CN116310355A - 一种复杂结构件的激光点云去噪和缺陷检测方法 - Google Patents
一种复杂结构件的激光点云去噪和缺陷检测方法 Download PDFInfo
- Publication number
- CN116310355A CN116310355A CN202211093180.3A CN202211093180A CN116310355A CN 116310355 A CN116310355 A CN 116310355A CN 202211093180 A CN202211093180 A CN 202211093180A CN 116310355 A CN116310355 A CN 116310355A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- standard
- denoising
- laser
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06V10/30—Noise filtering
-
- 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
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Graphics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明公开了一种复杂结构件的激光点云去噪和缺陷检测方法,以标准理想点云为先验信息,包括以下步骤:1、获取目标物采集点云和标准点云;2、基于主成分分析(PCA)和最近点迭代(ICP)算法将采集点云配准到标准点云;3、将标准点云进行多向偏移并合成膨胀标准点云;4、基于膨胀标准点云对采集点云进行去噪;5、利用倒角距离和二次确认算法提取缺陷;6、基于密度聚类(DBSCAN)算法分类缺陷。本发明基于先验信息实现了对激光LIDAR采集到的复杂结构目标物激光点云数据精细化去噪以及缺陷检测,去噪和检测效果良好。本发明应用广泛,在点云去噪、设备检修、建筑验收等场合均有重大意义。
Description
技术领域
本发明涉及一种复杂结构件的激光点云去噪和缺陷检测方法,属于模式识别、三维点云数据处理技术领域。
背景技术
点云是某个坐标系下的点的数据集合,点包含三维坐标、颜色等信息。目前主流的点云获取方式是采用激光LIDAR采集点云。点云去噪是指激光LIDAR在采集点云过程中,由于LIDAR传感器精度限制、工作原理和环境干扰,在目标物的表面附近或空间中会采集到许多噪点,需要将这些噪点滤掉。传统的点云滤波方法有半径去噪、统计去噪、高斯去噪等,这些方法使用具有条件限制且仅对于距离采集表面较远、分布在空间中的稀疏噪点滤波效果比较好,而有些采集的噪声点云与目标物表面点云的距离非常接近且分布密集,导致这些方法无法有效去噪。此外,这些方法都没有使用目标物已知的先验信息来进行去噪,而在很多领域,是有目标物的三维模型等先验信息的。
物体缺陷检测是指通过某种方法检测物体结构是否有缺失、断裂等问题。近年来,激光技术被应用于简单结构的物体表面缺陷检测,检测表面是否有凸起、凹坑等。但对于基于激光点云的复杂结构物体的检测,由于激光点云扫描数据噪点过多,结构复杂,目前并无法实现良好的检测效果。
发明内容
技术问题:
针对上述现有技术问题,本发明提出一种复杂结构件的激光点云去噪和缺陷检测方法,能够至少解决上述一种技术问题。本发明充分利用目标物的模型先验信息,对激光LIDAR采集到的激光点云数据进行精细化地去噪,并实现了复杂结构目标物的缺陷检测。
技术方案:
一种复杂结构件的激光点云去噪和缺陷检测方法,适用的对象为:一切具有先验信息的激光点云数据,而非某种固定类别点云数据,其具体步骤为:
步骤1:获取目标物的采集点云和标准点云;
步骤2:基于主成分分析(PCA)和最近点迭代(ICP)算法将采集点云配准到标准点云;
步骤3:将标准点云进行多向偏移并合成膨胀标准点云,将膨胀标准点云生成体素;
步骤4:用体素对采集点云进行去噪,得到去噪后点云;
步骤5:利用倒角距离和二次确认算法提取缺陷;
步骤6:基于密度聚类(DBSCAN)算法分类缺陷。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤1实现包括以下步骤:
