CN114119488A - 一种面向工厂化的预制叠合板尺寸质量智能检测方法 - Google Patents
一种面向工厂化的预制叠合板尺寸质量智能检测方法 Download PDFInfo
- Publication number
- CN114119488A CN114119488A CN202111269803.3A CN202111269803A CN114119488A CN 114119488 A CN114119488 A CN 114119488A CN 202111269803 A CN202111269803 A CN 202111269803A CN 114119488 A CN114119488 A CN 114119488A
- Authority
- CN
- China
- Prior art keywords
- straight line
- point cloud
- point
- img
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 229910000831 Steel Inorganic materials 0.000 claims abstract description 107
- 239000010959 steel Substances 0.000 claims abstract description 107
- 230000009466 transformation Effects 0.000 claims abstract description 27
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 26
- 229910001294 Reinforcing steel Inorganic materials 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 59
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000002787 reinforcement Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 206010034701 Peroneal nerve palsy Diseases 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 235000009508 confectionery Nutrition 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000003708 edge detection Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 238000007619 statistical method Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000003014 reinforcing effect Effects 0.000 description 19
- 238000005259 measurement Methods 0.000 description 6
- 239000002131 composite material Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/143—Segmentation; Edge detection involving probabilistic approaches, e.g. Markov random field [MRF] modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/168—Segmentation; Edge detection involving transform domain methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E04—BUILDING
- E04B—GENERAL BUILDING CONSTRUCTIONS; WALLS, e.g. PARTITIONS; ROOFS; FLOORS; CEILINGS; INSULATION OR OTHER PROTECTION OF BUILDINGS
- E04B5/00—Floors; Floor construction with regard to insulation; Connections specially adapted therefor
- E04B5/16—Load-carrying floor structures wholly or partly cast or similarly formed in situ
- E04B5/32—Floor structures wholly cast in situ with or without form units or reinforcements
- E04B5/36—Floor structures wholly cast in situ with or without form units or reinforcements with form units as part of the floor
- E04B5/38—Floor structures wholly cast in situ with or without form units or reinforcements with form units as part of the floor with slab-shaped form units acting simultaneously as reinforcement; Form slabs with reinforcements extending laterally outside the element
