CN114882087A - 针对具有不完整基本图元的三维扫描点云实时配准方法 - Google Patents
针对具有不完整基本图元的三维扫描点云实时配准方法 Download PDFInfo
- Publication number
- CN114882087A CN114882087A CN202210812414.9A CN202210812414A CN114882087A CN 114882087 A CN114882087 A CN 114882087A CN 202210812414 A CN202210812414 A CN 202210812414A CN 114882087 A CN114882087 A CN 114882087A
- Authority
- CN
- China
- Prior art keywords
- primitive
- basic
- model
- point cloud
- primitives
- 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
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/10—Constructive solid geometry [CSG] using solid primitives, e.g. cylinders, cubes
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种针对具有不完整基本图元的三维扫描点云实时配准方法,包括以下步骤:S1:标准模型预处理;S2:数据准备;S3:点云模型基本图元的识别与提取;S4:在标准模型的基本图元数据集中,搜索点云模型基本图元集合中元素的对应图元特征集合;S5:在点云模型的基本图元集合中,确定所有可能的特征组合;S6:在标准模型中搜索点云模型的图元对集合中图元对的可能图元对,进行基本图元配准计算;S7:选择具有最小配准误差的基本图元对组合,输出最终的配准结果。本发明适用于现有技术中点云数据不完整的情况,提供的结果,可用于后续制造过程中,实现自动特征提取、自动检测分析、以及自动编程加工等,具有较高的实用价值。
Description
技术领域
本发明属于智能制造技术领域,具体涉及一种在自动制造工作站中,对利用三维扫描设备获得的零件点云数据与预先设定的标准模型进行在线实时配准的算法。
背景技术
近年来利用三维扫描设备获取实际零件的点云数据来形成零件数字模型的技术已经成熟。借助三维扫描设备的帮助,针对生产线上的大批量零件进行三维扫描,可以获得零件的实时三维模型,从而为制造自动化提供了基本条件。以工业机器人相关的复杂曲线曲面加工如激光切割、打磨、抛光等应用为例,具有精度要求高、编程复杂、零件来料一致性无法保证等特点,针对其产品零件的在线自动化测量建模可以支持后续制造工艺如自动加工、自动装配,提升整条生产线的智能化水平。
三维扫描获得的零件点云模型需要进行模型重构,不仅要获得其零件外形的形状数据,而且要获得其特征(与工艺有关)数据,才能供质量检测以及后续工艺使用。其中一个关键问题,是将标准的零件模型与实际的点云零件模型进行配准,完成配准后,不仅可以获得实际零件的装夹姿态,还能帮助后续工艺进行特征识别和几何重构。但针对零件点云数据与标准零件模型的配准方法存在以下问题:1)针对零件的三维扫描的数据可能不完整;2)由于精度要求高,扫描的数据点数量巨大,计算效率上可能不满足在线计算的需求。3)扫描的数据可能包括环境(如装夹)数据,需要排除其对配准结果的干扰。克服以上问题,实现不完整点云数据与标准零件模型的配准,对于大批量高精度零件在线检测,具有重要的意义。考虑到大批量零件在设计、制造和装配中,都需要设定基准,而在零件的标准模型中,可以合理假设一定存在平面,圆柱,圆锥,球面,圆环面之中的一种或者多种(称为基本图元)。所以本发明针对具有基本图元的不完整扫描点云零件提供在线实时配准算法。
关于点云的配准已经有大量的文献,其中应用最广泛的是ICP(IterativeCloased Point)以及ICP的各种改进算法。ICP通过欧式变换求解出两片点云的旋转平移矩阵及对应的配准误差。但ICP算法在处理大规模点云时存在效率问题,配准结果受初值影响且无法处理模型不完整的问题。后期Biber等基于概率密度模型提出了Normal DistributeTransform(NDT)算法,计算复杂度降低,但仍然无法处理模型不完整问题。研究者进一步公开了基于特征学习的配准方法,利用RANSAC(随机一致性采样)算法,作为特征提取工具,并通过特征学习来估计配准关系,这些方法需要大量训练数据,且如果场景与训练数据参在分布差异时,配准性能会急剧下降。现有技术中公布的算法有先在两组配准的点云中找到特征点对,利用RANSAC算法消除错误的配对关系,来完成粗配准,最后通过改进法线腹部变换算法来实现精配准。或将RANSAC用于无序点云中的基本图元识别,能从大规模点云中高效识别平面,球面,圆柱,圆锥以及圆环,为基于特征匹配的点云配准算法提供了基础的特征提取功能。
