CN116363427A - 一种三维点云自动分类算法 - Google Patents

一种三维点云自动分类算法 Download PDF

Info

Publication number
CN116363427A
CN116363427A CN202310313741.4A CN202310313741A CN116363427A CN 116363427 A CN116363427 A CN 116363427A CN 202310313741 A CN202310313741 A CN 202310313741A CN 116363427 A CN116363427 A CN 116363427A
Authority
CN
China
Prior art keywords
point cloud
module
registration
point
data
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
Application number
CN202310313741.4A
Other languages
English (en)
Inventor
李继辉
刘玮
杨睗
鲁力
张民
高冲
袁茂生
周刘育
莫凡
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.)
Super High Voltage Branch Of State Grid Sichuan Electric Power Co
Original Assignee
Super High Voltage Branch Of State Grid Sichuan Electric Power Co
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 Super High Voltage Branch Of State Grid Sichuan Electric Power Co filed Critical Super High Voltage Branch Of State Grid Sichuan Electric Power Co
Priority to CN202310313741.4A priority Critical patent/CN116363427A/zh
Publication of CN116363427A publication Critical patent/CN116363427A/zh
Pending legal-status Critical Current

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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种三维点云自动分类算法。本发明中，通过自适应收敛阈值滤除掉部分不合理的对应点对，得到更精确的变换关系。具有更小的匹配误差，从而提高了算法精度，且收敛阈值模块、ICP配准模块和有噪声点云配准模块的内部根据三维点云的法向量的变化程度提取特征点集，在对三维点云进行自动分类计算时，使得对特征点集利用FPFH进行描述，然后对三维点云的FPFH特征使用双向最近邻距离比互相匹配方法实现初始的配准。最后采用自适应收敛阈值的迭代最近点算法，分析理想成像特点，通过预先设置好配准收敛阈值进一步使得点云配准的迭代次数减少，得到更加准确的配准结果，尽量减少了误差的产生，提高了使用时的运算精度，也提升了运算速度。

