CN114663403A - 基于密集扫描数据的预制构件拼装面局部缺陷识别方法 - Google Patents

Abstract

一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其包含：步骤一：扫描目标扫描构件获取边界点数据集Q₀和激光点云数据集Q₁；步骤二：利用测量数据与理论模型的耦合算法，找出所有数据异常点，得到异常点集合Q_△0；步骤三：将异常点数据集Q_△0中合理存在的异常点进行排除，形成修正异常点数据集Q_△1；步骤四：遍历修正异常点数据集Q_△1，逐个取出修正异常点数据集Q_△1中的坐标点，判定是否为局部缺陷点并存入到局部缺陷点数据集Q_△；由此，本发明能针对混凝土预制构件进行局部缺陷点的识别，有效提高效率和准确度，可适用于大型构件，也可用于小体积构件，应用更为广泛。

Description

基于密集扫描数据的预制构件拼装面局部缺陷识别方法

技术领域

本发明涉及混凝土预制构件拼装识别的技术领域，尤其涉及一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法。

背景技术

混凝土预制构件生产时，因模板接缝不严、模板表面未清理干净、模板脱模时发生黏连、振捣不充分、气泡未排出等原因，可能出现预制混凝土构件表面出现麻面、蜂窝、孔洞、颗粒等现象。此类缺陷不同于装配式结构混凝土预制构件拼装面制作误差，不影响装配式结构拼装现场预制构件之间的贴合拼接，于使用无碍，但在利用智能扫描的方式来检测预制构件拼装面制作精度时产生较大的影响，从而导致分析数据的不准确甚至误导整体分析结果，称之为局部混凝土缺陷。对于局部缺陷点，直接从测量数据集剔除即可。

有效剔除局部缺陷是确保通过智能扫描方式快速准确高效完成混凝土预制构件拼装面检测工作的关键，但目前尚没有一种能够针对大型混凝土预制构件行之有效的检测方法，仍以人工测量为主。

为此，本发明的设计者有鉴于上述缺陷，通过潜心研究和设计，综合长期多年从事相关产业的经验和成果，研究设计出一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法，以克服上述缺陷。

发明内容

本发明的目的在于提供一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法，有效解决现有技术的缺陷，能针对混凝土预制构件进行局部缺陷点的识别，有效提高效率和准确度，可适用于大型构件，也可用于小体积构件，应用广泛。

为实现上述目的，本发明公开了一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于包括如下步骤：

步骤一：扫描目标扫描构件获取边界点数据集Q₀和激光点云数据集Q₁；

以测量面底部左角点P₀为坐标原点，以扫描龙门水平前进方向为x轴正方向，以激光测距仪扫描竖直向上方向为y轴正方向，以激光测距仪测量值为z轴坐标值，建立xyz坐标系；

步骤二：利用测量数据与理论模型的耦合算法，找出所有数据异常点，得到异常点数据集Q_△0，具体步骤如下：

步骤2.1：开始扫描前将目标扫描构件的理论模型导入到系统中，并将理论模型置于步骤一中建立的xyz坐标系中，使得理论模型测量面底部左角点P₀′与坐标原点P₀点重合，理论模型测量面的底边界与x轴重合，理论模型测量面的左边界与y轴重合，得到理论模型测量面数据集Q′₁；

步骤2.2：在边界点数据集Q₀中选取三个特征点，计算出目标扫描构件测量面分别与xy-平面，yz-平面，xz-平面之间的夹角α_x、α_y、α_z，并利用三个夹角将目标测量面纠正到与理论模型的测量面边界重合的位置，生成新的测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}；

步骤2.3：遍历测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}，逐个对比测量面数据集Q_{0_3}和数据集Q_{1_3}中每个测量值与理论模型测量面数据集Q′₁中对应xy坐标位置的值是否相同，差距超过测量打点最小精度ΔS₀的坐标点存入到异常点数据集Q_△0中；

