CN113870326A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113870326A CN113870326A CN202111020986.5A CN202111020986A CN113870326A CN 113870326 A CN113870326 A CN 113870326A CN 202111020986 A CN202111020986 A CN 202111020986A CN 113870326 A CN113870326 A CN 113870326A
- Authority
- CN
- China
- Prior art keywords
- image
- dimensional
- point cloud
- point
- damage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013507 mapping Methods 0.000 title claims abstract description 14
- 230000003902 lesion Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 238000012800 visualization Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000011002 quantification Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000007794 visualization technique Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000011150 reinforced concrete Substances 0.000 description 4
- DSCFFEYYQKSRSV-KLJZZCKASA-N D-pinitol Chemical compound CO[C@@H]1[C@@H](O)[C@@H](O)[C@H](O)[C@H](O)[C@H]1O DSCFFEYYQKSRSV-KLJZZCKASA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000004567 concrete Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30132—Masonry; Concrete
Abstract
本发明公开了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。该方法分别通过相机和三维激光扫描仪获取结构的图像和三维点云信息，然后分别在图像和点云中提取结构角点和边缘线特征，并基于直接线性变换算法，采用最近点迭代的方式，将图像配准到三维空间中。同时，采用基于图像的损伤识别算法在图像中识别结构表面损伤，然后将识别到的损伤基于配准结果映射到三维空间，由此得到损伤在三维空间的可视化表示。最后，在三维空间可进行损伤大小的直接度量。本发明的方法可以实现结构表面损伤的快速识别，评估和可视化，有利于提高结构检查的效率，确保服役结构安全运行。
Description
技术领域
本发明涉及结构检查领域，尤其涉及利用点云和图像进行损伤量化和可视化的方法。
背景技术
现役结构的日常检查是确保结构安全运行的基本保证。传统的方法主要是依赖于定期的人工目视测量和记录，这种方法效率低，容易出错，主观性强，且观察记录难以数字化存储，不便于结构运行状态的记录。即使近年来发展的基于无人机和深度学习的损伤识别方法，大大增加了检查的自动化程度，但是无人机采集的图像是二维的，丢失了深度信息和尺度信息，这样造成了无法直接通过图像确定所识别损伤的具体位置以及图像中损伤的绝对尺寸大小的难题。同时，无论是手工记录还是无人机采集图像记录，都不能直接将检查到的损伤形象地、全面地展示给管理者。考虑到由激光扫描仪扫描得到的点云数据携带着物体的空间坐标，也就是深度信息，点云可以很好的用于损伤的尺寸和位置计算，但点云的扫描精度还存在较大的误差。因此，如何综合利用图像和三维点云各有的独特优点，弥补各自的不足，实现结构损伤的快速识别，量化以及可视化是一个亟需解决的问题。
发明内容
针对现有结构检查方法存在的问题以及图像和点云的特点，本发明提出了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。该方法基于图像和点云共同存在的结构角点和边缘线特征，然后基于直接线性变换并采用最近点迭代的方法，将图像配准到点云空间中，然后基于配准结果将图像中的损伤反向投影到由点云得到的三维模型上。该方法解决了图像中绝对尺寸量化的问题，同时提供了模型和结构损伤可视化方法。
本发明的目的是通过以下技术方案来实现的：
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，具体包括如下步骤：
(1).数据收集与预处理：分别采用相机和三维激光扫描仪获取结构的图像和三维点云数据，并做相应的数据预处理；
(2).特征提取：基于三维点云构建结构的三维模型，并分别在图像和三维模型中提取结构的角点和边缘线特征；
(3).图像与点云配准：基于步骤(2)中提取的特征，将图像配准到点云所在的三维空间中，求得拍摄图像时相机的位置参数；
(4).损伤识别：采用机器学习的方法在图像中识别并分割结构表面存在的损伤；
