CN116258969A - 基于点云数据的结构件测量方法及装置 - Google Patents

基于点云数据的结构件测量方法及装置 Download PDF

Info

Publication number
CN116258969A
CN116258969A CN202310531379.8A CN202310531379A CN116258969A CN 116258969 A CN116258969 A CN 116258969A CN 202310531379 A CN202310531379 A CN 202310531379A CN 116258969 A CN116258969 A CN 116258969A
Authority
CN
China
Prior art keywords
point cloud
cloud data
structural member
image
measuring
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
Application number
CN202310531379.8A
Other languages
English (en)
Other versions
CN116258969B (zh
Inventor
陈世安
全一明
宁欣龙
葛志京
刘德荣
宋轶烨
王璐
蔡巧丽
郑博文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningbo Tianyi Surveying And Mapping Design And Research Co ltd
Original Assignee
Ningbo Tianyi Surveying And Mapping Design And Research Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningbo Tianyi Surveying And Mapping Design And Research Co ltd filed Critical Ningbo Tianyi Surveying And Mapping Design And Research Co ltd
Priority to CN202310531379.8A priority Critical patent/CN116258969B/zh
Publication of CN116258969A publication Critical patent/CN116258969A/zh
Application granted granted Critical
Publication of CN116258969B publication Critical patent/CN116258969B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • 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
    • G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
    • 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
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20084—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
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请实施例公开了一种基于点云数据的结构件测量方法及装置。该方法包括：通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行使用。