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种面向工厂化的预制叠合板尺寸质量智能检测方法，属于信息技术领域与建筑安全管理领域，包括：S101、对单个叠合板进行定区域扫描，得到叠合板点云数据；S102、对点云噪声进行处理，删除在空间中分布稀疏的离散点；S103、去除背景点云，得到去除背景后的叠合板点云数据；S104、基于适当的图片尺寸得到xoy平面的灰度图像；S105、基于检测到的直线做仿射变换矫正倾斜点云；S106、计算两对平行直线间距离得到叠合板的长度和宽度；S107、拟合钢筋在二维平面上的直线；S108、计算每个钢筋的出筋长度；计算四边钢筋间距；S109、提取叠合板上部的桁架钢筋；S110、计算得到每个桁架钢筋到叠合板的高度。本发明能够完成预制叠合板尺寸质量的智能检测。
Description
技术领域
本发明属于信息技术与建筑安全管理领域，具体涉及一种面向工厂化的预制叠合板尺寸质量智能检测方法。
背景技术
预制构件厂生产的预制叠合板构件在运输至现场施工前，常需要进行尺寸质量检测。传统的尺寸质量检测方法是由工人利用卷尺等设备进行测量，效率低且存在主观误差，无法与高效的构件生产率相平衡。因此，需要提出一种面向工厂化的预制叠合板尺寸质量智能检测方法来解决人工测量效率低的问题。
近几年，三维激光扫描技术逐渐兴起，并凭借其高精度、高效率的优势成为非接触测量的代表之一。三维激光扫描仪通过向被测物体发射激光束，并检测反射光束的方式获取被测物体的点云数据，通过处理点云数据，可以得到被测物体的几何信息。目前，三维激光扫描技术已经广泛用于建筑构件的质量检测、三维建筑模型重建、施工进度管理等方面。因此，通过三维激光扫描技术可以实现对预制叠合板的快速扫描，并通过相应的数据处理手段可快速获得构件尺寸信息以达到尺寸质量检测的目的。然而，获取预制叠合板的完整点云数据需要从不同的角度进行多次扫描，并在点云处理软件中完成点云数据拼接以及构件点云数据提取，这种方法耗时较长，数据处理繁琐。因此针对部分尺寸测量要求，需提出一种面向工厂化的预制叠合板尺寸质量智能检测方法，使用激光扫描仪对叠合板进行定区域的快速扫描，并通过高效地处理点云数据获得构件尺寸信息。
发明内容
针对目前人工检测预制叠合板尺寸质量效率低下的问题，本发明基于三维激光扫描技术，提供了一种面向工厂化的预制叠合板尺寸质量智能检测方法。
本发明采用了以下的方法方案：
S101、将叠合板放置于传送带上，使用三维激光扫描仪对单个叠合板进行定区域扫描，得到叠合板点云数据；
S102、针对S101的扫描叠合板点云数据，使用统计滤波器对点云噪声进行处理，删除在空间中分布稀疏的离散点。
S103、针对步骤S102提取的点云数据，使用RANSAC算法去除背景点云，得到去除背景后的叠合板点云数据；
S104、针对步骤S103得到的叠合板点云数据，基于适当的图片尺寸将其映射到xoy二维空间，得到xoy平面的灰度图像；
S105、使用HOUGH直线检测算法检测步骤S104得到的xoy平面的灰度图像，基于检测到的直线做仿射变换矫正倾斜点云；
S106、针对步骤S105仿射变换后的点云，获取点云在xoy平面上的灰度图像，检测叠合板在二维图像上的边缘直线，计算两对平行直线间的距离得到叠合板的长度和宽度；
S107、基于步骤S106检测到的直线提取叠合板四边钢筋，使用DBSCAN算法提取单个钢筋，将每个钢筋的投影到xoy平面上，根据钢筋二维数据(包含x，y坐标值)使用RANSAC算法拟合钢筋在二维平面上的直线。
S108、针对步骤S107拟合的单个钢筋在xoy平面上的直线，获取拟合直线与叠合板边缘直线的交点和拟合直线另一侧端点作为钢筋两端点，计算两端点距离得到每个钢筋的出筋长度。计算相邻钢筋拟合直线间的间距，得到四边钢筋间距；
S109、针对步骤S105的点云数据，获取删除四边钢筋的叠合板点云数据，将其映射到yoz平面上得到灰度图像，检测叠合板在yoz二维图像上的上表面直线，基于直线提取叠合板上部的桁架钢筋；
S110、针对步骤S109提取的桁架钢筋，将桁架钢筋投影到yoz平面上，使用Shi-Tomasi算法获取桁架钢筋的顶点，使用RANSAC算法对叠合板进行平面拟合，计算检测到的每个桁架钢筋的最高的顶点到拟合的叠合板平面的距离，得到每个桁架钢筋到叠合板的高度；
优选地，步骤S101包括：
对单个叠合板进行点云数据采集时，将叠合板置于传送带上，激光扫描仪被固定在龙门架上，在叠合板正上方对其从上至下进行定区域扫描，获得单个叠合板扫描点云数据。
优选地，步骤S102包括：
从激光扫描仪收集数据时，可能会出现点云包含要消除的噪声和伪影的情况；使用统计滤波器对每一点的邻域进行统计分析，基于点到所有邻近点的距离分布特征，过滤掉一些不满足要求的离群点；统计滤波算法对整个输入进行两次迭代：在第一次迭代中，它将计算每个点到最近k个近邻点的平均距离，得到的结果符合高斯分布；接下来，计算所有这些距离的平均值μ和标准差σ以确定距离阈值thresh_d，且thresh_d＝μ+k·σ；在下一次迭代中，如果这些点的平均邻域距离分别低于或高于该阈值，则这些点将被分类为内点或离群点并被去除。
优选地，步骤S103包括：
使用RANSAC算法去除背景点云，即对背景点云进行平面拟合，提取平面外的点云数据；所述RANSAC算法原理如下：算法输入一组观测点集Ω，在Ω中随机选取n个点，拟合模型model，此处为平面方程，得到最初的模型；统计在容限误差内的点的数量；再次在Ω中随机选取n个点，再次拟合模型；统计在容限误差d_thresh内的点数量并将其记为内点，此处d_thresh是点到拟合平面的距离；如果内点数量增加，则将旧模型更新为新的模型；如果内点数量减少，则进入下一次迭代；直到第k次迭代为止输出拟合的最优模型，k是算法规定的最大遍历次数；输出背景点云并删除，得到叠合板点云数据。
优选地，步骤S104包括：
生成二维灰度图像，以将点云数据映射到xoy平面生成二维图像为例，设置分辨率res，将点云坐标(x,y)映射到图像坐标系中，首先计算二维图像中新的坐标值：
x_img＝x/res
y_img＝y/res
再将x_img和y_img取整；
为避免图像坐标为负数，需要对数据进行平移：
x_img'＝x_img-x_min-a
y_img'＝y_img-y_min-b
其中x_min和y_min分别是二维图像坐标值x_img和y_img中的最小值；a和b的设定是为了将点云投影到图像适合的中间位置处；设置图像数组高度值和宽度值分别为：
imx＝max(x_img')+2a
imy＝max(y_img')+2b
其中max(x_img′)和max(y_img′)分别是二维图像坐标值x_img'和y_img'中的最大值；
最后将点云数据，z坐标值，代表高度，填充到图像像素上去；即根据点的高度填充到图像上，调整在0-255之间；像素值计算公式如下：
pixel_values＝((z-zmin)/(zmax-zmin))*255
