CN115597494A - 一种基于点云的预制构件预留孔的精度检测方法、系统 - Google Patents
一种基于点云的预制构件预留孔的精度检测方法、系统 Download PDFInfo
- Publication number
- CN115597494A CN115597494A CN202211609954.3A CN202211609954A CN115597494A CN 115597494 A CN115597494 A CN 115597494A CN 202211609954 A CN202211609954 A CN 202211609954A CN 115597494 A CN115597494 A CN 115597494A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- prefabricated part
- preformed hole
- precision
- 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 103
- 238000000034 method Methods 0.000 claims abstract description 66
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 20
- 238000013507 mapping Methods 0.000 claims description 12
- 239000012535 impurity Substances 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000036961 partial effect Effects 0.000 claims description 5
- 238000007794 visualization technique Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 30
- 230000006872 improvement Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010926 purge Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005202 decontamination Methods 0.000 description 1
- 230000003588 decontaminative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011031 large-scale manufacturing process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011202 physical detection method Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- 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
- G06T17/205—Re-meshing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于建筑质量检测领域,具体涉及一种基于点云的预制构件预留孔的精度检测方法、系统、设备。检测方法包括如下步骤:S1:利用深度相机对待测预制构件的各个结构面进行扫描。S2:生成预制构件对应结构面的单面点云。S3:对单面点云进行投影和像素优化,得到对应的二值化图。S4:识别预留孔。S5:将二值化图逆投影回点云进行点云降维度。S6:根据降维后的点云计算出每个预留孔的半径,再根据投影矩阵的逆反投影得出圆心;S7:将计算结果与BIM模型中的标准参数进行比对,进而判断预制构件是否合格。本发明解决了现有预制构件中预留孔的精度检测依赖人工,检测效率低,测结果误差较大等问题。
Description
技术领域
本发明属于建筑质量检测领域,具体涉及一种基于点云的预制构件预留孔的精度检测方法、系统、设备。
背景技术
装配式建筑是建筑业发展的一个重要方向,装配式建筑是在工厂内预先对各类型的建筑构件进行加工,然后运输到建设工地现场通过可靠的连接装配而成的建筑。相对现有的现浇结构建筑而言,具有可规模化生产,建设速度快、建造成本低的优点。
对于装配式建筑而言,连接方式的可靠性和关键连接节点的质量,直接决定装配式建筑的质量。装配式项目应重点管控关键节点的施工质量。其中,建筑预制构件的质量控制是保障装配式建筑质量的核心。任何一块预制构件中的瑕疵都可能对最终的建筑质量产生不可避免的影响,进而为整个建筑工程带来难以估量的损失。
预制构件预留孔的精度是评估预制构件质量是否合格的一个重要因素。预留孔精度的评价指标包括预留孔洞的规格尺寸、数量、中心线位置等。当预制件中预留孔过大时,开孔时构件内钢筋无法避开,即使采取相应的结构构造补强措施,也会影响构件质量。如果预制构件上的孔洞的数量或位置与BIM图纸的设计不符,可能会产生高昂的维修成本,甚至会直接导致预制构件报废,给企业造成较大的损失。
在一个工业化的建筑用预制构件生产车间中,往往会生产根据订单需要生成多个不同类型的预制构件。为了降低成本,现有的生产企业一般采取多种构配件在同一生产线上转换工艺进行生产的模式。在生产中,不同产品的技术类别繁多,操作工艺差别大,指标体系复杂。且现有的预制构件的体积大、类型多,且结构复杂;这给预制构件质量检测自动化、智能化技术方案的设计带来了极大困难。现有的自动化检测方法在处理建筑预制构件中工装检测的问题时大都举步维艰,检测结果的准确度往往难以达到要求,甚至需要人工进行复核。
