CN113487722B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113487722B CN113487722B CN202110678931.7A CN202110678931A CN113487722B CN 113487722 B CN113487722 B CN 113487722B CN 202110678931 A CN202110678931 A CN 202110678931A CN 113487722 B CN113487722 B CN 113487722B
- Authority
- CN
- China
- Prior art keywords
- concrete
- point cloud
- points
- point
- steel bar
- 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
Links
- 239000004567 concrete Substances 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000001514 detection method Methods 0.000 title claims abstract description 29
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 42
- 239000010959 steel Substances 0.000 claims abstract description 42
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000003014 reinforcing effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000011440 grout Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000011178 precast concrete Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (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)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了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,该方法基于三维激光扫描仪获取到的点云数据,使用本发明开发的机器学习算法对混凝土构件以及其伸出端钢筋或预埋置的灌浆套筒进行自动化检测。通过该发明,可以探测出构件的主要边界,确定钢筋与灌浆套筒的尺寸,并对它们进行定位。人工检测混凝土构件方法的误差大、效率低、人力成本高,本发明与目前常用的人工检测方式相比拥有更高的鲁棒性和精度,可以有效检测出混凝土构件的质量问题。
Description
方法领域
本发明涉及混凝土构件的检测领域,更具体地说,它涉及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。
背景方法
混凝土构件的质量问题主要有制造尺寸与设计不符、钢筋和灌浆套筒等关键连接部件的位置错位、连接质量差等。在混凝土构件的生产和施工过程中,对其质量的检测关乎施工质量和房屋的整体性。特别是在装配式结构中,预制混凝土构件的制造和安装质量直接关系到结构的安全性。常用的预制混凝土构件有带有钢筋伸出端和预埋置灌浆套筒两类。在对这两类混凝土构件进行连接时,需要保证它们的质量符合施工要求和结构性能要求。
在对混凝土构件进行质量检测时,目前常用的方法是检测人员通过目测或依靠卷尺等方式确定大致的尺寸和位置。这种传统的检测方式不仅出错概率高,误差大,还需要大量人工成本和时间成本,不利于施工和结构质量的保证。虽然现在出现了一些基于视觉的方法被尝试用于混凝土结构的质量检测,但是它们往往需要人工干预,并不能真正解放人力,对质量检测的效率提升十分有限。
发明内容
针对现有方法存在的问题,本发明提供了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。本发明解决了现有人工检测混凝土构件方式获取信息慢、检测结果不够可靠、效率低下等问题,能够同时检测混凝土构件上具有多种不同特征的关键连接部件。另外,本发明在检测精度和效率上相比传统检测方法也有很大提高。
本发明的目的是通过以下方法方案来实现的: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,具体包括如下步骤:
(1)获取混凝土构件的点云数据:使用三维激光扫描仪对混凝土构件进行扫描,获取其点云数据并构建三维点云模型;所述的混凝土构件是按照设计规格在工厂或现场预先制成的,混凝土构件端部有伸出钢筋或在混凝土内部预埋置有灌浆套筒;
(2)点云前处理:a.降噪:对获取到的三维点云模型,采用k-最近邻算法去除背景部分和由于扫描角度和环境影响造成的噪点,在点云数据中,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);b.降采样: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,以实现根据点云数据中各个部分的密度不同,采取不同比例的降采样操作;c.坐标转换: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;
(3)点云分割:a.钢筋分割:对于带钢筋伸出端的混凝土构件,为分割点云数据中与伸出钢筋相关的点,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伸出端相关联的所有点;b.混凝土平面分割:基于坐标转换后的点云数据,随机选取三个点,并基于这三个点得到一个平面,该平面需平行于经坐标转换后坐标系中的任意一个坐标面,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,迭代拟合过程,直到所有的混凝土平面都被成功拟合,得到点云数据中所有与混凝土相关的点;
(4)边缘点探测:对钢筋横截面的外边缘点、灌浆套筒端口的内边缘点、连接件所在混凝土顶面的边缘点进行探测;
(5)边界拟合:采用圆拟合算法对步骤(4)得到的钢筋横截面的外边缘点、灌浆套筒端口的内边缘点进行拟合,得到钢筋横截面的外边界和灌浆套筒端口的内边界;采用角点估计算法对连接件所在混凝土顶面的角点进行探测,并基于混凝土角点对连接件所在混凝土顶面的四条边上所在的边缘点进行分割,然后采用直线拟合算法对各条边上所在边缘点进行拟合得到连接件所在混凝土顶面的边界;
(6)尺寸和位置计算:计算混凝土边界尺寸、钢筋与灌浆套筒的尺寸及它们的横截面中心点位置。
上述技术方案中,进一步地,步骤(4)具体为:对于端部有伸出钢筋的混凝土构件,分别对分离出来的钢筋的横截面外边缘点和其所在混凝土顶面的点云数据进行Delaunay三角剖分,采用α-shape算法对钢筋横截面的外边缘点及钢筋伸出端所在混凝土顶面的边缘点进行探测,并对结果进行合并;对于带灌浆套筒的混凝土构件,选取灌浆套筒所在的混凝土顶面,基于混凝土顶面点云数据的Delaunay三角剖分结果,采用α-shape算法对灌浆套筒端口的内边缘点及灌浆套筒端口所在混凝土顶面的边缘点进行探测。
进一步地,步骤(5)中,所述的采用角点估计算法对连接件所在混凝土顶面的角点进行探测,具体为:对于获取到的混凝土顶面边缘点,计算每个点的曲率变化值,因混凝土角部边缘点的曲率会发生突增,即角部边缘点的曲率变化值相比其他部分更大,故可通过设定阈值提取出混凝土边界的初始角点,混凝土角部的边缘点的曲率变化值相比其他部分更大,故可依据初始角点对混凝土边缘点进行识别,并使用基于最小二乘法的线拟合算法对混凝土边界线进行拟合,根据拟合结果计算出真实角点的位置即可得到混凝土角点。
与现有方法相比,本发明具有如下有益效果:
本发明提高了点云前处理方法的自动化程度,采用一种基于点云数据密度的降采样算法,可根据点云密度的不同采取不同比例的采样操作,在加快计算速度的同时保留了三维点云模型上伸出钢筋的数据完整性;本发明采用基于点云法向量的坐标转换算法对三维点云模型自动进行坐标变换,增强了可视化效果,且有利于后续算法处理;本发明采用OC-SVM算法实现了对混凝土构件上伸出钢筋的自动化识别;本发明基于点云数据的Delaunay三角剖分结果,使用α-shape算法快速探测混凝土构件上伸出钢筋横截面、灌浆套筒端口内径以及混凝土顶面外轮廓的边缘点,实现了对多种形状边界的自动化边缘点探测;本发明采用基于几何特征的角点估计算法实现了对混凝土平面角点的精准提取;本发明基于边缘点探测结果,使用拟合算法实现了对钢筋横截面、灌浆套筒内径和混凝土的边界线的精确拟合;本发明基于最小二乘法的拟合方法进行边界拟合,并基于边界拟合结果计算混凝土边界尺寸、钢筋与灌浆套筒的尺寸及它们的横截面中心点位置,实现了对混凝土构件的自动化和高精度质量检测。
附图说明
图1为本发明基于三维激光扫描方法的混凝土构件自动化检测方法的流程图;
图2为一根带有钢筋伸出端的混凝土梁的三维点云图;
图3是本发明中对混凝土梁的钢筋进行识别的示意图;
图4是本发明对混凝土梁的混凝土平面进行识别的示意图,其中a是混凝土梁的三维点云模型,b是将点云数据按照它们的法向量映射到高斯球空间之后的结果,c是b中黑色点所对应的点云数据,d,e,f是混凝土平面的识别结果;
图5是本发明对带灌浆套筒的混凝土构件进行边缘点探测的示意图;
图6是对混凝土构件进行角点提取和边界拟合的示意图;
图7是本发明中混凝土构件及其关键连接部件的主要尺寸和位置示意图。
其中,钢筋1、混凝土2、木头垫块3、钢筋或灌浆套筒端口的边缘点4、钢筋或灌浆套筒端口的中心点5、混凝土的边缘点6、初始角点7、初始角点的重心8、角点9。
具体实施方式
为了使本发明的目的、方法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为本发明基于三维激光扫描方法的混凝土构件自动化检测方法的流程图,具体包括如下步骤:
(1)对混凝土构件进行扫描,获取其点云数据。如图2为一根带有钢筋伸出端的混凝土梁,该梁的点云数据是通过深度摄像头获取的。
(2)在点云数据前处理部分,由于设备本身、扫描角度、环境干扰等原因,获取到的点云数据可能会存在噪点或在数据处理中不需要的背景点,在对点云数据正式处理前可以对噪点和背景点进行去除。另外,由于混凝土构件的点云数据量往往较大,为了加快数据处理速度,本发明开发了一种基于点密度的下采样算法,能够在降低点云总体数据量的同时保留钢筋等关键连接部件的几何特征。该算法首先将混凝土构件的点云模型划分为多个网格;然后对每个网格中的点云密度进行统计,并基于所有点密度的均值计算每个网格的下采样比例;最后根据每个网格的下采样比例进行下采样(其中下采样比例越大,下采样前后的点密度差别越大)。前处理步骤中还包括三维点云模型的坐标转换。通过将点云模型中三对互相垂直的混凝土平面的法向量设为新的坐标系,并计算新旧坐标系之间的夹角,计算得到坐标转换矩阵,即可得到新坐标系下的点云模型。
(3)为得到混凝土构件的关键尺寸和连接部件的位置信息,需要先获取它们的边缘点,具体包含以下步骤:
3.1)对于带有钢筋伸出端的混凝土构件,首先需要对伸出的钢筋点云进行识别。
本发明使用单分类支持向量机(one-class support vector machine,OC-SVM)
对与钢筋相关的点进行提取。在使用单分类支持向量机识别钢筋时,本发明使用钢筋的几何特征(线性度和平面度)和颜色特征(RGB值)对该算法进行训练。钢筋相比于混凝土构件的其他部分具有更大的线性度值和更小的平面度值,在RGB值上,钢筋也与其他部分有显著的差别。图3是本发明中对混凝土梁的钢筋进行识别的示意图。
3.2)对带有钢筋伸出端或灌浆套筒的混凝土构件,为提取伸出钢筋所在的混凝土平面或灌浆套筒端口所在的混凝土平面,需要对点云模型中的混凝土平面进行识别:首先,基于坐标转换后的点云数据,随机选取三个点,并基于这三个点得到一个平面,该平面需平行于经坐标转换后坐标系中的任意一个坐标面;然后,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;最后,迭代拟合过程,直到所有的混凝土平面都被成功拟合,得到点云数据中所有与混凝土相关的点。图4是本发明对混凝土梁进行混凝土识别的示意图。
3.3)为了提取钢筋横截面、灌浆套筒端口内径、钢筋或灌浆套筒所在混凝土外轮廓的边缘点,以带灌浆套筒的混凝土构件为例说明具体步骤:首先,提取灌浆套筒所在的混凝土平面;然后,对该混凝土平面执行Delaunay三角剖分,使得该平面中的所有点连接成不相交的三角形网格;最后,使用α-shape算法提取灌浆套筒端口内径和混凝土平面外轮廓的边缘点。提取边缘点的具体操作如下:对每个三角形网格的每条边都创建两个对称圆,这两个对称圆以三角形边为对称轴,而α值确定圆的半径大小。如果在这两个对称圆中至少有一个圆的内部不存在其他点,则将圆经过的两个端点
(即该三角形网格的这条边的两个端点)判定为边缘点。对所有的三角形网格执行相同步骤之后,就能得到边缘点。图5是本发明对带灌浆套筒的混凝土构件进行边缘点探测的示意图。对带钢筋伸出端的混凝土构件,边缘点的探测方法基本相同。但是,对钢筋横截面的边缘点探测和钢筋伸出端所在混凝土平面外轮廓的边缘点探测需分别进行,对两者进行整合即得到最终结果。
(4)为提取混凝土构件所有关键部分的边界线,本发明基于混凝土边界的几何特征计算每个点的曲率变化值,并根据计算结果提取初始角点7(图中五角星标注区域);依据初始角点对混凝土边缘点进行识别,并使用基于最小二乘法的线拟合算法对混凝土边界线进行拟合;根据拟合结果计算出真实角点的位置,即可得到角点9;最后使用基于最小二乘法的圆拟合算法对灌浆套筒端口的内边界以及钢筋横截面的外轮廓进行拟合。图6是对混凝土构件进行角点提取和边界拟合的示意图。
为了计算钢筋和灌浆套筒的位置以及混凝土构件的所有关键尺寸,本发明计算所有相邻钢筋和灌浆套筒的中心点距离以及中心点到混凝土边界的距离。根据边界线的拟合结果,可以计算出钢筋和灌浆套筒的直径以及混凝土平面的尺寸。图7是本发明中混凝土构件及其关键连接部件的主要尺寸和位置示意图。D1为相邻钢筋或灌浆套筒端口的中心点间距,D2为钢筋外径或灌浆套筒端口的内径,D3为钢筋伸出端长度,D4为钢筋或灌浆套筒端口的中心点到最近混凝土边界的距离。其中D1,D2,D3,D4的允许公差分别为±76.2,±4.763,±3.175,±12.7mm。
结果分析:
为了评估所提出方法的准确性,本发明基于试验结果对钢筋和灌浆套筒的尺寸与位置进行了计算,并将计算结果与人工测量结果进行了对比。对于所有距离和尺寸,本发明采用的方法得出的计算结果与通过手动测量获得的相应数据的绝对差值如下:D1,D2,D3,D4的中值分别为1.55,0.80,1.19,1.32mm,它们分别占其允许公差的2.03%,16.80%,37.48%和10.39%。由于绝对误差值远小于规范规定值,因此在本发明中使用的方法可以提供钢筋和灌浆的准确位置。
同时,本发明可应用于BIM平台,这更加方便于方法人员或施工人员进行混凝土构件的识别和测量。
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 (3)
1.一种基于三维激光扫描方法的混凝土构件自动化检测方法,其特征在于,具体包括如下步骤:
(1)获取混凝土构件的点云数据:使用三维激光扫描仪对混凝土构件进行扫描,获取其点云数据并构建三维点云模型;所述的混凝土构件是按照设计规格在工厂或现场预先制成的,混凝土构件端部有伸出钢筋或在混凝土内部预埋置有灌浆套筒;
(2)点云前处理:a.降噪:对获取到的三维点云模型,采用k-最近邻算法去除背景部分和由于扫描角度和环境影响造成的噪点,在点云数据中,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;b.降采样: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;c.坐标转换: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;
(3)点云分割:a.钢筋分割:对于带钢筋伸出端的混凝土构件,为分割点云数据中与伸出钢筋相关的点,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伸出端相关联的所有点,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;b.混凝土平面分割:基于坐标转换后的点云数据,随机选取三个点,并基于这三个点得到一个平面,该平面需平行于经坐标转换后坐标系中的任意一个坐标面,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,迭代拟合过程,直到所有的混凝土平面都被成功拟合,得到点云数据中所有与混凝土相关的点;
(4)边缘点探测:对钢筋横截面的外边缘点、灌浆套筒端口的内边缘点、连接件所在混凝土顶面的边缘点进行探测;
(5)边界拟合:采用圆拟合算法对步骤(4)得到的钢筋横截面的外边缘点、灌浆套筒端口的内边缘点进行拟合,得到钢筋横截面的外边界和灌浆套筒端口的内边界;采用角点估计算法对连接件所在混凝土顶面的角点进行探测,并基于混凝土角点对连接件所在混凝土顶面的四条边上所在的边缘点进行分割,然后采用直线拟合算法对各条边上所在边缘点进行拟合得到连接件所在混凝土顶面的边界;
(6)尺寸和位置计算:计算混凝土边界尺寸、钢筋与灌浆套筒的尺寸及它们的横截面中心点位置。
2.根据权利要求1所述的基于三维激光扫描方法的混凝土构件自动化检测方法,其特征在于,所述的步骤(4)具体为:对于端部有伸出钢筋的混凝土构件,分别对分离出来的钢筋的横截面外边缘点和其所在混凝土顶面的点云数据进行Delaunay三角剖分,采用α-shape算法对钢筋横截面的外边缘点及钢筋伸出端所在混凝土顶面的边缘点进行探测,并对结果进行合并;对于带灌浆套筒的混凝土构件,选取灌浆套筒所在的混凝土顶面,基于混凝土顶面点云数据的Delaunay三角剖分结果,采用α-shape算法对灌浆套筒端口的内边缘点及灌浆套筒端口所在混凝土顶面的边缘点进行探测。
3.根据权利要求1所述的基于三维激光扫描方法的混凝土构件自动化检测方法,其特征在于,步骤(5)中,所述的采用角点估计算法对连接件所在混凝土顶面的角点进行探测,具体为:对于获取到的混凝土顶面边缘点,计算每个点的曲率变化值,通过设定阈值提取出混凝土边界的初始角点,依据初始角点对混凝土边缘点进行识别,并使用基于最小二乘法的线拟合算法对混凝土边界线进行拟合,根据拟合结果计算出真实角点的位置即可得到混凝土角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678931.7A CN113487722B (zh) | 2021-06-18 | 2021-06-18 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110678931.7A CN113487722B (zh) | 2021-06-18 | 2021-06-18 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113487722A CN113487722A (zh) | 2021-10-08 |
CN113487722B true CN113487722B (zh) | 2023-10-31 |
Family
ID=77935676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110678931.7A Active CN113487722B (zh) | 2021-06-18 | 2021-06-18 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113487722B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114234819B (zh) * | 2021-12-23 | 2023-06-23 | 中交第二航务工程局有限公司 | 基于三维激光扫描的钢筋部品质量自动化检测方法 |
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 |
CN116122850B (zh) * | 2022-08-12 | 2024-02-20 | 武汉精隧科技有限公司 | 加固钢环防空鼓灌浆方法 |
CN115854883B (zh) * | 2022-11-09 | 2023-11-03 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
CN116740060B (zh) * | 2023-08-11 | 2023-10-20 | 安徽大学绿色产业创新研究院 | 基于点云几何特征提取的装配式预制构件尺寸检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106091923A (zh) * | 2016-05-30 | 2016-11-09 | 武汉理工大学 | 基于三维激光扫描技术的工业螺栓圆孔的中心点快速测定方法 |
CN109506580A (zh) * | 2018-11-26 | 2019-03-22 | 清华大学 | 基于线激光三维扫描的锪孔质量检测方法 |
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 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
WO2020173297A1 (zh) * | 2019-02-25 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 点云分割方法、计算机可读存储介质和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2021
- 2021-06-18 CN CN202110678931.7A patent/CN113487722B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106091923A (zh) * | 2016-05-30 | 2016-11-09 | 武汉理工大学 | 基于三维激光扫描技术的工业螺栓圆孔的中心点快速测定方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN109506580A (zh) * | 2018-11-26 | 2019-03-22 | 清华大学 | 基于线激光三维扫描的锪孔质量检测方法 |
WO2020173297A1 (zh) * | 2019-02-25 | 2020-09-03 | 腾讯科技(深圳)有限公司 | 点云分割方法、计算机可读存储介质和计算机设备 |
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 |
Non-Patent Citations (1)
Title |
---|
融合影像的机载激光扫描点云建筑物三维重建系统设计与实现;高云龙;张帆;黄先锋;张飞;江宇;测绘通报(第004期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113487722A (zh) | 2021-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN110060338B (zh) | 一种基于bim模型的预制构件点云识别方法 | |
Boulaassal et al. | Automatic extraction of planar clusters and their contours on building façades recorded by terrestrial laser scanner | |
CN109658431B (zh) | 基于区域生长的岩体点云平面提取方法 | |
CN103714541A (zh) | 一种利用山体轮廓区域约束识别定位建筑物的方法 | |
CN113487721B (zh) | 一种基于三维点云的预制构件自动化识别方法 | |
Zhao et al. | Automated recognition and measurement based on three-dimensional point clouds to connect precast concrete components | |
CN110008207B (zh) | 基于密度直方图的机载LiDAR点云数据漏洞快速检测方法 | |
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 | |
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 | |
CN113868733A (zh) | 一种基于三维点云的既有结构bim模型自动化生成方法 | |
CN116305436A (zh) | 一种基于三维激光扫描结合bim的既有桥梁监测方法 | |
CN115993096A (zh) | 一种高层建筑变形测量方法 | |
CN115222883A (zh) | 一种基于地基LiDAR点云的电力杆塔重建方法 | |
Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
CN116740060A (zh) | 基于点云几何特征提取的装配式预制构件尺寸检测方法 | |
CN113870326B (zh) | 一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法 | |
CN115597494A (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN116518864A (zh) | 一种基于三维点云对比分析的工程结构全场变形检测方法 | |
CN117994484A (zh) | 一种大型建筑预制构件三维图像拼接装置及方法 | |
CN113673011A (zh) | 基于点云数据智能识别运营期隧道侵界的方法 | |
Tan et al. | Automated geometric quality inspection for modular boxes using BIM and LiDAR | |
CN116823715A (zh) | 基于机器视觉的钢筋单元件检测方法 | |
CN114549780B (zh) | 一种基于点云数据的大型复杂构件智能化检测方法 | |
Song et al. | Automatic recovery of networks of thin structures |
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 |