再将pixel_values取整；根据预先设置的图像数组的高度值和宽度值创建图像数组，将像素值根据二维坐标值(x_img',y_img')填充到对应的图像数组中，得到点云映射到xoy平面上的灰度图像。
优选地，步骤S105包括：
基于步骤S104检测到的叠合板下边缘直线，对叠合板点云数据进行仿射变换，实现在二维xoy平面上矫正点云数据；HOUGH算法检测直线的基本原理为：使用霍夫变换将图像坐标空间变换到参数空间，来实现直线拟合；在参数空间相交于同一点的所有直线，在图像坐标空间都有共线的点与之对应；根据这个特性，给定图像坐标空间的一些边缘点，就可以通过HOUGH变换确定连接这些点的直线方程；在图像x-y坐标系中，将经过点(xi,yi)的直线y＝kxi+b变换到参数空间k-b中：
b＝-kxi+y
可见在x-y坐标系空间中一条直线上的点在k-b参数空间中会相交于一点；直线检测算法首先使用Candy进行边缘检测，得到一副边缘图像；对于图像中的每一个边缘点都可以在k-b空间中划出一条直线；对于在各直线的交点，采取“投票”的方法；建立一个二维累加数组A(k,b)，对于有n条直线的交点(ki,bi)有A(ki,bi)＝n，设定直线检测的阈值n0就可以检测出满足A(ki,bi)＝n＞n0的所有直线；标准直线HOUGH变换采用如下参数化直线方程：
rho＝x·cos(theta)+y·sin(theta)
HOUGH直线检测算法检测到的下边缘直线的输出参数是极径rho和极角theta；矫正点云数据的仿射变换旋转角度为θ，它与极角theta的关系是θ＝theta，设仿射变换前点云数据在坐标系p下的坐标值是(x,y)，以点(tx,ty)作为基点，此步骤中选择叠合板二维平面上左下角的点作为基点，仿射变换后点云数据在坐标系p'下的坐标值是(x',y')，仿射变换公式可以表示为：
其中仿射变换矩阵
优选地，步骤S106包括：
检测到叠合板边缘的四条直线中包含两对平行直线，基于直线截距b计算得到叠合板长度和宽度；直线截距可根据直线检测输参数极径rho和极角theta计算如下：
叠合板长度和宽度计算公式如下：
h＝|bup-bbotom|·res
w＝|bleft-bright|·res
其中bup是上边缘直线截距，bbottom是下边缘直线截距，bleft是左边缘直线截距，bright是右边缘直线截距，res是分辨率。
优选地，步骤S107包括：
基于yoz平面上的叠合板灰度图像检测直线提取四边钢筋，叠合板直线斜率和截距计算公式如下：
对于叠合板投影到xoy平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
上边缘直线：yup＝kup·x_img+bup
下边缘直线:ybottom＝kbottom·x_img+bbottom
左边缘直线：yleft＝kleft·x_img+bleft
右边缘直线：yright＝kright·x_img+bright
添加判断条件{y_img＞yup或者y_img＜ybotom}和{y_img＞yright或者y_img＜yleft}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的四边钢筋点云；
使用DBSCAN对四边钢筋进行聚类，对单个钢筋点云的二维数据(x,y)应用RANSAC算法拟合直线；所述DBCSCAN算法原理如下：DBSCAN通过检查点集Ω中每个点的ε邻域来搜索簇，如果点p的ε邻域包含多于MinPts个点，则创建一个以p为核心对象的簇C，完成点云数据分类。
优选地，S108包括：
分类后的单个钢筋点云已在二维平面上做了仿射变换的矫正，步骤S106已经检测出叠合板四条边缘直线；对左边钢筋提取钢筋拟合直线上x坐标值最小的点以及钢筋直线和叠合板左边缘直线的交点，对左边钢筋提取钢筋拟合直线上x坐标值最大的点以及钢筋直线和叠合板右边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最大的点以及钢筋直线和叠合板上边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最小的点以及钢筋直线和叠合板下边缘拟合直线的交点，完成四边钢筋两端点的获取；钢筋拟合直线是y＝k·x+b；叠合板拟合直线是y＝k1·x+b1，计算钢筋直线与叠合板直线交点如下：
获取端点记为(x1,y2)和(x2,y2)，每条钢筋出筋长度计算如下：
计算相邻钢筋间距的方法描述如下：假定相邻钢筋拟合直线l1和l2上端点分别为(x1,y1)、(x2,y2)和(x3,y3)、(x4,y4)，分别计算两端点到相邻钢筋拟合直线的垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)；
以计算垂足(x1d,y1d)为例，计算直线l2单位方向向量(m,n)，计算公式如下：
t＝(m*(x1-x3)+n*(y1-y3))/(m2+n2)
则垂足坐标为：
得到四个垂足坐标后，再分别计算垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)的中点，得到垂足中点(xd1,yd1)和(xd2,yd2)；计算垂足中点间距离得到相邻钢筋间距测量值：
优选地，步骤S109包括：
针对S105步骤中矫正后的点云删除S106步骤提取的四边钢筋点云，获得仅包含上部桁架钢筋的叠合板点云数据；获取点云在yoz平面上的灰度图像；基于yoz平面上的灰度图像检测直线提取叠合板上部桁架钢筋，叠合板直线斜率和截距计算公式如下：
对于叠合板投影到yoz平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
y＝k·x_img+b
添加判断条件{y_img>y}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的桁架钢筋点云。
优选地，步骤S110包括：
使用Shi-Tomasi算法逐个计算像素点的响应；在所有的像素点中，选择响应值最大的一定比例的点作为角点；所述Shi-Tomasi算法的基本原理为如下：首先，分别计算图像在x方向和y方向的梯度，计算公式为：
然后，基于图像梯度计算矩阵M，计算公式为：
其中w为窗口内像素点的权重，可以使用高斯函数计算权重：
wu,v＝exp-(u2+v2)/2σ2
接着，计算每个像素的响应R：
R＝min(A,B)
Shi-Tomasi算法认为若两个特征值A和B中较小的一个大于最小阈值，则会得到强角点；
采用DBSCAN对Shi-Tomasi算法提取的每个桁架钢筋的角点进行聚类，提取每个聚类块i中z坐标值最大的角点(xi,yi,zi)；使用RANSAC算法拟合叠合板平面，得到叠合板平面方程z-h0＝0；计算角点到拟和平面的距离得到对应的桁架钢筋的高度hi：