步骤三：将异常点数据集Q_△0中合理存在的异常点进行排除，形成修正异常点数据集Q_△1；

步骤四：遍历修正异常点数据集Q_△1，逐个取出修正异常点数据集Q_△1中的坐标点，判定是否为局部缺陷点并存入到局部缺陷点数据集Q_△。

其中：扫描龙门带动激光测距仪在水平行走轨道和竖向行走轨道方向上移动，并不断采集激光测距仪测量值，同时采用迂回折半方法搜索目标扫描构件的测量面边界，形成边界点数据集Q₀。

其中：根据目标扫描构件的边界点数据集Q₀，从xyz的坐标原点P₀(0,0,0)出发，沿竖直方向控制激光测距仪以系统设定步长在竖向行走轨道上逐步移动，并在每一步移动后采集激光测量值，直至激光测距仪移动到目标扫描构件的上边界点，完成坐标原点上竖向线路的扫描。

其中：控制扫描龙门沿水平行走轨道以系统设定步长行走一步，完成当前水平位置对应的竖向线路的扫描；以此完成整个测量面所有竖向线路的扫描，形成激光点云数据集Q₁。

其中：步骤2.2中从边界点数据集Q₀中提取在X、Y轴方向取值最大和最小的点以及坐标原点，取其中不位于同一条直线上的三个点作为特征点，三个特征点的坐标分别是A(x₁，y₁，z₁)、B(x₂，y₂，z₂)、C(x₃，y₃，z₃)；由三点确定的平面ABC，即测量面所在平面的方程为式1：

通过平面ABC和xy-平面的方程得两平面之间的交线L为ax+by+d＝0，其中：a、b、c为函数常量，在平面ABC上取三个特征点中不位于交线L上的任意一点向平面交线L做垂线，垂足为点P_⊥，以点P_⊥为垂足，在xy-平面上做平面交线L的垂线，两垂线之间的夹角即为两平面夹角α_x。

其中：步骤三中合理存在的异常点包含目标扫描构件张拉孔洞和目标扫描构件凹凸榫所对应区域的测量点。

其中：根据目标扫描构件结构模型中的合理存在的异常点所处的区域，得出对应的坐标区域，遍历异常点数据集Q_△0中所有测量点，将处于上述合理存在异常点区域内的数据进行剔除。

其中：步骤四中，以修正异常点数据集Q_△1中的坐标点为中心，获取当前点在测量面数据集Q_{1_3}中方圆5*5个点区域内所有测量点值，将周边区域测量点对应测量值依次与当前测量点对应测量值对比，如果周边测量点对应测量值全部大于或小于当前测量点值，则判定为局部缺陷点。

通过上述内容可知，本发明的基于密集扫描数据的预制构件拼装面局部缺陷识别方法基于关联搜索算法、测量数据与理论模型的耦合算法，针对混凝土预制构件拼装面特点(虽然拼装面存在制作误差和局部缺陷，但是整个构件拼装面的边缘轮廓依旧保持精准，可依此作为智能扫描的基准条件)，能够准确剔除局部缺陷点干扰，能精简测量数据集，提高扫描系统计算效率和准确度，该方法可适用于大型构件，也可用于小体积构件。实现了从无到有的过程，解决了预制构件拼装面制作误差扫描的重要一环。

本发明的详细内容可通过后述的说明及所附图而得到。

附图说明

图1显示了本发明的基于密集扫描数据的预制构件拼装面局部缺陷识别方法的流程图。

图2显示了本发明的智能扫描装备和目标扫描构件相对位置关系示意图。

图3显示了本发明的目标扫描构件扫描过程中沿扫描龙门水平行走方向正视图。

图4显示了本发明的目标扫描构件因构造形成的合理存在的异常点部位示意图。

图5显示了本发明的目标扫描构件边界点数据集点位示意图。

图6显示了本发明的目标扫描构件随意摆放姿态下与坐标系关系示意图。

图7显示了本发明的目标扫描构件密集扫描数据点位图。

图8显示了本发明的目标扫描构件理想摆放姿态下在坐标系中的位置

附图标记：

1：扫描龙门；2：目标扫描构件；21：被测拼装面，测量面；22：测量面边界；23：目标扫描构件张拉孔洞；24：目标扫描构件凹凸榫；3：构件扫描台；4：仓房；5：水平行走轨道；6：竖向行走轨道；7：激光测距仪；8：竖向行走托盘。

