CN112906603A - 基于点云数据的三维曲面监控方法、系统及可读介质 - Google Patents
基于点云数据的三维曲面监控方法、系统及可读介质 Download PDFInfo
- Publication number
- CN112906603A CN112906603A CN202110240205.7A CN202110240205A CN112906603A CN 112906603 A CN112906603 A CN 112906603A CN 202110240205 A CN202110240205 A CN 202110240205A CN 112906603 A CN112906603 A CN 112906603A
- Authority
- CN
- China
- Prior art keywords
- curved surface
- point cloud
- points
- sub
- point
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明提供了一种基于点云数据的三维曲面监控方法、系统及可读介质,包括:对三维表面进行测量,获得测量点的三维坐标数据;对测量噪点进行去除,并将曲面点云从测量点云中分离出来;通过曲面划分将三维曲面点云分割成若干平面子区域,计算平面子区域的小波包熵和法矢偏移角度;以曲面数模点云为参考,识别测量三维曲面点云的不合格子区域,对不合格子区域进行聚类,根据聚类结果定义三维曲面的质量特征参数;通过监控曲面质量特征参数实现对三维曲面制造过程的监控,并根据聚类结果识别三维曲面缺陷的位置。本发明可以应用于任意形状的三维曲面,能够准确监控三维曲面制造过程并检测制造过程失控状态下曲面缺陷的位置。
Description
技术领域
本发明涉及零件表面的制造过程监控,具体地,涉及一种基于点云数据的三维曲面监控方法、系统及可读介质。
背景技术
零件表面质量对产品性能非常重要,通过对表面质量特征进行监控可以为表面质量改善提供依据。目前关于表面监控的研究主要集中在平面,主要方法包括:1)图像监控,即通过图像采集系统实时可靠地获取与制造产品质量有关的重要信息并用于产品制造过程监控,现有基于图像监控的研究集中在通过空间控制图检测故障的位置/大小和通过统计监控方法快速检测故障两个方面。虽然图像监控方法能够检测图像中出现多个故障的情况,并且估计故障的大小、位置以及变化点,但是该类方法只适用于二维图像数据,难以扩展到三维曲面监控。2)轮廓监控,加工产品的质量通常与受几何公差约束的表面形状有关,通过统计质量监控可以快速检测与标称模式的不需要的偏差。这类方法通常通过空间信息对二维/三维表面的空间特征或轮廓进行建模,实现过程故障快速检测和故障原因准确识别,为过程改进提供诊断信息。但是大多数文献都侧重于统计轮廓监控,而对表面监控的研究却很少。
随着高清晰测量技术的发展,通过测量高密度点云数据可以反映整个表面轮廓,为表面质量监控提供了机会。基于这种测量的点云数据进行分析,可以提升三维曲面的监控性能,为产品质量控制提供更加丰富的信息。
Colosimo等在论文“From profile to surface monitoring:SPC forcylindricalsurfaces via Gaussian Processes”(《Journal of Quality Technology》2014年第2期,95-113页)中将轮廓监控方法推广到表面监控应用中,通过高斯过程模型对制造表面进行建模,并监控实际表面与阶段I中估计的目标模式的偏差。但是该方法仅适用于由参数模型表征的表面(例如圆柱形表面),而且模型是基于采样数据建立的,难以推广到基于高密度点云数据的不规则(非线性)曲面监控。
Wells等在论文“Statistical process monitoring approach for high-density point clouds”(《Journal of Intelligent Manufacturing》2013年第6期,1267-1279页)中提出了一种基于3D激光扫描仪获得的点云数据的SPC方法,通过Q-Q图将高密度点云数据转换为线性轮廓,并通过成熟的轮廓监控技术对曲面进行监控。该方法虽然可以处理基于点云数据的三维曲面监控问题,但是容易丢失曲面的空间相关性,无法检测缺陷在曲面上的位置。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种基于点云数据的三维曲面监控方法、系统及可读介质。