hi＝|zi-h0|。
附图说明
图1为本发明公开一种面向工厂化的预制叠合板尺寸质量智能检测方法的流程图；
图2为本发明实施实例的预制叠合板的扫描方案示例图；
图3为本发明实施实例的叠合板在xoy平面上投影得到的二维图像直线检测结果；
图4为本发明实施实例的叠合板在yoz平面上投影得到的二维图像直线检测结果；
图5为本发明实施示例的检测四边钢筋时对四边钢筋(x,y)数据的直线拟合结果；
图6为本发明实施示例的基于Shi-Tomasi算法检测的桁架钢筋的角点；
图7为本发明实施示例的预制叠合板BIM模型的俯视图；
图8为本发明实施示例的预制叠合板BIM模型的前视图。
具体实施方式
下面结合附图和实施实例对本发明作详细说明。
如图1所示，本发明公开了一种面向工厂化的预制叠合板尺寸质量智能检测方法的流程图；
S101、将叠合板放置于传送带上，使用三维激光扫描仪得到叠合板点云数据；
具体实施时，如图2所示将叠合板置于传送带上，将扫描仪固定在龙门架上，在叠合板的正上方对叠合板从上到下进行定区域扫描，获取叠合板扫描点云数据。
S102、针对S101的扫描叠合板点云数据，使用统计滤波器对点云噪声进行处理，删除在空间中分布稀疏的离散点。
具体实施时，使用统计滤波器删除与点云的平均值相比更远离其邻居的点。设置输入k邻域参数k＝100。完成离散点去除的点云数据预处理工作。
S103、针对步骤S102提取的点云数据，使用RANSAC算法去除背景点云，得到去除背景后的叠合板点云数据；
具体实施时，使用RANSAC算法拟合背景点云，设置点到一个估计平面的最大距离参数d_thresh＝0.1，随机采样的点数参数n＝5；最大迭代次数，num_iterations＝1000完成去除背景点云工作。得到扫描叠合板点云数据。
S104、针对步骤S103得到的叠合板点云数据，基于适当的图片尺寸将其映射到xoy二维空间，得到xoy平面的灰度图像；
具体实施时，设定分辨率res＝0.001。
S105、使用HOUGH直线检测算法检测步骤S104得到的xoy平面的灰度图像，基于检测到的直线做仿射变换矫正倾斜点云；
具体实施时，设定直线检测的阈值n0＝230，检测出四条叠合板边缘直线，HOUGH直线检测算法检测到的下边缘直线的输出参数是极径rho和极角theta。矫正点云数据的仿射变换旋转角度为θ，它与极角theta的关系是θ＝theta，设仿射变换前点云数据在坐标系p下的坐标值是(x,y)，以点(tx,ty)作为基点(此步骤中选择叠合板二维平面上左下角的点作为基点)，仿射变换后点云数据在坐标系p'下的坐标值是(x',y')，仿射变换公式可以表示为：
其中仿射变换矩阵
S106、针对步骤S105仿射变换后的点云，获取点云在xoy平面上的灰度图像，检测叠合板在二维图像上的边缘直线，计算两对平行直线间的距离得到叠合板的长度和宽度；
具体实施时，设定直线检测的阈值n0＝70，检测到叠合板边缘的四条直线，如图3所示。基于四条直线截距b计算得到叠合板长度和宽度。直线截距根据直线检测输参数极径rho和极角theta计算如下：
叠合板长度和宽度计算公式如下：
h＝|bup-bbotom|·res
w＝|bleft-bright|·res
其中上边缘直线截距bup＝4511，下边缘直线截距bbottom＝1686，左边缘直线截距bleft＝4107，右边缘直线截距bright＝5615，分辨率res＝0.001。
实施实例中的检测长度与宽度与人工测量结果如表1所示。
表1
S107、基于步骤S106检测到的直线提取叠合板四边钢筋，使用DBSCAN算法提取单个钢筋，将每个钢筋的投影到xoy平面上，根据钢筋二维数据(包含x，y坐标值)使用RANSAC算法拟合钢筋在二维平面上的直线；
具体实施时，基于xoy平面上的叠合板灰度图像检测直线提取四边钢筋，叠合板直线斜率和截距计算公式如下：
对于叠合板投影到xoy平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
上边缘直线：yup＝kup·x_img+bup
下边缘直线:ybottom＝kbottom·x_img+bbottom
左边缘直线：yleft＝kleft·x_img+bleft
右边缘直线：yright＝kright·x_img+bright
添加判断条件{y_img＞yup或者y_img＜ybotom}和{y_img＞yright或者y_img＜yleft}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的四边钢筋点云。
使用DBSCAN对四边钢筋分类提取单个钢筋，设置ε邻域和MinPts参数为ε＝0.01、MinPts＝100。完成钢筋点云数据分类。如图5所示对每条钢筋二维数据(x,y)使用RANSAC算法拟合直线。
S108、针对步骤S107拟合的单个钢筋在xoy平面上的直线，获取拟合直线与叠合板边缘直线的交点和拟合直线另一侧端点作为钢筋两端点，计算两端点距离得到每个钢筋的出筋长度。计算相邻钢筋拟合直线间的间距，得到四边钢筋间距；
具体实施时，针对分类后的单个钢筋点云，对左边钢筋提取钢筋拟合直线上x坐标值最小的点以及钢筋直线和叠合板左边缘直线的交点，对左边钢筋提取钢筋拟合直线上x坐标值最大的点以及钢筋直线和叠合板右边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最大的点以及钢筋直线和叠合板上边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最小的点以及钢筋直线和叠合板下边缘拟合直线的交点，完成四边钢筋两端点的获取，端点已在图5中进行展示。钢筋拟合直线是y＝k·x+b。叠合板拟合直线是y＝k1·x+b1，计算钢筋直线与叠合板直线交点如下：
获取端点记为(x1,y2)和(x2,y2)，每条钢筋出筋长度计算如下：
实施实例中的钢筋出筋长度检测值与人工测量结果如表2所示。
表2
计算相邻钢筋间距的方法描述如下。假定相邻钢筋拟合直线l1和l2上端点分别为(x1,y1)、(x2,y2)和(x3,y3)、(x4,y4)，分别计算两端点到相邻钢筋拟合直线的垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)。以计算垂足(x1d,y1d)为例，计算直线l2单位方向向量(m,n)，计算公式如下：
t＝(m*(x1-x3)+n*(y1-y3))/(m2+n2)
则垂足坐标为：
