集合和局部扫描点云,利用多种描述子建立飞机点云上的投票空间,所述局部扫描点云为飞机蒙皮损伤部位的扫描点云;
步骤S4:对投票空间进行欧式聚类,找出投票点最为密集的区域作为聚类区域,并在聚类区域上采用投票点加权定位法确定最终定位点;
步骤S5:将局部扫描点云定位到飞机点云上,首先基于SAC-IA算法进行粗配准,然后基于ICP算法进行精配准。
2.根据权利要求1所述的一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于:所述步骤S1中利用最远点采样法采集关键点,具体方法为,以第一个点作为查询点,从剩余点中,选取一个距离最远的点,然后以取出来的点作为查询点,从剩余点中取距离最远的点,重复上述步骤直到采样到目标数量N为止,这N个采样点即为关键点。
3.根据权利要求2所述的一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于:所述步骤S2中,蒙皮面片集合的建立方法包括以下步骤:
S21:选取一个关键点,采集关键点周围以欧氏距离rg为半径内的邻域点集合S;
S22:构建集合S的带权无向图G;
S23:根据带权无向图G,选取关键点周围以测地距离rg为半径内的邻域点,构成该关键点处的蒙皮面片;
S24:遍历所有关键点,所有的蒙皮面片组成蒙皮面片集合。
4.根据权利要求3所述的蒙皮面片集合的建立方法,其特征在于:所述步骤S22中,集合S的带权无向图G构建方法如下:
S221:将完整飞机点云中的所有节点V={v1,v2,…vn}并入图G={V,E},边集E={}。
S222:构造邻域点集合S的k邻近图,若点vj是vi邻近点,则将以这两点为节点的边eij并入带权无向图G的边集E,以该两点之间的欧式距离作为该边的权值;
S223:对于带权无向图G中的任意两个节点,用Dijkstra算法计算其在此时带权无向图G上的最短距离,并作为该边的权值并入图G;
S224:当任意两节点之间有边连接时,带权无向图G构造完毕,将图上两点间连接边的权值作为点云上对应两点之间的测地距离。
5.根据权利要求4所述的一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于:所述步骤S3中,投票空间的建立方法如下:
S31:选取几种不同类型的描述子,具体包括:快速点特征直方图、形状函数集合、全局半径表面描述子以及全局正交物体描述子四种描述子,对于每一种描述子,均计算其蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S32:计算蒙皮面片集合中所有蒙皮面片的描述子特征向量,组成集合的描述空间;
S33:计算局部扫描点云的描述子特征向量,并寻找该特征向量在集合的描述空间里的前q个最邻近点;
S34:将这q个邻近点所代表的蒙皮面片在三维空间中的位置,作为该描述子的q个投票点;
S35:对于其余描述子重复以上过程,四种描述子总共可得到4q个投票点,包含所有投票点的三维空间即为最终建立的投票空间。
7.根据权利要求6所述的一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于,所述步骤S5中,基于SAC-IA算法的粗配准具体如下:
S511:从局部扫描点云P中选取n个采样点,采样点两两之间的距离应满足大于预先给定最小阈值d,计算n个采样点的FPFH特征;
S512:从完整飞机Q上确定的定位点周围半径r以内的点中查找与局部扫描点云P具有相似FPFH特征的一个或多个点,从这些相似点中随机选取一个点作为点云P在点云Q中的一一对应点;
S513:利用所有对应点计算变换矩阵,对局部扫描点云P施加计算矩阵完成粗配准。
8.根据权利要求7所述的一种基于多描述子投票的飞机蒙皮局部点云定位方法,其特征在于,所述步骤S5中,基于ICP算法的精配准具体如下:
S521:在局部扫描点云P中取点集pi∈P;
S522:从完整飞机点云中选取pi对应点qi,使得|pi-qi|=min;
S523:利用对应点计算旋转矩阵R和平移矩阵t,使得误差函数最小:
S524:使用求得的旋转矩阵R和平移矩阵t,变换点云P,得到点云p′i∈P′;
S525:计算p′i与对应点集qi的平均距离:
S526:如果d小于某一给定阈值或大于最大迭代次数,则停止迭代计算。否则返回第2步,直到满足收敛条件为止;
S527:将最终的变换矩阵施加到局部扫描点云P上,即完成精配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011868.1A CN112802070B (zh) | 2021-01-06 | 2021-01-06 | 一种基于多描述子投票的飞机蒙皮局部点云定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011868.1A CN112802070B (zh) | 2021-01-06 | 2021-01-06 | 一种基于多描述子投票的飞机蒙皮局部点云定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112802070A true CN112802070A (zh) | 2021-05-14 |
CN112802070B CN112802070B (zh) | 2022-03-25 |
Family
ID=75808477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011868.1A Active CN112802070B (zh) | 2021-01-06 | 2021-01-06 | 一种基于多描述子投票的飞机蒙皮局部点云定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112802070B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628262A (zh) * | 2021-08-17 | 2021-11-09 | 南京航空航天大学 | 一种基于轮廓特征约束配准的飞机蒙皮检测方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN116541638A (zh) * | 2023-06-30 | 2023-08-04 | 南京航空航天大学 | 一种基于张量投票的飞机蒙皮修配加工路径计算方法 |
CN117788537A (zh) * | 2024-02-27 | 2024-03-29 | 南京航空航天大学 | 一种基于Pointnet的飞机蒙皮点云配准方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2526342A (en) * | 2014-05-22 | 2015-11-25 | Nokia Technologies Oy | Point cloud matching method |
CN107895166A (zh) * | 2017-04-24 | 2018-04-10 | 长春工业大学 | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 |
CN108388902A (zh) * | 2018-02-12 | 2018-08-10 | 山东大学 | 结合全局框架点与局部shot特征的复合3d描述子构建方法 |
CN109241901A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种对具有孔洞的三维点云的检测与识别方法 |
CN109840529A (zh) * | 2019-02-01 | 2019-06-04 | 安徽大学 | 一种基于局部敏感置信度评估的图像匹配方法 |
CN110134816A (zh) * | 2019-05-20 | 2019-08-16 | 清华大学深圳研究生院 | 一种基于投票平滑的单张图片地理定位方法和系统 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
