CN116520289B - 五金件加工过程智能控制方法及相关装置 - Google Patents

五金件加工过程智能控制方法及相关装置 Download PDF

Info

Publication number
CN116520289B
CN116520289B CN202310807734.XA CN202310807734A CN116520289B CN 116520289 B CN116520289 B CN 116520289B CN 202310807734 A CN202310807734 A CN 202310807734A CN 116520289 B CN116520289 B CN 116520289B
Authority
CN
China
Prior art keywords
point cloud
cloud data
initial
cluster
voxel
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.)
Active
Application number
CN202310807734.XA
Other languages
English (en)
Other versions
CN116520289A (zh
Inventor
杨小军
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.)
Dongguan Xintong Electronic Equipment Co ltd
Original Assignee
Dongguan Xintong Electronic Equipment 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 Dongguan Xintong Electronic Equipment Co ltd filed Critical Dongguan Xintong Electronic Equipment Co ltd
Priority to CN202310807734.XA priority Critical patent/CN116520289B/zh
Publication of CN116520289A publication Critical patent/CN116520289A/zh
Application granted granted Critical
Publication of CN116520289B publication Critical patent/CN116520289B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • 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
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30136—Metal
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Generation (AREA)

Abstract

本发明提供一种五金件加工过程智能控制方法以及相关装置，本发明提出的五金件加工过程智能控制方法包括：获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；在噪声的干扰下确定每一点云数据子集对应的最终体素；根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。本申请在噪声的干扰下确定每一点云数据子集对应的最终体素，然后进行采样。能够在避免噪声干扰的情况下进行数据采样，在降低数据量的同时保证待加工五金件尺寸确定的准确性。

Description

五金件加工过程智能控制方法及相关装置
技术领域
本发明涉及图像数据处理领域，具体涉及一种五金件加工过程智能控制方法以及相关装置。
背景技术
五金件在日常生活和工业领域中具有很高的重要性，在设备、家具、建筑等结构中发挥着支撑作用，保证整体结构的稳定性和牢固性，在不同领域中都是不可或缺的基础组件。然而由于生产工艺的影响，因此由于加工的五金件不同，需要对加工设备参数进行智能控制，进而提高五金件的生产效率。
在对五金件加工过程进行智能控制的过程中，需要采集五金件的准确的尺度、形状信息作为智能控制过程中的输入数据，因此五金件的数据信息的获取对控制过程中十分重要。为了精准的获取五金件的信息，传统的方法采用激光雷达进行扫描五金件，通过生成的三维点云模型来进行信息采集。由于三维点云数据的数据量庞大，并且很容易受到噪声的干扰，因此在进行五金件三维模型构建过程中会出现较大的误差。
发明内容
本发明提供一种五金件加工过程智能控制方法以及相关装置，主要解决的技术问题是在降低数据量的同时保证待加工五金件尺寸确定的准确性。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种五金件加工过程智能控制方法，包括：获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；在噪声的干扰下确定每一点云数据子集对应的最终体素；根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。