Description

基于点云数据的结构件测量方法及装置
技术领域
本申请涉及点云数据处理技术领域，具体涉及一种基于点云数据的结构件测量方法及装置。
背景技术
三维激光扫描技术是一种使用高分辨率的扫描点云来存储和表达被扫描物体的空间形状和尺寸的非接触式测量技术。相对于传统的测绘方式，三维激光扫描能够提供复杂物体表面的三维点云数据，它具有扫描速度快、无接触性、精度高、主动性强、全数字特征等特点，可以极大地降低成本，节约时间，不受白天黑夜的限制，而且使用方便。
在采集的建筑物的三维点云数据中识别并测量主要结构件(梁、柱、墙等)，获取这些结构件的准确尺寸信息，对于基于三维点云的诸多应用如绘制平面、立面、剖面图、三维矢量模型重建等，是非常关键的一个工序。然而点云数据不包含实体特征参数信息，无法确定数据点在物体表面的具体位置。从点云数据中直接获取尺寸信息一般需要基于商业点云处理软件。一个实体的点云模型由扫描该实体获得的所有点云数据构成，获取尺寸的过程为：逐个手工选取点云模型中能够表征尺寸参数的点，通过测量距离功能获取所需的尺寸信息，或者通过输出所选点的坐标，计算两点间的距离获取尺寸信息。因此，现有这种三维激光扫描技术的点云数据直接获取建筑物中具体尺寸信息的方式至少存在以下缺点：(1)建筑物中的点云数据量庞大，计算效率极低，操作耗时。(2)点云数据密集、点分布不均匀、数据量庞大、包含冗余和噪声、无法直观反映物体的真实信息，通过手工选取误差极大，很大程度上依赖于处理者的个人经验。
发明内容
本申请实施例提供一种基于点云数据的结构件测量方法及装置，通过对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行建模使用。
本申请实施例提供了一种基于点云数据的结构件测量方法，包括：
通过激光扫描获取建筑物的点云数据；
以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
通过深度神经网络识别出所述第一图像中的目标结构件；
从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
在一实施例中，所述将切片上的点云数据转换为第一图像，包括：
根据所述切片上点云数据计算每个点到切片平面上的距离；
将所述距离等比转换为灰度值，并以所有点的灰度值构成所述切片平面的第一灰度图像。
在一实施例中，在通过深度神经网络识别出所述第一图像中的目标结构件之后，所述方法还包括：
以预设切片位置在垂直方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第二图像；
通过深度神经网络识别出所述第二图像中的目标结构件；
将所述第一图像中的目标结构件与第二图像中的目标结构件进行交叉验证。
在一实施例中，所述预设切片位置的计算步骤包括：
识别所述建筑物中的柱状结构，并对所述柱状结构的横纵坐标进行聚类分析；
根据聚类分析结果确定所述建筑物的柱网布置信息；
根据所述柱网布置信息计算所述建筑物中每个开间的中心点，以作为所述预设切片位置。
在一实施例中，所述基于所述点云测量点计算所述目标结构件的位置和尺寸信息，包括：
获取所述目标结构件横截面的形状；
根据所述形状以及所述点云测量点通过最小二乘法平差计算所述目标结构件的位置和尺寸信息。
在一实施例中，根据所述形状以及所述点云测量点通过最小二乘法平差计算所述目标结构件的位置和尺寸信息，包括：
对所述形状进行拟合并获取所述形状的参数向量；
基于所述参数向量以及所述点云测量点计算误差方程；
根据所述误差方程通过最小二乘法平差计算所述目标结构件的位置和尺寸信息。
在一实施例中，所述参数向量为：
X=[xcycmxmyα]T
其中，xc、yc为拟合椭圆形或矩形的中心坐标，mx、my为拟合椭圆形长短轴或矩形长短边的长度系数，α为拟合椭圆形或矩形的倾角，当所述形状拟合为圆形或正四边形时，则令mx=my，当所述形状拟合为圆形时，则参数向量中不包含α。
本申请实施例还提供一种基于点云数据的结构件测量装置，包括：
获取模块，用于通过激光扫描获取建筑物的点云数据；
转换模块，用于以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
识别模块，用于通过深度神经网络识别出所述第一图像中的目标结构件；
计算模块，用于从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
本申请实施例还提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如上任一实施例所述的基于点云数据的结构件测量方法中的步骤。
本申请实施例还提供一种电子设备，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如上任一实施例所述的基于点云数据的结构件测量方法中的步骤。
本申请实施例提供的基于点云数据的结构件测量方法、装置、存储介质以及电子设备，通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行使用。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的基于点云数据的结构件测量方法的一种流程示意图。
图2为本申请实施例提供的基于点云数据的结构件测量方法的另一种流程示意图。