Description

一种三维点云自动分类算法
技术领域
本发明属于自动分类技术领域，具体为一种三维点云自动分类算法。
背景技术
近年来，三维激光扫描技术在各行各业中得到了快速的发展。如三维重建，逆向工程和数字城市。受到扫描视域范围的影响，以及物体自身表面形状的复杂程度原因，无法一次通过三维扫描技术获得物体的完整信息，所以需要多视场多次测量来得到物体表面的点云数据，对所得数据进行旋转、平移使其统一到统一坐标系下，即三维点云，三维点云也多用于分类计算中、
但是常见的分类计算的精度较差，使得的得到的结果有较大的误差。
发明内容
本发明的目的在于：为了解决上述提出的问题，提供一种三维点云自动分类算法。
本发明采用的技术方案如下：一种三维点云自动分类算法，包括数据获取模块、数据预处理模块、配准算法模块、特征提取模块、分类算法模块、收敛阈值模块、ICP配准模块和有噪声点云配准模块，所述数据获取模块的输出端连接有所述数据预处理模块的输入端，所述数据预处理模块的输出端连接有所述配准算法模块的输入端，所述配准算法模块的输出端连接有所述特征提取模块的输入端，所述特征提取模块的输出端连接有所述分类算法模块的输入端。
在一优选的实施方式中，所述配准算法模块的内部设置有收敛阈值模块、ICP配准模块和有噪声点云配准模块，所述收敛阈值模块、ICP配准模块和有噪声点云配准模块的整体输出端连接有所述配准算法模块的输入端。
在一优选的实施方式中，所述数据获取模块使用激光扫描系统采集数据，激光扫描系统由三维激光扫描仪、CCD相机、扫描仪旋转平台、软件控制平台以及数据处理平台和电源组成，所述数据获取模块的工作原理是首先产生激光脉冲信号，该信号是由激光脉冲二极管发射的，然后经过旋转棱镜，射向待扫描物体，接着利用探测器来接受其反射获得的激光脉冲信号，记录器对其进行记录，最终转换成了能够直接被识别处理的点云数据信息。
在一优选的实施方式中，所述数据预处理模块先使用就近排序法对数据进行处理，该方法根据与该点的欧式距离最近的点进行排序；方向排序原则也是散乱点云排序的一种方法，该方法根据某一方向对待处理点云数据进行排序，使点云数据在该方向上是有序的。由于表示待检测点设备的三维点云数据量较大，方向排序法较就近排序法快得多，并且，利用方向排序便于后续的点云精简处理，所以本申请中按照方向排序的原则进行排序。
在一优选的实施方式中，所述数据预处理模块之后对三维点云数据进行分割处理，所述数据预处理模块首先对点云块进行水平投影，获得待处理区域的最大最小xyz坐标，将其在xoy平面进行网格划分；获得每个网格中的点云数据，然后根据数据取得网格中点云的平均高度与设定阈值的关系，如果小于阈值，则判断为地面点，否则判断为非地面点；对于阈值的确定，本申请中选择的是在待分割点云集的高程最低值的基础上加0.2m，此时，不仅去除地面点，也去掉扫描域中单个离散无用点。
在一优选的实施方式中，所述收敛阈值模块在阵列激光点云中，理想配准完成的点云数据中每个理想匹配的对应点都位于半径为√2Lr/2的圆内，其Lr是水平分辨率；在激光扫描系统中计算点云数据之间的均匀距离作为水平分辨率参数；一般对应点的距离差值会小于该值，所以将该值视为最大距离，在配准中，重合点数越多，对应点间的距离也会越近，将两对应点间的距离小于某一值的点视为重合点。
在一优选的实施方式中，所述ICP配准模块的步骤如下：搜索对应点对，输入初始配准得到的变换参数，对P中的每个点搜索Q中的最近点；同时计算重叠率，设置最大迭代次数Niter；之后计算变换参数,并计算所有对应点的总距离,并给出使距离和最小的最优刚性变换；接着变换源点云P，根据步骤得到的对点云P进行变换，之后点云数据配准，迭代终止条件：变换后的点云与原点云的平均距离小于自适应收敛阈值；配准迭代次数达到最大Niter，否则，将新转换的点云作为新的点云P用于下一次迭代。
在一优选的实施方式中，所述有噪声点云配准模块对于每幅点云数据中的三维点的x、y、z坐标上分别增加随机噪声来模拟不同程度的点云噪声级，所增加噪声程度为10％、20％、30％。
在一优选的实施方式中，所述特征提取模块通过对某个点及其邻域范围内的点组成了一个三维空间，对这个三维空间中的点进行特征向量和特征值的分析，比较不同空间中三维点云的分布特性。
在一优选的实施方式中，所述分类算法模块在分类计算时采用了逐步增加特征，首先通过分析特征对分类结果的影响来改进和提升整个系统的识别正确率；其次通过选择重要有效的特征，同时排除没有作用的特征，减少计算量，提高系统的计算速度和运行效率；最后，通过对特征的分析，深入了解系统分类的依据和过程，发现不同类别间的内在联系和区别，提升对分类事物的认识。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明中，配准算法模块的内部设置有了三维点云配准模块，具有自适应收敛阈值的ICP算法使点云数据的配准更加准确。因为通过自适应收敛阈值滤除掉部分不合理的对应点对，得到更精确的变换关系。具有更小的匹配误差，从而提高了算法精度，且收敛阈值模块、ICP配准模块和有噪声点云配准模块的内部根据三维点云的法向量的变化程度提取特征点集，在对三维点云进行自动分类计算时，使得对特征点集利用FPFH进行描述，然后对三维点云的FPFH特征使用双向最近邻距离比互相匹配方法实现初始的配准。最后采用自适应收敛阈值的迭代最近点算法，分析理想成像特点，通过预先设置好配准收敛阈值进一步使得点云配准的迭代次数减少，得到更加准确的配准结果，尽量减少了误差的产生，提高了使用时的运算精度，也提升了运算速度。
附图说明
图1为本发明的系统框图；
图2为本发明中配准算法模块系统框图。