(5).损伤反向投影：根据步骤(3)中相机的位置参数，将图像识别得到的损伤反向投影到由点云所得的三维模型上；
(6).损伤量化及可视化：在三维空间中，采用三角网表示由反向投影得到的损伤，并对损伤进行量化。
上述技术方案中，进一步地，所述步骤(1)中，在采集图像前，需要对相机的内参数进行标定，同时也需要对三维激光扫描仪进行校准。
进一步地，所述步骤(1)中，需要将三维激光扫描仪得到的点云配准到全局坐标系中，然后再进行离群点过滤和降采样。
进一步地，所述步骤(2)中，在提取图像中的结构角点和边线特征时，需要计算图像的梯度并做阈值分割，然后使用RANSAC算法提取直线并计算直线的交点，交点即为角点，将直线上的点和角点作为图像上的特征点集，即二维特征点集。
进一步地，所述步骤(2)中，在提取点云的结构角点和边缘线特征时，需要对点云进行分割，拟合，然后建立结构的三维模型，计算结构各个表面的交线和交点，交点即为角点，然后将交线离散化，离散化后的点和角点作为三维点云的特征点集，即三维特征点集。
根进一步地，所述步骤(3)中，需要基于直接线性变换并采用最近点迭代的方式将图像与点云配准。具体为：
首先选择所识别的角点，采用RANSAC算法，计算投影矩阵初始值Pinit，然后基于Pinit将三维空间中点云的三维特征点集投影到图像平面，然后采用kd-tree算法，找到图像中的二维特征点集与三维空间中的三维特征点集之间的一一对应关系，再基于这个对应关系，重新计算投影矩阵Piter；重复以上过程，直到图像中的二维特征点集和三维特征点集在图像平面的投影之间的距离最小，此时的投影矩阵Piter即为需要求的最终的投影矩阵Pult；最后，可根据Pult计算相机的位置参数。
进一步地，所述步骤(5)中，所述的反向投影需要计算每一个由相机中心出发并经过图像上损伤区域中的一个像素的射线与三维模型的交点，采用AABB树加速搜索和计算交点的过程。
与现有技术相比，本发明具有如下有益效果：
本发明实现了图像和点云在结构检查中的融合利用。基于图像和点云中共有的结构角点和边缘线特征实现图像和点云的配准，使得在图像中采用深度学习方法得到的损伤可以基于配准结果反向投影到由点云建模得到的三维模型上。既实现了损伤的绝对尺寸量化，同时也实现了损伤在三维模型中的可视化表示。便于结构管理者快速了解结构损伤情况，并做出合理的管理和维护决定。
附图说明
图1是本发明实施例所述的一种基于图像和三维点云配准的结构损伤映射、量化及可视化方法的技术路线流程框图；
图2是本发明中采用最近点迭代的直线线性变换配准算法的流程框图；
图3是本发明中将模型边缘线离散化提取点云的三维特征点集的示意图；
图4是本发明中所述的损伤反向投影的流程框图；
图5是本发明中所述的损伤投影结果示意图。
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晰，以下结合附图及具体实施例，对本发明进行进一步详细说明。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
实施例：以钢筋混凝土梁为例来说明本发明所提出的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。如图1所示，为了识别、量化和可视化钢筋混凝土梁及其表面的裂缝，本发明的主要包括如下步骤：
(1).数据收集与预处理：分别采用相机和三维激光扫描仪获取结构的图像和三维点云数据，并做相应的数据预处理；
图像和三维点云分别用于获取钢筋混凝土梁的表面损伤和三维模型。具体的，在采集图像前，需要对相机的内参数进行标定，然后在采集结构图像的过程中，要保持相机的焦距不变。使用三维激光扫描仪扫描结构时，也需要先校正扫描仪，对于得到的点云，需要采用点云配准算法将所有点云配准到全局坐标系中，然后再进行离群点过滤和降采样。
(2).特征提取：基于三维点云构建结构的三维模型，并分别在图像和三维模型中提取结构的角点和边缘线特征；
在图像中提取结构的特征点，需要先采用高斯模糊，高通滤波器等对图像进行噪声的过滤，然后再使用Canny算子提取图像中结构的边缘线。由于Canny算子识别的结果通常存在噪声，进一步地，需要使用RANSAC直线拟合算法进行结构边缘线上像素点的提取。该算法在所有点中随机选择两个点来拟合一条线，然后计算其余点到这条直线的残差，并基于残差将其他点划分为内点和离群点。这个过程迭代执行，直到达到最大迭代次数或内点数达到阈值。最后，该算法仅使用内点来估计直线。这里为了检测多条线，当拟合了一条线时，去除相应的内点，继续使用剩余的点重复上述过程拟合第二条直线，直到得到了所有的直线。在提取完直线后，用拟合的直线公式，再计算他们的交点，交点即为角点。将直线上的点和角点作为图像上的特征点集，即二维特征点集。
在点云中提取结构的特征点，需要先将点云进行分割，然后进行三维平面的拟合，再计算它们的交线。点云的分割采用聚类的方法进行，先基于点云的法向量将点云映射到高斯球上，再在高斯球空间聚类，得到不同朝向的一系列平面。之后，再在笛卡尔空间聚类，将同一朝向的平面分开。两步聚类都采用DBSCAN聚类算法，这种分割方法适合分割以平面为主的结构。之后，分割后的点云，再采用最小二乘法进行三维平面的拟合，然后计算平面间的交线以及交线的交点，交点即为角点。这里不直接在点云中提取边缘线，而是先分割再拟合，一是通过拟合可以提高边缘线的计算精度，从而提高配准精度，二是，使用拟合后的三维平面可以直接得到结构的三维模型，也就是采用多边形平面片的方式对结构的表面进行建模，这也是后续步骤损伤反向投影的目标模型。此外，由于要与图像中的离散的像素特征点相对应，还需要将交线以一定间隔离散化，从而得到三维空间的离散的特征点，如图3所示。将离散化后的点和角点作为三维点云的特征点集，即三维特征点集。。
