CN113487721B - 一种基于三维点云的预制构件自动化识别方法 - Google Patents

一种基于三维点云的预制构件自动化识别方法 Download PDF

Info

Publication number
CN113487721B
CN113487721B CN202110677893.3A CN202110677893A CN113487721B CN 113487721 B CN113487721 B CN 113487721B CN 202110677893 A CN202110677893 A CN 202110677893A CN 113487721 B CN113487721 B CN 113487721B
Authority
CN
China
Prior art keywords
point cloud
points
algorithm
dimensional point
prefabricated
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
CN202110677893.3A
Other languages
English (en)
Other versions
CN113487721A (zh
Inventor
舒江鹏
江宇
赵唯坚
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
Original Assignee
Zhejiang University ZJU
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 filed Critical Zhejiang University ZJU
Priority to CN202110677893.3A priority Critical patent/CN113487721B/zh
Publication of CN113487721A publication Critical patent/CN113487721A/zh
Application granted granted Critical
Publication of CN113487721B publication Critical patent/CN113487721B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/08—Indexing scheme for image data processing or generation, in general involving all processing steps from image acquisition to 3D model generation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Graphics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Processing Or Creating Images (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明公开了一种基于三维点云的预制构件自动化识别方法，该方法通过三维激光扫描仪对预制构件进行扫描获取点云数据，对获取到的点云数据进行预处理后，采用不同机器学习算法对预制构件及其上的连接件进行识别。该方法克服了使用数字相机等传统方式获取预制构件表面信息耗时耗力且容易出错的问题，发挥了三维激光扫描仪快速获取目标物精确数据的能力和本发明中识别算法的有效性与准确性。