发明人前期工作产生的申请号为202110498865.5的发明专利申请:《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中,建立了针对不完整扫描点云与理论模型的在线实时配准方法,但只考虑了零件模型中仅具有平面图元的情况。
综上,在处理具有标准模型的不完整点云模型的配准上,需要提供更通用的能在线实时完成的高效算法,以满足自动制造过程中的工序节拍要求,配准后的信息可用于后续的自动检测或者加工流程。
发明内容
针对现有技术存在的问题,本发明提供一种针对具有不完整基本图元的三维扫描点云实时配准方法,以满足在线实时运行的需求。本发明适用的场景是针对具有制造基准的工业零件(模型几何中含平面,圆柱,圆锥,球面,圆环面之中的一种或者多种基本图元),并具有标准参考模型数据,其实际的点云模型数据由三维扫描设备获取,由于在制造过程中,可能无法完整扫描整个零件,所以所获得的点云模型数据大概率是不完整的。本发明为解决现有技术中存在的问题采用的技术方案如下:
一种针对具有不完整基本图元的三维扫描点云实时配准方法,包括以下步骤:
S1:标准模型预处理,包括以下子步骤:
S11:输入标准模型文件,支持两种格式,第一种为CAD模型文件,如IGES,STEP等,另外一种为离散模型格式,如点云数据或者Facet(面片结构)模型文件等;
S12:判断输入的标准模型文件格式,如果是CAD模型,进入S13,如果不是,则进入S14;
S13:对CAD模型中的曲面几何对象进行遍历,获取其基本图元集合。对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度(考虑图元面积,面积越大,辨识度越高)排序;若基础图元中,不包含上述五种基础图元类型中的任意一种,则该模型不满足本发明所适用的零件对象;
S14:调用RANSAC形状识别算法对离散模型中的几何图元进行识别,获取其基本图元集合以及各图元的拟合误差数据,对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度排序;若基础图元中,不包含上述五种基础图元类型中的任意一种,则该模型不满足本发明所适用的零件对象;
S15:记录标准模型中基本图元的几何特征信息,包括但不限于几何中心的位置、材料侧方位,边界形状以及面积数据;并进行排序,排序的原则如下:
首要考虑各类基本图元数据列表所包含的元素数目,基础图元的数目越少(独特性越强)排序越靠前;
其次考虑基本图元类型序列“平面,球面,圆柱面,锥面,圆环面”的逆序,越靠后的,排序越高;
最后在同类型的基本图元类型中,考虑面积的大小,面积越大,排序越高。
排序的目的是为了在大多数情况下,加速搜索迭代的收敛速度,并不是强制性的要求。
对基本图元数据的收集与排序可形成标准模型特征模板文件数据,记为,包括,,,,,其中的下标i标识各图元数据列表的元素标号,表示各数据列表包含元素的数目,各数据列表的大小(所包含元素的数目)因模型而异,不尽相同。
S16:对标准模型的特征模板文件进行审查和优化,特别是当输入为离散模型时,可以人工干预识别结果,排除误识别或者不显著的基本图元。
S2:数据准备:提供三维扫描的点云模型文件,以及在标准模型文件和在预处理阶段产生的基本图元特征模板数据文件,作为算法的输入数据;
S4:针对点云模型的基本图元集合中的元素,在标准模型的基本图元数据集中,搜索该元素可能的对应图元特征集合。首先设定判定允许误差(长度误差LTol,可取2mm;角度误差ATol,可取1度),在与标准模型中的基本图元进行几何参数比较时,偏差在允许误差范围内视为相等。
考虑圆环面。对于点云模型基本图元中的圆环面集合的任意,与标准模型中的中的任意圆环面之间,比较内环半径和外环半径的数值,若都相等,将该加入的对应图元集合中,从而建立在标准模型中的对应图元(圆环面)的集合,记为{,假如在标准模型中无法找到至少1个对应的图元,则将从中剔除。
考虑圆锥面。对于点云模型基本图元中的圆锥面集合的任意,与标准模型中的中的任意圆锥面之间,比较圆锥角的数值,若相等,将该加入的对应图元集合中。从而建立在标准模型中的对应图元(圆锥面)的集合,记为{,假如在标准模型中无法找到至少1个对应的图元,则将该从中剔除。
考虑圆柱面。对于点云模型基本图元中的圆柱面集合的任意,与标准模型中的中的任意圆柱面之间,比较圆柱面直径值,若相等,将该加入的对应图元集合中,从而建立在标准模型中的对应图元(圆柱面)的集合,记为{。假如标准模型中无法找到至少1个对应图元,则将该从中剔除。
考虑球面。对于点云模型基本图元中的球面集合的任意,与标准模型中的中的任意圆环面之间,比较球面直径值,若相等,将该加入的对应图元集合中,从而建立在标准模型中的对应图元(球面)的集合,记为。假如标准模型中无法找到至少1个对应图元,则剔除该。