现有的质量检测方法主要是人工检测和钢尺检测,检测效率低,检测结果误差较大。此外,一些技术人员还提出通过图像识别技术进行预留孔的精度检测,但是图像识别技术容易受到光照等环境因素影响,且由于图像识别会因拍摄角度的不同而产生图像畸变,这些也会影响最终检测结果的精度。
发明内容
为了解决现有预制构件中预留孔的精度检测依赖人工,检测效率低,检测结果误差较大等问题;本发明提供一种基于点云的预制构件预留孔的精度检测方法、系统、设备。
本发明采用以下技术方案实现:
一种基于点云的预制构件预留孔的精度检测方法,其用于对装配式建筑预制件工厂生成的产品中的各个预留孔进行精度检测,进而判断加工出的预制构件是否合格。
该预制构件预留孔的精度检测方法包括如下步骤:
S1:利用深度相机对待测预制构件的各个结构面进行扫描,进而得到每个结构面对应原始彩色图像和原始深度图。
S2:基于原始彩色图像和原始深度图生成所述预制构件对应结构面的单面点云。
S3:对单面点云进行投影并对投影图进行像素优化,进而得到一张用于区分预制构件中预留孔与实体的二值化图。二值化图中的各个像素点与单面点云中的各个点间具有一一对应的映射关系。
其中,二值化图的生成方法包括如下步骤:
S31:将单面点云中的所有点投影至二维平面;得到一张对应的投影图。
S32:对投影图中的所有像素点按照预设的步长进行网格划分。
S33:对上步骤的投影图中的像素点进行中位值滤波处理,得到补全后的投影图。
S34:对补全后的投影图进行二值化处理,得到一张二值化图像。
S35:基于每个像素点与相邻像素点的像素值差异,对二值化图像中的各个像素点进行除杂操作。
S36:依次对除杂后的二值化图像进行腐蚀和膨胀处理;使得二值化图的轮廓平滑清晰。
S4:先对上步骤的二值化图进行边缘检测,得到所需的二值化轮廓图。再采用霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域;。
S5:基于二值化图中各像素点与单面点云中各点间的映射关系,根据上步骤的识别结果从单面点云中选出用于表征各个预留孔的多个点团。
S6:根据各个预留孔的点团计算出每个预留孔的圆心和半径,具体计算过程如下:
S61:提取出各个点团边缘处的各个点,构成多个边缘点集;
S62:采用最小二乘法对每个边缘点集进行拟合,并计算出各个拟合圆的圆心坐标和半径;
S63:分析边界获取目标的几何参量(x,y,0)和r;再计算(x,y,0)*投影矩阵的逆反投影得到(x,y,z)。
S7:将计算出的各个拟合圆的圆心坐标和半径与预制构件BIM模型中各个预留孔的标准参数进行比对,进而判断预制构件是否合格。
作为本发明进一步的改进,步骤S31中,单面点云的投影方法如下:
首先,使用主成分分析技术计算出单面点云对应平面的平面法向量。然后,对计算出的法向量方向采用最小代价生成树进行调整,并使得单面点云中的各个点的Z轴与平面法向量平行。最后,将所有点投射到XY平面;即:隐藏各点的坐标信息中Z坐标的数据。
作为本发明进一步的改进,步骤S33的中位值滤波处理过程中,将每一个像素点的像素值设置为该像素点某邻域窗口内的所有像素点像素的中值,进而调整投影图中部分颜色信息丢失的像素点的像素值,将投影图优化为补全后的投影图。
作为本发明进一步的改进,步骤S35的除杂操作中,依次将二值化图像中的每个像素点作为中心像素点,并执行如下操作:
(ⅰ)获取中心像素点的8个相邻像素点的像素值。
(ⅱ)统计与中心像素点的像素值相同的相邻像素点的数量n。
(ⅲ)判断n与一个预设的除杂阈值N之间的关系:(1)当n≥N时,保留当前像素点的像素值;(2)当n<N时,对当前像素点的像素值进行反转。
作为本发明进一步的改进,步骤S61中,边缘点集中包含的各个边缘点的搜索方法如下:
(1)对于任一点p,设定滚动圆半径a,在点云内搜索到距离p点2α内的所有点,记为点集Q。
(2)选取点集Q中任意一点 p1 (x1,y1),根据p和p1两点的坐标和滚动圆半径α,计算出过p、p1两点且半径为α的两个圆的圆心坐标,分别记为p2、p3。
(3)计算点集Q中除点p1外,剩余点分别到p2、p3的距离,若所有点到p2和p3的距离均大于α,则表明p点为边缘点。
(4)若剩余的点到p2或p3的距离不全都大于α;则将点集Q内所有点轮换作为p1点;并判断是否存在某一点满足(2)(3)条件:是则表明该点为边缘点,终止该点的判断,判断下一点。
(5)若Q中所有近邻点中均不存在满足(2)、(3)条件的p1点,则表明p点为非边缘点。
作为本发明进一步的改进,步骤S62根据边缘点集拟合出所需的拟合圆的过程如下:
(1)假设圆的方程如下式所示:
上式中,(a,b)为圆心坐标,r为圆半径。
则拟合出的圆应满足使得各个边缘点集中各个边缘点(x i ,y i )的到曲线距离的平方和S最小:
(2)令A=-2a,B=-2b,C=a2+b2-r2;要使S最小,分别对A、B、C求偏导得到如下结果:
本发明还包括一种基于点云模型的预制构件预留孔的可视化方法,该可视化方法包括如下步骤:
S01:采用如前述的基于点云的预制构件预留孔的精度检测方法中步骤S1-S2的相同步骤生成预制构件各个结构面的单面点云。
S02:对各个结构面的单面点云进而点云配准,生成预制构件对应的三维模型。
S03:采用如前述的基于点云的预制构件预留孔的精度检测方法中步骤S3-S5的相同步骤识别出每个单面点云中对应各个预留孔的多个点团。
S04:将点团中的各个点的颜色修改为与三维模型中相近区域具有高对比度的标记色,并将点团映射回三维模型,进而使得各个预留孔在三维模型中可视化。
本发明还包括一种基于点云的预制构件预留孔的精度检测系统,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时,实现如前述的基于点云的预制构件预留孔的精度检测方法的步骤;进而输出预制构件中各个预留孔精度的合格与否的判定结果。
作为本发明进一步的改进,精度检测系统包括:BIM模型存储模块、单面点云生成模块、二值化轮廓图生成模块、预留孔识别模块、点团提取模块、预留孔参数计算模块,以及参数比对模块。