Description

一种基于三维点云的预制构件自动化识别方法
技术领域
本发明涉及预制构件的识别领域，尤其涉及一种基于三维点云的预制构件自动化识别方法。
背景技术
目前预制构件广泛应用于建筑和基础设施的装配式结构建造中。与现浇结构相比，装配式结构具有模块化设计和生产、短周期建造和节能环保等优点。装配式结构的性能在很大程度上取决于预制构件及其连接的质量，若在装配过程中预制构件上的钢筋和灌浆套筒的尺寸不合格或位置不匹配，可能会导致严重的结构破坏。由于目前很多预制构件通过钢筋和灌浆套筒进行连接，并向灌浆套筒中灌浆以确保连接的完整性，因此需要严格控制钢筋和灌浆套筒的尺寸，并根据蓝图来精确定位它们的位置。
现阶段对预制构件的数据获取主要是通过使用照相机等传统方式进行的。然而，这些方式有一定的局限性：首先，这些方法非常耗时，效率不高；其次，这些方法不适用于大尺寸构件，常会因角度问题导致获取到的结果产生畸变；最后，环境因素(如光照)对数据影响很大，常会造成结果不够可靠。
发明内容
针对现有技术存在的问题，本发明提供了一种基于三维点云的预制构件自动化识别方法。为获得更快、更精确的方法对预制构件本身和它们的连接质量进行控制，本发明使用三维点云来获取预制构件表面的空间坐标和颜色信息，并开发机器学习算法对点云数据进行处理，包括数据预处理、钢筋识别、灌浆套筒识别、混凝土识别。现有的数据获取方法无法快速获取大量预制构件的视觉信息，也难以通过非三维数据信息实现预制构件的自动化识别。本发明解决了上述问题，能同时识别预制构件上具有多种几何特征和颜色特征的不同部分，并提高了识别效率和准确度。
本发明的目的是通过以下技术方案来实现的：
一种基于三维点云的预制构件自动化识别方法，具体包括如下步骤：
(1)构建预制构件的三维点云模型：对三维激光扫描仪在不同位置下获取到的预制构件的点云数据进行点云对准，形成完整的真实场景下的三维点云模型；
(2)数据预处理：a.去噪：根据点云数据的质量形成去噪判断机制，去除由于扫描角度和环境影响造成的离群点；b.降采样：采用基于点云密度的降采样算法，根据点云数据中不同区域的点密度设定不同的降采样比例；c.坐标转换：
将三维点云模型的坐标原点设定为三维点云模型的重心，将坐标主轴方向设定为预制构件三对互相垂直的混凝土平面的法向量方向；
(3)钢筋识别：基于钢筋的几何特征(线性度Lλ和平面度Pλ)和颜色特征(RGB值)，采用OC-SVM算法训练钢筋的几何特征和颜色特征，并将训练结果用来识别点云数据中与钢筋相关联的所有点；
(4)灌浆套筒识别：基于点云的Delaunay三角剖分结果，采用α-shape算法对灌浆套筒的内径进行识别；
(5)混凝土识别：基于坐标转换后的点云数据，随机选取三个点，使得这三个点构成一个平面，并满足该平面平行于经坐标转换后坐标系中的一个坐标面；基于这三个点使用RANSAC平面拟合算法对混凝土平面进行拟合；迭代进行拟合，直到所有的混凝土平面都被拟合。
上述技术方案中，进一步地，步骤(1)中，所述预制构件具体为：按照设计规格在工厂或现场预先制成的混凝土构件，构件端部有伸出钢筋或在混凝土内部预埋置有灌浆套筒。
进一步地，步骤(2)中，所述的去噪具体为：采用k-最近邻算法去除噪点：如果一个点到它的k个最近点的平均距离大于设定值，则该点被判定为噪点；在去除噪点过程中，kd-tree算法被用于加速搜索一个点的近邻点的过程。
进一步地，步骤(2)中，所述降采样具体为：首先，对三维点云模型进行网格划分，同一个网格内的点具有相同的索引值，不同方向上网格的数量可自定义；然后，对于点云密度值大于设定阈值的每个网格，计算其降采样参数s；最后，根据降采样参数s值对每个网格进行降采样。
进一步地，步骤(2)中，所述的坐标转换具体为：首先，对经去噪和降采样之后的点云中每个点pi，基于pi的近邻点，计算pi法向量(n1，n2，n3)；然后，将pi通过其法向量映射到高斯球空间中，预制构件的点云数据中，同一组平行平面上的点在高斯球空间中形成一对对称的点云簇；接着，使用DBSCAN算法寻找高斯球空间中的点云簇，计算每个点云簇的法向量均值，并将其中平行的法向量合并，得到三个互相垂直的法向量(这三个法向量即为预制构件三对互相垂直的混凝土平面的法向量方向)并建立新坐标系，将新坐标系的原点设为三维点云模型的重心；最后，计算新旧坐标系之间的夹角，将点云中每个点pi转换到新坐标系中。