考虑平面。处理方式可参考申请号为202110498865.5的发明专利申请《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中的方法进行可能对应平面判断,建立在标准模型中的对应图元(平面)的集合,记为{,假如在标准模型中无法找到的至少1个对应图元,则将该从中剔除。
需要保证,,,四组图元中至少有一个基本图元。假如,,,中没有可用的基本图元,则本发明面对的问题变成只具有平面基准但不完整的三维扫描点云在线实时配准问题,可参考申请号为202110498865.5的发明专利申请《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中的方法解决。
S5:在点云模型的基本图元对象中,确定所有可能的特征组合,按特征辨识度排序;具体为采用组合方式,在,,,,中选择任意两个图元,形成图元对集合,其中和表示点云模型的任意基本图元。将两平面形成的图元对从集合中剔除。标识度高的图元类型和图元排在列表的前列,为了保证计算效率,可以控制任意图元对集合中的元素数目。
S7:选择具有最小配准误差的基本图元对组合,输出最终的配准结果。
本发明具有如下优点:
本发明只要求扫描到的点云包含平面,球面,圆柱,圆锥以及圆环这五种基本图元中的一种,所以能适应点云数据不完整的不利情况。并且通过特征识别度以及可能对应图元的比较分析,来降低搜索规模,达到在线识别所要求的效率。本发明提供的结果,可用于后续制造过程中,实现自动特征提取、自动检测分析、以及自动编程加工等,具有较高的实用价值。
与现有技术相比,本发明可扫描的点云包含了平面、球面、圆柱、圆锥以及圆环;在模型预处理中,采用建立了标准模型基本图元特征模板文件;记录标准模型中基本图元的几何特征信息,包括但不限于几何中心的位置、材料侧方位、边界形状和数据面积;
在用RANSAC形状识别算法对离散几何图元进行识别,识别出其中的所有基本图元集合,将其分为圆环面、圆锥面、圆柱面、球面、平面五个集合,然后需要保证圆环面、圆锥面、圆柱面、球面四组图元中至少有一个基本图元。且平面集合中至少有两个互不平行的平面。
考虑圆环面,对于点云模型基本图元中的圆环面集合,与标准模型中的圆环面集合中的任意圆环面之间,比较内环半径和外环半径的数值,若都相等,将该圆环面加入可能的点云圆环面对应图元集合中。
考虑圆锥面。对于点云模型基本图元中的圆锥面集合的任意圆锥面,与标准模型中的圆锥面集合中的任意圆锥面之间,比较圆锥角的数值,若都相等,将该圆锥面加入可能的点云圆锥面对应图元集合中。
考虑圆柱面。处理方式与圆环面的处理类似,不同之处在于只比较圆柱面直径值。
考虑球面。处理方式与圆环面的处理类似,不同之处在于只比较球面直径值。
假如在标准模型中无法找到上述对应的至少1个图元,则剔除该图元。
附图说明
图1为本发明所提供的针对包含基础图元的不完整点云模型与标准模型在线实时配准方法的流程图;
图2为本发明方法中步骤S1的流程图;
图3 为本发明方法所适用的应用场景示意图;
图4 为本发明实施例步骤S1中标准模型示意图;
图5 为本发明实施例中一个实际的点云模型在进行图元识别后,所得到的基本图元集合数据图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明,本发明所适用的应用场景的实施例如图3所示,包括理论模型、实际零件、和三维扫描所获得的不完整点云模型。结合图1中所示流程,本发明具体实施步骤如下:
S1:标准模型预处理。以下参考图2中所示流程图,介绍标准模型预处理过程。
S11:输入标准模型文件。支持两种格式,第一种为CAD模型文件,如IGES,STEP等,另外一种为离散模型格式,如点云数据或者Facet(面片结构)模型文件等。
S12:判断输入的标准模型文件格式。如果是CAD模型,进入S13,如果不是,则进入S14。
S13:对CAD模型中的曲面几何对象进行遍历,获取其基本图元集合。对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度(考虑图元面积)排序;若基础图元中,不包含上述五种基础图元类型中的任意一种,则该模型不满足本发明所适用的零件对象。
S14:调用RANSAC形状识别算法对离散模型中的几何图元进行识别,获取其基本图元集合以及各图元的拟合误差数据,对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度(考虑图元对应的点云面面积)排序;若基础图元中,不包含上述五种基础图元类型中的任意一种,则该模型不满足本发明所适用的零件对象。
S15:记录标准模型中基本图元的几何特征信息,包括但不限于几何中心的位置、材料侧方位,边界形状以及面积数据;并进行排序,排序的原则如下: a)首要考虑各类基本图元数据列表所包含的元素数目,基础图元的数目越少(独特性越强)排序越考前。b)其次考虑基本图元类型序列“平面,球面,圆柱面,锥面,圆环面”的逆序,越靠后的,排序越高。c)最后在同类型的基本图元类型中,考虑面积的大小,面积越大,排序越高。排序的目的是为了在大多数情况下,加速搜索迭代的收敛速度,并不是强制性的要求。