图3为本申请实施例提供的针对圆形残缺点云的拟合效果示意图。
图4为本申请实施例提供的针对矩形残缺点云的拟合效果示意图。
图5为本申请实施例提供的基于点云数据的结构件测量装置的一种结构示意图。
图6为本申请实施例提供的基于点云数据的结构件测量装置的另一结构示意图。
图7为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例提供一种基于点云数据的结构件测量方法及装置。具体地，本申请实施例的基于点云数据的结构件测量方法可以由电子设备或服务器执行，其中，该电子设备可以为终端。该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机（PC，PersonalComputer）、个人数字助理(Personal Digital Assistant，PDA)、智能家居等设备，终端还可以包括客户端，该客户端可以是媒体播放客户端或即时通信客户端等。
例如，当该基于点云数据的结构件测量方法运行于电子设备时，电子设备可以通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。其中上述电子设备可以为包括激光扫描传感器的设备。
本申请实施例提供了一种基于点云数据的结构件测量方法，该方法可以由电子设备执行。本申请实施例以基于点云数据的结构件测量方法由电子设备执行为例来进行说明。
请参阅图1，该方法的具体流程可以如下：
步骤101，通过激光扫描获取建筑物的点云数据。
在一实施例中，上述点云数据是指扫描资料以点的形式记录，每一个点包含有三维坐标，有些可能含有颜色信息或反射强度信息。上述激光扫描的原理是通过扫描仪向周围发射激光信号，然后收集反射的激光信号得来的，再通过外业数据采集、组合导航、点云解算，便可以计算出这些点的准确空间信息。其中颜色信息通常是通过相机获取彩色影像，然后将对应位置的像素的颜色信息赋予点云中对应的点。强度信息的获取是激光扫描仪接收装置采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角度方向，以及仪器的发射能量，激光波长有关。
在本申请的一个可选的实施例中，可以通过视觉传感器获取点云数据。
视觉传感器是整个机器视觉系统信息的直接来源，主要由一个或者两个图形传感器组成，有时还要配以光投射器及其其他辅助设备。视觉传感器的主要功能是获取足够的机器视觉系统要处理的最原始图像。图像传感器可以使用激光扫描器、线阵和面阵CCD摄像机或者TV摄像机，也可以是最新出现的数字摄像机。
步骤102，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像。
在一实施例中，在得到建筑物的点云数据后，还可以进一步根据该点云数据建立三维点云模型，上述点云切片处理指的是在通过在三维点云模型上，按选定的切片方向以及间距分别进行切片，计算三维点云模型在切片方向坐标的最大值以及最小值。具体的，上述切片方向可以包括水平方向或与水平面垂直的方向，在实际进行切片时，水平方向上的切片数量和位置可以根据建筑层数和层高来确定，而在与水平面垂直的方向上切片的切片数量和位置可以根据建筑物中房间的位置来进行确定。比如设置N个分层，计算得出切片距离＝|最大值-最小值|/N，依次等间距提取N组片状点云模型。
然后生成N组与切片方向相同的投影平面，投影平面为每组片状点云模型的中心面，最后将N组点云分别投影到其对应的平面上作为切片处理得到的片状点云模型。可选的，上述切片方向可以为与建筑物所在水平面齐平的平面方向也即水平方向。
在得到上述切片后，便可以进一步将切片上的点云数据转换为第一图像。在一实施例中上述第一图像可以为根据切片上的点云数据计算得到的深度图像，该深度图像中可以包括每一点距离切面之间的距离信息。在其他实施例中，上述第一图像也可以为灰度图像。
步骤103，通过深度神经网络识别出第一图像中的目标结构件。
在一实施例中，可以基于循环神经网络构建多模态语义特征网络来实现对语义的分割。进一步地，上述通过深度神经网络识别出第一图像中的目标结构件的步骤可以包括：针对第一图像中的一像素点，根据语义特征和该像素点对应当前注册点的时序语义状态利用循环神经网络中的卷积层提取时序特征；其中，所述循环神经网络包括两个长短期记忆网络；根据所述时序特征利用所述循环神经网络中的全连接层计算语义分数；基于所述语义分数进行预测得到该像素点的语义分割结果；遍历所述颜色深度图像中各像素点，以得到各像素点分别对应的语义分割结果。通过上述步骤即可识别出第一图像中的目标结构件，其中，上述目标结构件可以包括建筑物中的梁、柱体以及墙面等等。
在另一实施例中，上述神经网络模型还可以为基于深度卷积神经网络CNN的模型，比如可以为YOLOV7模型，其中，YOLO算法作为目标检测算法最典型的代表，其基于深度神经网络进行对象的识别和定位，运行速度很快，可以用于实时系统。
步骤104，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。
在一实施例中，分割出识别到的目标结构件对应的点云测量点，便可以使用最小二乘算法，计算目标结构件的位置和尺寸信息。具体可以先拟合轴对称图形(比如椭圆形或矩形)的参数向量，然后计算误差方程，其中横截面为椭圆形或矩形的柱、梁等结构件的计算方式也有所不同，最终根据最小二乘平差计算迭代求解，即可计算出目标结构件的位置和尺寸信息。