根据本发明提供的一种基于点云数据的三维曲面监控方法,包括如下步骤:
步骤1:表面数据测量;通过高清测量设备对三维表面进行测量,获表面高密度点云数据;
步骤2:曲面点云分离;对获得的点云数据中的噪点进行去除,提取曲面边界,从而将曲面点云分离出来;
步骤3:子区域特征计算;对曲面进行子区域划分,分别计算每个子区域的特征;
步骤4:曲面质量特征提取;以数模点云为参考,识别测量点云的不合格子区域,对不合格子区域进行聚类,根据聚类结果定义曲面的质量特征参数;以曲面数模的小波包熵和法矢偏移角度为参考,识别测量点云中超出界限的子区域;对超出界限的子区域进行聚类分析,根据聚类结果定义曲面的质量特征参数,从而实现曲面质量特征提取;
步骤5:曲面监控;通过监控曲面质量特征参数实现对曲面制造过程的监控,并根据聚类结果识别曲面缺陷的位置。
优选的,所述步骤2包括:
通过孤立点法和k近邻法,去除由表面反光和测量环境导致的噪点;在边界提取中,根据测量点的Z坐标值在曲面上和平面上存在大于预设阈值的差异特点,提取曲面边界,然后以该边界为限定区域,将曲面点云分离出来。
优选的,步骤2:曲面点云分离,首先通过孤立点法和K近邻法对于点云数据中的噪点进行去除;精加工抛光面反光产生的噪点表现出数量少且孤立的特点;由于高清测量设备在扫描过程中存在未采集到的点并标记为NAN,计算标记为NAN的相邻点之间非NAN点的数量;如果数量小于设定的阈值,则将这些非NAN点视为噪点并去除;K近邻法去除不明显的噪点;对于点云数据的一个点Pi,统计点Pi最近邻的K个点,即Pi1,Pi2...,PiK,并计算点Pi与这K个最近邻点的距离;考虑到最近邻点可能包含噪点或缺失点,K的取值通常为K≤4;曲面点云各点的K近邻距离符合高斯分布的3σ规律,但是噪点不满足高斯分布的3σ规律;σ是均方误差,其计算公式为:
然后通过曲面边界提取实现曲面点云数据分离;测量点的Z坐标值在曲面上和平面上存在较大差异:如果测量点位于曲面边界所在的平面上,则该点的Z坐标值近似于零;否则,则该点属于曲面上的点;类似地,如果点云中一行测量点都在曲面边界所在的平面上,则该行测量点的Z坐标平均值也近似为零;否则,该行测量点包含曲面上的点;点云中第k行测量点的Z坐标平均值Zkmean的计算公式为:
Zkmean=(∑Zkm)/nk
其中,Zkm表示点云中第k行的第m个点的Z坐标值,nk表示点云中第k行点的个数;每一行/列的边界点范围内的点为曲面上的点,边界点范围外的点为平面上的点;按照该规律遍历点云的全部行/列,即可实现平面点云和曲面点云的分离。
优选的,步骤3:子区域特征评;首先,将曲面分成M×N个子区域,M和N都是整数,每个子区域包含几十个点;然后,以小波包熵和法矢偏移角度为评价指标评价子区域的特征;小波包熵的计算是基于表面的小波包变换进行的,其计算公式为:
其中,{pi|i=1,2,…,m}是小波包各尺度的能量序列分布,m是小波包分解的尺度;
通过最小二乘法对子区域进行拟合,子区域最小二乘面的表达式为z=a1x+a2y+a3,可以得到子区域的法向矢量为(a1,a2,-1);法向矢量偏移角度是测量曲面子区域的法向矢量与数模曲面相同子区域的法向矢量之间的夹角,取其中的锐角作为子区域的偏移角度。
优选的,步骤4:以曲面数模点云为标准,根据小波包熵和法向量偏移角度来判断划分的子区域是否合格;如果曲面点云子区域的小波包熵与曲面模数点云中相同位置子区域的小波包熵存在较大差异,则曲面的子区域为不合格子区域;法向矢量偏移角度是指曲面点云子区域的法向矢量与数模点云中相同位置子区域的法向矢量的夹角;如果法向矢量偏移角度大于设定的阈值,则曲面子区域为不合格子区域;识别出曲面的不合格子区域以后,对不合格子区域进行聚类,根据不合格子区域的聚类结果,定义表示曲面的质量特性的质量特征参数,其计算公式为:
qc1=ki
qc2=max(Ni,clust)