图中标记：1-数据获取模块、2-数据预处理模块、3-配准算法模块、4-特征提取模块、5-分类算法模块、6-收敛阈值模块、7-ICP配准模块、8-有噪声点云配准模块。
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。
参照图1-2，
一种三维点云自动分类算法，包括数据获取模块1、数据预处理模块2、配准算法模块3、特征提取模块4、分类算法模块5、收敛阈值模块6、ICP配准模块7和有噪声点云配准模块8，数据获取模块1的输出端连接有数据预处理模块2的输入端，数据预处理模块2的输出端连接有配准算法模块3的输入端，配准算法模块3的输出端连接有特征提取模块4的输入端，特征提取模块4的输出端连接有分类算法模块5的输入端。
配准算法模块3的内部设置有收敛阈值模块6、ICP配准模块7和有噪声点云配准模块8，收敛阈值模块6、ICP配准模块7和有噪声点云配准模块8的整体输出端连接有配准算法模块3的输入端。
数据获取模块1使用激光扫描系统采集数据，激光扫描系统由三维激光扫描仪、CCD相机、扫描仪旋转平台、软件控制平台以及数据处理平台和电源组成，数据获取模块1的工作原理是首先产生激光脉冲信号，该信号是由激光脉冲二极管发射的，然后经过旋转棱镜，射向待扫描物体，接着利用探测器来接受其反射获得的激光脉冲信号，记录器对其进行记录，最终转换成了能够直接被识别处理的点云数据信息。
数据预处理模块2先使用就近排序法对数据进行处理，该方法根据与该点的欧式距离最近的点进行排序；方向排序原则也是散乱点云排序的一种方法，该方法根据某一方向例如y轴对待处理点云数据进行排序，使点云数据在该方向上是有序的。由于表示待检测点设备的三维点云数据量较大，方向排序法较就近排序法快得多，并且，利用方向排序便于后续的点云精简处理，所以本申请中按照方向排序的原则进行排序。
数据预处理模块2之后对三维点云数据进行分割处理，数据预处理模块2首先对点云块进行水平投影，获得待处理区域的最大最小xyz坐标，将其在xoy平面进行网格划分。获得每个网格中的点云数据，然后根据数据取得网格中点云的平均高度与设定阈值的关系，如果小于阈值，则判断为地面点，否则判断为非地面点。对于阈值的确定，本申请中选择的是在待分割点云集的高程最低值的基础上加0.2m，此时，不仅去除地面点，也去掉扫描域中单个离散无用点。
收敛阈值模块6在阵列激光点云中，理想配准完成的点云数据中每个理想匹配的对应点都位于半径为√2Lr/2的圆内，其Lr是水平分辨率；在激光扫描系统中计算点云数据之间的均匀距离作为水平分辨率参数；一般对应点的距离差值会小于该值，所以将该值视为最大距离，在配准中，重合点数越多，对应点间的距离也会越近，将两对应点间的距离小于某一值的点视为重合点。
ICP配准模块7的步骤如下：搜索对应点对，输入初始配准得到的变换参数，对P中的每个点搜索Q中的最近点；同时计算重叠率，设置最大迭代次数Niter；之后计算变换参数R,T,并计算所有对应点的总距离,并给出使距离和最小的最优刚性变换R,T；接着变换源点云P，根据步骤得到的R,T对点云P进行变换，之后点云数据配准，迭代终止条件：变换后的点云与原点云的平均距离小于自适应收敛阈值；配准迭代次数达到最大Niter，否则，将新转换的点云作为新的点云P用于下一次迭代。
有噪声点云配准模块8对于每幅点云数据中的三维点的x、y、z坐标上分别增加随机噪声来模拟不同程度的点云噪声级，所增加噪声程度为10％、20％、30％。
特征提取模块4通过对某个点及其邻域范围内的点组成了一个三维空间，对这个三维空间中的点进行特征向量和特征值的分析，比较不同空间中三维点云的分布特性。不同种类的分类项目，每个点及其邻域范围内的点组成的三维空间分布有所区别，这样可通过使用基于特征向量和特征值作为不同的特征，用于不同种类分类项目的分类和比较。但是，每个点及其不同的邻域范围如0.05，0.10，0.15…内的点构成的三维空间，可获得不同的特征值和特征向量，对于哪个确定范围的邻域能够更好地反映该类分类项目的特征，以及与其它类别分类项目进行区分，并没有合适的参考依据。因此，在提取其特征时，我们选择将不同范围的邻域空间分别作为不同的特征，供分类器自主选择使用。
分类算法模块5在分类计算时采用了逐步增加特征，边实验边比较边改进的方法进行实验，提取的特征个数从196，288个逐渐增加到最后的1200个，对于几百上千个特征，对其中的特征进行评估和有效性的分析显得十分重要。首先，可通过分析特征对分类结果的影响来改进和提升整个系统的识别正确率；其次通过选择重要有效的特征，同时排除没有作用的特征，减少计算量，提高系统的计算速度和运行效率；最后，通过对特征的分析，深入了解系统分类的依据和过程，发现不同类别间的内在联系和区别，提升对分类事物的认识。
本发明中，配准算法模块3的内部设置有了三维点云配准模块，具有自适应收敛阈值的ICP算法使点云数据的配准更加准确。因为通过自适应收敛阈值滤除掉部分不合理的对应点对，得到更精确的变换关系。具有更小的匹配误差，从而提高了算法精度，且收敛阈值模块6、ICP配准模块7和有噪声点云配准模块8的内部根据三维点云的法向量的变化程度提取特征点集，在对三维点云进行自动分类计算时，使得对特征点集利用FPFH进行描述，然后对三维点云的FPFH特征使用双向最近邻距离比互相匹配方法实现初始的配准。最后采用自适应收敛阈值的迭代最近点算法，分析理想成像特点，通过预先设置好配准收敛阈值进一步使得点云配准的迭代次数减少，得到更加准确的配准结果，尽量减少了误差的产生，提高了使用时的运算精度，也提升了运算速度。