进一步地，所述步骤(4)具体为：首先，在点云数据上执行Delaunay三角剖分算法，并创建每个三角形网格的索引；然后，以三角形网格的每条边为对称轴创建两个对称圆，圆大小由α-shape算法的参数α决定；接着，判断是否有其他点落在两个圆内，如果两个圆中至少有一个不包含其他点，则将该三角形网格的这条边的两个端点视为边缘点；最后，对所有三角形网格的边执行相同步骤，即可得到点云数据所有的边缘点，从而得到灌浆套筒内径的所有边缘点。
与现有技术相比，本发明具有如下有益效果：
本发明采用一种基于点云密度的降采样算法，该算法可以在保留预制构件的三维点云模型上伸出钢筋的数据完整性的同时降低整体数据量，从而能加快算法运行速度；本发明采用一种基于点云模型的法向量自动化坐标转换算法，该算法自动对获取到的点云数据进行坐标转换，免去了手动调整模型可视化效果的繁杂过程，且便于后续的计算；本发明基于钢筋的几何特征和颜色特征使用OC-SVM算法对钢筋进行识别，能够在不同类型的预制构件上识别出钢筋伸出端；本发明基于点云的Delaunay三角剖分结果使用α-shape算法对灌浆套筒的内径进行识别，能够对各种形状的孔洞边界进行识别，增加了可识别目标的多样性；本发明基于RANSAC平面拟合算法提取点云模型的平面特征，能够快速、自动化拟合混凝土的所有平面。
附图说明
图1是本发明提供的预制构件自动化识别方法流程图；
图2是用以测试本发明的预制构件，图2(a)和图2(b)分别为带钢筋伸出端和灌浆套筒的预制构件；
图3是本发明中基于密度的降采样算法的示意图，图3(a)和图3(b)分别为对三维点云模型的网格划分结果和降采样前后的点云密度对比曲线；
图4是本发明中坐标变换算法中高斯球空间的示意图，图中用不同颜色表示基于法向量使用聚类算法获取到的点云簇；
图5是本发明中坐标转换的示意图，图5(a)和图5(b)分别为点云坐标转换前后的三维点云模型；
图6是本发明中钢筋和混凝土的几何特征示意图，图6(a)和图6(b)分别为三维点云模型中钢筋和混凝土上一个点及其近邻点所组成团簇；
图7是本发明中钢筋的点云模型和带钢筋伸出端预制构件的点云模型的特征对比结果，图7(a)和图7(b)分别为两者的几何特征和颜色特征对比结果箱型图；
图8是本发明中对预制构件进行钢筋识别的示意图；
图9是本发明对预制构件进行灌浆套筒识别的示意图；
图10是本发明对预制构件进行混凝土识别的示意图。
其中，钢筋1、灌浆套筒2、混凝土3、橡胶管4、点云簇5,6,7。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
图1为本发明基于三维点云的预制构件自动化识别方法流程图，具体包括如下步骤：
(1)获取点云数据：使用三维激光扫描仪对预制构件进行扫描，获取其表面的视觉信息，如图2为分别带钢筋伸出端和灌浆套筒的预制构件。根据需要扫描的预制构件数量、尺寸和放置方式，选择合适的站点数量和位置进行扫描。为防止环境对三维激光扫描仪产生不良影响，应避免在湿气大、阳光照射强烈、移动物干扰等环境下对预制构件进行扫描。对获取到的预制构件的点云数据进行点云对准，形成完整的真实场景下的三维点云模型。
(2)数据预处理：
2.1)去噪：考虑到三维激光扫描仪的设备类型，扫描角度，扫描距离，预制构件的表面材料和环境因素的影响，获取到的点云数据可能包含噪点。在该步骤中，应尽可能去除所有噪点。在本发明所使用的方法中，k-最近邻
(KNN)算法被用来去除噪点：如果一个点到它的k个最近点的平均距离大于设定值，则该点被判定为噪点。在去噪过程中，kd-tree算法被用于加速搜索一个点的近邻点的过程。
2.2)降采样：由于三维激光扫描仪获取的点云数据量往往很大，不利于数据处理，因此需要对其进行降采样。常规的降采样算法在处理点云数据时，会对不同密度区域采用相同的降采样比例，当初始点云数据和降采样后的点云数据之间的数据量差异较大时，会导致低密度区域的数据完整性被破坏。在本发明中开发的基于密度的降采样算法可以在降低整体数据量的同时保留低密度关键部件(如钢筋)的数据完整性。该算法原理如下：首先，对三维点云模型进行网格划分(同一个网格内的点具有相同的索引值)，不同方向上网格的数量可自定义；然后，对于点密度值大于设定阈值的每个网格，计算其降采样参数s；最后，对每个网格根据其s值进行降采样，其中s值越大，降采样前后的点云密度差异越大。图3是本发明中基于密度的降采样算法的示意图，图3(a)中是将带钢筋伸出端预制构件的点云数据分割到50个网格中后的结果，图3(b)中的曲线表现了本发明中基于密度的降采样算法的降采样结果。