首先使用搭载激光LIDAR的平台对目标物进行完整扫描,然后将扫描的激光点云数据经过预处理,分离出目标物采集点云C2。然后,若先验信息是模型数据,则读取目标物标准模型数据,通过泊松采样生成标准点云C1;若先验信息是点云数据,则直接读取标准点云C1。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤2实现包括以下步骤:
步骤2.1:
基于PCA算法的粗配准具体过程如下:
(1)求解点云C1、C2的质心坐标λ1,λ2,将C1、C2所有点坐标减去质心坐标,进行去中心化;
(2)计算C1、C2的协方差矩阵M1、M2:
(3)采用SVD分解协方差矩阵:
M=U∑VT
得到的左奇异矩阵U为特征向量集合p1,p2∈R3*3;
(4)考虑点云C1、C2主轴朝向对应8种形式,求解点云C2变换到点云C1的变换矩阵T:遍历8次,计算变换矩阵T:
对采集点云C2进行深拷贝得到Cr,利用变换矩阵T对Cr进行变换,并逐点计算变换后两个点云之间最近点的欧式距离di,由此进一步计算均方误差mse。比较8次均方误差,用最小的均方误差对应的Cr点云替换C2。PCA粗配准完成。
步骤2.2:基于ICP算法对采集点云C2和标准点云C1进行精配准。过程如下:
(1)对C1中每点在C2中找最近点,计算两点距离d,d<δ则认为是匹配点对(pos1i,pos2i),加入匹配点对集合K;该过程通过kd树加速匹配;
(2)由上述集合K,通过SVD分解求解变换矩阵T:
对H矩阵进行SVD分解:
H=U∑VT
计算变换矩阵T:
(3)利用T对C2进行坐标变换,计算匹配点对距离,接着计算整体误差:
(4)若误差小于阈值θ或迭代次数达到阈值K则退出迭代,精配准结束,获得最终的采集点云C2,ICP精配准结束。否则继续执行步骤2.2中的(1)—(3)。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤3实现包括以下步骤:
步骤3.1:深拷贝标准点云C1得到初步的膨胀标准点云C3;合成膨胀标准点云C3过程如下:将标准点云C1沿X轴正负方向分别平移m1、m2距离,平移后的点云加入C3,对Y、Z轴做相同处理;将标准点云C1沿XZ轴合成的四个方向分别平移m3距离,平移后的点云加入C3,对XY、YZ合成方向做相同处理;将标准点云C1沿XYZ轴合成的八个方向分别平移m4距离,平移后的点云加入C3;经过上述处理得到C3为最终的膨胀标准点云C3。
步骤3.2:获取膨胀标准点云C3的坐标范围,计算其长宽高l,w,h;以点云C3的分布范围,构建分辨率为ρ的正方体体素,若点云C3中至少有一个点坐标位于体素内,则该体素标记为被占用,否则被标记为空;所有非空体素集合为体素M1。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤4实现包括以下步骤:
将采集点云C2按照体素M1中体素坐标范围划分,提取所有位于体素内的点,得到去噪后点云C4。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤5实现包括以下步骤:
步骤5.1:利用倒角距离获得候选缺陷。其具体过程如下:
(1)遍历去噪后点云C4,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r,邻域点数阈值为N;
(2)遍历标准点云C1,寻找其在去噪后点云C4中的最近点并计算两点距离d;
(3)设定倒角距离阈值μ,若d>μ则将该点标记为缺陷点;
(4)由标记索引标准点云获取候选缺陷点云。
步骤5.2:二次确认算法提取缺陷。其具体过程如下:
(1)遍历候选缺陷点云,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r,邻域点数阈值为N2;
(2)遍历标准点云,寻找其在候选缺陷点云的最近点并计算两点距离d2;
(3)若d2<μ则将该点标记为确定缺陷点;
(4)由标记索引标准点云提取缺陷点云。
在上述一种复杂结构件的激光点云去噪和缺陷检测方法中,步骤6实现包括以下步骤:
使用基于密度聚类(DBSCAN)算法对缺陷点云进行分类,得到不同位置的缺陷。其具体过程如下:
(1)读取缺陷点云,标记所有点为unvisited;
(2)在unvisited点中随机选择点p标记为visited;
(3)如果p的R距离邻域有Npoints个点,将该点集创建为N,创建新类C,将p添加进C。否则标记p为噪声,跳出本次循环;
(4)遍历N:若点Ni为unvisited,标记为visited。如果Ni的R距离邻域有Npoints个点,将点集加入N,如果Ni非类成员,加入C;
(5)输出C;
(6)循环步骤(2)-(5)直到所有点标记为visited。
有益效果:
1.本发明充分利用目标物的先验信息,对激光LIDAR采集到的点云数据进行精细化地去噪,能够有效去除离目标物表面十分接近的密集噪点,去噪效果良好。此外,解决了LIDAR采集到的目标物点云尺寸比真实尺寸偏大的问题。
2.本发明基于激光点云,通过去噪后可快速获取缺陷,实现了目标物缺陷的自动化检测,不需要任何人为干预,效率高。相比于传统方法因设备和人为因素产生的误差,本发明检测速度快,准确度高。
3.本发明应用广泛,在多种场合下应用均有重要意义。对激光雷达采集到的设备点云进行去噪和缺陷检测,可以实现预警,对设备的维护和检测具有重大意义。对激光雷达采集到的复杂建筑点云可以检测结构是否与设计相同,从而方便项目验收,减少了人工成本并且效率高。
附图说明
图1为本发明公开的复杂结构件的激光点云去噪和缺陷检测方法的整体流程。
图2为本发明实施例中未膨胀和膨胀后理想点云局部对比图,其中,左图为未膨胀点云,右图为膨胀后点云。
图3为本发明实施例中未滤波和滤波后复杂结构件局部对比图,其中,左图为未滤波点云,右图为滤波后点云。
图4为本发明实施例中未滤波和滤波后复杂结构件局部对比图,其中,左图为未滤波点云,右图为滤波后点云。
图5为本发明实施例中去噪及缺陷检测局部对比图,其中,左图为未滤波点云,中图为滤波后点云,右图为缺陷检测结果。
图6为本发明实施例中去噪及缺陷检测局部对比图,其中,左图为未滤波点云,中图为滤波后点云,右图为缺陷检测结果。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及其效果,将结合本发明实施例中附图对本发明详细说明。本发明实施例中采集点云是通过激光雷达采集到的复杂结构件点云,显然,附图中所描述的实施例仅仅是本发明的一个实施例,而不是全部的实施例,本发明的实施例并不能限制本发明范围。基于本发明在没有做出创造性的劳动的前提下所获得的所有其他实施例,例如利用本发明对设备点云、物体点云等进行去噪,都属于本发明保护的范围。
本实施例是通过以下技术方案来实现的,一种复杂结构件的激光点云去噪和缺陷检测方法,包括:
步骤1:获取目标物的采集点云和标准点云;
步骤2:基于主成分分析(PCA)和最近点迭代(ICP)算法将采集点云配准到标准点云;
步骤3:将标准点云进行多向偏移并合成膨胀标准点云,将膨胀标准点云生成体素;
步骤4:用体素对采集点云进行去噪,得到去噪后点云;
步骤5:利用倒角距离和二次确认算法提取缺陷;
步骤6:基于密度聚类(DBSCAN)算法分类缺陷。
图1为本发明公开的基于先验信息的激光点云数据去噪和缺陷检测方法的整体流程。
进一步地,步骤1实现具体为:
首先使用搭载激光LIDAR的无人机对目标物进行完整扫描,然后将扫描的激光点云数据经过预处理,分离出目标物采集点云C2。先验信息是模型数据,读取目标物标准模型数据,通过泊松采样生成标准点云C1,采样点数为200万。
进一步地,步骤2实现具体为:
步骤2.1:
基于PCA算法的粗配准具体过程如下:
(1)求解点云C1、C2的质心坐标λ1,λ2,将C1、C2所有点坐标减去质心坐标,进行去中心化;
(2)计算C1、C2的协方差矩阵M1、M2:
(3)采用SVD分解协方差矩阵M1、M2:
M=U∑VT
得到的左奇异矩阵U为特征向量集合p1,p2∈R3*3;
(4)考虑点云C1、C2主轴朝向可能对应8种形式,求解点云C2变换到点云C1的变换矩阵T:遍历8次,计算变换矩阵T:
对采集点云C2进行深拷贝得到Cr,利用变换矩阵T对Cr进行变换,并逐点计算变换后两个点云之间最近点的欧式距离di,由此进一步计算均方误差mse。比较8次均方误差,用最小的均方误差对应的Cr点云替换C2。PCA粗配准完成。
步骤2.2:基于ICP算法对采集点云C2和标准点云C1进行精配准。过程如下:
(1)对C1中每点在C2中找最近点,计算两点距离d,d<δ则认为是匹配点对(pos1i,pos2i),加入匹配点对集合K,其中δ=5;该过程通过kd树加速匹配;
(2)由上述集合K,通过SVD分解求解变换矩阵T:
计算H矩阵:
对H矩阵进行SVD分解:
H=U∑VT
计算变换矩阵T:
(3)利用T对C2进行坐标变换,计算匹配点对距离,接着计算整体误差:
(4)若误差小于阈值θ或迭代次数达到阈值K则退出迭代,精配准结束,获得最终的采集点云C2,ICP精配准结束。否则继续执行步骤2.2中的(1)—(3)。其中θ=0.5,K=100。
进一步地,步骤3实现具体为:
步骤3.1:深拷贝标准点云C1得到初步的膨胀标准点云C3。合成膨胀标准点云C3过程如下:将标准点云C1沿X轴正负方向分别平移m1、m2距离,平移后的点云加入C3,对Y、Z轴做相同处理。将标准点云C1沿XZ轴合成的四个方向分别平移m3距离,平移后的点云加入C3,对XY、YZ合成方向做相同处理。将标准点云C1沿XYZ轴合成的八个方向分别平移m4距离,平移后的点云加入C3。其中,m1=m3=m4=0.05m,m2=0.1m。经过上述处理得到C3为最终的膨胀标准点云C3。
步骤3.2:获取膨胀标准点云C3的坐标范围,计算其长宽高l,w,h。以点云C3的分布范围,构建分辨率为ρ=0.08m的正方体体素,若点云C3中至少有一个点坐标位于体素内,则该体素标记为被占用,否则被标记为空。所有非空体素集合为体素M1。
图2为本发明实施例中未膨胀和膨胀后理想点云局部对比图,其中,左图为未膨胀点云,右图为膨胀后点云。
进一步地,步骤4实现具体为:
将采集点云C2按照体素M1中体素坐标范围划分,提取所有位于体素内的点,得到去噪后点云C4。
图3、4为本发明实施例中未滤波和滤波后复杂结构件局部对比图,其中,左图为未滤波点云,右图为滤波后点云,可以看出本实施例中滤波效果良好。
进一步地,步骤5实现具体为:
步骤5.1:利用倒角距离获得候选缺陷。其具体过程如下:
(1)遍历去噪后点云C4,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r=0.1m,邻域点数阈值为N=20;
(2)遍历标准点云C1,寻找其在去噪后点云C4中的最近点并计算两点距离d;
(3)设定倒角距离阈值μ=0.15m,若d>μ则将该点标记为缺陷点;
(4)由标记索引标准点云获取候选缺陷点云。
步骤5.2:二次确认算法提取缺陷。其具体过程如下:‘
(1)遍历候选缺陷点云,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r=0.1m,邻域点数阈值为N2=10;
(2)遍历标准点云,寻找其在候选缺陷点云的最近点并计算两点距离d2;
(3)若d2<μ则将该点标记为确定缺陷点;
(4)由标记索引标准点云提取缺陷点云。
进一步地,步骤6实现具体为:
使用基于密度聚类(DBSCAN)算法对缺陷点云进行分类,得到不同位置的缺陷。其具体过程如下:
(1)读取缺陷点云,标记所有点为unvisited;
(2)在unvisited点中随机选择点p标记为visited;
(3)如果p的R=0.15m距离邻域有Npoints=20个点,将该点集创建为N,创建新类C,将p添加进C。否则标记p为噪声,跳出本次循环;
(4)遍历N:若点Ni为unvisited,标记为visited。如果Ni的R距离邻域有Npoints个点,将点集加入N,如果Ni非类成员,加入C;
(5)输出C;
(6)循环步骤(2)-(5)直到所有点标记为visited。
图5、6为本发明实施例中去噪及缺陷检测局部对比图,其中,左图为未滤波点云,中图为滤波后点云,右图为缺陷检测结果,缺陷位置由黑框圈出,框中是检测得到的缺陷点云。对比未滤波点云,经过去噪后缺陷都被检测出,本发明检测缺陷准确性高。
上述内容仅是本发明的一个实施例,其描述详细,但并不能作为对该发明专利范围的限制。在本领域技术人员在没有做出创造性的劳动的前提下,通过变形或细小改进,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,包括以下步骤:
步骤1:获取目标物的采集点云和标准点云;
步骤2:基于PCA和ICP算法将采集点云配准到标准点云;
步骤3:将标准点云进行多向偏移并合成膨胀标准点云,将膨胀标准点云生成体素;
步骤4:用体素对采集点云进行去噪,得到去噪后点云;
步骤5:利用倒角距离和二次确认算法提取缺陷;
步骤6:基于DBSCAN算法分类缺陷。
2.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,该方法适用的对象为:一切具有先验信息的激光点云数据,而非某种固定类别点云数据。
3.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤1包括以下步骤:
首先使用搭载激光LIDAR的平台对目标物进行完整扫描,然后将扫描的激光点云数据经过预处理,分离出目标物采集点云C2;然后,若先验信息是模型数据,则读取目标物标准模型数据,通过泊松采样生成标准点云C1;若先验信息是点云数据,则直接读取标准点云C1。
4.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤2包括以下步骤:
步骤2.1:基于PCA算法的粗配准,具体过程如下:
(1)求解点云C1、C2的质心坐标λ1,λ2,将C1、C2所有点坐标减去质心坐标,进行去中心化;
(2)计算C1、C2的协方差矩阵M1、M2:
(3)采用SVD分解协方差矩阵:
M=U∑VT
得到的左奇异矩阵U为特征向量集合p1,p2∈R3*3;
(4)考虑点云C1、C2主轴朝向对应8种形式,求解点云C2变换到点云C1的变换矩阵T:遍历8次,计算变换矩阵T:
其中,α为主轴对应的矩阵,共8种形式;
对采集点云C2进行深拷贝得到Cr,利用变换矩阵T对Cr进行变换,并逐点计算变换后两个点云之间最近点的欧式距离di,由此进一步计算均方误差mse;比较8次均方误差,用最小的均方误差对应的Cr点云替换C2;PCA粗配准完成;
步骤2.2:基于ICP算法对采集点云C2和标准点云C1进行精配准,具体过程如下:
(1)对C1中每点在C2中找最近点,计算两点距离d,d<δ则认为是匹配点对(pos1i,pos2i),加入匹配点对集合K;该过程通过kd树加速匹配;
(2)由上述集合K,通过SVD分解求解变换矩阵T:
计算H矩阵:
对H矩阵进行SVD分解:
H=U∑VT
计算变换矩阵T:
(3)利用T对C2进行坐标变换,计算匹配点对距离,接着计算整体误差:
(4)若误差小于阈值θ或迭代次数达到阈值K则退出迭代,精配准结束,获得最终的采集点云C2,ICP精配准结束;否则继续执行步骤2.2中的(1)—(3)。
5.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤3包括以下步骤:
步骤3.1:深拷贝标准点云C1得到初步的膨胀标准点云C3;合成膨胀标准点云C3过程如下:将标准点云C1沿X轴正负方向分别平移m1、m2距离,平移后的点云加入C3,对Y、Z轴做相同处理;将标准点云C1沿XZ轴合成的四个方向分别平移m3距离,平移后的点云加入C3,对XY、YZ合成方向做相同处理;将标准点云C1沿XYZ轴合成的八个方向分别平移m4距离,平移后的点云加入C3;经过上述处理得到C3为最终的膨胀标准点云C3;
步骤3.2:获取膨胀标准点云C3的坐标范围,计算其长宽高l,w,h;以点云C3的分布范围,构建分辨率为ρ的正方体体素,若点云C3中至少有一个点坐标位于体素内,则该体素标记为被占用,否则被标记为空;所有非空体素集合为体素M1。
6.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤4包括以下步骤:
将采集点云C2按照体素M1中体素坐标范围划分,提取所有位于体素内的点,得到去噪后点云C4。
7.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤5包括以下步骤:
步骤5.1:利用倒角距离获得候选缺陷;其具体过程如下:
(1)遍历去噪后点云C4,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r,邻域点数阈值为N;
(2)遍历标准点云C1,寻找其在去噪后点云C4中的最近点并计算两点距离d;
(3)设定倒角距离阈值μ,若d>μ则将该点标记为缺陷点;
(4)由标记索引标准点云获取候选缺陷点云;
步骤5.2:二次确认算法提取缺陷;其具体过程如下:
(1)遍历候选缺陷点云,对某点一定半径领域内的点数少于某个值,则认为该点是噪声,将其去除;半径阈值为r,邻域点数阈值为N2;
(2)遍历标准点云,寻找其在候选缺陷点云的最近点并计算两点距离d2;
(3)若d2<μ则将该点标记为确定缺陷点;
(4)由标记索引标准点云提取缺陷点云。
8.根据权利要求1所述的一种复杂结构件的激光点云去噪和缺陷检测方法,其特征在于,所述步骤6包括以下步骤:
使用基于DBSCAN算法对缺陷点云进行分类,得到不同位置的缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093180.3A CN116310355A (zh) | 2022-09-08 | 2022-09-08 | 一种复杂结构件的激光点云去噪和缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211093180.3A CN116310355A (zh) | 2022-09-08 | 2022-09-08 | 一种复杂结构件的激光点云去噪和缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310355A true CN116310355A (zh) | 2023-06-23 |
Family
ID=86778433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211093180.3A Pending CN116310355A (zh) | 2022-09-08 | 2022-09-08 | 一种复杂结构件的激光点云去噪和缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310355A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010000A (zh) * | 2024-04-09 | 2024-05-10 | 江苏兴力工程管理有限公司 | 一种基于激光点云的高压电塔垂直度检测方法 |
-
2022
- 2022-09-08 CN CN202211093180.3A patent/CN116310355A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118010000A (zh) * | 2024-04-09 | 2024-05-10 | 江苏兴力工程管理有限公司 | 一种基于激光点云的高压电塔垂直度检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222516B (zh) | 印制电路板点云关键轮廓特征提取方法 | |
CN107063228B (zh) | 基于双目视觉的目标姿态解算方法 | |
CN109544612B (zh) | 基于特征点几何表面描述的点云配准方法 | |
JP5677798B2 (ja) | 3次元シーンにおける3次元物体の認識及び位置姿勢決定方法 | |
CN111553409B (zh) | 一种基于体素形状描述符的点云识别方法 | |
CN107622277B (zh) | 一种基于贝叶斯分类器的复杂曲面缺陷分类方法 | |
CN110458174B (zh) | 一种无序点云关键特征点精确提取方法 | |
Wang et al. | Bottle detection in the wild using low-altitude unmanned aerial vehicles | |
CN113470090A (zh) | 基于sift-shot特征的多固态激光雷达外参标定方法 | |
CN113628263A (zh) | 一种基于局部曲率及其近邻特征的点云配准方法 | |
CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
CN114743259A (zh) | 位姿估计方法、位姿估计系统、终端、存储介质及应用 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
CN116310355A (zh) | 一种复杂结构件的激光点云去噪和缺陷检测方法 | |
CN110288620B (zh) | 基于线段几何特征的图像匹配方法及飞行器导航方法 | |
CN112241964A (zh) | 一种用于线结构光非接触测量的光条中心提取方法 | |
CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
CN109712174B (zh) | 一种复杂异形曲面机器人三维测量的点云误配准滤除方法及系统 | |
Yuan et al. | 3D point cloud recognition of substation equipment based on plane detection | |
CN115147433A (zh) | 点云配准方法 | |
CN116958837A (zh) | 基于无人机的市政设施故障检测系统 | |
CN116385356A (zh) | 一种基于激光视觉的正六边形孔特征的提取方法和系统 | |
CN116452826A (zh) | 基于机器视觉的遮挡情况下煤矸石轮廓估计方法 | |
CN112884057B (zh) | 基于点云数据的三维曲面质量分类方法、系统及存储介质 |
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 |