其中,BIM模型存储模块用于存储待检测的预制构件的BIM模型,BIM模型中包含预制构件各结构面中对应的各个预留孔的结构参数。
单面点云生成模块用于根据获取到的深度相机采集信息,生成待检测的预制构件中任意结构面的单面点云。
二值化轮廓图生成模块,其用于对生成的单面点云依次进行投影、图像处理操作。进而得到一张轮廓平滑清晰的用于区分预制构件中预留孔与实体的二值化轮廓图。二值化轮廓图中的各个像素点与单面点云中的各个点间具有一一对应的映射关系。
预留孔识别模块用于通过霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域。
点团提取模块用于根据二值化轮廓图中预留孔对应的各个圆形区域;从单面点云中提取出对应各个预留孔的各个点团。
预留孔参数计算模块用于提取出各个点团边缘处的各个点,构成多个边缘点集。再采用最小二乘法对每个边缘点集进行拟合,并计算出各个拟合圆的圆心坐标和半径。各个拟合圆的圆心坐标和半径即为检测出的各个预留孔的孔参数。
参数比对模块,其用于将检测出的各个预留孔的孔参数与BIM模型中对应结构面中包含的各个预留孔的结构参数进行对比,进而判断待检测的预制构件是否合格。
本发明还包括一种基于点云的预制构件预留孔的精度检测设备,该精度检测设备包括深度相机和数据处理机构。深度相机用于对待检测的预制构件的各个结构面进行扫描。数据处理机构采用如前述的基于点云的预制构件预留孔的精度检测系统对应的产品。数据处理机构获取深度相机的扫描数据,进而根据对扫描数据的分析与判断,输出对应预制构件的预留孔精度的检测结果。
本发明提供的技术方案,具有如下有益效果:
本发明提出的一种基于点云的预制构件预留孔的精度检测方法基于包含丰富信息的点云对预制构件的预留孔洞进行识别检测。检测过程先将三维点云转化为二维的二值化图,识别出其中孔洞区域,最后再将识别结果映射到三维点云中进行预留孔参数的精准测量。这种检测方法采用端到端的预留孔识别策略,完整的实现了从输入点云到输出带识别结果映射的点云的过程。其中,识别出的预留孔洞的数量、位置和尺寸信息可以直接与BIM设计模型进行对比测试,判断预制构件是否合格,同时识别出的结果也可以直接与BIM模型进行配准融合,实现检测结果可视化。
本发明提出的基于点云的预制构件预留孔的精度检测方法相对现有的人工检测方法而言,可以实现更高精度的检测,检测效率也明显提升。该方案相对图像识别的检测方法而言,可以克服环境和图像质量等因素对检测结果的影响,具有更高的可靠性。该检测方法属于一种完全数字化的检测方法,打破了传统物理检测方法的瓶颈,实现质量检测环节无纸化、智能化、可视化。其应用场景广泛,除了日常检测环节,也可应用与产品溯源环节的数据存档和展示等。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例1中提供的一种基于点云的预制构件预留孔的精度检测方法的步骤流程图。
图2为本发明实施例1中二值化轮廓图生成方法的流程图。
图3为本发明实施例1中边缘点集中包含的各个边缘点的搜索方法的步骤流程图。
图4为本发明实施例2中提供的一种基于点云模型的预制构件预留孔的可视化方法的步骤流程图。
图5为本发明实施例3中提供的一种基于点云的预制构件预留孔的精度检测系统的系统框架图。
图6为本发明实施例4中提供的基于点云的预制构件预留孔的精度检测设备的框架图。
图7为验证试验中测试样本1的霍夫圆检测识别结果。
图8为验证试验中测试样本2的霍夫圆检测识别结果。
图9为验证试验中测试样本3的霍夫圆检测识别结果。
图10为验证试验中测试样本4的霍夫圆检测识别结果。
图11为验证试验中测试样本5的霍夫圆检测识别结果。
图12为验证试验中测试样本6的霍夫圆检测识别结果。
图13为实施例2提供中可视化方法的实施案例。
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楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例1
本实施例提供一种基于点云的预制构件预留孔的精度检测方法,其用于对装配式建筑预制件工厂生成的产品中的各个预留孔进行精度检测,进而判断加工出的预制构件是否合格。
本实施例提供的方法主要是通过深度相机来采集预制构件对应的点云,相对于传统的图像识别而言,点云中的点包含了丰富的信息,包括三维坐标X,Y,Z、颜色、分类值、强度值、时间等等。点云可以将现实世界“原子化”,通过高精度的点云数据可以还原现实世界。因此,本实施例利用点云数据来对预制构件中的孔洞进行检测时,可以减轻外界环境、复杂光线等对测试结果的影响,测试过程中还可以利用算法对预制构件进行三维立体成像,进而在实现孔洞检测的同时对检测结果进行可视化。
具体地 ,如图1所示,该预制构件预留孔的精度检测方法包括如下步骤:
S1:利用深度相机对待测预制构件的各个结构面进行扫描,进而得到每个结构面对应原始彩色图像和原始深度图。
S2:基于原始彩色图像和原始深度图生成所述预制构件对应结构面的单面点云。
本实施例在用深度相机获取构件点云的时候不可避免的要拍摄到大量背景数据,包括工厂、堆场复杂环境以及地面信息。因此在进行预留孔精度检测之前,本方案可以采用优化的区域生长算法将这些背景数据分割出来,只保留目标物优化。这种处理方式可以提高准确度、减少处理时间和内存消耗。
S3:对单面点云进行投影并对投影图进行像素优化,进而得到一张用于区分预制构件中预留孔与实体的二值化图。二值化图中的各个像素点与单面点云中的各个点间具有一一对应的映射关系。
由于投影图的像素与点云中的点团是一一对应的关系,使用投影图处理比使用采集的图片处理会有极高的优势。首先,使用投影图可以保证图片无畸变,其次使用投影图可以将识别到的结果映射回点云,形成一个完整的回路。
其中,如图2所示,二值化图的生成方法包括如下步骤:
S31:将单面点云中的所有点投影至XY平面,隐藏各点在Z轴上的深度信息;得到一张对应的投影图。单面点云的投影方法如下:
首先,使用主成分分析技术计算出单面点云对应平面的平面法向量。然后,对计算出的法向量方向采用最小代价生成树进行调整,并使得单面点云中的各个点的Z轴与平面法向量平行。最后,将所有点投射到XY平面;即:隐藏各点的坐标信息中Z坐标的数据。
S32:对投影图中的所有像素点按照预设的步长进行网格划分,将划分出的每个网格中的各个像素点的RGB值设为网格内所有像素点的RGB均值。
S33:对上步骤的投影图中的像素点进行中位值滤波处理,得到补全后的投影图。
中位值滤波处理过程中,将每一个像素点的像素值设置为该像素点某邻域窗口内的所有像素点像素的中值,进而调整投影图中部分颜色信息丢失的像素点的像素值,将投影图优化为补全后的投影图。
S34:根据原始颜色图像中预留孔与实体部分的像素值差异设定阈值,对补全后的投影图进行二值化处理,得到一张二值化图像。
S35:基于每个像素点与相邻像素点的像素值差异,对二值化图像中的各个像素点进行除杂操作。
除杂过程中,依次将二值化图像中的每个像素点作为中心像素点,并执行如下操作:
(ⅰ)获取中心像素点的8个相邻像素点的像素值。
(ⅱ)统计与中心像素点的像素值相同的相邻像素点的数量n。
(ⅲ)判断n与一个预设的除杂阈值N之间的关系:(1)当n≥N时,保留当前像素点的像素值;(2)当n<N时,对当前像素点的像素值进行反转。
在本实施例中,二值化后的图像中理论上就只有两种不同区域,一是对应预制构件中实体部分的区域,另一部分为对应预制构件中孔洞部分(既包括预留孔,也可能包括开槽、镂空等结构)的区域。因此在转为二值化图像后,对应不同区域的图像应当是边界分明的。但是,由于二值化图像是通过原始彩色图像处理得到的,原始彩色图像的图像质量可能会造成二值化图像中部分像素点的灰度存在误差,即出现一些零散的“噪点”。除杂操作的目标即是用于去除这些明显错误的噪点;对这些像素点的像素值进行“纠正”。
S36:依次采用开运算和闭运算对除杂后的二值化图像进行腐蚀和膨胀处理;使得二值化图的轮廓平滑清晰。
对处理后的二值化图片进行先腐蚀后膨胀——即为开运算;相对的反过来就是——闭运算。这两类运算目的,是为了消除原图拍摄时产生的轮廓(内/外)毛刺、尖端、或者噪音;开运算主要是为了腐蚀掉不关心的轮廓尖端;很明显通过腐蚀后再膨胀,轮廓将变得更加圆滑,并消除了尖端。
S4:先采用Canny算子对上步骤的二值化图进行边缘检测,得到所需的二值化轮廓图。再采用霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域。
在本实施例的实际应用中,由于同种类型的预制构件中预留孔洞的大小和位置都是相对固定的,所以可以按照构件的类型来设定霍夫圆识别的参数。进而提高识别的精度和速度。具体地,可以采用霍夫圆检测识别构件孔洞。
S5:基于二值化图中各像素点与单面点云中各点间的映射关系,根据上步骤的识别结果从单面点云中选出用于表征各个预留孔的多个点团。
S6:根据各个预留孔的点团计算出每个预留孔的圆心和半径,具体计算过程如下:
S61:采用点云边缘算法提取出各个点团边缘处的各个点,构成多个边缘点集。其中如图3所示,边缘点集中包含的各个边缘点的搜索方法如下:
(1)对于任一点p,设定滚动圆半径a,在点云内搜索到距离p点2α内的所有点,记为点集Q。
(2)选取点集Q中任意一点p1 (x1,y1),根据p和p1两点的坐标和滚动圆半径α,计算出过p、p1两点且半径为α的两个圆的圆心坐标,分别记为p2、p3。
(3)计算点集Q中除点p1外,剩余点分别到p2、p3的距离,若所有点到p2和p3的距离均大于α,则表明p点为边缘点。
(4)若剩余的点到p2或p3的距离不全都大于α;则将点集Q内所有点轮换作为p1点;并判断是否存在某一点满足(2)(3)条件:是则表明该点为边缘点,终止该点的判断,判断下一点。
(5)若Q中所有近邻点中均不存在满足(2)、(3)条件的p1点,则表明p点为非边缘点。
S62:采用最小二乘法对每个边缘点集进行拟合,并计算出各个拟合圆的圆心坐标和半径。根据边缘点集拟合出所需的拟合圆的过程如下:
(1)假设圆的方程如下式所示:
上式中,(a,b)为圆心坐标,r为圆半径。
则拟合出的圆应满足使得各个边缘点集中各个边缘点(x i ,y i )的到曲线距离的平方和S最小:
(2)令A=-2a,B=-2b,C=a2+b2-r2;要使S最小,分别对A、B、C求偏导得到如下结果:
S63: 分析边界获取目标的几何参量(x,y,0)和r;再计算(x,y,0)*投影矩阵的逆反投影得到(x,y,z);
S7:将计算出的各个拟合圆的圆心坐标和半径与预制构件BIM模型中各个预留孔的标准参数进行比对,进而判断预制构件是否合格。具体地,本实施例可以提取BIM模型点云,通过点云配准技术将目标点云与BIM模型点云移至一个坐标系下,计算圆心之间的偏差是否符合预留孔偏差标准。
本实施例中提供的预制构件孔精度检测方法,主要基于点云进行检测。并在检测过程中先将点云映射到二维平面,在二维投影图中进行孔洞识别,进而大幅降低预留孔洞的识别过程的数据运算量。在进行孔洞参数运算时,又重新将孔洞映射回三维的点云中进行操作,进而提高最终计算出的孔洞的位置和尺寸的精度;保障最终检测结果的精准性。
实施例2
在实施例1的基础上,本实施例进一步提供一种基于点云模型的预制构件预留孔的可视化方法,如图4所示,该可视化方法包括如下步骤:
S01:采用如实施例1的基于点云的预制构件预留孔的精度检测方法中步骤S1-S2的相同步骤生成预制构件各个结构面的单面点云。
S02:对各个结构面的单面点云进而点云配准,生成预制构件对应的三维模型。
S03:采用如实施例1的基于点云的预制构件预留孔的精度检测方法中步骤S3-S5的相同步骤识别出每个单面点云中对应各个预留孔的多个点团。
S04:将点团中的各个点的颜色修改为与三维模型中相近区域具有高对比度的标记色,并将点团映射回三维模型,进而使得各个预留孔在三维模型中可视化。