其中,ki表示第i个曲面上不合格子区域的个数,如果qc1较大则表明曲面上的不合格子区域比较多,曲面制造过程可能失控;clust表示曲面上已识别出的不合格子区域的聚类个数,Ni,clust表示第i个曲面上的第j个聚类中不合格子区域的个数,j=1,2,…,clust,如果qc2较大则表明在曲面的局部区域存在较多不合格子区域聚集的情况,曲面制造过程可能失控;Sj为二进制变量,当第j个聚类中不合格子区域的个数大于sc时取1,否则取0,如果qc3较大则表明在曲面的多个局部区域存在不合格子区域聚集的情况,则曲面制造过程失控。
优选的,步骤5:通过单值控制图监控曲面的三个质量参数;各控制图的中心线CL,上控制限UCL和下控制限LCL的计算公式为:
其中,μ为均值,σ为标准差;如果出现失控情况,说明曲面的制造过程存在问题,失控状态下曲面的缺陷位置通过步骤4的聚类结果识别,需要对制造过程进行修正以确保曲面的质量;否则,应该保持曲面的制造过程。
本发明公开了一种基于点云数据的三维曲面监控系统,包括存储器和处理器,存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如所述的方法步骤。
本发明公开了一种计算机可读存储介质,其上存储有计算机程序,,所述的计算机程序被处理器执行时实现所述的方法步骤。
与现有技术相比,本发明具有如下的有益效果:
1.本发明直接提取三维曲面质量特征,无需建立三维曲面模型,具有广泛的适用性,解决了现有技术不能直接用于三维曲面监控的问题;
2.本发明基于不合格子区域的聚类结果定义三维曲面的质量特征,保留了三维曲面的空间相关性,为三维曲面的质量控制提供依据。
附图说明
通过阅读参照以下附图对非限制性实施例所做的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明提供的基于点云数据的三维曲面监控方法的方法流程图;
图2为子区域特征评价;
图3为高清测量设备对发动机缸盖表面的测量过程;
图4为边界提取后的缸盖燃烧室曲面点云数据;
图5为缸盖燃烧室曲面有效平面子区域分布;
图6为缸盖燃烧室曲面上超出界限的子区域分布;
图7为缸盖燃烧室曲面上超出界限的子区域的聚类结果;
图8为此方法在本实例中的监控控制图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
请参阅图1,基于点云数据的三维曲面监控方法,包括以下步骤:
步骤1:通过高清测量设备对三维表面进行测量,获表面高密度点云数据,得到每个测量点的坐标值。
步骤2:曲面点云分离,具体为,首先通过孤立点法和K近邻法对于点云数据中的噪点进行去除。精加工抛光面反光产生的噪点表现出数量少且孤立的特点。由于高清测量设备在扫描过程中存在未采集到的点并标记为NAN,计算标记为NAN的相邻点之间非NAN点的数量。如果数量小于设定的阈值(一般为15,认为15个点为一组孤立点),则将这些非NAN点视为噪点并去除。
K近邻法去除不明显的噪点。对于点云数据的一个点Pi,统计点Pi最近邻的K个点(Pi1,Pi2...,PiK)并计算点Pi与这K个最近邻点的距离。考虑到最近邻点可能包含噪点或缺失点,K的取值通常为K≤4。曲面点云各点的K近邻距离符合高斯分布的3σ规律,但是噪点不满足高斯分布的3σ规律。σ是均方误差,其计算公式为:
其中,Num是曲面点云数据点的数量。点云中每个点的平均K最近邻距离(dist)通过计算得到。将[dist-3σ,dist+3σ]设置为标准区间,K近邻距离在标准区间范围内的点为离群点并去除这些离群点。
然后通过曲面边界提取实现曲面点云数据分离。测量点的Z坐标值在曲面上和平面上存在较大差异:如果测量点位于曲面边界所在的平面上,则该点的Z坐标值近似于零;否则,则该点属于曲面上的点。类似地,如果点云中一行测量点都在曲面边界所在的平面上,则该行测量点的Z坐标平均值也近似为零;否则,该行测量点包含曲面上的点。点云中第k行测量点的Z坐标平均值(Zkmean)的计算公式为:
Zkmean=(∑Zkm)/nk
其中,Zkm表示点云中第k行的第m个点的Z坐标值,nk表示点云中第k行点的个数。每一行/列的边界点范围内的点为曲面上的点,边界点范围外的点为平面上的点。按照该规律遍历点云的全部行/列,即可实现平面点云和曲面点云的分离。