2.3)坐标转换：对于获取到的三维点云模型进行坐标变换，一方面有利于后续算法处理，另一方面增强了点云的可视化效果。本发明中基于点云法向量的坐标转换算法可以自动实现对点云数据的坐标转换，算法的具体原理如下：首先，对经去噪和降采样之后的点云中每个点pi，基于pi的近邻点，计算pi法向量(n1，n2，n3)；然后，将pi通过其法向量映射到高斯球空间中，预制构件的点云数据中，同一组平行平面上的点在高斯球空间中形成一对对称的点云簇，如图4中5和6分别为对称的点云簇，因预制构件的底面无法被三维激光扫描仪扫描到，故7所代表的点云簇没有对称点云簇；
接着，使用DBSCAN算法寻找高斯球空间中的点云簇；然后，计算每个点云簇的法向量均值，并将其中平行的法向量合并，得到三个互相垂直的法向量并建立新坐标系；接着，将新坐标系的原点设为点云模型的重心；
最后，计算新旧坐标系之间的夹角，将点云中每个点pi转换到新坐标系中。
图5是对一根带木头垫块的梁进行坐标变换的示意图。
(3)钢筋、灌浆套筒、混凝土识别：
3.1)钢筋识别：在进行钢筋识别时，本发明基于钢筋的几何特征和颜色特征，使用单分类支持向量机(OC-SVM)算法用于提取与钢筋相关的点。钢筋和点云模型中的其他部分(如混凝土)有不一样的几何和颜色特征。图6表现出了钢筋和混凝土的不同几何特点，图中与钢筋相关的点云簇表现出的几何特征是细长的，而与混凝土相关的点云簇表现出的几何特征是扁平的。在OC-SVM算法中，本发明中用于区分钢筋和预制构件中其他部分的几何特征为线性度Lλ和平面度Pλ，颜色特征为RGB值。图7对比了钢筋点云与带钢筋伸出端预制构件点云模型的线性度Lλ、平面度Pλ和RGB值。通过训练钢筋的特征值，可以将训练结果用来预测点云数据中与钢筋相关联的所有点。与混凝土等其他部分相比，钢筋具有相对较大的Lλ值和较小的值Pλ，且RGB值也有显著差异。由于钢筋部分相对较小，与钢筋相关联的点数量可能对OC-SVM中异常值的比例比较敏感。图8为对预制构件进行钢筋识别的示意图。
3.2)灌浆套筒识别：在进行灌浆套筒识别时，由于灌浆套筒通常埋在混凝土内部，套筒口位于混凝土表面，因此本发明在该部分的主要目标是识别套筒口。本发明基于点云数据的Delaunay三角剖分结果使用α-shape算法提取套筒口的边缘点。Delaunay三角剖分将点云中的所有点连成不相交的三角形网格。α-shape算法原理如下：首先，在点云数据上执行Delaunay三角剖分算法，并创建每个三角形网格的索引；然后，对三角形网格的每条边，以该边为对称轴创建两个对称圆，圆大小由参数α决定；接着，判断是否有其他点落在两个圆内，如果两个圆中至少有一个不包含其他点，则将该边的两个端点视为边缘点；
最后，对所有三角形网格的边执行相同步骤，即可得到点云数据所有的边缘点，从而得到灌浆套筒内径的所有边缘点。除了套筒口的边缘点，混凝土和其他零部件的边缘点也可以通过这种方法进行探测。只要合理设置α值，就可以同时探测到套筒口和混凝土的边缘点。图9为本发明对预制构件进行灌浆套筒识别的示意图。
3.3)混凝土识别：在识别混凝土时，本发明基于RANSAC算法对预制构件的点云模型进行平面拟合。首先，在进行平面拟合之前，随机选取三个点，使得这三个点构成一个平面，计算其构成的平面方程；接着，由于对于已进行坐标转换后的三维点云模型，其混凝土平面通常是与坐标面水平或垂直的，故当由三个点构成的平面与经坐标转换后的三维点云模型的坐标面之一平行时，可将该由三个点构成的平面作为预选拟合平面；然后，使用RANSAC平面拟合算法对三维点云模型进行拟合；不断迭代平面拟合过程，直到所有混凝土平面都被拟合。图10为本发明对预制构件进行混凝土识别的示意图。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所做的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于三维点云的预制构件自动化识别方法，其特征在于，具体包括如下步骤：