本实施例利用点云来对预制构件进行三维建模,并对实施例1中检测出来的点团来对三维模型中的各个孔洞进行标记。例如,当三维模型中的预制构件呈水泥灰的颜色时,可以将表征孔洞的部分点团的像素点调整为红色,从而使得预制构件三维模型中的孔洞部分更加醒目;便于技术人员观察和分析。
实施例3
在实施例1的基础上,本实施例进一步提供了一种基于点云的预制构件预留孔的精度检测系统。该精度检测系统包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序。处理器执行计算机程序时,实现如实施例1中基于点云的预制构件预留孔的精度检测方法的步骤;进而输出预制构件中各个预留孔精度的合格与否的判定结果。
在该精度检测系统的实际部署中,计算机设备可以是能够执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器,或者多个服务器所组成的服务器集群)等。本实施例的计算机设备至少包括但不限于:可通过系统总线相互通信连接的存储器、处理器。
本实施例中,存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中,存储器可以是计算机设备的内部存储单元,例如该计算机设备的硬盘或内存。在另一些实施例中,存储器也可以是计算机设备的外部存储设备,例如该计算机设备上配备的插接式硬盘,智能存储卡(Smart Media Card ,SMC),安全数字(Secure Digital ,SD)卡,闪存卡(Flash Card)等。当然,存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中,存储器通常用于存储安装于计算机设备的操作系统和各类应用软件等。此外,存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
处理器在一些实施例中可以是中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中,处理器用于运行存储器中存储的程序代码或者处理数据,该处理器执行计算机程序时实现如实施例1中的基于点云的预制构件预留孔的精度检测方法的步骤。
具体地,如图5所示,按照功能进行划分,精度检测系统包括:BIM模型存储模块、单面点云生成模块、二值化轮廓图生成模块、预留孔识别模块、点团提取模块、预留孔参数计算模块,以及参数比对模块。
其中,BIM模型存储模块用于存储待检测的预制构件的BIM模型,BIM模型中包含预制构件各结构面中对应的各个预留孔的结构参数。
单面点云生成模块用于根据获取到的深度相机采集信息,生成待检测的预制构件中任意结构面的单面点云。
二值化轮廓图生成模块,其用于对生成的单面点云依次进行投影、网格化、RGB均值操作、中位值滤波、二值化处理、像素点除杂,以及腐蚀和膨胀操作。进而得到一张轮廓平滑清晰的用于区分预制构件中预留孔与实体的二值化轮廓图。二值化轮廓图中的各个像素点与单面点云中的各个点间具有一一对应的映射关系。
预留孔识别模块用于通过霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域。
点团提取模块用于根据二值化轮廓图中预留孔对应的各个圆形区域;从单面点云中提取出对应各个预留孔的各个点团。
预留孔参数计算模块用于先采用Alpha Shapes算法提取出各个点团边缘处的各个点,构成多个边缘点集。再采用最小二乘法对每个边缘点集进行拟合,并计算出各个拟合圆的圆心坐标和半径。各个拟合圆的圆心坐标和半径即为检测出的各个预留孔的孔参数。
参数比对模块,其用于将检测出的各个预留孔的孔参数与BIM模型中对应结构面中包含的各个预留孔的结构参数进行对比,进而判断待检测的预制构件是否合格。
实施例4
本实施例提供一种基于点云的预制构件预留孔的精度检测设备,如图6所示,该精度检测设备包括位于前端的检测设备如深度相机,以及位于后端的数据处理机构。
深度相机用于对待检测的预制构件的各个结构面进行扫描。
数据处理机构采用如实施例2的基于点云的预制构件预留孔的精度检测系统对应的产品。数据处理机构获取深度相机的扫描数据,进而根据对扫描数据的分析与判断,输出对应预制构件的预留孔精度的检测结果。
仿真试验
为了验证本实施例提供方法的有效性,本实施例采用实验的方法对实施例1中提供的基于点云的预制构件预留孔的精度检测方法的有效性及准确度进行验证。具体实验过程包括数据采集、预留孔数量识别检测、预留孔位置及半径偏差检测和质检结果模型的可视化展示四个步骤。试验过程中,自制构件的真实模型用于生成点云模型(目标点云),并用3D建模软件建模标准模型(标准点云类似BIM模型)。
一、数据采集
本实验采用深度相机获取预制构件各面的质量检测数据;其中,所需的深度图像数据采用人工拍摄的方式完成。深度相机每个面拍摄3-5张深度和彩色图像,用于生成单个面点云。
二、预留孔数量识别检测
本实施例中设置了六个测试样本进行测试,分别对应编号YWQ1、YWQ2、YWQ10、YWQ12、YWQ13、YWQ16。其中,测试样本1中含有21个预留孔,测试样本2中含有24个预留孔,测试样本3中含有20个预留孔,测试样本4中含有21个预留孔,测试样本5中含有21个预留孔,测试样本6中含有20个预留孔。各个测试样本经本实施例中霍夫圆检测识别后的结果如图7-12所示。
基于图中的实验结果可以发现:测试样本1和4的检测效果较好,所有预留孔均被完整识别出来。测试样本2和5存在误检现象,出现这一现象的原因是由于预制构件3、4所处背景复杂,导致重建出来的三维模型背景噪声过多,经过点云滤波去噪处理后仍存在一定杂点,被误认为是需要识别的预留孔,导致识别数量比真实数量多,在叠加一层滤波处理后情况得到改善。测试样本3和6存在漏检现象,出现这一现象的原因是当时室外光线较为强烈,表面反光部分遮盖了孔洞所在位置。这说明本实施例提供的方法对图像的质量仍存在一定的依赖,因此应该尽量提高拍摄图片的质量和角度,避免因为光线对实验结果造成干扰。
经过大量实验,对本实施例中点云到点云的装配式建筑预制构件预留孔识别的准确度进行统计,准确精度均超过98%,相对于人工质检,实现了自动化和高准确度。