由上可知，本申请实施例提供的基于点云数据的结构件测量方法可以通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行使用。
请参阅图3，为本申请实施例提供的基于点云数据的结构件测量方法的另一流程示意图。该方法的具体流程可以如下：
步骤201，通过激光扫描获取建筑物的点云数据。
在一实施例中，点云的数据采集可以通过地面激光扫描(TLS)或者移动激光扫描(MLS)进行。如果采用TLS，则宜在多个通视的位置架设扫描仪采集点云数据，并且这些站点的扫描范围应尽可能地覆盖需要扫描的建筑结构件表面，且站点间的有效重叠率不低于30%；如果采用MLS，则首先在起点对设备进行校准，然后在建筑内外部根据特定的路线边移动边采集点云数据。也即通过激光扫描获取建筑物的点云数据的步骤可以包括：确定建筑物中的通视位置，并在通视位置上进行地面激光扫描，以获取建筑物的点云数据；或，针对建筑物设计移动路线，并根据移动路线进行移动激光扫描，以获取建筑物的点云数据。
步骤202，在建筑物中提取至少一个地物特征点并建立标靶，根据标靶与地物特征点的坐标建立转换矩阵，并通过转换矩阵对建筑物的点云数据进行点云注册。
在一实施例中，完成点云数据采集后，可选择控制点、标靶、地物特征点进行手动点云数据注册,当使用标靶、地物特征点进行点云数据注册时,应采用不少于3个同名点建立转换矩阵进行点云注册。在其他实施例中，当使用控制点进行点云数据注册时,利用控制点直接获取点云的坐标进行注册。此外有很多可用的商业软件可进行自动点云注册。
需要说明的是，本方法的实施不依赖彩色点云，也就是说在扫描时不需要使用相机拍摄全景照片对点云进行着色制作彩色点云，因此可以节省了大量的设备成本以及时间成本，进一步提升效率。
步骤203，以预设距离在水平方向对点云数据进行切片处理。
步骤204，根据切片上点云数据计算每个点到切片平面上的距离，将距离等比转换为灰度值，并以所有点的灰度值构成切片平面的第一灰度图像。
以古建筑为例，针对古建筑的切片高度的典型值可以为1.2米，以该距离在水平方向对点云数据进行切片处理。
在得到上述切片后，便可以进一步将切片上的点云数据转换为第一图像，在本实施例中可以在转换时根据点至切片平面的距离以灰度值确定点的颜色，具体的，根据切片上点云数据计算每个点到切片平面上的距离，将距离等比转换为灰度值，并以所有点的灰度值构成切片平面的第一灰度图像。
步骤205，通过深度神经网络识别出第一图像中的目标结构件。
在一实施例中，可以通过深度神经网络实现结构件点云的识别和语义分割，识别出柱、柱础等主要结构件。举例来说，上述深度神经网络可以为主要采用YOLOv7架构的神经网络模型。
步骤206，以预设切片位置在垂直方向对点云数据进行切片处理，并将切片上的点云数据转换为第二图像。
在一实施例中，还可以对上述从第一图像中识别到的目标结构件进行验证，具体可以以预设切片位置在垂直方向对点云数据进行切片处理，并将切片上的点云数据转换为第二图像。其中预设切片位置的计算步骤可以包括：识别建筑物中的柱状结构，并对柱状结构的横纵坐标进行聚类分析，根据聚类分析结果确定建筑物的柱网布置信息，根据柱网布置信息计算建筑物中每个开间的中心点，以作为预设切片位置。
其中，可以先分别对所有的识别到的柱结构的横纵坐标(开间和进深方向)进行分层聚类分析。两个聚类簇之间的距离采用非加权组平均法(unweighted pair-groupmethod witharithmetic means, UPGMA)获取。对于圆柱，聚类的距离阈值建议取2至3倍的柱径。
基于获取的柱网布置，再将点云数据在垂直方向上进行切片操作，切片位置为每个开间的中心位置。类似在水平维度上的操作，再将切片上点云数据转换为图像，点云距离切片平面的距离在图像上以同样以灰度进行表示。
步骤207，通过深度神经网络识别出第二图像中的目标结构件，将第一图像中的目标结构件与第二图像中的目标结构件进行交叉验证。
通过上述深度神经网络实现柱、梁等结构件点云的识别和语义分割，根据建筑的建造原理，最后结合柱网、平面、剖面的识别结果，对识别的主要结构件进行交叉验证，进一步提升识别的准确率。例如对于古建筑来说，交叉验证的主要逻辑为：柱子位于柱网交点，梁和柱在柱网上正交。
步骤208，从点云数据中分割出目标结构件的点云测量点，获取目标结构件横截面的形状，根据形状以及点云测量点通过最小二乘法平差计算目标结构件的位置和尺寸信息。
分割识别出的点云测量点，使用最小二乘算法，获取构件的位置和尺寸信息，具体步骤取下：
首先拟合轴对称图形(椭圆形或矩形)的参数向量为：
X=[xcycmxmyα]T
其中xc、yc为拟合椭圆形或拟合矩形的中心坐标，mx、my为拟合椭圆形长短轴或矩形长短边的长度系数，对于椭圆，其轴长分别为2mx和2my，对于矩形，其边长分别为5.2mx和5.2my，α为矩形或椭圆形的倾角。
然后误差方程用矩阵形式表示为：
L=[L1L2……Ln]T
Figure SMS_1
其中，n为测量点的数量，
Figure SMS_2
为逐项乘积运算(Hadamard乘积)，R为α的旋转矩阵，X i 为测量点的横纵坐标，对于横截面为椭圆形的柱、梁等结构件：
Figure SMS_3
对于横截面为矩形的柱、梁等结构件：
Figure SMS_4