其中，所述在噪声的干扰下确定每一点云数据子集对应的最终体素的步骤，包括：在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度；基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小；基于所述初始体素的大小对每一点云数据子集进行体素划分，得到多个初始体素；计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素。
其中，所述在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度的步骤，包括：获取每一所述点云数据子集对应的回波强度；根据所述回波强度以及每一所述点云数据子集对应的坐标对所述点云数据子集进行聚类，得到多个聚簇；确定每一聚簇中每一点云数据的局部范围；基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度；所述第二点云数据为与所述第一点云数据距离最近的点云数据。
其中，所述确定每一聚簇中每一点云数据的局部范围的步骤，包括：
通过如下公式（1）确定每一聚簇中每一点云数据的局部范围：
（1）；
其中，表示第i个聚簇中的聚类中心与该聚簇中的最远的点云数据之间的欧式距离；/>表示第i个聚簇第j个点云数据/>与/>距离其他聚簇最近的点云数据/>之间的欧式距离；/>表示第i个聚簇的聚类中心与/>所在聚簇的聚类中心之间的欧式距离，6表示超参数值，/>表示第i个聚簇的簇类中心，/>表示/>所在聚簇的聚类中心，/>为与/>距离最近的聚簇。
其中，所述基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度的步骤，包括：
通过如下公式（2）确定所述初始局部聚集程度：
（2）；
其中，表示第i个聚簇中的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围内的第/>个点云数据与其最近的点云数据之间的欧式距离，/>表示第i个点云数据子集的初始局部聚集程度，/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据，表示第i个聚簇中的第j个点云数据的局部范围/>内与第/>个点云数据最近的点云数据。
其中，所述基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小的步骤，包括：
通过如下公式（3）确定每一所述点云数据子集对应的初始体素的大小：
（3）；
其中表示第i个聚簇的初始局部聚集程度，/>表示体素大小超参数，其中/>，表示取整函数，/>表示以自然常数为底数的指数函数，/>表示第i个点云数据子集的初始体素的大小。
其中，计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素的步骤，包括：计算每个初始体素内点云数据之间的第一关联性特征；计算每个初始体素和其相邻的其余体素之间的点云数据的第二关联性特征；基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素。
其中，所述基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素的步骤，包括：
通过如下公式（4）对所述初始体素进行校正：
（4）；
表示第c次迭代过程中的体素个数，/>表示第/>个体素，/>表示第/>个体素中关联性特征值较小的点云数据的数量，/>表示第/>个体素中关联性特征值较小的点云数据关联性特征值的均值，/>表示第/>个体素中点云数据关联性特征值的均值，/>表示不同关联性特征值阈值下的/>的最大值。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种五金件加工过程智能控制装置，包括：获取模块，用于获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；体素确定模块，用于在噪声的干扰下确定每一点云数据子集对应的最终体素；采样模块，用于根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种电子设备，包括相互藕接的处理器及存储器，其中，所述存储器用于存储实现上述任意一项所述的知识图谱的构建方法的程序指令；所述处理器用于执行所述存储器存储的所述程序指令。
为解决上述技术问题，本发明采用的另一个技术方案是：提供一种存储介质，存储有程序文件，所述程序文件能够被执行以实现上述任意一项所述的知识图谱的构建方法。
本发明的有益效果是：区别于现有技术，本发明提出的五金件加工过程智能控制方法包括：获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；在噪声的干扰下确定每一点云数据子集对应的最终体素；根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。本申请在噪声的干扰下确定每一点云数据子集对应的最终体素，然后进行采样。能够在避免噪声干扰的情况下进行数据采样，在降低数据量的同时保证待加工五金件尺寸确定的准确性。
附图说明
图1是本发明五金件加工过程智能控制方法的第一实施例的流程示意图；
图2是图1中步骤S12的一实施例的流程示意图；
图3是图2中步骤S121的一实施例的流程示意图；
图4是本发明五金件加工过程智能控制装置的一实施例的结构示意图；
图5是本发明电子设备的一实施例的结构示意图；
图6是本发明存储介质的结构示意图。