步骤3:子区域特征评价,如图2所示。首先,将曲面分成M×N(M和N都是整数)个子区域,每个子区域包含几十个点。然后,以小波包熵和法矢偏移角度为评价指标评价子区域的特征。小波包熵的计算是基于表面的小波包变换进行的,其计算公式为:
其中,{pi|i=1,2,…,m}是小波包各尺度的能量序列分布,m是小波包分解的尺度。
通过最小二乘法对子区域进行拟合,子区域最小二乘面的表达式为z=a1x+a2y+a3,可以得到子区域的法向矢量为(a1,a2,-1)。法向矢量偏移角度是测量曲面子区域的法向矢量与数模曲面相同子区域的法向矢量之间的夹角,取其中的锐角作为子区域的偏移角度。
步骤4:以曲面数模点云为标准,根据小波包熵和法向量偏移角度来判断划分的子区域是否合格。如果曲面点云子区域的小波包熵与曲面模数点云中相同位置子区域的小波包熵存在较大差异,则曲面的子区域为不合格子区域。法向矢量偏移角度是指曲面点云子区域的法向矢量与数模点云中相同位置子区域的法向矢量的夹角。如果法向矢量偏移角度大于设定的阈值,则曲面子区域为不合格子区域。
识别出曲面的不合格子区域以后,对不合格子区域进行聚类,根据不合格子区域的聚类结果,定义表示曲面的质量特性的质量特征参数,其计算公式为:
qc1=ki
qc2=max(Ni,clust)
其中,ki表示第i个曲面上不合格子区域的个数,如果qc1较大则表明曲面上的不合格子区域比较多,曲面制造过程可能失控;clust表示曲面上已识别出的不合格子区域的聚类个数,Ni,clust表示第i个曲面上的第j(j=1,2,…,clust)个聚类中不合格子区域的个数,如果qc2较大则表明在曲面的局部区域存在较多不合格子区域聚集的情况,曲面制造过程可能失控;Sj为二进制变量,当第j个聚类中不合格子区域的个数大于sc时取1,否则取0,如果qc3较大则表明在曲面的多个局部区域存在不合格子区域聚集的情况,曲面制造过程可能失控。
步骤5:通过单值控制图监控曲面的三个质量参数。各控制图的中心线(CL),上控制限(UCL)和下控制限(LCL)的计算公式为:
其中,μ为均值,σ为标准差。如果出现失控情况,说明曲面的制造过程存在问题,失控状态下曲面的缺陷位置通过步骤4的聚类结果识别,需要对制造过程进行修正(例如模具维护)以确保曲面的质量。否则,应该保持曲面的制造过程。
具体地,下面以某汽车发动机厂生产的某型号直列四缸发动机缸盖为例,结合附图对本发明的具体实施做进一步描述。
本实施案例中以缸盖表面监控为例说明实施过程。
如图1所示,一种基于点云数据的三维曲面监控方法,包括下述步骤:
步骤1:使用高清测设备对发动机缸盖表面进行连续测量,如图3所示,得到缸盖表面的高密度点云数据。
步骤2:曲面点云分离,通过孤立点法K近邻法去除点云噪点,通过曲面边界提取实现曲面点云分离,曲面点云数据如图4所示。
步骤3:子区域特征评价,通过曲面划分将燃烧室曲面分割为若干个平面子区域,从划分的子区域中剔除无效子区域(包含少于三个点的子区域为无效子区域),得到有效子区域的分布如图5所示。计算每个子区域的小波包熵和法矢偏移角度。
步骤4:以缸盖燃烧室数模的小波包熵和法矢偏移角度为参考,识别缸盖燃烧室测量点云中超出界限的子区域,如图6所示。对超出界限的子区域进行聚类分析,如图7所示。根据聚类结果定义曲面的3个质量特征参数,从而实现曲面质量特征提取。
步骤5:通过单值控制图对这3个质量特征参数进行监控,根据是否超出控制图界限来判断缸盖燃烧室制造过程是否失控,如图8所示。从图8可以看出,第490个曲面的质量特征参数qc1超出控制界限,此时曲面的制造过程出现失控情况,缺陷位置可以根据聚类结果在图6中找到。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (8)
1.一种基于点云数据的三维曲面监控方法,其特征在于,包括以下步骤:
步骤1:表面数据测量;通过高清测量设备对三维表面进行测量,获表面高密度点云数据;
步骤2:曲面点云分离;对获得的点云数据中的噪点进行去除,提取曲面边界,从而将曲面点云分离出来;
步骤3:子区域特征计算;对曲面进行子区域划分,分别计算每个子区域的特征;
步骤4:曲面质量特征提取;以数模点云为参考,识别测量点云的不合格子区域,对不合格子区域进行聚类,根据聚类结果定义曲面的质量特征参数;以曲面数模的小波包熵和法矢偏移角度为参考,识别测量点云中超出界限的子区域;对超出界限的子区域进行聚类分析,根据聚类结果定义曲面的质量特征参数,从而实现曲面质量特征提取;