需要说明的是，在本申请中中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种三维点云自动分类算法，包括数据获取模块(1)、数据预处理模块(2)、配准算法模块(3)、特征提取模块(4)、分类算法模块(5)、收敛阈值模块(6)、ICP配准模块(7)和有噪声点云配准模块(8)，其特征在于：所述数据获取模块(1)的输出端连接有所述数据预处理模块(2)的输入端，所述数据预处理模块(2)的输出端连接有所述配准算法模块(3)的输入端，所述配准算法模块(3)的输出端连接有所述特征提取模块(4)的输入端，所述特征提取模块(4)的输出端连接有所述分类算法模块(5)的输入端。
2.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述配准算法模块(3)的内部设置有收敛阈值模块(6)、ICP配准模块(7)和有噪声点云配准模块(8)，所述收敛阈值模块(6)、ICP配准模块(7)和有噪声点云配准模块(8)的整体输出端连接有所述配准算法模块(3)的输入端。
3.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述数据获取模块(1)使用激光扫描系统采集数据，激光扫描系统由三维激光扫描仪、CCD相机、扫描仪旋转平台、软件控制平台以及数据处理平台和电源组成，所述数据获取模块(1)的工作原理是首先产生激光脉冲信号，该信号是由激光脉冲二极管发射的，然后经过旋转棱镜，射向待扫描物体，接着利用探测器来接受其反射获得的激光脉冲信号，记录器对其进行记录，最终转换成了能够直接被识别处理的点云数据信息。
4.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述数据预处理模块(2)先使用就近排序法对数据进行处理，该方法根据与该点的欧式距离最近的点进行排序；方向排序原则也是散乱点云排序的一种方法，该方法根据y轴对待处理点云数据进行排序，使点云数据在该方向上是有序的。
5.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述数据预处理模块(2)之后对三维点云数据进行分割处理，所述数据预处理模块(2)首先对点云块进行水平投影，获得待处理区域的最大最小xyz坐标，将其在xoy平面进行网格划分；获得每个网格中的点云数据，然后根据数据取得网格中点云的平均高度与设定阈值的关系，如果小于阈值，则判断为地面点，否则判断为非地面点；对于阈值的确定，本申请中选择的是在待分割点云集的高程最低值的基础上加0.2m，此时，不仅去除地面点，也去掉扫描域中单个离散无用点。
6.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述收敛阈值模块(6)在阵列激光点云中，理想配准完成的点云数据中每个理想匹配的对应点都位于半径为√2Lr/2的圆内，其Lr是水平分辨率；在激光扫描系统中计算点云数据之间的均匀距离作为水平分辨率参数；一般对应点的距离差值会小于该值，所以将该值视为最大距离，在配准中，重合点数越多，对应点间的距离也会越近，将两对应点间的距离小于某一值的点视为重合点。
7.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述ICP配准模块(7)的步骤如下：搜索对应点对，输入初始配准得到的变换参数，对P中的每个点搜索Q中的最近点；同时计算重叠率，设置最大迭代次数Niter；之后计算变换参数(R,T),并计算所有对应点的总距离,并给出使距离和最小的最优刚性变换(R,T)；接着变换源点云P，根据步骤得到的(R,T)对点云P进行变换，之后点云数据配准，迭代终止条件：变换后的点云与原点云的平均距离小于自适应收敛阈值；配准迭代次数达到最大Niter，否则，将新转换的点云作为新的点云P用于下一次迭代。
8.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述有噪声点云配准模块(8)对于每幅点云数据中的三维点的x、y、z坐标上分别增加随机噪声来模拟不同程度的点云噪声级，所增加噪声程度为10％、20％、30％。
9.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述特征提取模块(4)通过对某个点及其邻域范围内的点组成了一个三维空间，对这个三维空间中的点进行特征向量和特征值的分析，比较不同空间中三维点云的分布特性。
10.如权利要求1所述的一种三维点云自动分类算法，其特征在于：所述分类算法模块(5)在分类计算时采用了逐步增加特征，首先通过分析特征对分类结果的影响来改进和提升整个系统的识别正确率；其次通过选择重要有效的特征，同时排除没有作用的特征，减少计算量，提高系统的计算速度和运行效率；最后，通过对特征的分析，深入了解系统分类的依据和过程，发现不同类别间的内在联系和区别，提升对分类事物的认识。
CN202310313741.4A 2023-03-28 2023-03-28 一种三维点云自动分类算法 Pending CN116363427A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310313741.4A CN116363427A (zh) 2023-03-28 2023-03-28 一种三维点云自动分类算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310313741.4A CN116363427A (zh) 2023-03-28 2023-03-28 一种三维点云自动分类算法