具体实施方式

参见图1至图8，显示了本发明的基于密集扫描数据的预制构件拼装面局部缺陷识别方法。

所述基于密集扫描数据的预制构件拼装面局部缺陷识别方法应用于图2和图3所示的龙门式的智能扫描装备上，所述智能扫描装备的扫描龙门1的两内侧各对应设n个激光测量设备，两侧的激光测量设备分别一对一成对设置，每一对激光测量设备正对安装且同步行走，以对目标扫描构件2两侧的测量面21进行扫描和边界捕获，所述激光测量设备可沿竖向进行上下移动。目标扫描构件2位于构件扫描台3上，扫描龙门1可沿智能扫描装备水平行走轨道5进行前后移动，所述智能扫描装备水平行走轨道5的一端设有仓房4，该扫描龙门1可在不工作时移动至所述仓房4，以提供有效保护。

其中，所述扫描龙门1的两内侧设有竖向行走轨道6，所述竖向行走轨道6上设有可上下移动的竖向行走托盘8，所述竖向行走托盘8上固定有作为激光测量设备的激光测距仪7。

其中，本发明的基于密集扫描数据的预制构件拼装面局部缺陷识别方法包括可包括如下步骤：

步骤一：扫描目标扫描构件获取边界点数据集Q₀并基于此继续扫描形成激光点云数据集Q₁。

扫描龙门1带动激光测距仪7在水平行走轨道5和竖向行走轨道6方向上移动，并不断采集激光测距仪测量值，同时采用迂回折半方法搜索目标扫描构件2的测量面边界22，形成边界点数据集Q₀，并以捕获到的边界点为基础对目标扫描构件2的整个测量面21进行扫描，形成激光点云数据，记为激光点云数据集Q₁。

其中：以图6为例，以测量面底部左角点P₀为坐标原点，以扫描龙门1水平前进方向为x轴正方向，以激光测距仪扫描竖直向上方向为y轴正方向，以激光测距仪测量值为z轴坐标值，建立xyz坐标系。

其中：根据目标扫描构件2的边界点数据集Q₀(以图5中长方体构件为例，边界数据即对目标扫描构件边界轮廓离散打点的测量数据)，从坐标原点P₀(0,0,0)出发(以图6中长方体构件为例)，沿竖直方向控制激光测距仪7以系统设定步长在竖向行走轨道6上逐步移动，并在每一步移动后采集激光测量值，直至激光测距仪7移动到目标扫描构件的上边界点，完成坐标原点上竖向线路的扫描；然后控制扫描龙门1沿水平行走轨道5以系统设定步长行走一步，完成当前水平位置对应的竖向线路的扫描；以此方法完成整个测量面所有竖向线路的扫描，形成如图7所示的密集扫描数据，并记录全部扫描结果，形成激光点云数据集Q₁。

步骤二：利用测量数据与理论模型的耦合算法，找出所有数据异常点，得到异常点数据集Q_△0，具体步骤如下：

步骤2.1：开始扫描前将目标扫描构件的理论模型导入到系统中，并将理论模型置于步骤一中建立的xyz坐标系中，使得理论模型测量面底部左角点P′₀与坐标原点P₀点重合，理论模型测量面的底边界与x轴重合，理论模型测量面的左边界与y轴重合(如图8所示)，得到理论模型测量面数据集Q′₁。

步骤2.2：实际测量中目标扫描构件在测量前无法保证像理论模型一样完全贴合坐标轴方向摆放，在x，y，z三个方向都可能产生夹角。需要利用耦合算法，将实际摆放中的测量面与理论模型的测量面相耦合，以便后续步骤对异常点的判断。

在边界点数据集Q₀中选取三个特征点，利用这些特征点计算出目标扫描构件测量面分别与xy-平面，yz-平面，xz-平面之间的夹角α_x、α_y、α_z，并利用三个夹角将目标测量面纠正到与理论模型的测量面边界重合的位置，生成新的测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}。

其中：以夹角α_x的求解为例，从数据集Q₀中提取在x、y轴方向取值最大和最小的点以及坐标原点，取其中不位于同一条直线上的三个点作为特征点，三个特征点的坐标分别是A(x₁，y₁，z₁)、B(x₂，y₂，z₂)、C(x₃，y₃，z₃)。由三点确定的平面ABC，即测量面所在平面的方程为式1：

通过平面ABC和xy-平面(方程：z＝0)的方程，可以求得两平面之间的交线L为ax+by+d＝0，其中：a、b、c为函数常量。

接下来，在平面ABC上取三个特征点中不位于交线L上的任意一点向平面交线L做垂线，垂足为点P_⊥，以点P_⊥为垂足，在xy-平面上做平面交线L的垂线，两垂线之间的夹角即为两平面夹角α_x。

其中，先将平面ABC校正到xy-平面，得到校正后的测量面边界点数据集Q_{0_1}和测量面激光点云数据集Q_{1_1}。然后平移校正后的平面ABC，让左底角点与坐标系原点重合，生成平移后的测量面边界点数据集Q_{0_2}和测量面激光点云数据集Q_{1_2}。接下来，将平移后的测量面以坐标原点为圆点，绕z轴朝xy-平面旋转α_z，生成旋转后的测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}。

步骤2.3：遍历测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}，逐个对比数据集Q_{0_3}和Q_{1_3}中每个测量值与理论模型测量面数据集Q′₁中对应xy坐标位置的值是否相同，差距超过测量打点最小精度ΔS₀(根据目标扫描构件的扫描精度要求，使用者可自行设定)的坐标点存入到异常点数据集Q_△0中，直至将整个测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}遍历一遍。

步骤三：将异常点数据集Q_△0中合理存在的异常点进行排除，这些合理存在的异常点包含如图4所示的目标扫描构件张拉孔洞23和目标扫描构件凹凸榫24所对应区域的测量点，具体步骤如下：

根据目标扫描构件结构模型中的合理存在的异常点(即目标扫描构件张拉孔洞23和目标扫描构件凹凸榫24)所处的区域，得出对应的坐标区域。遍历异常点数据集Q_△0中所有测量点，将处于上述合理存在异常点区域内的数据进行剔除，不做分析，剔除后的异常点数据集定义为修正异常点数据集Q_△1。

步骤四：遍历修正异常点数据集Q_△1，逐个取出修正异常点数据集Q_△1中的坐标点，并以当前点为中心，利用关联搜索法计算当前点与测量面上周边测量点的关系。获取当前点在测量面激光点云数据集Q_{1_3}中方圆5*5个点区域内所有测量点值，将周边区域测量点对应测量值依次与当前测量点对应测量值对比，如果周边测量点对应测量值全部大于或小于当前测量点值，则判定当前测量点为局部缺陷点，将该点存入到局部缺陷点数据集Q_△。

完成目标扫描构件扫描数据中局部缺陷点数据。

其中，举例而言，局部凹陷测量矩阵如下：

其中，举例而言，局部凸起测量矩阵如下：

通过上述内容可知，本发明基于关联搜索算法、测量数据与理论模型的耦合算法，针对混凝土预制构件拼装面特点，能够准确剔除局部缺陷点干扰，能精简测量数据集，提高扫描系统计算效率和准确度。

显而易见的是，以上的描述和记载仅仅是举例而不是为了限制本发明的公开内容、应用或使用。虽然已经在实施例中描述过并且在附图中描述了实施例，但本发明不限制由附图示例和在实施例中描述的作为目前认为的最佳模式以实施本发明的教导的特定例子，本发明的范围将包括落入前面的说明书和所附的权利要求的任何实施例。

Claims (7)

1.一种基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于包括如下步骤：

步骤一：扫描目标扫描构件获取边界点数据集Q₀和激光点云数据集Q₁；

以测量面底部左角点P₀为坐标原点，以扫描龙门水平前进方向为x轴正方向，以激光测距仪扫描竖直向上方向为y轴正方向，以激光测距仪测量值为z轴坐标值，建立xyz坐标系；