CN111784770A (zh) * | 2020-06-28 | 2020-10-16 | 河北工业大学 | 基于shot和icp算法的无序抓取中的三维姿态估计方法 |
-
2021
- 2021-01-06 CN CN202110011868.1A patent/CN112802070B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2526342A (en) * | 2014-05-22 | 2015-11-25 | Nokia Technologies Oy | Point cloud matching method |
CN107895166A (zh) * | 2017-04-24 | 2018-04-10 | 长春工业大学 | 基于特征描述子的几何哈希法实现目标鲁棒识别的方法 |
CN108388902A (zh) * | 2018-02-12 | 2018-08-10 | 山东大学 | 结合全局框架点与局部shot特征的复合3d描述子构建方法 |
CN109241901A (zh) * | 2018-08-30 | 2019-01-18 | 天津理工大学 | 一种对具有孔洞的三维点云的检测与识别方法 |
CN109840529A (zh) * | 2019-02-01 | 2019-06-04 | 安徽大学 | 一种基于局部敏感置信度评估的图像匹配方法 |
CN110134816A (zh) * | 2019-05-20 | 2019-08-16 | 清华大学深圳研究生院 | 一种基于投票平滑的单张图片地理定位方法和系统 |
CN110648361A (zh) * | 2019-09-06 | 2020-01-03 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
CN111583318A (zh) * | 2020-05-09 | 2020-08-25 | 南京航空航天大学 | 一种基于翼身实测数据虚拟对接的整流蒙皮修配方法 |
CN111784770A (zh) * | 2020-06-28 | 2020-10-16 | 河北工业大学 | 基于shot和icp算法的无序抓取中的三维姿态估计方法 |
Non-Patent Citations (2)
Title |
---|
RENBO XIA 等: "Detection method of manufacturing defects on aircraft surface based on fringe projection", 《OPTIK》 * |
陈华伟 等: "基于曲率突变分析的点云特征线自动提取", 《光学精密工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628262A (zh) * | 2021-08-17 | 2021-11-09 | 南京航空航天大学 | 一种基于轮廓特征约束配准的飞机蒙皮检测方法 |
CN114781056A (zh) * | 2022-04-13 | 2022-07-22 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN114781056B (zh) * | 2022-04-13 | 2023-02-03 | 南京航空航天大学 | 一种基于特征匹配的飞机整机外形测量方法 |
CN116541638A (zh) * | 2023-06-30 | 2023-08-04 | 南京航空航天大学 | 一种基于张量投票的飞机蒙皮修配加工路径计算方法 |
CN116541638B (zh) * | 2023-06-30 | 2023-09-12 | 南京航空航天大学 | 一种基于张量投票的飞机蒙皮修配加工路径计算方法 |
CN117788537A (zh) * | 2024-02-27 | 2024-03-29 | 南京航空航天大学 | 一种基于Pointnet的飞机蒙皮点云配准方法 |
CN117788537B (zh) * | 2024-02-27 | 2024-04-26 | 南京航空航天大学 | 一种基于Pointnet的飞机蒙皮点云配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112802070B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112802070B (zh) | 一种基于多描述子投票的飞机蒙皮局部点云定位方法 | |
CN111299815B (zh) | 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法 | |
CN107948930B (zh) | 基于位置指纹算法的室内定位优化方法 | |
CN108376408B (zh) | 一种基于曲率特征的三维点云数据快速加权配准方法 | |
CN104703143B (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN110458174B (zh) | 一种无序点云关键特征点精确提取方法 | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN112257722B (zh) | 基于抗差非线性高斯-赫尔默特模型的点云拟合方法 | |
CN112907735B (zh) | 一种基于点云的柔性电缆识别与三维重建方法 | |
WO2021082380A1 (zh) | 一种基于激光雷达的托盘识别方法、系统和电子设备 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
CN113791400B (zh) | 一种基于激光雷达的楼梯参数自主检测方法 | |
CN111504191A (zh) | 一种基于三维激光扫描的航空零件自动快速测量方法 | |
CN104835153A (zh) | 基于稀疏表示的非刚性表面对齐方法 | |
CN111050282A (zh) | 一种多次模糊推理加权knn定位方法 | |
CN113587807A (zh) | 一种飞机壁板加工特征面的扫描路径生成方法 | |
CN111429492B (zh) | 一种基于局部不变形的飞机c型梁配准方法 | |
CN116204990A (zh) | 一种三维实测数据驱动的飞机大型骨架精准协调修配方法 | |
CN109712174B (zh) | 一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统 | |
Mu et al. | A point cloud registration-based calibration algorithm for robot offline programming automatic loading in aero-grinding applications | |
CN110942077A (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
CN105205859A (zh) | 一种基于三维栅格地图的环境特征的相似性度量方法 | |
CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 | |
Kang et al. | Point cloud smooth sampling and surface reconstruction based on moving least squares | |
CN111275748A (zh) | 动态环境下基于激光雷达的点云配准方法 |
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 |