得到四个垂足坐标后，再分别计算垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)的中点，得到垂足中点(xd1,yd1)和(xd2,yd2)。计算垂足中点间距离得到相邻钢筋间距测量值：
实施实例中的相邻钢筋间距检测值与人工测量结果如表3所示。
表3
S109、针对步骤S105的点云数据，获取删除四边钢筋的叠合板点云数据，将其映射到yoz平面上得到灰度图像，检测叠合板在yoz二维图像上的上表面直线，基于直线提取叠合板上部的桁架钢筋；
具体实施时，针对S105步骤中矫正后的点云删除S106步骤提取的四边钢筋点云，获得仅包含上部桁架钢筋的叠合板点云数据。设置分辨率res＝0.001获取点云在yoz平面上的灰度图像，使用HOUGH算法检测直线，设定直线检测的阈值n0＝1000，HOUGH直线检测算法检测到的上边缘直线如图4所示，直线参数是极径rho和极角theta，叠合板上边缘直线斜率和截距计算公式如下：
对于叠合板投影到yoz平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
y＝k·x_img+b
添加判断条件{y_img>y}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的桁架钢筋点云。
S110、针对步骤S109提取的桁架钢筋，将桁架钢筋投影到yoz平面上，使用Shi-Tomasi算法获取桁架钢筋的顶点，使用RANSAC算法对叠合板进行平面拟合，计算检测到的每个桁架钢筋的最高的顶点到拟合的叠合板平面的距离，得到每个桁架钢筋到叠合板的高度；
具体实施时，使用Shi-Tomasi算法逐个计算像素点的响应。在所有的像素点中，选择响应值最大的一定比例的点作为角点。Shi-Tomasi算法首先分别计算图像在x方向和y方向的梯度，计算公式为：
然后，基于图像梯度计算矩阵M，计算公式为：
其中w为窗口内像素点的权重，可以使用高斯函数计算权重：
wu,v＝exp-(u2+v2)/2σ2
接着，计算每个像素的响应R：
R＝min(A,B)
Shi-Tomasi算法根据响应值R＞thresh得到强角点，角点检测结果如图6所示。
采用DBSCAN对Shi-Tomasi算法提取的每个桁架钢筋的角点进行聚类，设置ε邻域和MinPts参数为ε＝0.01、MinPts＝100。提取每个聚类块i中z坐标值最大的角点(xi,yi,zi)。使用RANSAC算法拟合叠合板平面，设置点到估计平面的最大距离参数d_thresh＝0.1，随机采样的点数参数n＝5；最大迭代次数num_iterations＝1000，得到叠合板平面方程z-h0＝0，h0＝537.35。计算角点到拟和平面的距离得到对应的桁架钢筋的高度hi：
hi＝|zi-h0|。
实施实例中的桁架钢筋高度检测值如表4所示。
表4
上述实验效果证明，本发明公开的一种面向工厂化的预制叠合板尺寸质量智能检测方法能够完成预制叠合板尺寸质量的智能检测，能够使用计算机计算出叠合板的长度宽度、四边钢筋出筋长度、四边钢筋间距和桁架钢筋高度，完成叠合板的尺寸质量检测，本发明所述方法是切实有效的。
上述仅是本发明优选的实施方式，需要指出的是，对于本领域技术人员在不脱离本方法方案的前提下，还可以进行若干变形和改进，上述变形和改进的方法方案应同样视为落入本申请要求保护的范围。
Claims (11)
1.一种面向工厂化的预制叠合板尺寸质量智能检测方法，其特征在于，包括以下步骤：
S101、将叠合板放置于传送带上，使用三维激光扫描仪对单个叠合板进行定区域扫描，得到叠合板点云数据；
S102、针对S101的扫描叠合板点云数据，使用统计滤波器对点云噪声进行处理，删除在空间中分布稀疏的离散点；
S103、针对步骤S102提取的点云数据，使用RANSAC算法去除背景点云，得到去除背景后的叠合板点云数据；
S104、针对步骤S103得到的叠合板点云数据，基于适当的图片尺寸将其映射到xoy二维空间，得到xoy平面的灰度图像；
S105、使用HOUGH直线检测算法检测步骤S104得到的xoy平面的灰度图像，基于检测到的直线做仿射变换矫正倾斜点云；
S106、针对步骤S105仿射变换后的点云，获取点云在xoy平面上的灰度图像，检测叠合板在二维图像上的边缘直线，计算两对平行直线间的距离得到叠合板的长度和宽度；
S107、基于步骤S106检测到的直线提取叠合板四边钢筋，使用DBSCAN算法提取单个钢筋，将每个钢筋的投影到xoy平面上，根据钢筋二维数据，包含x，y坐标值，使用RANSAC算法拟合钢筋在二维平面上的直线；
S108、针对步骤S107拟合的单个钢筋在xoy平面上的直线，获取拟合直线与叠合板边缘直线的交点和拟合直线另一侧端点作为钢筋两端点，计算两端点距离得到每个钢筋的出筋长度；计算相邻钢筋拟合直线间的间距，得到四边钢筋间距；
S109、针对步骤S105的点云数据，获取删除四边钢筋的叠合板点云数据，将其映射到yoz平面上得到灰度图像，检测叠合板在yoz二维图像上的上表面直线，基于直线提取叠合板上部的桁架钢筋；
S110、针对步骤S109提取的桁架钢筋，将桁架钢筋投影到yoz平面上，使用Shi-Tomasi算法获取桁架钢筋的顶点，使用RANSAC算法对叠合板进行平面拟合，计算检测到的每个桁架钢筋的最高的顶点到拟合的叠合板平面的距离，得到每个桁架钢筋到叠合板的高度。
2.根据权利要求1所述的一种面向工厂化的预制叠合板尺寸质量智能检测方法，其特征在于，步骤S101包括：
对单个叠合板进行点云数据采集时，将叠合板置于传送带上，激光扫描仪被固定在龙门架上，在叠合板正上方对其从上至下进行定区域扫描，获得单个叠合板扫描点云数据。
3.根据权利要求1所述的一种面向工厂化的预制叠合板尺寸质量智能检测方法，其特征在于，步骤S102包括：
从激光扫描仪收集数据时，可能会出现点云包含要消除的噪声和伪影的情况；使用统计滤波器对每一点的邻域进行统计分析，基于点到所有邻近点的距离分布特征，过滤掉一些不满足要求的离群点；统计滤波算法对整个输入进行两次迭代：在第一次迭代中，它将计算每个点到最近k个近邻点的平均距离，得到的结果符合高斯分布；接下来，计算所有这些距离的平均值μ和标准差σ以确定距离阈值thresh_d，且thresh_d＝μ+k·σ；在下一次迭代中，如果这些点的平均邻域距离分别低于或高于该阈值，则这些点将被分类为内点或离群点并被去除。
4.根据权利要求1所述的一种面向工厂化的预制叠合板尺寸质量智能检测方法，其特征在于，步骤S103包括：