三、预留孔位置及半径偏差检测
为了验证该检测方案的鲁棒性,本实施例六种不同类型构件(分别与编号YWQ1、YWQ2、YWQ10、YWQ12、YWQ13、YWQ16类型相同)上的孔洞位置和半径偏差进行了重复性测试。每类构件检测50个。
参照国标JCJ 1预制构件预留孔尺寸允许偏差为±10mm,为进一步验证本方法检测的精确率将该实验分为三个步骤:
(1)设置允许偏差为±5mm,本步骤目的主要是验证本实施例中方法的准确性以及可靠性。
经过7天大量的重复实验通过最小二乘拟合得到孔洞边缘后求出孔洞位置和半径,筛选出不符合偏差要求的预制构件孔洞。
相较于传统的人工钢尺检查方法,本发明提供的方案的检测精度更高,因此具有很高的实用价值,可以进行推广应用。
(2)但考虑到机器质检可能会存在一定的失误率,比如说我们方法测量出YWQ1的孔洞13偏差为9.7mm,认定其为合格。但人工检测实际偏差为10.1mm,则该孔洞为不合格不应继续下一步使用。本实施例还在方法中添加了风险评估机制,对于偏差在0-5mm的孔洞,设置其为低风险(绿色表示);对于偏差在5-7mm的孔洞,设置其为中风险(黄色表示);对于偏差在8-10mm的孔洞,设置其为高风险(红色表示)。由于步骤1中已经验证本实施例方法的可靠性和准确度,所以对于中低风险的孔洞通常认为其是完全合格的,对于高风险区域孔洞可以在系统中释放警告,提醒质检员着重对这些构件进一步进行人工复检。
(3)本步骤主要是对步骤(2)中筛选出来的孔洞进行人工复检,进而与本实施例提出的基于点云的预制构件预留孔的精度检测方法的检测结果对比,验证本实验方法的精确率。
需要说明的是,由于孔洞点云数量较多,对点云进行降采样处理,减少了边缘提取时间,提高了效率。在硬件设备性能允许的前提下,本实施例还可以设置多组深度相机进行取景,以获得更准确的预留孔数量和位置以及半径偏差信息,最大限度的消除光线等因素对检测精度的影响。
四、质检结果模型的可视化展示
将孔洞识别的结果通过投影的逆过程映射回深度学习三维重建生成的点云,输出识别成功后的点云结果。将识别出的孔洞二值化图像保留,其他部分置空。可以将像素逆映射到点云中以步长的平方倍的点团中,将这部分点团修改成红色。图13即为采用本实施例的可视化方法展示预制构件的三维模型中预留孔洞的案例。
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作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于点云的预制构件预留孔的精度检测方法,其用于对装配式建筑预制件工厂生成的产品中的各个预留孔进行精度检测,进而判断加工出的预制构件是否合格;其特征在于,所述预制构件预留孔的精度检测方法包括如下步骤:
S1:利用深度相机对待测预制构件的各个结构面进行扫描,进而得到每个结构面对应原始彩色图像和原始深度图;
S2:基于原始彩色图像和原始深度图生成所述预制构件对应结构面的单面点云;
S3:对所述单面点云进行投影并对投影图进行像素优化,进而得到对应的二值化图;
所述二值化图的生成方法包括如下步骤:
S31:将单面点云中的所有点投影至二维平面,得到对应的投影图;
S32:对投影图中的所有像素点按照预设的步长进行网格划分;
S33:对上步骤的投影图中的像素点进行中位值滤波处理,得到补全后的投影图;
S34:对补全后的投影图进行二值化处理,得到一张二值化图像;
S35:对二值化图像中的各个像素点进行除杂操作;
S36:依次对除杂后的二值化图像进行腐蚀和膨胀处理;
S4:对上步骤的二值化图进行边缘检测得到所需的二值化轮廓图;并采用霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域;
S5:基于二值化图中各像素点与单面点云中各点间的映射关系,将二值化图逆投影回点云进行点云降维度;
S6:根据降维后的点云计算出每个预留孔的圆心和半径,具体计算过程如下:
S61:采用点云边界提取算法提取出预留孔对应的点团边缘处的各个点,构成多个边缘点集;
S62:分析边界获取目标的几何参量(x,y,0)和r;再计算(x,y,0)*投影矩阵的逆反投影得到(x,y,z);
S7:将计算出的各个拟合圆的圆心坐标和半径与预制构件BIM模型中各个预留孔的标准参数进行比对,进而判断预制构件是否合格。
2.如权利要求1所述的基于点云的预制构件预留孔的精度检测方法,其特征在于:步骤S31中,单面点云的投影方法如下:
首先,使用主成分分析技术计算出单面点云对应平面的平面法向量,然后,对计算出的法向量方向采用最小代价生成树进行调整,将所有点投射到二维平面。
3.如权利要求2所述的基于点云的预制构件预留孔的精度检测方法,其特征在于:步骤S33的点云滤波处理过程中,将每一个像素点的像素值设置为该像素点某邻域窗口内的所有像素点像素的中值,进而调整投影图中部分颜色信息丢失的像素点的像素值,将投影图优化为补全后的投影图。
4.如权利要求1所述的基于点云的预制构件预留孔的精度检测方法,其特征在于:步骤S35的除杂操作中,依次将二值化图像中的每个像素点作为中心像素点,并执行如下操作:
获取中心像素点的相邻像素点的像素值;
统计与中心像素点的像素值相同的相邻像素点的数量n;
判断n与一个预设的除杂阈值N之间的关系:(1)当n≥N时,保留当前像素点的像素值;(2)当n<N时,对当前像素点的像素值进行反转。
5.如权利要求1所述的基于点云的预制构件预留孔的精度检测方法,其特征在于:步骤S61中,边缘点集中包含的各个边缘点的搜索方法如下:
(1)对于任一点p,设定滚动圆半径a,在点云内搜索到距离p点2α内的所有点,记为点集Q;
(2)选取点集Q中任意一点 P1 (x1,y1),根据p和p1两点的坐标和滚动圆半径α,计算出过p、p1两点且半径为α的两个圆的圆心坐标,分别记为p2、p3;
(3)计算点集Q中除点p1外,剩余点分别到p2、p3的距离,若所有点到p2和p3的距离均大于α,则表明p点为边缘点;