(3).图像与点云配准：基于步骤(2)中提取的特征，将图像配准到点云所在的三维空间中，求得拍摄图像时相机的位置参数；
即基于直接线性变换并采用最近点迭代的方式将图像与点云配准并求得相应的相机位置参数。主要步骤间见图2，具体为：
首先选择步骤(2)中所提取的角点，若是配准位于一个平面的对象，至少需要4对角点；若是配准不在一个平面的对象，至少需要6对角点。基于选择的角点，采用RANSAC算法，计算投影矩阵初始值Pinit，然后基于Pink将三维点云的三维特征点集投影到相机的图像平面，然后采用kd-tree算法，为图像中的二维特征点集分别查找一个最近的三维特征点的投影点，进而找到相应的三维特征点，从而获得三维特征点集和二维特征点集的一一对应关系。然后，再基于这个对应关系，重新计算投影矩阵Piter。重复以上过程，直到图像中的二维特征点集和三维特征点集在图像平面的投影之间的距离最小，即可得到最终的投影矩阵Pult，进而计算相机的空间位置，并将图像定位在点云所在的三维空间中。
(4).损伤识别：采用深度学习的方法在图像中识别并分割结构表面存在的损伤；
即采用深度学习的方法进行损伤识别。通过收集实际结构的损伤图像制作数据集，训练U-net神经网络，并使用训练后的网络，自动化地、快速地做图像中损伤的分割。神经网络分割出来的是图像中损伤区域的像素点集合Pd。
(5).损伤反向投影：根据步骤(3)中相机的位置参数，将图像识别得到的损伤反向投影到点云空间；
即计算每一个由相机中心出发并经过一个损伤像素点的射线与结构表面的交点，如图4所示，可采用AABB树加速搜索和计算交点的过程。具体为：
首先为表示结构表面的多边形平面片建立AABB树。然后，对于图像中损伤区域的像素点集合Pd中任意一点pdi，计算由相机中心出发，并经过pdi的射线ri。接着，在AABB树中搜索与射线ri相交的叶节点，并计算它们的交点。最终，选择深度最小，也就是与射线ri第一次相交的交点，作为点pdi在三维空间的反向投影点。重复上述过程，直到Pd中所有点的反向投影点计算完毕。
(6).损伤量化及可视化：在三维空间中，采用三角网表示由反向投影得到的损伤，并对损伤进行量化。
在将图像中损伤区域的像素点集和Pd反向投影到三维模型上后，继续对这些点进行Delaunay三角剖分，构建损伤区域的三角网，并进行可视化。然后基于三角网，计算损伤区域面积等参数。特别的，对于图5所示这种的裂缝，需要结合α-shape算法提取裂缝边界线，再采用正交骨架线法计算裂缝的长度和宽度等参数。
需要指出的是，示例中采用钢筋混凝土梁和裂缝进行说明，但本发明不限于这些，也可以包括钢结构，组合结构等建筑，混凝土剥落，结构表面坑洞等结构损伤。
以上所述仅为本发明的较佳实施例，用以对本发明进行详细说明，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 (7)
1.一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，其特征在于，包括如下步骤：
(1).数据收集与预处理：分别采用相机和三维激光扫描仪获取结构的图像和三维点云数据，并做相应的数据预处理；
(2).特征提取：基于三维点云构建结构的三维模型，并分别在图像和三维模型中提取结构的角点和边缘线特征；
(3).图像与点云配准：基于步骤(2)中提取的特征，将图像配准到点云所在的三维空间中，求得拍摄图像时相机的位置参数；
(4).损伤识别：采用机器学习的方法在图像中识别并分割结构表面存在的损伤；
(5).损伤反向投影：根据步骤(3)中相机的位置参数，将图像识别得到的损伤反向投影到由点云所得的三维模型上；
(6).损伤量化及可视化：在三维空间中，采用三角网表示由反向投影得到的损伤，并对损伤进行量化。
2.根据权利要求1所述的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，其特征在于，所述步骤(1)中，在采集图像前，需要对相机的内参数进行标定，同时也需要对三维激光扫描仪进行校准。
3.根据权利要求1所述的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，其特征在于，所述步骤(1)中，需要将三维激光扫描仪得到的点云配准到全局坐标系中，然后再进行离群点过滤和降采样。
4.根据权利要求1所述的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，其特征在于，所述步骤(2)中，在提取图像中的结构角点和边缘线特征时，需要计算图像的梯度并做阈值分割，然后使用RANSAC算法提取直线并计算直线的交点，交点即为角点，将直线上的点和角点作为图像上的特征点集，即二维特征点集。
5.根据权利要求1所述的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，其特征在于，所述步骤(2)中，在提取点云的角点和边缘线特征时，需要对点云进行分割，拟合，建立结构的三维模型，计算结构各个表面的交线和交点，交点即为角点，然后将交线离散化，离散化后的点和角点作为三维点云的特征点集，即三维特征点集。
6.根据权利要求1所述的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，其特征在于，所述步骤(3)中，基于直接线性变换并采用最近点迭代的方式将图像与点云配准，具体为：