对基本图元数据的收集与排序可形成标准模型特征模板文件数据,记为,包括,,,,,其中的下标i标识各图元数据列表的元素标号,其中表示标准模型基本图元中的圆环面集合;表示标准模型基本图元中的圆锥面集合;表示标准模型基本图元中的圆柱面集合;表示标准模型基本图元中的球面集合;表示标准模型基本图元中的平面集合。各数据列表的大小(所包含元素的数目)因模型而异,不尽相同。参考图4中所示的标准模型为例,所获得的基本图元数据列表为:,大小为0;,大小为0;,大小为2;,大小为0;,大小为8。
S16:对标准模型的特征模板文件进行审查和优化,特别是当输入为离散模型时,可以人工干预识别结果,排除误识别或者不显著的基本图元。
S2:数据准备
提供三维扫描的点云模型文件,以及在标准模型文件和在预处理阶段产生的基本图元特征模板数据文件,作为算法的输入数据。
S3:点云模型基本图元的识别与提取。
对三维扫描点云模型调用RANSAC算法,识别出其中的所有基本图元集合,记为,,,,},其中表示点云模型基本图元中的圆环面集合;表示点云模型基本图元中的圆锥面集合;表示点云模型基本图元中的圆柱面集合;表示点云模型基本图元中的球面集合;表示点云模型基本图元中的平面集合;参考前述S15,对每个图元在同类型数据列表中的位置进行排序;图5给出的案例显示了一个实际的点云模型在进行图元识别后,所得到的基本图元集合数据。
S4:针对点云模型的基本图元集合中的元素,在标准模型的基本图元数据集中,搜索该元素可能的对应图元特征集合。首先设定判定允许误差(长度误差LTol,可取2mm;角度误差ATol,可取1度),在与标准模型中的基本图元进行几何参数比较时,偏差在允许误差范围内视为相等。
考虑圆环面。对于点云模型基本图元中的圆环面集合的任意,与标准模型中的中的任意圆环面之间,比较内环半径和外环半径的数值,若都相等,将该加入可能的对应图元集合中。从而建立在标准模型中的可能对应图元(圆环面)的集合,记为{,假如在标准模型中无法找到至少1个对应的图元,则将从中剔除。
考虑圆锥面。对于点云模型基本图元中的圆锥面集合的任意,与标准模型中的中的任意圆锥面之间,比较圆锥角的数值,若都相等,将该加入可能的对应图元集合中。从而建立在标准模型中的可能对应图元(圆锥面)的集合,记为{,假如在标准模型中无法找到至少1个对应的图元,则将该从中剔除。
考虑平面。处理方式可参考申请号为202110498865.5的专利申请《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中的方法进行可能对应平面判断,建立{。同样的假如在标准模型中无法找到的至少1个对应图元,则剔除该。
需要保证,,,四组图元中至少有一个基本图元。假如,,,中没有可用的基本图元,则本发明面对的问题变为只具有平面基准但不完整的三维扫描点云在线实时配准问题,可参考申请号为202110498865.5的发明专利申请《针对具有平面基准但不完整的三维扫描点云在线实时配准方法》中的方法解决。
S5:在点云模型的基本图元对象中,确定所有可能的特征组合,按特征辨识度排序;
采用组合方式,在,,,,中选择任意两个图元,形成图元对集合,其中和表示点云模型的任意基本图元。将两平面形成的图元对从集合中剔除。标识度高的图元类型和图元排在列表的前列,为了保证计算效率,可以控制任意图元对集合中的元素数目。以图5中的点云为例,其 为{(C1,P1), (C1,P2), (C1,P3), (C1,P4),(C1,P5), (C2,P1), (C2,P1), (C2,P2), (C2,P3), (C2,P4), (C2,P5)}。
S7:选择具有最小配准误差的基本图元对组合,输出最终的配准结果。
综上,本发明提出的针对具有基本图元但不完整的三维扫描点云模型的在线配准方法,可以在可控的循环次数内,利用基本图元特征的对应关系和配准计算,来实现快速配准,以达到在线实时运算的效果。
本发明的保护范围并不限于上述的实施例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内,则本发明的意图也包含这些改动和变形在内。
Claims (8)
1.一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于,包括以下步骤:
S1:标准模型预处理,具体包括以下子步骤:
S11:输入标准模型文件,文件格式为CAD模型文件或离散模型格式文件;
S12:判断输入的标准模型文件格式,如果是CAD模型,进入步骤S13,如果不是,则进入步骤S14;
S13:对CAD模型中的曲面几何对象进行遍历,获取其基本图元集合,对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度排序;
S14:调用RANSAC形状识别算法对离散模型中的几何图元进行识别,获取其基本图元集合以及各图元的拟合误差数据,对获得的所有基本图元对象,按“圆环面、圆锥面、圆柱面、球面、平面”的类型分别建立数据列表,并在各自的数据列表中,按照特征辨识度排序;
S15:记录标准模型中基本图元的几何特征信息,并进行排序;
S16:对标准模型的特征模板文件进行审查和优化,排除误识别或者不显著的基本图元;
S2:数据准备:提供三维扫描的点云模型文件,以及在标准模型文件和在预处理阶段产生的基本图元特征模板数据文件,作为算法的输入数据;
S5:在点云模型的基本图元对象中,确定所有的特征组合,形成图元对集合,对集合中的图元按特征辨识度排序;
S6: 对点云模型的图元对集合的所有图元对,在标准模型中搜索其对应的图元对,进行基本图元配准计算,寻找最优的配准结果;
S7:选择具有最小配准误差的基本图元对组合,输出最终的配准结果。
2.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于:
所述步骤S11中CAD模型文件为IGES或STEP模型,所述离散模型格式,为点云数据或者面片结构模型文件。
3.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于:
所述步骤S13和S14中特征辨识度考虑图元面积,面积越大,辨识度越高。
4.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于:所述步骤S15中的基本图元的集合特征包括几何中心的位置、材料侧方位,边界形状和面积数据。
5.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于:所述步骤S15中排序的原则如下:
首要考虑各类基本图元数据列表所包含的元素数目,基础图元的数目越少排序越靠前;
其次考虑基本图元类型序列“平面,球面,圆柱面,锥面,圆环面”的逆序,越靠后的,排序越高;
最后在同类型的基本图元类型中,考虑面积的大小,面积越大,排序越高。
6.如权利要求1所述的一种针对具有不完整基本图元的三维扫描点云实时配准方法,其特征在于:所述步骤S4的具体搜索过程为:首先设定判定允许误差,长度误差LTol取2mm;角度误差ATol取1度,在与标准模型中的基本图元进行几何参数比较时,偏差在允许误差范围内视为相等;
考虑圆环面:对于点云模型基本图元中的圆环面集合的任意,与标准模型中的中的任意圆环面之间,比较内环半径和外环半径的数值,若都相等,将该加入的对应图元集合中,从而建立在标准模型中的对应圆环面图元的集合,记为{,若在标准模型中无法找到至少1个对应的图元,则将从中剔除;
考虑圆锥面:对于点云模型基本图元中的圆锥面集合的任意,与标准模型中的中的任意圆锥面之间,比较圆锥角的数值,若相等,将该加入的对应图元集合中,从而建立在标准模型中的对应圆锥面图元的集合,记为{,若在标准模型中无法找到至少1个对应的图元,则将该从中剔除;
考虑圆柱面:对于点云模型基本图元中的圆柱面集合的任意,与标准模型中的中的任意圆柱面之间,比较圆柱面直径值,若相等,将该加入的对应图元集合中,从而建立在标准模型中的对应圆柱面图元的集合,记为{,若在标准模型中无法找到至少1个对应图元,则将该从中剔除;
考虑球面:对于点云模型基本图元中的球面集合的任意,与标准模型中的中的任意圆环面之间,比较球面直径值,若相等,将该加入的对应图元集合中,从而建立在标准模型中的对应球面图元的集合,记为,若在标准模型中无法找到至少1个对应图元,则剔除该;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812414.9A CN114882087B (zh) | 2022-07-12 | 2022-07-12 | 针对具有不完整基本图元的三维扫描点云实时配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210812414.9A CN114882087B (zh) | 2022-07-12 | 2022-07-12 | 针对具有不完整基本图元的三维扫描点云实时配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114882087A true CN114882087A (zh) | 2022-08-09 |
CN114882087B CN114882087B (zh) | 2022-10-04 |
Family
ID=82682903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210812414.9A Active CN114882087B (zh) | 2022-07-12 | 2022-07-12 | 针对具有不完整基本图元的三维扫描点云实时配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114882087B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385483A1 (en) * | 2010-05-07 | 2011-11-09 | MVTec Software GmbH | Recognition and pose determination of 3D objects in 3D scenes using geometric point pair descriptors and the generalized Hough Transform |