(4)若剩余的点到p2或p3的距离不全都大于α;则将点集Q内所有点轮换作为p1点;并判断是否存在某一点满足(2)(3)条件,是则表明该点为边缘点,终止该点的判断,判断下一点;
(5)若Q中所有近邻点中均不存在满足(2)、(3)条件的p1点,则表明p点为非边缘点。
7.一种基于点云模型的预制构件预留孔的可视化方法,其特征在于:其包括如下步骤:
S01:采用如权利要求1-6中任意一项所述的基于点云的预制构件预留孔的精度检测方法中步骤S1-S2的相同步骤生成所述预制构件各个结构面的单面点云;
S02:对各个结构面的单面点云进而点云配准,生成所述预制构件对应的三维模型;
S03:采用如权利要求1-6中任意一项所述的基于点云的预制构件预留孔的精度检测方法中步骤S3-S5的相同步骤识别出每个单面点云中对应各个预留孔的多个点团;
S04:将点团中的各个点的颜色修改为与三维模型中相近区域具有高对比度的标记色,并将点团映射回三维模型,进而使得各个预留孔在三维模型中可视化。
8.一种基于点云的预制构件预留孔的精度检测系统,其包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于:所述处理器执行所述计算机程序时,实现如权利要求1-6任意一项所述的基于点云的预制构件预留孔的精度检测方法的步骤;进而输出预制构件中各个预留孔精度的合格与否的判定结果。
9.如权利要求8所述的基于点云的预制构件预留孔的精度检测系统,其特征在于,所述精度检测系统包括:
BIM模型存储模块,其用于存储待检测的预制构件的BIM模型,所述BIM模型中包含各结构面中对应的各个预留孔的结构参数;
单面点云生成模块,其用于根据获取到的深度相机采集信息,生成待检测的预制构件中任意结构面的单面点云;
二值化轮廓图生成模块,其用于对生成的所述单面点云依次进行投影图像处理操作,进而得到一张轮廓平滑清晰的用于区分预制构件中预留孔与实体的二值化轮廓图;所述二值化轮廓图中的各个像素点与单面点云中的各个点间具有一一对应的映射关系;
预留孔识别模块,其用于通过霍夫圆检测识别出所述二值化轮廓图中预留孔对应的各个圆形区域;
点团提取模块,其用于根据所述二值化轮廓图中预留孔对应的各个圆形区域;从所述单面点云中提取出对应各个预留孔的各个点团;
预留孔参数计算模块,其用于先采用点云边缘提取算法提取出各个所述点团边缘处的各个点,构成多个边缘点集;再采用最小二乘法对每个所述边缘点集进行拟合,并计算出各个拟合圆的圆心坐标和半径;各个拟合圆的圆心坐标和半径即为检测出的各个预留孔的孔参数;
参数比对模块,其用于将检测出的各个预留孔的孔参数与所述BIM模型中对应结构面中包含的各个预留孔的结构参数进行对比,进而判断待检测的预制构件是否合格。
10.一种基于点云的预制构件预留孔的精度检测设备,其特征在于,其包括:
深度相机,其用于对待检测的预制构件的各个结构面进行扫描;
数据处理机构,其采用如权利要求8-9中任意一项所述的基于点云的预制构件预留孔的精度检测系统对应的产品;所述数据处理机构获取深度相机的扫描数据,进而根据对扫描数据的分析与判断,输出对应预制构件的预留孔精度的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609954.3A CN115597494B (zh) | 2022-12-15 | 2022-12-15 | 一种基于点云的预制构件预留孔的精度检测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211609954.3A CN115597494B (zh) | 2022-12-15 | 2022-12-15 | 一种基于点云的预制构件预留孔的精度检测方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115597494A true CN115597494A (zh) | 2023-01-13 |
CN115597494B CN115597494B (zh) | 2023-03-10 |
Family
ID=84854270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211609954.3A Active CN115597494B (zh) | 2022-12-15 | 2022-12-15 | 一种基于点云的预制构件预留孔的精度检测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115597494B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740060A (zh) * | 2023-08-11 | 2023-09-12 | 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 |
CN117952979A (zh) * | 2024-03-27 | 2024-04-30 | 山东力加力钢结构有限公司 | 一种建设工程质量检测监管方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0160160A1 (en) * | 1984-03-09 | 1985-11-06 | International Business Machines Corporation | Video measuring system for defining location orthogonally |
CN1920882A (zh) * | 2005-08-24 | 2007-02-28 | 西门子共同研究公司 | 基于显著区域特征的医学图像三维多模配准的系统和方法 |
CN103914837A (zh) * | 2014-03-25 | 2014-07-09 | 西安电子科技大学 | 一种适用于多视角点云处理的圆柱形邻域及其搜索方法 |