因此，对于横截面为椭圆形的柱、梁等结构件：
Figure SMS_5
其中，
Figure SMS_6
Figure SMS_7
而对于横截面为矩形的柱、梁等结构件：
Figure SMS_8
其中，
Figure SMS_9
上述公式中p1,p2,p3,p4的值可以分别为7.8125,0.7944, 8.399833, 0.278687。进一步的，令
Figure SMS_10
，即可得到：
Figure SMS_11
/>
Figure SMS_12
根据最小二乘平差原理可知X的改正值为dX=(ATA)-1ATL，其中，
Figure SMS_13
需要说明的是，上述算法也同样适用于正四边形和圆形的拟合，对于正四边形，只需要调整参数令mx=my并用m表示，并调整相应矩阵中的维度和参数即可。具体的，对其详细展开，相应的正四边形情况下的参数向量即可表示为：
Figure SMS_14
对于圆形，需要说明的是，当形状拟合为圆形时，则参数向量中不包含α，因此误差方程中涉及α的项可取α=0(或其他固定值)进行计算，上述m为圆半径，相应的圆形情况下的参数向量即可表示为：
Figure SMS_15
而对于正四边形，5.2m为边长，此时：
Figure SMS_16
正四边形的系数矩阵A表示为：
Figure SMS_17
圆形的系数矩阵A表示为：
Figure SMS_18
最后通过最小二乘法平差进行计算迭代，从X0=[xc,0yc,0mx,0my,0α0]T处开始迭代求解X:=X-dX，其中xc,0和yc,0可取所有点云点的重心，mx,0和my,0取1，α0取0，通过上述方法，对于残缺点云依然能获取较好的拟合效果，其拟合效果可参阅图3和图4，分别为针对圆形和矩形的残缺点云拟合效果示意图。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上可知，本申请实施例提供的基于点云数据的结构件测量方法可以通过激光扫描获取建筑物的点云数据，在建筑物中提取至少一个地物特征点并建立标靶，根据标靶与地物特征点的坐标建立转换矩阵，并通过转换矩阵对建筑物的点云数据进行点云注册，以预设距离在水平方向对点云数据进行切片处理，根据切片上点云数据计算每个点到切片平面上的距离，将距离等比转换为灰度值，并以所有点的灰度值构成切片平面的第一灰度图像，通过深度神经网络识别出第一图像中的目标结构件，以预设切片位置在垂直方向对点云数据进行切片处理，并将切片上的点云数据转换为第二图像，通过深度神经网络识别出第二图像中的目标结构件，将第一图像中的目标结构件与第二图像中的目标结构件进行交叉验证，从点云数据中分割出目标结构件的点云测量点，获取目标结构件横截面的形状，根据形状以及点云测量点通过最小二乘法平差计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行使用。
为便于更好的实施本申请实施例的基于点云数据的结构件测量方法，本申请实施例还提供一种基于点云数据的结构件测量装置。请参阅图5，图5为本申请实施例提供的基于点云数据的结构件测量装置的一种结构示意图。该基于点云数据的结构件测量装置可以包括：
获取模块301，用于通过激光扫描获取建筑物的点云数据；
转换模块302，用于以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
识别模块303，用于通过深度神经网络识别出所述第一图像中的目标结构件；
计算模块304，用于从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
在一实施例中，请进一步参阅图6，图6为本申请实施例提供的基于点云数据的结构件测量装置的另一种结构示意图。其中，转换模块302可以包括：
第一计算子模块3021，用于根据所述切片上点云数据计算每个点到切片平面上的距离；
转换子模块3022，用于将所述距离等比转换为灰度值，并以所有点的灰度值构成所述切片平面的第一灰度图像。
继续参阅图5，在一实施例在，计算模块304可以包括：
获取子模块3041，用于获取所述目标结构件横截面的形状；
第二计算子模块3042，用于根据所述形状以及所述点云测量点通过最小二乘法平差计算所述目标结构件的位置和尺寸信息。
上述所有的技术方案，可以采用任意结合形成本申请的可选实施例，在此不再一一赘述。
由上可知，本申请实施例提供的基于点云数据的结构件测量装置，通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行使用。
相应的，本申请实施例还提供一种电子设备，该电子设备可以为终端或者服务器，该终端可以为智能手机、平板电脑、笔记本电脑、触控屏幕、游戏机、个人计算机（PC，PersonalComputer）、个人数字助理(Personal Digital Assistant，PDA)等终端设备。如图7所示，图7为本申请实施例提供的电子设备的结构示意图。该电子设备400包括有一个或者一个以上处理核心的处理器401、有一个或一个以上存储介质的存储器402及存储在存储器402上并可在处理器上运行的计算机程序。其中，处理器401与存储器402电性连接。本领域技术人员可以理解，图中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
处理器401是电子设备400的控制中心，利用各种接口和线路连接整个电子设备400的各个部分，通过运行或加载存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行电子设备400的各种功能和处理数据，从而对电子设备400进行整体监控。
在本申请实施例中，电子设备400中的处理器401会按照如下的步骤，将一个或一个以上的应用程序的进程对应的指令加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能：
通过激光扫描获取建筑物的点云数据；
以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
通过深度神经网络识别出所述第一图像中的目标结构件；
从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
可选的，如图7所示，电子设备400还包括：触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407。其中，处理器401分别与触控显示屏403、射频电路404、音频电路405、输入单元406以及电源407电性连接。本领域技术人员可以理解，图7中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
触控显示屏403可用于显示图形用户界面以及接收用户作用于图形用户界面产生的操作指令。触控显示屏403可以包括显示面板和触控面板。其中，显示面板可用于显示由用户输入的信息或提供给用户的信息以及电子设备的各种图形用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。可选的，可以采用液晶显示器（LCD，LiquidCrystal Display）、有机发光二极管（OLED，OrganicLight-Emitting Diode）等形式来配置显示面板。触控面板可用于收集用户在其上或附近的触摸操作（比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作），并生成相应的操作指令，且操作指令执行对应程序。可选的，触控面板可包括触摸检测装置和触摸控制器两个部分。其中，触摸检测装置检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测装置上接收触摸信息，并将它转换成触点坐标，再送给处理器401，并能接收处理器401发来的命令并加以执行。触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器401以确定触摸事件的类型，随后处理器401根据触摸事件的类型在显示面板上提供相应的视觉输出。在本申请实施例中，可以将触控面板与显示面板集成到触控显示屏403而实现输入和输出功能。但是在某些实施例中，触控面板与触控面板可以作为两个独立的部件来实现输入和输出功能。即触控显示屏403也可以作为输入单元406的一部分实现输入功能。
在本申请实施例中，通过处理器401执行应用程序在触控显示屏403上生成图形用户界面。该触控显示屏403用于呈现图形用户界面以及接收用户作用于图形用户界面产生的操作指令。
射频电路404可用于收发射频信号，以通过无线通信与网络设备或其他电子设备建立无线通讯，与网络设备或其他电子设备之间收发信号。
音频电路405可以用于通过扬声器、传声器提供用户与电子设备之间的音频接口。音频电路405可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路405接收后转换为音频数据，再将音频数据输出处理器401处理后，经射频电路404以发送给比如另一电子设备，或者将音频数据输出至存储器402以便进一步处理。音频电路405还可能包括耳塞插孔，以提供外设耳机与电子设备的通信。
输入单元406可用于接收输入的数字、字符信息或用户特征信息（例如指纹、虹膜、面部信息等），以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
电源407用于给电子设备400的各个部件供电。可选的，电源407可以通过电源管理系统与处理器401逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源407还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
尽管图7中未示出，电子设备400还可以包括摄像头、传感器、无线保真模块、蓝牙模块等，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
由上可知，本实施例提供的电子设备，可以通过激光扫描获取建筑物的点云数据，以预设距离在水平方向对点云数据进行切片处理，并将切片上的点云数据转换为第一图像，通过深度神经网络识别出第一图像中的目标结构件，从点云数据中分割出目标结构件的点云测量点，并基于点云测量点计算目标结构件的位置和尺寸信息。本申请实施例提供的方案可以对建筑物的点云数据进行切片来识别其中的结构件，并进一步计算这些结构件的位置以及尺寸信息，从而提升了结构件测量的效率以及精度，便于后期进行建模使用。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种基于点云数据的结构件测量方法中的步骤。例如，该计算机程序可以执行如下步骤：
通过激光扫描获取建筑物的点云数据；
以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
通过深度神经网络识别出所述第一图像中的目标结构件；
从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器（ROM，Read OnlyMemory）、随机存取记忆体（RAM，Random AccessMemory）、磁盘或光盘等。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种基于点云数据的结构件测量方法中的步骤，因此，可以实现本申请实施例所提供的任一种基于点云数据的结构件测量方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种基于点云数据的结构件测量方法及装置进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种基于点云数据的结构件测量方法，其特征在于，包括：
通过激光扫描获取建筑物的点云数据；
以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
通过深度神经网络识别出所述第一图像中的目标结构件；
从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
2.如权利要求1所述的基于点云数据的结构件测量方法，其特征在于，所述将切片上的点云数据转换为第一图像，包括：
根据所述切片上点云数据计算每个点到切片平面上的距离；
将所述距离等比转换为灰度值，并以所有点的灰度值构成所述切片平面的第一灰度图像。
3.如权利要求2所述的基于点云数据的结构件测量方法，其特征在于，在通过深度神经网络识别出所述第一图像中的目标结构件之后，所述方法还包括：
以预设切片位置在垂直方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第二图像；
通过深度神经网络识别出所述第二图像中的目标结构件；
将所述第一图像中的目标结构件与第二图像中的目标结构件进行交叉验证。
4.如权利要求3所述的基于点云数据的结构件测量方法，其特征在于，所述预设切片位置的计算步骤包括：
识别所述建筑物中的柱状结构，并对所述柱状结构的横纵坐标进行聚类分析；
根据聚类分析结果确定所述建筑物的柱网布置信息；
根据所述柱网布置信息计算所述建筑物中每个开间的中心点，以作为所述预设切片位置。
5.如权利要求1所述的基于点云数据的结构件测量方法，其特征在于，所述基于所述点云测量点计算所述目标结构件的位置和尺寸信息，包括：
获取所述目标结构件横截面的形状；
根据所述形状以及所述点云测量点通过最小二乘法平差计算所述目标结构件的位置和尺寸信息。
6.如权利要求5所述的基于点云数据的结构件测量方法，其特征在于，根据所述形状以及所述点云测量点通过最小二乘法平差计算所述目标结构件的位置和尺寸信息，包括：
对所述形状进行拟合并获取所述形状的参数向量；
基于所述参数向量以及所述点云测量点计算误差方程；
根据所述误差方程通过最小二乘法平差计算所述目标结构件的位置和尺寸信息。
7.如权利要求6所述的基于点云数据的结构件测量方法，其特征在于，所述参数向量为：
X=[xc yc mx my α]T
其中，xc、yc为拟合椭圆形或矩形的中心坐标，mx、my为拟合椭圆形长短轴或矩形长短边的长度系数，α为拟合椭圆形或矩形的倾角，当所述形状拟合为圆形或正四边形时，则令mx=my，当所述形状拟合为圆形时，则参数向量中不包含α。
8.一种基于点云数据的结构件测量装置，其特征在于，包括：
获取模块，用于通过激光扫描获取建筑物的点云数据；
转换模块，用于以预设距离在水平方向对所述点云数据进行切片处理，并将切片上的点云数据转换为第一图像；
识别模块，用于通过深度神经网络识别出所述第一图像中的目标结构件；
计算模块，用于从所述点云数据中分割出所述目标结构件的点云测量点，并基于所述点云测量点计算所述目标结构件的位置和尺寸信息。
9.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1-7任一项所述的基于点云数据的结构件测量方法中的步骤。
10.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，执行如权利要求1-7任一项所述的基于点云数据的结构件测量方法中的步骤。
CN202310531379.8A 2023-05-12 2023-05-12 基于点云数据的结构件测量方法及装置 Active CN116258969B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310531379.8A CN116258969B (zh) 2023-05-12 2023-05-12 基于点云数据的结构件测量方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310531379.8A CN116258969B (zh) 2023-05-12 2023-05-12 基于点云数据的结构件测量方法及装置