US20140003705A1 (en) * | 2012-06-29 | 2014-01-02 | Yuichi Taguchi | Method for Registering Points and Planes of 3D Data in Multiple Coordinate Systems |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
CN108369741A (zh) * | 2015-12-08 | 2018-08-03 | 三菱电机株式会社 | 用于配准数据的方法和系统 |
WO2018183754A1 (en) * | 2017-03-29 | 2018-10-04 | Mou Zhijing George | Method and system for real time 3d-space search and point-cloud registration using a dimension-shuffle transform |
WO2021141570A1 (en) * | 2020-01-07 | 2021-07-15 | Hewlett-Packard Development Company, L.P. | Deriving metrology data for an instance of an object based on a threedimensional model thereof |
CN113223067A (zh) * | 2021-05-08 | 2021-08-06 | 东莞市三姆森光电科技有限公司 | 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法 |
CN113658194A (zh) * | 2021-07-23 | 2021-11-16 | 佛山缔乐视觉科技有限公司 | 一种基于参照物的点云拼接方法、装置及存储介质 |
EP3916677A1 (en) * | 2020-05-29 | 2021-12-01 | Faro Technologies, Inc. | Three-dimensional measurement device |
CN114663373A (zh) * | 2022-03-11 | 2022-06-24 | 华中科技大学 | 一种用于零件表面质量检测的点云配准方法及装置 |
-
2022
- 2022-07-12 CN CN202210812414.9A patent/CN114882087B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2385483A1 (en) * | 2010-05-07 | 2011-11-09 | MVTec Software GmbH | Recognition and pose determination of 3D objects in 3D scenes using geometric point pair descriptors and the generalized Hough Transform |
US20140003705A1 (en) * | 2012-06-29 | 2014-01-02 | Yuichi Taguchi | Method for Registering Points and Planes of 3D Data in Multiple Coordinate Systems |
CN108369741A (zh) * | 2015-12-08 | 2018-08-03 | 三菱电机株式会社 | 用于配准数据的方法和系统 |
CN106023298A (zh) * | 2016-06-22 | 2016-10-12 | 山东理工大学 | 基于局部泊松曲面重建的点云刚性配准方法 |
WO2018183754A1 (en) * | 2017-03-29 | 2018-10-04 | Mou Zhijing George | Method and system for real time 3d-space search and point-cloud registration using a dimension-shuffle transform |
WO2021141570A1 (en) * | 2020-01-07 | 2021-07-15 | Hewlett-Packard Development Company, L.P. | Deriving metrology data for an instance of an object based on a threedimensional model thereof |
EP3916677A1 (en) * | 2020-05-29 | 2021-12-01 | Faro Technologies, Inc. | Three-dimensional measurement device |
CN113223067A (zh) * | 2021-05-08 | 2021-08-06 | 东莞市三姆森光电科技有限公司 | 针对具有平面基准但不完整的三维扫描点云的在线实时配准方法 |
CN113658194A (zh) * | 2021-07-23 | 2021-11-16 | 佛山缔乐视觉科技有限公司 | 一种基于参照物的点云拼接方法、装置及存储介质 |
CN114663373A (zh) * | 2022-03-11 | 2022-06-24 | 华中科技大学 | 一种用于零件表面质量检测的点云配准方法及装置 |
Non-Patent Citations (1)
Title |
---|
张紫杉等: "岩坡坡面裂隙网络智能识别与参数提取", 《岩土工程学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114882087B (zh) | 2022-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114170279B (zh) | 一种基于激光扫描的点云配准方法 | |
Pope | Model-based object recognition | |
CN113223067B (zh) | 针对具有平面基准的非完整三维扫描点云的在线配准方法 | |
CN111626146B (zh) | 一种基于模板匹配的合并单元格表格分割识别方法 | |
CN111062915A (zh) | 一种基于改进YOLOv3模型的实时钢管缺陷检测方法 | |
CN116402866A (zh) | 基于点云的零件数字孪生几何建模与误差评定方法及系统 | |
CN110232404A (zh) | 一种基于机器学习的工业产品表面瑕疵识别方法及装置 | |
CN110490915B (zh) | 一种基于卷积受限玻尔兹曼机的点云配准方法 | |
Kheradmand et al. | Inner cell mass segmentation in human hmc embryo images using fully convolutional network | |
CN112861672B (zh) | 一种基于光学-sar异源遥感图像匹配方法 | |
CN110021028A (zh) | 一种基于服装款式图的自动制衣方法 | |
JP7075654B2 (ja) | 3次元cadモデル部分検索方法及び3次元cadモデル検索方法 | |
CN114663373A (zh) | 一种用于零件表面质量检测的点云配准方法及装置 | |
CN115147833A (zh) | 一种零部件位姿识别方法及系统 | |
CN117746055B (zh) | 基于3d点云数据提取立体特征的算法 | |
Wei et al. | Feature Extraction and Retrieval of Ecommerce Product Images Based on Image Processing. | |
CN115100277A (zh) | 复杂曲面结构零件位姿确定方法 | |
CN114882087B (zh) | 针对具有不完整基本图元的三维扫描点云实时配准方法 | |
Pankaj et al. | A robust estimation technique for 3d point cloud registration | |
Liu et al. | 3D curved object recognition from multiple 2D camera views | |
CN101098492A (zh) | 确定靶标拓扑关系的方法及可任意摆放的摄像机标定靶标 | |
CN115797424A (zh) | 一种基于融合特征点提取的点云配准方法及系统 | |
CN113627548A (zh) | 一种平面工件模板匹配方法、装置、介质及计算机设备 | |
Stryczek | Finite point sets in recognizing location and orientation of machine parts of complex shapes | |
CN116433837B (zh) | 一种基于关键点匹配的三维cad模型差异分析方法 |
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 |