步骤二：利用测量数据与理论模型的耦合算法，找出所有数据异常点，得到异常点数据集Q_△0，具体步骤如下：

步骤2.1：开始扫描前将目标扫描构件的理论模型导入到系统中，并将理论模型置于步骤一中建立的xyz坐标系中，使得理论模型测量面底部左角点P₀ ^′与坐标原点P₀点重合，理论模型测量面的底边界与x轴重合，理论模型测量面的左边界与y轴重合，得到理论模型测量面数据集Q^′ ₁；

步骤2.2：在边界点数据集Q₀中选取三个特征点，计算出目标扫描构件测量面分别与xy-平面，yz-平面，xz-平面之间的夹角α_x、α_y、α_z，并利用三个夹角将目标测量面纠正到与理论模型的测量面边界重合的位置，生成新的测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}；

步骤2.3：遍历测量面边界点数据集Q_{0_3}和测量面激光点云数据集Q_{1_3}，逐个对比测量面数据集Q_{0_3}和数据集Q_{1_3}中每个测量值与理论模型测量面数据集Q^′ ₁中对应xy坐标位置的值是否相同，差距超过测量打点最小精度ΔS₀的坐标点存入到异常点数据集Q_△0中；

步骤三：将异常点数据集Q_△0中合理存在的异常点进行排除，形成修正异常点数据集Q_△1；

步骤四：遍历修正异常点数据集Q_△1，逐个取出修正异常点数据集Q_△1中的坐标点，判定是否为局部缺陷点并存入到局部缺陷点数据集Q_△。

2.如权利要求1所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：：扫描龙门带动激光测距仪在水平行走轨道和竖向行走轨道方向上移动，并不断采集激光测距仪测量值，同时采用迂回折半方法搜索目标扫描构件的测量面边界，形成边界点数据集Q₀。

3.如权利要求2所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：：根据目标扫描构件的边界点数据集Q₀，从xyz的坐标原点P₀(0,0,0)出发，沿竖直方向控制激光测距仪以系统设定步长在竖向行走轨道上逐步移动，并在每一步移动后采集激光测量值，直至激光测距仪移动到目标扫描构件的上边界点，完成坐标原点上竖向线路的扫描。

4.如权利要求3所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：：控制扫描龙门沿水平行走轨道以系统设定步长行走一步，完成当前水平位置对应的竖向线路的扫描；以此完成整个测量面所有竖向线路的扫描，形成激光点云数据集Q₁。

其中：步骤2.2中从边界点数据集Q₀中提取在X、Y轴方向取值最大和最小的点以及坐标原点，取其中不位于同一条直线上的三个点作为特征点，三个特征点的坐标分别是A(x₁，y₁，z₁)、B(x₂，y₂，z₂)、C(x₃，y₃，z₃)；由三点确定的平面ABC，即测量面所在平面的方程为式1：

通过平面ABC和xy-平面的方程得两平面之间的交线L为ax+by+d＝0，其中：a、b、c为函数常量，在平面ABC上取三个特征点中不位于交线L上的任意一点向平面交线L做垂线，垂足为点P_⊥，以点P_⊥为垂足，在xy-平面上做平面交线L的垂线，两垂线之间的夹角即为两平面夹角α_x。

5.如权利要求1所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：：步骤三中合理存在的异常点包含目标扫描构件张拉孔洞和目标扫描构件凹凸榫所对应区域的测量点。

6.如权利要求1所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：根据目标扫描构件结构模型中的合理存在的异常点所处的区域，得出对应的坐标区域，遍历异常点数据集Q_△0中所有测量点，将处于上述合理存在异常点区域内的数据进行剔除。

7.如权利要求1所述的基于密集扫描数据的预制构件拼装面局部缺陷识别方法，其特征在于：步骤四中，以修正异常点数据集Q_△1中的坐标点为中心，获取当前点在测量面数据集Q_{1_3}中方圆5*5个点区域内所有测量点值，将周边区域测量点对应测量值依次与当前测量点对应测量值对比，如果周边测量点对应测量值全部大于或小于当前测量点值，则判定为局部缺陷点。

Images