使用RANSAC算法去除背景点云，即对背景点云进行平面拟合，提取平面外的点云数据；所述RANSAC算法原理如下：算法输入一组观测点集Ω，在Ω中随机选取n个点，拟合模型model，此处为平面方程，得到最初的模型；统计在容限误差内的点的数量；再次在Ω中随机选取n个点，再次拟合模型；统计在容限误差d_thresh内的点数量并将其记为内点，此处d_thresh是点到拟合平面的距离；如果内点数量增加，则将旧模型更新为新的模型；如果内点数量减少，则进入下一次迭代；直到第k次迭代为止输出拟合的最优模型，k是算法规定的最大遍历次数；输出背景点云并删除，得到叠合板点云数据。
5.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S104包括：
生成二维灰度图像，以将点云数据映射到xoy平面生成二维图像为例，设置分辨率res，将点云坐标(x,y)映射到图像坐标系中，首先计算二维图像中新的坐标值：
x_img＝x/res
y_img＝y/res
再将x_img和y_img取整；
为避免图像坐标为负数，需要对数据进行平移：
x_img'＝x_img-x_min-a
y_img'＝y_img-y_min-b
其中x_min和y_min分别是二维图像坐标值x_img和y_img中的最小值；a和b的设定是为了将点云投影到图像适合的中间位置处；设置图像数组高度值和宽度值分别为：
imx＝max(x_img')+2a
imy＝max(y_img')+2b
其中max(x_img′)和max(y_img′)分别是二维图像坐标值x_img'和y_img'中的最大值；
最后将点云数据，z坐标值，代表高度，填充到图像像素上去；即根据点的高度填充到图像上，调整在0-255之间；像素值计算公式如下：
pixel_values＝((z-zmin)/(zmax-zmin))*255
再将pixel_values取整；根据预先设置的图像数组的高度值和宽度值创建图像数组，将像素值根据二维坐标值(x_img',y_img')填充到对应的图像数组中，得到点云映射到xoy平面上的灰度图像。
6.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S105包括：
基于步骤S104检测到的叠合板下边缘直线，对叠合板点云数据进行仿射变换，实现在二维xoy平面上矫正点云数据；HOUGH算法检测直线的基本原理为：使用霍夫变换将图像坐标空间变换到参数空间，来实现直线拟合；在参数空间相交于同一点的所有直线，在图像坐标空间都有共线的点与之对应；根据这个特性，给定图像坐标空间的一些边缘点，就可以通过HOUGH变换确定连接这些点的直线方程；在图像x-y坐标系中，将经过点(xi,yi)的直线y＝kxi+b变换到参数空间k-b中：
b＝-kxi+y
可见在x-y坐标系空间中一条直线上的点在k-b参数空间中会相交于一点；直线检测算法首先使用Candy进行边缘检测，得到一副边缘图像；对于图像中的每一个边缘点都可以在k-b空间中划出一条直线；对于在各直线的交点，采取“投票”的方法；建立一个二维累加数组A(k,b)，对于有n条直线的交点(ki,bi)有A(ki,bi)＝n，设定直线检测的阈值n0就可以检测出满足A(ki,bi)＝n＞n0的所有直线；标准直线HOUGH变换采用如下参数化直线方程：
rho＝x·cos(theta)+y·sin(theta)
HOUGH直线检测算法检测到的下边缘直线的输出参数是极径rho和极角theta；矫正点云数据的仿射变换旋转角度为θ，它与极角theta的关系是θ＝theta，设仿射变换前点云数据在坐标系p下的坐标值是(x,y)，以点(tx,ty)作为基点，此步骤中选择叠合板二维平面上左下角的点作为基点，仿射变换后点云数据在坐标系p'下的坐标值是(x',y')，仿射变换公式可以表示为：
其中仿射变换矩阵
7.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S106包括：
检测到叠合板边缘的四条直线中包含两对平行直线，基于直线截距b计算得到叠合板长度和宽度；直线截距可根据直线检测输参数极径rho和极角theta计算如下：
叠合板长度和宽度计算公式如下：
h＝|bup-bbotom|·res
w＝|bleft-bright|·res
其中bup是上边缘直线截距，bbottom是下边缘直线截距，bleft是左边缘直线截距，bright是右边缘直线截距，res是分辨率。
8.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S107包括：
基于yoz平面上的叠合板灰度图像检测直线提取四边钢筋，叠合板直线斜率和截距计算公式如下：
对于叠合板投影到xoy平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
上边缘直线：yup＝kup·x_img+bup
下边缘直线:ybottom＝kbottom·x_img+bbottom
左边缘直线：yleft＝kleft·x_img+bleft
右边缘直线：yright＝kright·x_img+bright
添加判断条件{y_img＞yup或者y_img＜ybotom}和{y_img＞yright或者y_img＜yleft}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的四边钢筋点云；
使用DBSCAN对四边钢筋进行聚类，对单个钢筋点云的二维数据(x,y)应用RANSAC算法拟合直线；所述DBCSCAN算法原理如下：DBSCAN通过检查点集Ω中每个点的ε邻域来搜索簇，如果点p的ε邻域包含多于MinPts个点，则创建一个以p为核心对象的簇C，完成点云数据分类。
9.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S108包括：
分类后的单个钢筋点云已在二维平面上做了仿射变换的矫正，步骤S106已经检测出叠合板四条边缘直线；对左边钢筋提取钢筋拟合直线上x坐标值最小的点以及钢筋直线和叠合板左边缘直线的交点，对左边钢筋提取钢筋拟合直线上x坐标值最大的点以及钢筋直线和叠合板右边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最大的点以及钢筋直线和叠合板上边缘拟合直线的交点，对上边钢筋提取钢筋拟合直线上y坐标值最小的点以及钢筋直线和叠合板下边缘拟合直线的交点，完成四边钢筋两端点的获取；钢筋拟合直线是y＝k·x+b；叠合板拟合直线是y＝k1·x+b1，计算钢筋直线与叠合板直线交点如下：
获取端点记为(x1,y2)和(x2,y2)，每条钢筋出筋长度计算如下：