首先选择所识别的角点，采用RANSAC算法，计算投影矩阵初始值Pinit，然后基于Pinit将三维空间中点云的三维特征点集投影到图像平面，然后采用kd-tree算法，找到图像中的二维特征点集与三维空间中的三维特征点集之间的一一对应关系，再基于这个对应关系，重新计算投影矩阵Piter；重复以上过程，直到图像中的二维特征点集和三维特征点集在图像平面的投影之间的距离最小，此时的投影矩阵Piter即为需要求的最终的投影矩阵Pult；最后，可根据Pult计算相机的位置参数。
7.根据权利要求1所述的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，其特征在于，所述步骤(5)中，所述的反向投影需要计算每一个由相机中心出发并经过图像上损伤区域中的一个像素的射线与三维模型的交点，采用AABB树加速搜索和计算交点的过程。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020986.5A CN113870326B (zh) | 2021-09-01 | 2021-09-01 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111020986.5A CN113870326B (zh) | 2021-09-01 | 2021-09-01 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113870326A true CN113870326A (zh) | 2021-12-31 |
| CN113870326B CN113870326B (zh) | 2023-11-28 |
Family
ID=78989185
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111020986.5A Active CN113870326B (zh) | 2021-09-01 | 2021-09-01 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113870326B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742776A (zh) * | 2022-03-30 | 2022-07-12 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
| CN115880243A (zh) * | 2022-12-02 | 2023-03-31 | 广东机电职业技术学院 | 基于3d点云分割的铁轨表面损伤检测方法、系统和介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067469A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军装甲兵工程学院 | 获取损伤零件缺损部位模型的系统 |
| CN110009610A (zh) * | 2019-03-27 | 2019-07-12 | 仲恺农业工程学院 | 一种水库大坝护坡表面损伤视觉检测方法及仿生装置 |
| CN110443840A (zh) * | 2019-08-07 | 2019-11-12 | 山东理工大学 | 实物表面采样点集初始配准的优化求解方法 |
| CN112001955A (zh) * | 2020-08-24 | 2020-11-27 | 深圳市建设综合勘察设计院有限公司 | 一种基于二维投影平面匹配约束的点云配准方法及系统 |
| CN112200915A (zh) * | 2020-10-30 | 2021-01-08 | 西安工业大学 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
| CN112686877A (zh) * | 2021-01-05 | 2021-04-20 | 同济大学 | 基于双目相机的三维房屋损伤模型构建测量方法及系统 |
-
2021
- 2021-09-01 CN CN202111020986.5A patent/CN113870326B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107067469A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军装甲兵工程学院 | 获取损伤零件缺损部位模型的系统 |
| CN110009610A (zh) * | 2019-03-27 | 2019-07-12 | 仲恺农业工程学院 | 一种水库大坝护坡表面损伤视觉检测方法及仿生装置 |
| CN110443840A (zh) * | 2019-08-07 | 2019-11-12 | 山东理工大学 | 实物表面采样点集初始配准的优化求解方法 |
| CN112001955A (zh) * | 2020-08-24 | 2020-11-27 | 深圳市建设综合勘察设计院有限公司 | 一种基于二维投影平面匹配约束的点云配准方法及系统 |
| CN112200915A (zh) * | 2020-10-30 | 2021-01-08 | 西安工业大学 | 一种基于靶标三维模型纹理影像的前后形变量检测方法 |