步骤5:曲面监控;通过监控曲面质量特征参数实现对曲面制造过程的监控,并根据聚类结果识别曲面缺陷的位置。
2.根据权利要求1所述的基于点云数据的三维曲面监控方法,其特征在于,所述步骤2包括:
通过孤立点法和k近邻法,去除由表面反光和测量环境导致的噪点;在边界提取中,根据测量点的Z坐标值在曲面上和平面上存在大于预设阈值的差异特点,提取曲面边界,然后以该边界为限定区域,将曲面点云分离出来。
3.根据权利要求2所述的基于点云数据的三维曲面监控方法,其特征在于,步骤2:曲面点云分离,首先通过孤立点法和K近邻法对于点云数据中的噪点进行去除;精加工抛光面反光产生的噪点表现出数量少且孤立的特点;由于高清测量设备在扫描过程中存在未采集到的点并标记为NAN,计算标记为NAN的相邻点之间非NAN点的数量;如果数量小于设定的阈值,则将这些非NAN点视为噪点并去除;K近邻法去除不明显的噪点;对于点云数据的一个点Pi,统计点Pi最近邻的K个点,即Pi1,Pi2...,PiK,并计算点Pi与这K个最近邻点的距离;考虑到最近邻点可能包含噪点或缺失点,K的取值通常为K≤4;曲面点云各点的K近邻距离符合高斯分布的3σ规律,但是噪点不满足高斯分布的3σ规律;σ是均方误差,其计算公式为:
然后通过曲面边界提取实现曲面点云数据分离;测量点的Z坐标值在曲面上和平面上存在较大差异:如果测量点位于曲面边界所在的平面上,则该点的Z坐标值近似于零;否则,则该点属于曲面上的点;类似地,如果点云中一行测量点都在曲面边界所在的平面上,则该行测量点的Z坐标平均值也近似为零;否则,该行测量点包含曲面上的点;点云中第k行测量点的Z坐标平均值Zkmean的计算公式为:
Zkmean=(∑Zkm)/nk
其中,Zkm表示点云中第k行的第m个点的Z坐标值,nk表示点云中第k行点的个数;每一行/列的边界点范围内的点为曲面上的点,边界点范围外的点为平面上的点;按照该规律遍历点云的全部行/列,即可实现平面点云和曲面点云的分离。
4.根据权利要求3所述的基于点云数据的三维曲面监控方法,其特征在于,
步骤3:子区域特征评;首先,将曲面分成M×N个子区域,M和N都是整数,每个子区域包含几十个点;然后,以小波包熵和法矢偏移角度为评价指标评价子区域的特征;小波包熵的计算是基于表面的小波包变换进行的,其计算公式为:
其中,{pi|i=1,2,…,m}是小波包各尺度的能量序列分布,m是小波包分解的尺度;
通过最小二乘法对子区域进行拟合,子区域最小二乘面的表达式为z=a1x+a2y+a3,可以得到子区域的法向矢量为(a1,a2,-1);法向矢量偏移角度是测量曲面子区域的法向矢量与数模曲面相同子区域的法向矢量之间的夹角,取其中的锐角作为子区域的偏移角度。
5.根据权利要求4所述的基于点云数据的三维曲面监控方法,其特征在于,步骤4:以曲面数模点云为标准,根据小波包熵和法向量偏移角度来判断划分的子区域是否合格;如果曲面点云子区域的小波包熵与曲面模数点云中相同位置子区域的小波包熵存在较大差异,则曲面的子区域为不合格子区域;法向矢量偏移角度是指曲面点云子区域的法向矢量与数模点云中相同位置子区域的法向矢量的夹角;如果法向矢量偏移角度大于设定的阈值,则曲面子区域为不合格子区域;识别出曲面的不合格子区域以后,对不合格子区域进行聚类,根据不合格子区域的聚类结果,定义表示曲面的质量特性的质量特征参数,其计算公式为:
qc1=ki
qc2=max(Ni,clust)
其中,ki表示第i个曲面上不合格子区域的个数,如果qc1较大则表明曲面上的不合格子区域比较多,曲面制造过程可能失控;clust表示曲面上已识别出的不合格子区域的聚类个数,Ni,clust表示第i个曲面上的第j个聚类中不合格子区域的个数,j=1,2,…,clust,如果qc2较大则表明在曲面的局部区域存在较多不合格子区域聚集的情况,曲面制造过程可能失控;Sj为二进制变量,当第j个聚类中不合格子区域的个数大于sc时取1,否则取0,如果qc3较大则表明在曲面的多个局部区域存在不合格子区域聚集的情况,则曲面制造过程失控。