Publications (1)

Publication Number Publication Date
CN116363427A true CN116363427A (zh) 2023-06-30

Family

ID=86914458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310313741.4A Pending CN116363427A (zh) 2023-03-28 2023-03-28 一种三维点云自动分类算法

Country Status (1)

Country Link
CN (1) CN116363427A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934822A (zh) * 2023-09-15 2023-10-24 众芯汉创(江苏)科技有限公司 一种基于三维点云数据自主配准转化精细化模型的系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116934822A (zh) * 2023-09-15 2023-10-24 众芯汉创(江苏)科技有限公司 一种基于三维点云数据自主配准转化精细化模型的系统
CN116934822B (zh) * 2023-09-15 2023-12-05 众芯汉创(江苏)科技有限公司 一种基于三维点云数据自主配准转化精细化模型的系统

Similar Documents

Publication Publication Date Title
CN109977808B (zh) 一种晶圆表面缺陷模式检测与分析方法
CN111299815B (zh) 一种用于低灰度橡胶垫视觉检测与激光切割轨迹规划方法
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
Bab-Hadiashar et al. Range image segmentation using surface selection criterion
CN109034065B (zh) 一种基于点云的室内场景物体提取方法
CN115830015B (zh) 基于计算机视觉的五金冲压配件质量检测方法
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN116363427A (zh) 一种三维点云自动分类算法
WO2021082380A1 (zh) 一种基于激光雷达的托盘识别方法、系统和电子设备
CN111145129A (zh) 基于超体素的点云去噪方法
CN115239625B (zh) 顶盖焊点云缺陷检测方法、装置、设备及存储介质
CN104915951B (zh) 一种点刻式dpm二维码区域定位方法
CN117372489B (zh) 一种用于双线结构光三维测量的点云配准方法及系统
Zhao et al. Curvature-based registration and segmentation for multisensor coordinate metrology
CN117237902B (zh) 基于深度学习的机器人物体识别系统
CN115953604B (zh) 一种不动产地理信息测绘数据采集方法
CN116432052B (zh) 一种新能源汽车模具用夹具质量检测方法
CN110969650B (zh) 一种基于中心投影的强度图像与纹理序列间的配准方法
CN113723468B (zh) 一种三维点云的物体检测方法
CN116295065A (zh) 基于三维激光扫描点云数据的岩体变形量及变形趋势的描述方法
CN115797414A (zh) 一种考虑测头半径的复杂曲面测量点云数据配准方法
CN116310355A (zh) 一种复杂结构件的激光点云去噪和缺陷检测方法
CN112950689B (zh) 一种基于信息熵的三维表征方法
Wang et al. An Improved Substation Equipment Recognition Algorithm by KNN Classification of Subspace Feature Vector
CN117314906B (zh) 基于阵列分布信息引导的晶圆晶粒检测方法

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