| CN112686877A (zh) * | 2021-01-05 | 2021-04-20 | 同济大学 | 基于双目相机的三维房屋损伤模型构建测量方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 孟敏;李嘉;陈小浩;田建;: "点云中角点的自动提取算法研究", 测绘工程, no. 01 * |
| 徐照;李苏豪;陈楠;李启明;: "基于点云的建筑物表面损伤三维重建与属性提取方法", 土木工程与管理学报, no. 03 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114742776A (zh) * | 2022-03-30 | 2022-07-12 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
| CN114742776B (zh) * | 2022-03-30 | 2024-03-15 | 西安交通大学 | 一种机床加工刀具三维磨破损在线监测方法 |
| CN115880243A (zh) * | 2022-12-02 | 2023-03-31 | 广东机电职业技术学院 | 基于3d点云分割的铁轨表面损伤检测方法、系统和介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113870326B (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Morgenthal et al. | Framework for automated UAS-based structural condition assessment of bridges | |
| CN109410256B (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
| CN110222626B (zh) | 一种基于深度学习算法的无人驾驶场景点云目标标注方法 | |
| WO2021143778A1 (zh) | 一种基于激光雷达的定位方法 | |
| CN110118526B (zh) | 一种支持实时监测的船载砂石体积自动计算方法 | |
| Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
| 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 | |
| CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
| CN107978017B (zh) | 基于框线提取的室内结构快速建模方法 | |
| CN104574393A (zh) | 一种三维路面裂缝图像生成系统和方法 | |
| CN105574527A (zh) | 一种基于局部特征学习的快速物体检测方法 | |
| 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 | |
| Tarsha Kurdi et al. | Automatic filtering and 2D modeling of airborne laser scanning building point cloud | |
| CN113487722A (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 | |
| CN111489416A (zh) | 隧道轴线拟合方法及在超欠挖方量计算上的应用 | |
| JP2023530449A (ja) | 空中と地上の位置合わせのためのシステムおよび方法 | |
| JP7033439B2 (ja) | 石垣管理システム、石垣管理方法及びコンピュータプログラム | |
| CN115019010A (zh) | 一种基于三维激光扫描+bim技术的隧道结构病害展示方法 | |
| Dahaghin et al. | Precise 3D extraction of building roofs by fusion of UAV-based thermal and visible images | |
| Motayyeb et al. | Fusion of UAV-based infrared and visible images for thermal leakage map generation of building facades | |
| Demir | Automated detection of 3D roof planes from Lidar data | |
| Ebrahimikia et al. | True orthophoto generation based on unmanned aerial vehicle images using reconstructed edge points | |
| Dos Santos et al. | Building boundary extraction from LiDAR data using a local estimated parameter for alpha shape algorithm | |
| CN114549780B (zh) | 一种基于点云数据的大型复杂构件智能化检测方法 | |
| CN114202631A (zh) | 一种岩石二次破碎作业中岩石作业面与作业点的确定方法 |
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 |