Publications (2)

Publication Number Publication Date
CN116258969A true CN116258969A (zh) 2023-06-13
CN116258969B CN116258969B (zh) 2023-08-25

Family

ID=86682824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310531379.8A Active CN116258969B (zh) 2023-05-12 2023-05-12 基于点云数据的结构件测量方法及装置

Country Status (1)

Country Link
CN (1) CN116258969B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117190983A (zh) * 2023-09-05 2023-12-08 湖南天桥嘉成智能科技有限公司 一种隧道超欠开挖检测系统、方法、设备及存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102003938A (zh) * 2010-10-11 2011-04-06 中国人民解放军信息工程大学 大型高温锻件热态在位检测方法
CN108846888A (zh) * 2018-04-23 2018-11-20 北京建筑大学 一种古木建筑构件精细尺寸信息自动化提取方法
CN109523554A (zh) * 2018-11-16 2019-03-26 北京建筑大学 一种基于木构件的古建筑点云自动分割方法
WO2021203664A1 (zh) * 2020-04-09 2021-10-14 广东博智林机器人有限公司 墙面的截面尺寸的测量方法及装置、系统
US20220198647A1 (en) * 2021-02-09 2022-06-23 Nanjing University Of Aeronautics And Astronautics Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud
CN115827906A (zh) * 2022-12-22 2023-03-21 深圳市镭神智能系统有限公司 目标标注方法、装置、电子设备及计算机可读存储介质
CN115902919A (zh) * 2022-12-23 2023-04-04 中铁四局集团第五工程有限公司 隧道钢筋网测距方法、系统、电子设备及存储介质
CN116030103A (zh) * 2023-03-07 2023-04-28 北京百度网讯科技有限公司 确定砌筑质量的方法、装置、设备和介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102003938A (zh) * 2010-10-11 2011-04-06 中国人民解放军信息工程大学 大型高温锻件热态在位检测方法
CN108846888A (zh) * 2018-04-23 2018-11-20 北京建筑大学 一种古木建筑构件精细尺寸信息自动化提取方法
CN109523554A (zh) * 2018-11-16 2019-03-26 北京建筑大学 一种基于木构件的古建筑点云自动分割方法
WO2021203664A1 (zh) * 2020-04-09 2021-10-14 广东博智林机器人有限公司 墙面的截面尺寸的测量方法及装置、系统
US20220198647A1 (en) * 2021-02-09 2022-06-23 Nanjing University Of Aeronautics And Astronautics Method for detecting and recognizing surface defects of automated fiber placement composite based on image converted from point cloud
CN115827906A (zh) * 2022-12-22 2023-03-21 深圳市镭神智能系统有限公司 目标标注方法、装置、电子设备及计算机可读存储介质
CN115902919A (zh) * 2022-12-23 2023-04-04 中铁四局集团第五工程有限公司 隧道钢筋网测距方法、系统、电子设备及存储介质
CN116030103A (zh) * 2023-03-07 2023-04-28 北京百度网讯科技有限公司 确定砌筑质量的方法、装置、设备和介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ZONGXIA XU ET AL: "Content-Sensitive Multilevel Point Cluster Construction for ALS Point Cloud Classification", 《REMOTE SENSING》, pages 1 - 19 *
何原荣 等: "基于点云数据的复杂建筑体真三维建模与应用", 遥感技术与应用, vol. 31, no. 6, pages 1091 - 1099 *
周瑜 等: "建筑物边界规则化的混合LS-TLS平差方法", 《中国矿业大学学报》, vol. 48, no. 2, pages 452 - 458 *
孟庆年 等: "三维激光扫描仪在树木参数快速获取中的应用", 《测绘通报》, pages 143 - 146 *
张瑞菊 等: "一种古建筑点云数据的语义分割算法", 《武汉大学学报 信息科学版》, vol. 45, no. 5, pages 753 - 759 *
黄飒: "三维激光扫描技术应用于古建筑测绘及其数据处理研究", 《中国优秀硕士学位论文全文数据库》, pages 1 - 74 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117190983A (zh) * 2023-09-05 2023-12-08 湖南天桥嘉成智能科技有限公司 一种隧道超欠开挖检测系统、方法、设备及存储介质
CN117190983B (zh) * 2023-09-05 2024-04-26 湖南天桥嘉成智能科技有限公司 一种隧道超欠开挖检测系统、方法、设备及存储介质

Also Published As

Publication number Publication date
CN116258969B (zh) 2023-08-25

Similar Documents

Publication Publication Date Title
US11941207B2 (en) Touch control method for display, terminal device, and storage medium
US11295522B2 (en) Three-dimensional (3D) model creation and incremental model refinement from laser scans
CN116258969B (zh) 基于点云数据的结构件测量方法及装置
CN112489099B (zh) 点云配准方法、装置、存储介质及电子设备
CN110178364B (zh) 用于3d场景的最佳扫描轨迹
CN112150560B (zh) 确定消失点的方法、装置及计算机存储介质
CN111813290B (zh) 一种数据处理方法、装置以及电子设备
CN111833243B (zh) 一种数据展示方法、移动终端和存储介质
CN115115655A (zh) 目标分割方法、装置、电子设备、存储介质及程序产品
CN113282981A (zh) 快速获取户型结构的方法及装置
CN116128883A (zh) 一种光伏板数量统计方法、装置、电子设备及存储介质
CN114565722A (zh) 一种三维模型单体化实现方法
CN115713616B (zh) 一种房源空间模型生成方法、装置、终端设备及存储介质
CN117095038A (zh) 用于激光扫描仪的点云滤波方法及系统
EP4293623A1 (en) Image depth prediction method and electronic device
CN115861403A (zh) 一种非接触式物体体积测量方法、装置、电子设备及介质
CN116212374A (zh) 模型处理方法、装置、计算机设备和存储介质
JP2019219248A (ja) 点群処理装置、点群処理方法およびプログラム
CN112308768B (zh) 一种数据处理方法、装置、电子设备以及存储介质
CN115294213A (zh) 标定塔、相机标定方法、装置、电子设备及存储介质
CN115205806A (zh) 生成目标检测模型的方法、装置和自动驾驶车辆
CN111986251A (zh) 物体体积测量方法、装置、测量设备及存储介质
CN111739098A (zh) 测速方法及装置、电子设备及存储介质
CN111981975B (zh) 物体体积测量方法、装置、测量设备及存储介质
CN112184543B (zh) 一种用于鱼眼摄像头的数据展示方法和装置

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