计算相邻钢筋间距的方法描述如下：假定相邻钢筋拟合直线l1和l2上端点分别为(x1,y1)、(x2,y2)和(x3,y3)、(x4,y4)，分别计算两端点到相邻钢筋拟合直线的垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)；
以计算垂足(x1d,y1d)为例，计算直线l2单位方向向量(m,n)，计算公式如下：
t＝(m*(x1-x3)+n*(y1-y3))/(m2+n2)
则垂足坐标为：
得到四个垂足坐标后，再分别计算垂足(x1d,y1d)、(x2d,y2d)和(x3d,y3d)、(x4d,y4d)的中点，得到垂足中点(xd1,yd1)和(xd2,yd2)；计算垂足中点间距离得到相邻钢筋间距测量值：
10.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S109包括：
针对S105步骤中矫正后的点云删除S106步骤提取的四边钢筋点云，获得仅包含上部桁架钢筋的叠合板点云数据；获取点云在yoz平面上的灰度图像；基于yoz平面上的灰度图像检测直线提取叠合板上部桁架钢筋，叠合板直线斜率和截距计算公式如下：
对于叠合板投影到yoz平面上灰度图像，计算每一个像素点(x_img,y_img)中x_img对应于四条边缘直线上的值如下：
y＝k·x_img+b
添加判断条件{y_img>y}，返回满足条件的所有像素点索引值，根据索引值提取叠合板点云中的桁架钢筋点云。
11.根据权利要求1所述的一种基于点云数据的大型复杂构件智能化检测方法，其特征在于，步骤S110包括：
使用Shi-Tomasi算法逐个计算像素点的响应；在所有的像素点中，选择响应值最大的一定比例的点作为角点；所述Shi-Tomasi算法的基本原理为如下：首先，分别计算图像在x方向和y方向的梯度，计算公式为：
然后，基于图像梯度计算矩阵M，计算公式为：
其中w为窗口内像素点的权重，可以使用高斯函数计算权重：
wu,v＝exp-(u2+v2)/2σ2
接着，计算每个像素的响应R：
R＝min(A,B)
Shi-Tomasi算法认为若两个特征值A和B中较小的一个大于最小阈值，则会得到强角点；
采用DBSCAN对Shi-Tomasi算法提取的每个桁架钢筋的角点进行聚类，提取每个聚类块i中z坐标值最大的角点(xi,yi,zi)；使用RANSAC算法拟合叠合板平面，得到叠合板平面方程z-h0＝0；计算角点到拟和平面的距离得到对应的桁架钢筋的高度hi：
hi＝|zi-h0|。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269803.3A CN114119488B (zh) | 2021-10-29 | 2021-10-29 | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111269803.3A CN114119488B (zh) | 2021-10-29 | 2021-10-29 | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114119488A true CN114119488A (zh) | 2022-03-01 |
| CN114119488B CN114119488B (zh) | 2024-05-10 |
Family
ID=80379439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111269803.3A Active CN114119488B (zh) | 2021-10-29 | 2021-10-29 | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119488B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935081A (zh) * | 2021-08-31 | 2022-01-14 | 重庆大学 | 一种面向螺栓连接桥梁工程的连接板后制作方法 |
| CN115854883A (zh) * | 2022-11-09 | 2023-03-28 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
| CN116604699A (zh) * | 2023-07-19 | 2023-08-18 | 成都建工雅安建设有限责任公司 | 一种智能化叠合板预制系统 |
| CN116977274A (zh) * | 2023-05-22 | 2023-10-31 | 中山大学 | 适用于移动生产线上的坚果智能检测方法及系统 |
| WO2024066463A1 (zh) * | 2022-09-28 | 2024-04-04 | 中交第二航务工程局有限公司 | 一种基于双目视觉的钢筋间距的测量方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109903327A (zh) * | 2019-03-04 | 2019-06-18 | 西安电子科技大学 | 一种稀疏点云的目标物尺寸测量方法 |
| 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 |
| CN110763166A (zh) * | 2019-10-31 | 2020-02-07 | 江苏省建筑工程质量检测中心有限公司 | 一种用于预制混凝土叠合板表面粗糙度检测的测试系统及方法 |
| CN111561884A (zh) * | 2020-04-28 | 2020-08-21 | 昆山市建设工程质量检测中心 | 一种用于预制混凝土叠合板表面粗糙度检测的方法 |
-
2021
- 2021-10-29 CN CN202111269803.3A patent/CN114119488B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN109903327A (zh) * | 2019-03-04 | 2019-06-18 | 西安电子科技大学 | 一种稀疏点云的目标物尺寸测量方法 |
| CN110763166A (zh) * | 2019-10-31 | 2020-02-07 | 江苏省建筑工程质量检测中心有限公司 | 一种用于预制混凝土叠合板表面粗糙度检测的测试系统及方法 |