(1)构建预制构件的三维点云模型：对三维激光扫描仪在不同位置下获取到的预制构件的点云数据进行点云对准，形成完整的真实场景下的三维点云模型；
(2)数据预处理：a.去噪：根据点云数据的质量形成去噪判断机制，去除由于扫描角度和环境影响造成的离群点；b.降采样：采用基于点云密度的降采样算法，根据点云数据中不同区域的点密度设定不同的降采样比例；c.坐标转换：将三维点云模型的坐标原点设定为三维点云模型的重心，将坐标主轴方向设定为预制构件三对互相垂直的混凝土平面的法向量方向；
(3)钢筋识别：基于钢筋的几何特征和颜色特征，采用OC-SVM算法训练钢筋的几何特征和颜色特征，并将训练结果用来识别点云数据中与钢筋相关联的所有点；所述钢筋的几何特征为线性度Lλ和平面度Pλ，颜色特征为RGB值；
(4)灌浆套筒识别：基于点云的Delaunay三角剖分结果，采用α-shape算法对灌浆套筒的内径进行识别；
(5)混凝土识别：基于坐标转换后的点云数据，随机选取三个点，使得这三个点构成一个平面，并满足该平面平行于经坐标转换后坐标系中的一个坐标面；基于这三个点使用RANSAC平面拟合算法对混凝土平面进行拟合；迭代进行拟合，直到所有的混凝土平面都被拟合。
2.根据权利要求1所述的基于三维点云的预制构件自动化识别方法，其特征在于，步骤(1)中，所述预制构件具体为：按照设计规格在工厂或现场预先制成的混凝土构件，构件端部有伸出钢筋或在混凝土内部预埋置有灌浆套筒。
3.根据权利要求1所述的基于三维点云的预制构件自动化识别方法，其特征在于，步骤(2)中，所述的去噪具体为：采用k-最近邻算法去除噪点：如果一个点到它的k个最近点的平均距离大于设定值，则该点被判定为噪点；在去除噪点过程中，kd-tree算法被用于加速搜索一个点的近邻点的过程。
4.根据权利要求1所述的基于三维点云的预制构件自动化识别方法，其特征在于，步骤(2)中，所述降采样具体为：首先，对三维点云模型进行网格划分，同一个网格内的点具有相同的索引值，不同方向上网格的数量可自定义；然后，对于点云密度值大于设定阈值的每个网格，计算其降采样参数s；最后，根据降采样参数s值对每个网格进行降采样。
5.根据权利要求1所述的基于三维点云的预制构件自动化识别方法，其特征在于，步骤(2)中，所述的坐标转换具体为：首先，对经去噪和降采样之后的点云中每个点pi，基于pi的近邻点，计算pi法向量(n1，n2，n3)；然后，将pi通过其法向量映射到高斯球空间中，预制构件的点云数据中，同一组平行平面上的点在高斯球空间中形成一对对称的点云簇；接着，使用DBSCAN算法寻找高斯球空间中的点云簇，计算每个点云簇的法向量均值，并将其中平行的法向量合并，得到三个互相垂直的法向量并建立新坐标系，将新坐标系的原点设为三维点云模型的重心；最后，计算新旧坐标系之间的夹角，将点云中每个点pi转换到新坐标系中。
6.根据权利要求1所述的基于三维点云的预制构件自动化识别方法，其特征在于，所述步骤(4)具体为：首先，在点云数据上执行Delaunay三角剖分算法，并创建每个三角形网格的索引；然后，以三角形网格的每条边为对称轴创建两个对称圆，圆大小由α-shape算法的参数α决定；接着，判断是否有其他点落在两个圆内，如果两个圆中至少有一个不包含其他点，则将该三角形网格的这条边的两个端点视为边缘点；最后，对所有三角形网格的边执行相同步骤，即可得到点云数据所有的边缘点，从而得到灌浆套筒内径的所有边缘点。
CN202110677893.3A 2021-06-18 2021-06-18 一种基于三维点云的预制构件自动化识别方法 Active CN113487721B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110677893.3A CN113487721B (zh) 2021-06-18 2021-06-18 一种基于三维点云的预制构件自动化识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110677893.3A CN113487721B (zh) 2021-06-18 2021-06-18 一种基于三维点云的预制构件自动化识别方法