CN106370670A (zh) * | 2016-10-12 | 2017-02-01 | 上海建工集团股份有限公司 | 基于3d激光扫描的建筑预制构件质量检测系统及方法 |
CN107609213A (zh) * | 2017-08-03 | 2018-01-19 | 西南交通大学 | 一种基于静平衡的接触网线索三维动态建模方法 |
-
2022
- 2022-12-15 CN CN202211609954.3A patent/CN115597494B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0160160A1 (en) * | 1984-03-09 | 1985-11-06 | International Business Machines Corporation | Video measuring system for defining location orthogonally |
CN1920882A (zh) * | 2005-08-24 | 2007-02-28 | 西门子共同研究公司 | 基于显著区域特征的医学图像三维多模配准的系统和方法 |
CN103914837A (zh) * | 2014-03-25 | 2014-07-09 | 西安电子科技大学 | 一种适用于多视角点云处理的圆柱形邻域及其搜索方法 |
CN106370670A (zh) * | 2016-10-12 | 2017-02-01 | 上海建工集团股份有限公司 | 基于3d激光扫描的建筑预制构件质量检测系统及方法 |
CN107609213A (zh) * | 2017-08-03 | 2018-01-19 | 西南交通大学 | 一种基于静平衡的接触网线索三维动态建模方法 |
Non-Patent Citations (1)
Title |
---|
高丽: "《提高圆形指针式仪表自动识别算法准确度的探讨》", 《仪器仪表用户》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116740060A (zh) * | 2023-08-11 | 2023-09-12 | 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 |
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 |
CN117952979A (zh) * | 2024-03-27 | 2024-04-30 | 山东力加力钢结构有限公司 | 一种建设工程质量检测监管方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115597494B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110992317B (zh) | 一种基于语义分割的pcb板缺陷检测方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、系统 | |
CN110210409B (zh) | 表格单据中表格框线检测方法及系统 | |
CN112651968B (zh) | 一种基于深度信息的木板形变与凹坑检测方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN107239742B (zh) | 一种仪表指针刻度值计算方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN105574161B (zh) | 一种商标图形要素识别方法、装置和系统 | |
CN115797354B (zh) | 用于检测激光焊接焊缝外观缺陷的方法 | |
CN109508709B (zh) | 一种基于机器视觉的单指针仪表读数方法 | |
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 | |
CN116740060B (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 | |
CN113192013A (zh) | 一种反光表面缺陷检测方法、系统及电子设备 | |
CN115063579A (zh) | 基于二维图像和三维点云投影的列车定位销松动检测方法 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN111626358A (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN114821274A (zh) | 一种用于识别分合指示牌的状态的方法和设备 | |
CN112561989B (zh) | 一种建造场景下吊装对象的识别方法 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN116740036A (zh) | 一种钢管管端引熄弧板切割点位检测方法和系统 | |
CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
CN116612461A (zh) | 一种基于目标检测的指针式仪表全过程自动读数方法 | |
CN115578343A (zh) | 一种基于图像连通与骨架分析的裂缝尺寸测量方法 | |
Jothiraj et al. | Monitoring Ancient Buildings Using UAV and Instant Image Segmentation Using Masked R-CNN | |
CN117726239B (zh) | 工程质量验收实测实量方法及系统 |
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 |