| CN111561884A (zh) * | 2020-04-28 | 2020-08-21 | 昆山市建设工程质量检测中心 | 一种用于预制混凝土叠合板表面粗糙度检测的方法 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113935081A (zh) * | 2021-08-31 | 2022-01-14 | 重庆大学 | 一种面向螺栓连接桥梁工程的连接板后制作方法 |
| CN113935081B (zh) * | 2021-08-31 | 2024-04-02 | 重庆大学 | 一种面向螺栓连接桥梁工程的连接板后制作方法 |
| WO2024066463A1 (zh) * | 2022-09-28 | 2024-04-04 | 中交第二航务工程局有限公司 | 一种基于双目视觉的钢筋间距的测量方法和系统 |
| CN115854883A (zh) * | 2022-11-09 | 2023-03-28 | 浙江大学 | 一种适用于长钢筋笼的自动化检测方法及装置 |
| 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 |
| CN116977274A (zh) * | 2023-05-22 | 2023-10-31 | 中山大学 | 适用于移动生产线上的坚果智能检测方法及系统 |
| CN116604699A (zh) * | 2023-07-19 | 2023-08-18 | 成都建工雅安建设有限责任公司 | 一种智能化叠合板预制系统 |
| CN116604699B (zh) * | 2023-07-19 | 2023-10-13 | 成都建工雅安建设有限责任公司 | 一种智能化叠合板预制系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114119488B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114119488B (zh) | 一种面向工厂化的预制叠合板尺寸质量智能检测方法 | |
| Guo et al. | Geometric quality inspection of prefabricated MEP modules with 3D laser scanning | |
| CN109410256B (zh) | 基于互信息的点云与影像自动高精度配准方法 | |
| CN108846888B (zh) | 一种古木建筑构件精细尺寸信息自动化提取方法 | |
| Xu et al. | Reconstruction of scaffolds from a photogrammetric point cloud of construction sites using a novel 3D local feature descriptor | |
| CN110443836A (zh) | 一种基于平面特征的点云数据自动配准方法及装置 | |
| CN107767456A (zh) | 一种基于rgb‑d相机的物体三维重建方法 | |
| Boulaassal et al. | Automatic extraction of planar clusters and their contours on building façades recorded by terrestrial laser scanner | |
| CN110060338B (zh) | 一种基于bim模型的预制构件点云识别方法 | |
| CN109685886A (zh) | 一种基于混合现实技术的配网三维场景建模方法 | |
| CN110276732B (zh) | 一种顾及地形特征线要素的山区点云空洞修复方法 | |
| CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
| CN115100116A (zh) | 一种基于三维点云的板材缺陷检测方法 | |
| CN113538501A (zh) | 低空图像dsm生成建筑物边缘精细化方法 | |
| CN116188544A (zh) | 一种结合边缘特征的点云配准方法 | |
| Li et al. | A deep learning-based indoor acceptance system for assessment on flatness and verticality quality of concrete surfaces | |
| JP2019095821A (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 | |
| 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 | |
| CN112907601B (zh) | 一种基于特征变换的隧道拱架点云自动提取方法及装置 | |
| CN114612412A (zh) | 三维点云数据的处理方法及其用途、电子设备、存储介质 | |
| CN108053485B (zh) | 一种基于轮廓图像的马铃薯三维建模方法 | |
| CN114549780B (zh) | 一种基于点云数据的大型复杂构件智能化检测方法 | |
| CN115937149A (zh) | 一种基于三角网格化的墙面局部偏差自动化检测方法 | |
| CN116051771A (zh) | 一种基于无人机倾斜摄影模型的光伏bim屋顶自动建模方法 | |
| Vosselman | Interactive alignment of parameterised object models to images |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cao Qian Inventor after: Hu Shenlin Inventor after: Li Dongsheng Inventor after: Li Yang Inventor after: Chen Bo Inventor after: Fu Lihua Inventor before: Cao Qian Inventor before: Hu Shenlin Inventor before: Li Dongsheng Inventor before: Li Yang Inventor before: Chen Bo Inventor before: Fu Lihua |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |