CN113240637A - 一种基于机器学习的墙面平整度信息化检测方法和系统 - Google Patents
一种基于机器学习的墙面平整度信息化检测方法和系统 Download PDFInfo
- Publication number
- CN113240637A CN113240637A CN202110510648.3A CN202110510648A CN113240637A CN 113240637 A CN113240637 A CN 113240637A CN 202110510648 A CN202110510648 A CN 202110510648A CN 113240637 A CN113240637 A CN 113240637A
- Authority
- CN
- China
- Prior art keywords
- wall surface
- point cloud
- data
- guiding rule
- cloud data
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
-
- 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
- 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
- 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
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/04—Architectural design, interior design
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Length Measuring Devices With Unspecified Measuring Means (AREA)
Abstract
本发明公开了一种基于机器学习的墙面平整度信息化检测方法和系统,包括:利用靠尺测量待测墙面不平整度,并收集靠尺位置数据;采集包含待测墙面的三维点云数据并进行配准、分割得到所需墙面点云数据,对墙面点云数据进行拟合,建立新的三维坐标系;依据所收集实际测量信息,得到靠尺区域墙面点云数据的剖面数据点;初步确定靠尺线方程并进行平整度计算,以实测所得及点云数据计算所得平整度为训练样本,利用机器学习优化参数进而调整靠尺线方程,确定靠尺线区域墙面最大不平整度值。本发明将实测结果和通过点云数据计算所得结果进行比较,利用机器学习进行优化,得到最优靠尺线方程,进而提高利用点云数据进行墙面平整度检测的准确性。
Description
技术领域
本发明涉及墙面平整度检测领域,尤其涉及一种基于机器学习的墙面平整度信息化检测方法和系统。
背景技术
墙面平整度作为建筑质量管理及验收的重要环节,直接关系到建筑质量评估及后期墙面工程表面施工质量,因此做好墙面平整度的检测很有必要。
传统墙面平整度检测方法为人工按照规范采用2000mm长靠尺进行检测,依据人工肉眼观察,结果具有主观性,且对于层高较高的墙面难以测量。为提高检测准确度及测量效率,实现对较高及较复杂墙面的检测,本发明提出一种采用三维扫描仪辅助检测的一种基于机器学习的墙面平整度信息化检测方法和系统。
发明内容
本发明目的在于针对现有技术的不足,提出一种利用三维扫描仪辅助进行墙面平整度检测的信息化方法和系统。
本发明的目的是通过以下技术方案来实现的:一种基于机器学习的墙面不平整度信息化检测方法,包括:
步骤1,利用靠尺测量待测墙面不平整度,收集靠尺位置数据及所测区域不平整度数据;
步骤2,利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
步骤3,对预处理后的三维点云数据进行配准、分割,得到所需墙面点云数据,对墙面点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
步骤4,依据所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
步骤5,模拟塞尺使用方法,初步确定靠尺线方程并进行不平整度的计算,以步骤1实测所得不平整度及点云数据计算所得不平整度为训练样本,利用机器学习优化参数,调整靠尺线方程,结合靠尺区域下墙面剖面数据点确定靠尺区域墙面最大不平整度值。
进一步地,步骤1具体为:利用靠尺工具,按照工程实际做法测量墙面不平整度值,记录靠尺位置信息及每处测量位置最大不平整度数据。
进一步地,步骤2中的预处理方法具体为:对点云数据中所有点的邻域进行统计分析,计算每个点到相邻5个点的距离,得到全部距离分布的均值(μ)与标准差(σ),对与相邻5个点的距离平均值大于t=μ+2σ的点进行剔除,得到过滤后的点云数据。
进一步地,所述步骤3的具体方法为:
步骤301,对于步骤2得到的过滤后的不同测站点点云数据,自动识别其共同平面,将不同测站点数据通过矩阵坐标变换放入同一坐标系中实现配准,得到包含待测墙面的完整点云数据。
步骤302,通过对包含待测墙面的完整点云数据中边缘进行识别,从所有点云数据中分割得到待测墙面点云数据。
步骤303,采用最小二乘法,均匀取样部分点云数据,找到使所有点到平面距离平方和最小的平面,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系。
进一步地,所述步骤4中截取靠尺所在区域点云数据的具体方法为:依据所收集实测得到的靠尺位置信息,在墙面点云数据中,截取靠尺实际测量区域墙面点云数据。
进一步地,所述步骤4中对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点的具体做法为:依据靠尺与墙面实际接触面积,在待测墙面平面上,沿靠尺长度方向取2mm,宽度方向取25mm,在坐标系内取该区域内所有数据点在拟合平面法线方向上坐标平均值作为该区域坐标代表值,沿靠尺长度方向形成2mm间距,总长2000mm的靠尺区域下墙面剖面数据点。
进一步地,所述步骤5的具体做法为:
步骤501,根据步骤4得到的靠尺区域下墙面剖面数据点,模拟靠尺实际使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程;
步骤502,依据所得靠尺区域下墙面剖面数据点及靠尺线方程,得到靠尺区域内墙面最大不平整度;
步骤503,以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,利用机器学习进行训练,优化参数,得到最优靠尺线方程。
步骤504,利用所得最优靠尺线方程与步骤4所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺线区域不平整度值取最大值作为墙面不平整度。
进一步地,所述步骤502的具体做法为:以靠尺区域下墙面剖面数据点每相邻六点为一组,计算每组分别距离靠尺线的距离,取每组中六点距离中的最小值作为该组距离靠尺线距离,从全部组距靠尺线距离中取最大值作为靠尺线区域墙面不平整度值。
进一步地,所述步骤503的具体做法为:以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习进行训练,优化靠尺线方程参数,得到最优靠尺线方程。
本发明还提供了一种基于机器学习的墙面不平整度信息化检测系统,包括:
数据采集模块,其用于利用靠尺测量待测墙面不平整度,收集靠尺位置及所测不平整度数据;
数据预处理模块,其用于利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
墙面数据处理模块,其用于对数据预处理模块预处理后的点云数据进行配准、分割,得到待测墙面点云数据,利用最小二乘法对点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
靠尺区域点云数据获取模块,依据数据采集模块所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
靠尺区域墙面不平整度计算模块,模拟靠尺使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程,得到靠尺区域内墙面最大不平整度;
靠尺位姿调整模块,以数据采集模块实测所得不平整度值与点云数据计算所得不平整度值作为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习自动调整参数,得到最优靠尺线方程。
平整度计算输出模块,利用靠尺位姿调整模块所得最优靠尺线方程与靠尺区域点云数据获取模块所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺区域不平整度值取最大值作为墙面不平整度。
本发明的有益效果:
(1)采用三维扫描仪获取墙面点云数据,减少人工干预,提高了数据获取精度及便捷性,对墙面特征进行了信息化表现。
(2)采用明显优于商业软件的基准面确定方法,利用最小二乘法找到对于所有墙面点最优的相对平面,使得该平面具有充分的代表性及理论意义。
(3)模拟塞尺使用方法,考虑塞尺10mm宽度影响,选取每相邻六点中与靠尺线距离的最小值作为该六点距离的代表值,而不是单一选择距离靠尺线最远的一点,最后以全部距离最大值作为靠尺区域墙面不平整度的值。
(4)对三维点云数据计算所得平整度数据与实测数据进行对比,采用机器学习算法对靠尺线方程参数进行优化,得到最优靠尺线方程。
附图说明
图1是本发明所述的一种基于机器学习的墙面平整度信息化检测方法和系统的流程示意图;
图2是靠尺及塞尺实际测量示意图;
图3是三维扫描仪采集得到的三维点云数据;
图4是墙面点云数据坐标系选取示意图;
图5是靠尺区域墙面剖面数据点及初步靠尺线确定示意图;
图6是墙面剖面数据点距靠尺线距离确定示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于机器学习的墙面平整度信息化检测方法和系统,能够精细地检测出墙面平整度的施工质量,提高检测效率和水平。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1,如图1所示,本实施例公开了一种基于机器学习的墙面平整度信息化检测方法,具体包括:
步骤1,利用靠尺测量待测墙面不平整度,收集靠尺位置数据及所测区域不平整度数据;
具体的,如图2所示,利用靠尺测量待测墙面不平整度时,按照规范要求使用靠尺及附属塞尺工具进行测量,并对靠尺所在位置信息和测量所得不平整度进行记录。
步骤2,利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
具体的,利用三维扫描仪在多测站点采集包含待测墙面的三维点云数据,测站点设置考虑三维扫描仪可作用有效范围,测站点分布综合考虑测量精度和效率,采集所得数据精度控制为小于2mm,采集得到的项目点云数据如图3所示。
进一步的,对点云数据中所有点的邻域进行统计分析,计算每个点到相邻5个点的距离,经过统计分析得到全部距离分布的均值(μ)与标准差(σ),针对某点,若其与相邻5个点的距离平均值大于t=μ+2σ,则将其剔除,剩下的点予以保留,得到过滤后的点云数据。
步骤3,对预处理后的三维点云数据进行配准、分割,得到所需墙面点云数据,对墙面点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
进一步的,步骤3具体包括:
步骤301,对于步骤2得到的过滤后的不同测站点点云数据,自动识别其共同平面,将不同测站点数据通过矩阵坐标变换放入同一坐标系中实现配准,得到包含待测墙面的完整点云数据。
具体的,通过识别不同测站点所得点云数据共同特征,将多组数据通过矩阵坐标变换的方法整合入同一个坐标系中,便于后期处理数据。
步骤302,通过对包含待测墙面的完整点云数据中边缘进行识别,从所有点云数据中分割得到待测墙面点云数据。
具体的,对所得点云数据中墙面与墙面,墙面与楼板,墙面与地板等之间的边缘进行识别,依据所识别边缘将点云数据分割得到单一墙面数据。
步骤303,采用最小二乘法,均匀取样部分点云数据,找到使所有点到平面距离平方和最小的平面,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系。
具体的,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系,拟合平面上的两条正交坐标轴具体位置如图4所示,X轴沿靠尺长度方向,Y轴在拟合平面上垂直于靠尺长度方向,Z轴为拟合平面的法线方向,Z轴用以衡量墙面点到基准面的距离,以此为基准建立三维坐标系。
步骤4,依据所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
具体的,依据所收集实测得到的靠尺位置信息,在墙面点云数据中,截取靠尺实际测量区域墙面点云数据。
进一步的,针对每条靠尺线建立所述步骤303中的坐标系,坐标系原点为靠尺区域端点。
进一步的,所述步骤4中对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点的具体做法为:依据靠尺与墙面实际接触面积,在待测墙面平面上,沿靠尺长度方向(X轴)取2mm,宽度方向(Y轴)取25mm,在坐标系内取该区域内所有数据点在拟合平面法线方向上(Z轴)坐标平均值作为该区域坐标代表值,沿靠尺长度方向形成2mm间距,总长2000mm的靠尺区域下墙面剖面数据点。
进一步的,最后得到的数据为,横坐标为沿靠尺长度方向(X轴),每2mm一个数据点,纵坐标(Z轴)为靠尺区域点距基准面距离平均值的一系列数据。
步骤5,模拟塞尺使用方法,初步确定靠尺线方程并进行不平整度的计算,以步骤1实测所得不平整度及点云数据计算所得不平整度为训练样本,利用机器学习优化参数,调整靠尺线方程,结合靠尺区域下墙面剖面数据点确定靠尺区域墙面最大不平整度值。
进一步的,步骤5具体包括:
步骤501,根据步骤4得到的靠尺区域下墙面剖面数据点,模拟靠尺实际使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程;
具体的,靠尺区域下墙面剖面数据点及靠尺线确定示意图如图5所示,图5X轴为靠尺长度方向,Z轴为墙面拟合平面法线方向(如图4),单位均为mm,数据点为步骤4得到,靠尺线选取使得数据点位于靠尺线一侧,如图所示。
步骤502,依据所得靠尺区域下墙面剖面数据点及靠尺线方程,得到靠尺区域内墙面最大不平整度;
进一步的,所述步骤502的具体做法为:
以靠尺区域下墙面剖面数据点每相邻六点(即10mm内点)为一组,计算每组分别距离靠尺线的距离,取每组中六点距离中的最小值作为该组距离靠尺线距离,从全部组距靠尺线距离中取最大值作为靠尺线区域墙面不平整度值;
具体的,如图6所示,图6坐标轴设立方法同图5,图中a1-a6、b1-b6为墙面剖面数据点距靠尺线的距离,a1-a6中取a6,b1-b6中取b5作为该组六点距靠尺线距离代表值,a6、b5……中选取最大值作为该靠尺区域墙面不平整度值。
步骤503,以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,利用机器学习进行训练,优化参数,得到最优靠尺线方程。
进一步的,所述步骤503的具体做法为:
以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习进行训练,优化靠尺线方程参数,得到最优靠尺线方程。
步骤504,利用所得最优靠尺线方程与步骤4所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺线区域不平整度值取最大值作为墙面不平整度。
实施例2,本发明还提供了一种基于机器学习的墙面平整度信息化检测系统,包括数据采集模块、数据预处理模块、墙面数据处理模块、靠尺区域点云数据获取模块、靠尺区域墙面不平整度计算模块、靠尺位姿调整模块、平整度计算输出模块。
数据采集模块用于利用靠尺测量待测墙面不平整度,收集靠尺位置及所测不平整度数据;
数据预处理模块用于利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
进一步的,数据预处理模块具体为:利用三维扫描仪采集得到包含待测墙面的三维点云数据后,对点云数据中所有点的邻域进行统计分析,计算每个点到相邻5个点的距离,得到全部距离分布的均值(μ)与标准差(σ),对与相邻5个点的距离平均值大于t=μ+2σ的点进行剔除,得到过滤后的点云数据。
墙面数据处理模块用于对数据预处理模块预处理后的点云数据进行配准、分割,得到待测墙面点云数据,利用最小二乘法对点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
进一步的,对于数据预处理模块得到的过滤后的不同测站点点云数据,自动识别其共同平面,将不同测站点数据通过矩阵坐标变换放入同一坐标系中实现配准,得到包含待测墙面的完整点云数据。通过对包含待测墙面的完整点云数据中边缘进行识别,从所有点云数据中分割得到待测墙面点云数据。采用最小二乘法,均匀取样部分点云数据,找到使所有点到平面距离平方和最小的平面,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系。
靠尺区域点云数据获取模块用于依据数据采集模块所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
进一步的,所述靠尺区域点云数据获取模块具体为,针对每条靠尺建立墙面数据处理模块所述三维坐标系,基准面上的两条坐标轴一条沿靠尺长度方向,一条垂直于靠尺长度方向,原点为靠尺区域端点,Z轴为墙面拟合平面法线方向。依据靠尺与墙面实际接触面积,在待测墙面平面上,沿靠尺长度方向取2mm,宽度方向取25mm,在坐标系内取该区域内所有数据点在拟合平面法线方向上坐标平均值作为该区域坐标代表值,沿靠尺长度方向形成2mm间距,总长2000mm的靠尺区域下墙面剖面数据点。
靠尺区域墙面不平整度计算模块用于模拟靠尺使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程,得到靠尺区域内墙面最大不平整度;
进一步的,所述靠尺区域墙面不平整度计算模块具体为,以靠尺区域下墙面剖面数据点每相邻六点为一组,计算每组分别距离靠尺线的距离,取每组中六点距离中的最小值作为该组距离靠尺线距离,从全部组距靠尺线距离中取最大值作为靠尺线区域墙面不平整度值。
靠尺位姿确定模块用于以数据采集模块实测所得不平整度值与点云数据计算所得不平整度值作为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习自动调整参数,得到最优靠尺线方程。
进一步的,所述靠尺位姿确定模块具体为,以数据采集模块实测所得不平整度值及点云数据计算所得不平整度值为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习进行训练,优化靠尺线方程参数,得到最优靠尺线方程。
平整度计算输出模块用于利用靠尺位姿调整模块所得最优靠尺线方程与靠尺区域点云数据获取模块所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺区域不平整度值取最大值作为墙面不平整度。
上述实施例用来解释说明本发明,而不是对本发明进行限制,在本发明的精神和权利要求的保护范围内,对本发明作出的任何修改和改变,都落入本发明的保护范围。
Claims (10)
1.一种基于机器学习的墙面不平整度信息化检测方法,其特征在于,包括:
步骤1,利用靠尺测量待测墙面不平整度,收集靠尺位置数据及所测区域不平整度数据;
步骤2,利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
步骤3,对预处理后的三维点云数据进行配准、分割,得到所需墙面点云数据,对墙面点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
步骤4,依据所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
步骤5,模拟塞尺使用方法,初步确定靠尺线方程并进行不平整度的计算,以步骤1实测所得不平整度及点云数据计算所得不平整度为训练样本,利用机器学习优化参数,调整靠尺线方程,结合靠尺区域下墙面剖面数据点确定靠尺区域墙面最大不平整度值。
2.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,步骤1具体为:利用靠尺工具,按照工程实际做法测量墙面不平整度值,记录靠尺位置信息及每处测量位置最大不平整度数据。
3.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,步骤2中的预处理方法具体为:对点云数据中所有点的邻域进行统计分析,计算每个点到相邻5个点的距离,得到全部距离分布的均值(μ)与标准差(σ),对与相邻5个点的距离平均值大于t=μ+2σ的点进行剔除,得到过滤后的点云数据。
4.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤3的具体方法为:
步骤301,对于步骤2得到的过滤后的不同测站点点云数据,自动识别其共同平面,将不同测站点数据通过矩阵坐标变换放入同一坐标系中实现配准,得到包含待测墙面的完整点云数据。
步骤302,通过对包含待测墙面的完整点云数据中边缘进行识别,从所有点云数据中分割得到待测墙面点云数据。
步骤303,采用最小二乘法,均匀取样部分点云数据,找到使所有点到平面距离平方和最小的平面,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系。
5.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤4中截取靠尺所在区域点云数据的具体方法为:依据所收集实测得到的靠尺位置信息,在墙面点云数据中,截取靠尺实际测量区域墙面点云数据。
6.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤4中对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点的具体做法为:依据靠尺与墙面实际接触面积,在待测墙面平面上,沿靠尺长度方向取2mm,宽度方向取25mm,在坐标系内取该区域内所有数据点在拟合平面法线方向上坐标平均值作为该区域坐标代表值,沿靠尺长度方向形成2mm间距,总长2000mm的靠尺区域下墙面剖面数据点。
7.如权利要求1所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤5的具体做法为:
步骤501,根据步骤4得到的靠尺区域下墙面剖面数据点,模拟靠尺实际使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程;
步骤502,依据所得靠尺区域下墙面剖面数据点及靠尺线方程,得到靠尺区域内墙面最大不平整度;
步骤503,以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,利用机器学习进行训练,优化参数,得到最优靠尺线方程。
步骤504,利用所得最优靠尺线方程与步骤4所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺线区域不平整度值取最大值作为墙面不平整度。
8.如权利要求7所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤502的具体做法为:以靠尺区域下墙面剖面数据点每相邻六点为一组,计算每组分别距离靠尺线的距离,取每组中六点距离中的最小值作为该组距离靠尺线距离,从全部组距靠尺线距离中取最大值作为靠尺线区域墙面不平整度值。
9.如权利要求7所述的一种基于机器学习的墙面平整度信息化检测方法,其特征在于,所述步骤503的具体做法为:以步骤1实测所得不平整度值及点云数据计算所得不平整度值为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习进行训练,优化靠尺线方程参数,得到最优靠尺线方程。
10.一种基于机器学习的墙面不平整度信息化检测系统,其特征在于,包括:
数据采集模块,其用于利用靠尺测量待测墙面不平整度,收集靠尺位置及所测不平整度数据;
数据预处理模块,其用于利用三维扫描仪设置多个测站点采集包含完整待测墙面的三维点云数据,并对这些数据进行预处理,剔除不合理分布点;
墙面数据处理模块,其用于对数据预处理模块预处理后的点云数据进行配准、分割,得到待测墙面点云数据,利用最小二乘法对点云数据进行拟合,以拟合后的墙面平面上两条正交坐标轴及该平面法线方向作为基准,建立三维坐标系;
靠尺区域点云数据获取模块,依据数据采集模块所收集实测得到的靠尺位置信息,截取靠尺所在区域点云数据,并对数据进行处理得到靠尺区域下墙面点云数据的剖面数据点;
靠尺区域墙面不平整度计算模块,模拟靠尺使用方法,使得墙面剖面数据点位于靠尺线一侧,初步确定靠尺线方程,得到靠尺区域内墙面最大不平整度;
靠尺位姿调整模块,以数据采集模块实测所得不平整度值与点云数据计算所得不平整度值作为训练样本,以全部两组数据差的平方和作为评价依据,利用机器学习自动调整参数,得到最优靠尺线方程。
平整度计算输出模块,利用靠尺位姿调整模块所得最优靠尺线方程与靠尺区域点云数据获取模块所得靠尺区域下墙面剖面数据点得到靠尺区域墙面不平整度值,同一墙面上各靠尺区域不平整度值取最大值作为墙面不平整度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510648.3A CN113240637B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器学习的墙面平整度信息化检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110510648.3A CN113240637B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器学习的墙面平整度信息化检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113240637A true CN113240637A (zh) | 2021-08-10 |
CN113240637B CN113240637B (zh) | 2023-03-24 |
Family
ID=77133346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110510648.3A Active CN113240637B (zh) | 2021-05-11 | 2021-05-11 | 一种基于机器学习的墙面平整度信息化检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240637B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023060683A1 (zh) * | 2021-10-13 | 2023-04-20 | 东南大学 | 一种基于三维点云模型的预制梁段表面平整度检测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
CN109827526A (zh) * | 2019-03-13 | 2019-05-31 | 中国十七冶集团有限公司 | 一种基于摄影测量平面平整度检测方法及其数据处理流程 |
CN110322467A (zh) * | 2019-05-24 | 2019-10-11 | 谦互智能科技(湖州)有限公司 | 一种提升3d轮廓传感器计算板材表面点云密度的算法 |
CN110823077A (zh) * | 2019-11-19 | 2020-02-21 | 广东博智林机器人有限公司 | 一种基于三维点云的墙面靠尺检测方法及系统 |
CN110945537A (zh) * | 2017-07-28 | 2020-03-31 | 索尼互动娱乐股份有限公司 | 训练装置、识别装置、训练方法、识别方法和程序 |
CN110996014A (zh) * | 2019-12-26 | 2020-04-10 | 温州鑫锐翔科技有限公司 | 基于目标检测的墙面裂缝识别手持设备 |
US20200250540A1 (en) * | 2018-12-29 | 2020-08-06 | Dassault Systemes | Machine-learning for 3d modeled object inference |
CN112070751A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 木地板缺陷检测方法和装置 |
CN112378349A (zh) * | 2020-09-28 | 2021-02-19 | 湖南海森格诺信息技术有限公司 | 基于双目结构光的匣钵平整度检测装置及其检测方法 |
-
2021
- 2021-05-11 CN CN202110510648.3A patent/CN113240637B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110945537A (zh) * | 2017-07-28 | 2020-03-31 | 索尼互动娱乐股份有限公司 | 训练装置、识别装置、训练方法、识别方法和程序 |
CN109816626A (zh) * | 2018-12-13 | 2019-05-28 | 深圳高速工程检测有限公司 | 路面裂缝检测方法、装置、计算机设备和存储介质 |
US20200250540A1 (en) * | 2018-12-29 | 2020-08-06 | Dassault Systemes | Machine-learning for 3d modeled object inference |
CN109827526A (zh) * | 2019-03-13 | 2019-05-31 | 中国十七冶集团有限公司 | 一种基于摄影测量平面平整度检测方法及其数据处理流程 |
CN110322467A (zh) * | 2019-05-24 | 2019-10-11 | 谦互智能科技(湖州)有限公司 | 一种提升3d轮廓传感器计算板材表面点云密度的算法 |
CN110823077A (zh) * | 2019-11-19 | 2020-02-21 | 广东博智林机器人有限公司 | 一种基于三维点云的墙面靠尺检测方法及系统 |
CN110996014A (zh) * | 2019-12-26 | 2020-04-10 | 温州鑫锐翔科技有限公司 | 基于目标检测的墙面裂缝识别手持设备 |
CN112070751A (zh) * | 2020-09-10 | 2020-12-11 | 深兰人工智能芯片研究院(江苏)有限公司 | 木地板缺陷检测方法和装置 |
CN112378349A (zh) * | 2020-09-28 | 2021-02-19 | 湖南海森格诺信息技术有限公司 | 基于双目结构光的匣钵平整度检测装置及其检测方法 |
Non-Patent Citations (1)
Title |
---|
李广 等: "基于三维激光扫描技术的建筑物墙面平整度检测", 《山西建筑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023060683A1 (zh) * | 2021-10-13 | 2023-04-20 | 东南大学 | 一种基于三维点云模型的预制梁段表面平整度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113240637B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111561884B (zh) | 一种用于预制混凝土叠合板表面粗糙度检测的方法 | |
CN111738985B (zh) | 一种焊缝轮廓视觉检测方法及系统 | |
CN114037675B (zh) | 一种飞机样板缺陷检测方法及装置 | |
CN208887632U (zh) | 基于三维激光扫描的建筑施工检测系统及监控计算机设备 | |
CN110449471B (zh) | 一种轧辊平行关系检测的方法 | |
CN111561885B (zh) | 基于白光扫描的预制构件条状凹槽结合面粗糙度测评方法 | |
CN111145157B (zh) | 基于高分辨率遥感影像的路网数据自动化质量检查方法 | |
CN112082493B (zh) | 基于双目成像的管道法兰内半径视觉测量方法 | |
CN108311545B (zh) | 一种y型轧机连轧对中及孔型检测系统及方法 | |
CN103758017A (zh) | 路面高程三维网格数值检测方法与检测系统 | |
CN115841484B (zh) | 一种基于三维激光扫描的钢结构焊接质量检测系统 | |
CN109978938A (zh) | 一种基于机器视觉的枕簧检测方法 | |
CN113240637B (zh) | 一种基于机器学习的墙面平整度信息化检测方法和系统 | |
CN107990856A (zh) | 一种超量程工件的空间位置误差检测方法 | |
CN106403818A (zh) | 多规格大型方矩形管在线尺寸参数检测用的系统及方法 | |
CN108827197B (zh) | 一种减少边缘退化影响的线阵工业ct均质材料尺寸测量方法 | |
CN110940271A (zh) | 基于空间三维测控网的船舶等大型工业制造检测、监测和智能搭载安装方法 | |
CN116309598A (zh) | 一种基于机器视觉的钢连铸坯低倍组织裂纹智能评级方法 | |
CN108844469B (zh) | 一种基于激光测试工件台阶高度的方法及系统 | |
CN114754708B (zh) | 基于三维激光扫描技术的道路平整度检测方法及系统 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN113989513A (zh) | 一种方形指针式仪表读数识别的方法 | |
Stępień et al. | Fundamentals of adaptive strategy of cylindricity measurements with the use of longitudinal measurements | |
CN117554186B (zh) | 基于机器视觉的小型混凝土预制构件质量检测分析方法 | |
CN113375551B (zh) | 一种冷轧圆盘剪精密定位方法 |
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 |