7.一种基于点云数据的三维曲面监控系统,包括存储器和处理器,存储器存储有计算机程序,其特征在于;所述处理器执行所述计算机程序时实现如权利要求1-6任一所述的方法步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于:所述的计算机程序被处理器执行时实现如权利要求1-6任一所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240205.7A CN112906603A (zh) | 2021-03-04 | 2021-03-04 | 基于点云数据的三维曲面监控方法、系统及可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110240205.7A CN112906603A (zh) | 2021-03-04 | 2021-03-04 | 基于点云数据的三维曲面监控方法、系统及可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112906603A true CN112906603A (zh) | 2021-06-04 |
Family
ID=76107622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110240205.7A Pending CN112906603A (zh) | 2021-03-04 | 2021-03-04 | 基于点云数据的三维曲面监控方法、系统及可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906603A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114038362A (zh) * | 2021-11-03 | 2022-02-11 | 合肥维信诺科技有限公司 | 曲面显示屏的残像检测方法、装置及系统 |
CN114581742A (zh) * | 2021-10-26 | 2022-06-03 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、系统及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600617A (zh) * | 2016-12-29 | 2017-04-26 | 中科宇图科技股份有限公司 | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 |
CN109345523A (zh) * | 2018-09-21 | 2019-02-15 | 中国科学院苏州生物医学工程技术研究所 | 表面缺陷检测和三维建模方法 |
-
2021
- 2021-03-04 CN CN202110240205.7A patent/CN112906603A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600617A (zh) * | 2016-12-29 | 2017-04-26 | 中科宇图科技股份有限公司 | 基于曲率从Lidar点云数据提取建筑物轮廓线的方法 |
CN109345523A (zh) * | 2018-09-21 | 2019-02-15 | 中国科学院苏州生物医学工程技术研究所 | 表面缺陷检测和三维建模方法 |
Non-Patent Citations (2)
Title |
---|
DELIN HUANG等: ""Detection and monitoring of defects on three-dimensional curved surfaces based on high-density point cloud data"", 《PRECISION ENGINEERING》 * |
李峰等主编: "《机载LiDAR系统原理与点云处理方法》", 31 August 2017, 北京:煤炭工业出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581742A (zh) * | 2021-10-26 | 2022-06-03 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、系统及介质 |
CN114581742B (zh) * | 2021-10-26 | 2023-01-24 | 中科慧远视觉技术(北京)有限公司 | 基于线性度的连通域聚类融合方法、装置、系统及介质 |
CN114038362A (zh) * | 2021-11-03 | 2022-02-11 | 合肥维信诺科技有限公司 | 曲面显示屏的残像检测方法、装置及系统 |
CN114038362B (zh) * | 2021-11-03 | 2023-11-14 | 合肥维信诺科技有限公司 | 曲面显示屏的残像检测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111680542B (zh) | 基于多尺度特征提取和Pointnet神经网络的钢卷点云识别与分类方法 | |
Wang et al. | iVAT and aVAT: enhanced visual analysis for cluster tendency assessment | |
Desforges et al. | Applications of probability density estimation to the detection of abnormal conditions in engineering | |
CN112906603A (zh) | 基于点云数据的三维曲面监控方法、系统及可读介质 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN113781585B (zh) | 一种增材制造零件表面缺陷在线检测方法及系统 | |
CN112990314B (zh) | 基于改进孤立森林算法的高光谱图像异常检测方法及装置 | |
CN117173187B (zh) | 一种阀门故障智能检测系统 | |
CN113838054A (zh) | 基于人工智能的机械零件表面损伤检测方法 | |
CN112528781B (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
CN117576100B (zh) | 一种fpc连接器表面缺陷分级检测评价方法 | |
CN115908751A (zh) | 一种基于三维点云的飞行器捕获与识别方法 | |
CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
CN112950594B (zh) | 产品表面缺陷的检测方法、设备及存储介质 | |
CN116740053B (zh) | 一种锻造加工智能生产线的管理系统 | |
CN115741218B (zh) | 基于加工画像分析的机床故障预警方法及系统 | |
Shuai et al. | A ship target automatic recognition method for sub-meter remote sensing images | |
CN112465073B (zh) | 一种基于距离的数值分布异常检测方法及检测系统 | |
CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN111123233B (zh) | 一种基于相关性的海杂波纹理估计方法 | |
CN115761211A (zh) | 一种基于rgb图像与热成像耦合的石化企业泵房设备温度监测方法及装置 | |
CN110781963A (zh) | 基于K-means聚类的空中目标分群方法 | |
CN117671393B (zh) | 一种电气机械设备的故障监测方法及系统 | |
CN115294305A (zh) | 一种点云数据的三维曲面监控方法 | |
CN117078679B (zh) | 一种基于机器视觉的散热风扇自动组装线生产检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210604 |
|
RJ01 | Rejection of invention patent application after publication |