Publications (2)

Publication Number Publication Date
CN113487721A CN113487721A (zh) 2021-10-08
CN113487721B true CN113487721B (zh) 2023-08-22

Family

ID=77933757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110677893.3A Active CN113487721B (zh) 2021-06-18 2021-06-18 一种基于三维点云的预制构件自动化识别方法

Country Status (1)

Country Link
CN (1) CN113487721B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115100272B (zh) * 2022-06-17 2023-09-22 浙江大学 面向深度学习分割网络的预制构件点云数据集制作方法
CN116933549B (zh) * 2023-07-28 2024-01-23 北京航空航天大学 基于点云数据的大长径比筒件装配界面快速余量计算方法
CN117456131B (zh) * 2023-12-26 2024-05-24 深圳市信润富联数字科技有限公司 缺陷场景下点云的降采样方法及装置
CN117710977B (zh) * 2024-02-02 2024-04-26 西南石油大学 基于点云数据的大坝bim三维模型语义快速提取方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150041827A (ko) * 2013-10-10 2015-04-20 한국과학기술원 3차원 레이저 스캐닝을 이용한 프리캐스트 콘크리트 형상 관리 장치 및 방법
CN108629849A (zh) * 2018-05-16 2018-10-09 浙江大学 一种基于bim和点云技术的构件质检系统
EP3483554A1 (en) * 2017-11-13 2019-05-15 Topcon Corporation Surveying device, and calibration checking method and calibration checking program for surveying device
CN110060338A (zh) * 2019-04-25 2019-07-26 重庆大学 一种基于bim模型的预制构件点云识别方法
JP2020033771A (ja) * 2018-08-30 2020-03-05 清水建設株式会社 吹付け面状態監視方法及び吹付け面状態監視装置
CN112330732A (zh) * 2020-09-29 2021-02-05 先临三维科技股份有限公司 三维数据拼接方法及三维扫描系统、手持扫描仪
CN112330733A (zh) * 2020-10-28 2021-02-05 江苏东印智慧工程技术研究院有限公司 一种基于激光扫描点云的装配式预制构件质量控制方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8793107B2 (en) * 2011-12-01 2014-07-29 Harris Corporation Accuracy-based significant point derivation from dense 3D point clouds for terrain modeling
CN110335295B (zh) * 2019-06-06 2021-05-11 浙江大学 一种基于tof相机的植物点云采集配准与优化方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150041827A (ko) * 2013-10-10 2015-04-20 한국과학기술원 3차원 레이저 스캐닝을 이용한 프리캐스트 콘크리트 형상 관리 장치 및 방법
EP3483554A1 (en) * 2017-11-13 2019-05-15 Topcon Corporation Surveying device, and calibration checking method and calibration checking program for surveying device
CN108629849A (zh) * 2018-05-16 2018-10-09 浙江大学 一种基于bim和点云技术的构件质检系统
JP2020033771A (ja) * 2018-08-30 2020-03-05 清水建設株式会社 吹付け面状態監視方法及び吹付け面状態監視装置
CN110060338A (zh) * 2019-04-25 2019-07-26 重庆大学 一种基于bim模型的预制构件点云识别方法
CN112330732A (zh) * 2020-09-29 2021-02-05 先临三维科技股份有限公司 三维数据拼接方法及三维扫描系统、手持扫描仪
CN112330733A (zh) * 2020-10-28 2021-02-05 江苏东印智慧工程技术研究院有限公司 一种基于激光扫描点云的装配式预制构件质量控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高应力反复拉压作用下堆焊成型套筒灌浆连接性能试验研究;赵唯坚等;《建筑结构学报》;第43卷(第4期);220-227 *

Also Published As

Publication number Publication date
CN113487721A (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
CN113487721B (zh) 一种基于三维点云的预制构件自动化识别方法
CN111486855B (zh) 一种具有物体导航点的室内二维语义栅格地图构建方法
CN101295363B (zh) 从距离图像确定物体姿势的方法和系统
CN113487722B (zh) 一种基于三维激光扫描方法的混凝土构件自动化检测方法
CN104040590A (zh) 用于估计物体的姿态的方法
CN110060338B (zh) 一种基于bim模型的预制构件点云识别方法
CN111311650A (zh) 一种点云数据的配准方法、装置及存储介质
CN103727930A (zh) 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法
Huang et al. Active image-based modeling with a toy drone
CN110942077B (zh) 基于权重局部变化度和l1中值优化的特征线提取方法
CN102224523A (zh) 立体匹配处理系统、立体匹配处理方法和记录媒介
CN110851978B (zh) 一种基于可见性的摄像机位置优化方法
CN114463521B (zh) 一种面向空地影像数据融合的建筑目标点云快速生成方法
CN116503760A (zh) 基于自适应边缘特征语义分割的无人机巡航检测方法
Pöchtrager et al. Digital reconstruction of historic roof structures: Developing a workflow for a highly automated analysis
CN113409332A (zh) 一种基于三维点云的建筑物平面分割方法
CN113538620A (zh) 一种面向二维栅格地图的slam建图结果评价方法
Jin et al. Depth-map driven planar surfaces detection
Sumi et al. Multiple TLS point cloud registration based on point projection images
CN114549780B (zh) 一种基于点云数据的大型复杂构件智能化检测方法
CN111508067B (zh) 一种基于垂直平面和垂直线的轻量级室内建模方法
CN115272815A (zh) 一种基于图像的电缆隧道环境异常识别方法
Kim et al. An automatic robust point cloud registration on construction sites
Kang et al. Line feature extraction from RGB laser point cloud
Nguyen et al. Scan profiles based method for segmentation and extraction of planar objects in mobile laser scanning point clouds

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