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，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做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。
下面结合附图和实施例对本发明进行详细的说明。
请参见图1，为本申请五金件加工过程智能控制方法的第一实施例的流程示意图，具体包括：
步骤S11：获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域。
具体的，通过在生产线上布置的激光雷达来采集待加工五金件例如五金件的加工过程中的三维点云数据，其中将激光雷达固定在生产线上稳定的位置，通过旋转和扫描采集待加工五金件的信息，生成待加工五金件的三维点云数据，得到点云数据集合。
将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域。在一实施例中，待加工五金件具有多个平面，每一点云数据子集表征所述待加工五金件的一个平面，也即不同的点云数据子集表征所述待加工五金件的不同平面。
步骤S12：在噪声的干扰下确定每一点云数据子集对应的最终体素。
步骤S13：根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。
由于采集的三维点云数据存在噪声点并且数据量庞大，而传统的体素降采样的过程中，由于噪声点云的存在会使得降采样出现较大的误差，并且体素大小设置的不合理，会使得表征五金件的尺寸形状信息的点云数据的丢失。本申请在噪声的干扰下确定每一点云数据子集对应的最终体素，然后进行采样。能够在避免噪声干扰的情况下进行数据采样，在降低数据量的同时保证待加工五金件尺寸确定的准确性。
在一实施例中，请参见图2，图2是图1所示第一实施例中步骤S12的一实施例的流程示意图，具体包括：
步骤S121：在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度。
具体的，请结合图3，步骤S121具体包括：
步骤S31：获取每一所述点云数据子集对应的回波强度。
由于无法排除噪声的干扰，因此本申请实施例在噪声的干扰下进行初始局部聚集程度的确定。首先根据三维点云数据的特性，激光雷达获取点云数据的过程中存在回波强度，回波强度的不同表征着待加工五金件的不同区域（例如五金件的不同面），因此根据点云数据的回波强度进行聚类分析，并对每一个聚簇中的点云数据进行量化初始局部聚集程度。
步骤S32：根据所述回波强度以及每一所述点云数据子集对应的坐标对所述点云数据子集进行聚类，得到多个聚簇。
根据点云数据的回波强度以及每一所述点云数据子集坐标进行DBSCAN聚类，得到个聚簇。其中，每个聚簇表征的为五金件的不同区域。在一实施例中，聚类过程可设置半径为5，MinPts（定义核心点的阈值）为7。在其他实施例中，还可以根据实施者具体实施情况而定，本申请给出的为经验参考值。
步骤S33：确定每一聚簇中每一点云数据的局部范围。
在单个聚簇内，考虑到噪声分布的原因以及待加工五金件的不同面中存在较小的回波强度差异，因此对于不同的聚簇中在计算初始局部密集程度时，通过聚簇中的不同的点云数据的局部范围的局部密集程度的平均值计算，但是在聚簇中的不同位置的点云的局部范围的大小不同，因此需要确定每一聚簇中每一点云数据的局部范围。
具体的，通过如下公式（1）确定每一聚簇中每一点云数据的局部范围，即第i个聚簇的第j个点云数据的局部范围的计算方法为：
（1）；
其中，表示第i个聚簇中的聚类中心与该聚簇中的最远的点云数据之间的欧式距离；/>表示第i个聚簇第j个点云数据/>与/>距离其他聚簇最近的点云数据/>之间的欧式距离；/>表示第i个聚簇的聚类中心与/>所在聚簇的聚类中心之间的欧式距离，6表示超参数值，可根据实施者具体实施情况而定。
其中表示局部范围超参数值，根据每个聚簇本身的聚类范围特征设置，并根据每个点云数据与其他聚簇之间的欧式距离值来调整，其中/>越大，表明第i个聚簇的点云数据/>越在聚簇中的内部区域，即对应的该点云数据相较与其他分布在聚簇边缘的点云数据更加稳定，其中通过/>来量化距离分布程度来对/>值进行调整。
步骤S34：基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度；所述第二点云数据为与所述第一点云数据距离最近的点云数据。
在一实施例中，通过如下公式（2）确定所述初始局部聚集程度，因此第个聚簇的初始局部聚集程度/>的计算方法为：
（2）；
其中，表示第i个聚簇中的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围内的第/>个点云数据与其最近的点云数据之间的欧式距离，/>表示第i个点云数据子集的初始局部聚集程度，/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据，表示第i个聚簇中的第j个点云数据的局部范围/>内与第/>个点云数据最近的点云数据。
步骤S122：基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小。
由于初始局部聚集程度在量化的过程中，没有忽略噪声的干扰，达不到期望的“在每个体素内的点云数据与噪声点之间的差异较大（为了去噪）的同时，使得表征相同信息的点云数据在同一个体素内（降采样）”的目的，仅是根据区域中点云数据之间的距离计算得到的初始局部聚集程度。而由于分析过程中，可能存在当前体素内判断为离散点云，但是在其他体素存在与此离散点具有较强关联性的点云，则对应的其体素大小不合理。因此，根据上述步骤得到的区域中的初始局部聚集程度，根据该初始局部聚集程度先计算得到点云数据子集对应的初始体素的大小。在一实施例中，通过如下公式（3）确定每一所述点云数据子集对应的初始体素的大小：
（3）；
其中第i个区域的初始体素的大小的计算方法为：/>，其中/>表示第i个聚簇的初始局部聚集程度，/>表示体素大小超参数，以控制体素的大小不过大也不过小，其中/>，/>表示取整函数，/>表示以自然常数为底数的指数函数。
步骤S123：基于所述初始体素的大小对每一点云数据子集进行体素划分，得到多个初始体素；计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素。
具体的，根据初始体素大小对当前区域的点云数据进行体素划分，根据每个体素内部的点云数据的分布来进行优化，计算每个体素内部点云数据之间关联性特征，其中关联性特征表征的为点云数据表征信息之间的相似性，即对应的对于待加工五金件来说体素内的点云数据表征的应该为同一个面，同一个区域特征。
其中，由于每个体素内部的点云数据分布不同，对于点云数据分布较为分散的体素中，由于其分散性使得通过点云数据的组成信息的能力得到的关联性特征误差较大，因此应更加考虑点云数据的离散性；而对于点云数据分布较为聚集的体素中，会由于其聚集性使得通过点云数据的离散性来获取的关联性特征的误差较大，因此应更加考虑体素中点云数据的组成信息的能力。
在一具体实施例中，计算每个初始体素内点云数据之间的第一关联性特征；计算每个初始体素和其相邻的其余体素之间的点云数据的第二关联性特征；基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素。
具体的，根据体素之间的点云数据的关联性特征进行分析，避免存在当前体素内判断为离散点云，但是在其他体素存在与此离散点具有较强关联性的点云。其中根据第s个体素和其相邻的24个体素中的第v个体素计算第s个体素中第u个点云数据点关联性特征，其中通过将第s个体素的点加入到第v个体素计算关联性特征值，对24个体素中的第u个点云数据点关联性特征进行均值计算，得到最终的该点云数据的关联性特征值。
对当前体素大小进行分析，采用迭代的方式（步长为1，停止条件为所处的聚簇中聚簇中心与最远的点云数据的之间欧式距离的一半），计算每次体素大小下的所有点云数据的对于各自体素的关联性特征值，计算每次迭代过程中的优选程度值，其中第次迭代的优选程度值/>的计算方法为：
（4）；
表示第c次迭代过程中的体素个数，/>表示第/>个体素中关联性特征值较小的点云数据的数量，/>表示第/>个体素中关联性特征值较小的点云数据关联性特征值的均值，/>表示第/>个体素中点云数据关联性特征值的均值，/>表示不同关联性特征值阈值下的/>的最大值。
可以通过上述公式（4）进行迭代，最终得到每一所述点云数据子集对应的最终体素。
其中，公式（4）的逻辑可参考OTSU算法的处理过程中，即计算在体素中根据类间方差计算得到的阈值，其中越大，表明分离效果就越好，即体素中可能属于噪声的点云数据分离效果越好，也即此体素大小设置的越好。
在一实施例中，对于体素中第u个点云数据的关联性特征的计算方法为：
（5）。
公式（5）中，表示体素内部点云数据的分布程度，其中点云数据的分布程度与点云数据之间的欧式距离的方差值有关，方差值越大，则表明体素中点云数据之间的欧式距离相对离散，则对应的体素中点云数据较为分散，则对应的/>越小，其中采用/>函数进行反比例归一化处理。
公式（5）中，表示体素中的第u个点云数据的离散性，其中第u个点云数据的离散性与该点云数据的邻域分布有关，通过计算该点云数据的/>邻域内的点云数据的平均距离与体素内其他点云数据的相同大小邻域内的点云数据的平均距离的均值之间的比值，即/>，其中/>表示第u个点云数据的邻域内的平均距离，/>表示第u个点云数据所在体素内的点云数据的邻域内的平均距离的均值，0.01表示超参数（即若/>小于1，则表明第u个点云数据的邻域内的平均距离比体素内的其他点云数据的邻域内的平均距离更小，则对应的该点云数据离散性较小），/>表示点云数据所处的体素的大小。
公式（5）中，表示体素中的第u个点云数据的组成信息的能力，其中第u个点云数据的组成信息的能力通过每个点云数据组合信息表征能力，即对应的为同一个聚簇内的同一个体素中点云数据构成的平面的变化，将第u个点云数据去除后，计算去除前后的体素中点云数据拟合得到的平面法向量的变化，来表征第u个点云数据的组成信息的能力，其中点云数据拟合平面的过程采用RANSAC算法进行点云平面拟合，设置的距离阈值为/>，通过比较去掉第u个点云数据的前后的拟合平面的法向量的相似度来计算得到，其中法向量的相似度通过余弦相似度来计算得到。
请继续参见图1，对于步骤S13，根据上述步骤S11和S12得到不同区域的体素大小，在步骤S13中，根据该体素大小对区域的点云数据进行降采样处理。对降采样后的点云数据进行待加工五金件表面模型的构建（采用的方法为基于网格的方法构建即可），得到的了几何特征的模型，根据偏最小二乘拟合方法对该模型获取点云数据中的角点、边缘、平面特征，对提取的特征进行尺寸测量，将该数据输入到后续的控制算法中，同时采集加工设备的参数，作为一共输入。其中以加工过程中的设备温度为例，本案的控制模型采用模糊PID控制器进行控制，输入数据为待加工五金件的尺寸数据和加工设备温度数据，输出数据为调整后的温度数据，进行智能控制，以基于尺寸信息确定对所述待加工五金件进行加工控制。
本申请相对于现有技术的好处在于：本案为了获取准确的五金件的尺寸信息作为输入数据实现加工过程中的智能控制，为了避免点云数据中的噪声影响以及数据量庞大的缺点，采用自适应体素大小降采样过程对点云数据进行处理。其中本申请根据点云数据的回波强度进行聚类分析，并对每一个聚簇中的点云数据进行量化初始局部聚集程度，并根据不同区域中的点云数据的分布同来对区域的初始局部聚集程度来获取初始体素，并根据体素内的点云数据的分布以及相邻体素间的点云数据的关联性来对体素大小进行优化校正，得到最终的区域的体素大小，进而进行自适应体素降采样，避免了传统的体素降采样过程中很容易受到噪声的干扰，并且达到了去噪的同时降低点云数据量，并保证的了五金件尺寸信息获取的准确性，使得后续在加工五金件加工设备的参数来进行智能控制得到的调整参数值更加准确。
请参见图4，图4为本申请五金件加工过程智能控制装置的一实施例的结构示意图，具体包括获取模块41、体素确定模块42以及采样模块43。
其中，获取模块41用于获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域。体素确定模块42用于在噪声的干扰下确定每一点云数据子集对应的最终体素；采样模块43用于根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。
由于采集的三维点云数据存在噪声点并且数据量庞大，而传统的体素降采样的过程中，由于噪声点云的存在会使得降采样出现较大的误差，并且体素大小设置的不合理，会使得表征五金件的尺寸形状信息的点云数据的丢失。本申请在噪声的干扰下确定每一点云数据子集对应的最终体素，然后进行采样。能够在避免噪声干扰的情况下进行数据采样，在降低数据量的同时保证待加工五金件尺寸确定的准确性。
请参见图5，为本发明电子设备的一实施例的结构示意图。电子设备包括相互连接的存储器52和处理器51。
存储器52用于存储实现上述任意一项的方法的程序指令。
处理器51用于执行存储器52存储的程序指令。
其中，处理器51还可以称为CPU（Central Processing Unit，中央处理单元）。处理器51可能是一种集成电路芯片，具有信号的处理能力。处理器51还可以是通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现成可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器52可以为内存条、TF卡等，可以存储电子设备中全部信息，包括输入的原始数据、计算机程序、中间运行结果和最终运行结果都保存在存储器中。它根据控制器指定的位置存入和取出信息。有了存储器，电子设备才有记忆功能，才能保证正常工作。电子设备中的存储器按用途存储器可分为主存储器(内存)和辅助存储器(外存),也有分为外部存储器和内部存储器的分类方法。外存通常是磁性介质或光盘等，能长期保存信息。内存指主板上的存储部件，用来存放当前正在执行的数据和程序，但仅用于暂时存放程序和数据，关闭电源或断电，数据会丢失。
在本申请所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，系统服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。
请参阅图6，为本发明存储介质的结构示意图。本申请的存储介质存储有能够实现上述所有方法的程序文件61，其中，该程序文件61可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）或处理器（processor）执行本申请各个实施方式方法的全部或部分步骤。而前述的存储装置包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (4)

1.一种五金件加工过程智能控制方法，其特征在于，包括：
获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；
在噪声的干扰下确定每一点云数据子集对应的最终体素；
根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制；
所述在噪声的干扰下确定每一点云数据子集对应的最终体素的步骤，包括：
在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度；
基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小；
基于所述初始体素的大小对每一点云数据子集进行体素划分，得到多个初始体素；计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素；
所述在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度的步骤，包括：
获取每一所述点云数据子集对应的回波强度；
根据所述回波强度以及每一所述点云数据子集对应的坐标对所述点云数据子集进行聚类，得到多个聚簇；
确定每一聚簇中每一点云数据的局部范围；
基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度；所述第二点云数据为与所述第一点云数据距离最近的点云数据；
所述确定每一聚簇中每一点云数据的局部范围的步骤，包括：
通过如下公式（1）确定每一聚簇中每一点云数据的局部范围：
（1）；
其中，表示第i个聚簇中的聚类中心与该聚簇中的最远的点云数据之间的欧式距离；/>表示第i个聚簇第j个点云数据/>与/>距离其他聚簇最近的点云数据/>之间的欧式距离；/>表示第i个聚簇的聚类中心与/>所在聚簇的聚类中心之间的欧式距离，6表示超参数值，/>表示第i个聚簇的簇类中心，/>表示/>所在聚簇的聚类中心，/>为与/>距离最近的聚簇的序号；
所述基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度的步骤，包括：
通过如下公式（2）确定所述初始局部聚集程度：
（2）；
其中，表示第i个聚簇中的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据与其最近的点云数据之间的欧式距离，/>表示第i个点云数据子集的初始局部聚集程度，/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据的序号，/>表示第i个聚簇中的第j个点云数据的局部范围/>内与第/>个点云数据最近的点云数据的序号；
所述基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小的步骤，包括：
通过如下公式（3）确定每一所述点云数据子集对应的初始体素的大小：
（3）；
其中表示第i个聚簇的初始局部聚集程度，/>表示体素大小超参数，其中/>，/>表示取整函数，/>表示以自然常数为底数的指数函数，/>表示第i个点云数据子集的初始体素的大小；
计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素的步骤，包括：
计算每个初始体素内点云数据之间的第一关联性特征；
计算每个初始体素和其相邻的其余体素之间的点云数据的第二关联性特征；
基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素；
其中，所述基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素的步骤，包括：
通过如下公式（4）对所述初始体素进行校正：
（4）；
表示第c次迭代过程中的体素个数，/>表示第/>个体素，/>表示第/>个体素中关联性特征值较小的点云数据的数量，/>表示第/>个体素中关联性特征值较小的点云数据关联性特征值的均值，/>表示第/>个体素中点云数据关联性特征值的均值，/>表示不同关联性特征值阈值下的/>的最大值。
2.一种五金件加工过程智能控制装置，其特征在于，包括：
获取模块，用于获取待加工五金件的点云数据集合，并将点云数据集合划分为多个点云数据子集，每一所述点云数据子集表征所述待加工五金件的一个区域；
体素确定模块，用于在噪声的干扰下确定每一点云数据子集对应的最终体素；
所述在噪声的干扰下确定每一点云数据子集对应的最终体素，包括：
在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度；
基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小；
基于所述初始体素的大小对每一点云数据子集进行体素划分，得到多个初始体素；计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素；
所述在噪声的干扰下确定每一点云数据子集对应的初始局部聚集程度，包括：
获取每一所述点云数据子集对应的回波强度；
根据所述回波强度以及每一所述点云数据子集对应的坐标对所述点云数据子集进行聚类，得到多个聚簇；
确定每一聚簇中每一点云数据的局部范围；
基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度；所述第二点云数据为与所述第一点云数据距离最近的点云数据；
所述确定每一聚簇中每一点云数据的局部范围，包括：
通过如下公式（1）确定每一聚簇中每一点云数据的局部范围：
（1）；
其中，表示第i个聚簇中的聚类中心与该聚簇中的最远的点云数据之间的欧式距离；/>表示第i个聚簇第j个点云数据/>与/>距离其他聚簇最近的点云数据/>之间的欧式距离；/>表示第i个聚簇的聚类中心与/>所在聚簇的聚类中心之间的欧式距离，6表示超参数值，/>表示第i个聚簇的簇类中心，/>表示/>所在聚簇的聚类中心，/>为与/>距离最近的聚簇的序号；
所述基于聚簇中点云数据的数量、每一点云数据的局部范围内的点云数据的数量、点云数据的局部范围内第一点云数据与第二点云数据之间的欧式距离确定所述初始局部聚集程度，包括：
通过如下公式（2）确定所述初始局部聚集程度：
（2）；
其中，表示第i个聚簇中的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的点云数据的数量；/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据与其最近的点云数据之间的欧式距离，/>表示第i个点云数据子集的初始局部聚集程度，/>表示第i个聚簇中的第j个点云数据的局部范围/>内的第/>个点云数据的序号，/>表示第i个聚簇中的第j个点云数据的局部范围/>内与第/>个点云数据最近的点云数据的序号；
所述基于每一所述点云数据子集以及每一所述初始局部聚集程度确定每一所述点云数据子集对应的初始体素的大小，包括：
通过如下公式（3）确定每一所述点云数据子集对应的初始体素的大小：
（3）；
其中表示第i个聚簇的初始局部聚集程度，/>表示体素大小超参数，其中/>，/>表示取整函数，/>表示以自然常数为底数的指数函数，/>表示第i个点云数据子集的初始体素的大小；
计算每一所述初始体素内点云数据的关联性以及相邻体素间的点云数据的关联性对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素，包括：
计算每个初始体素内点云数据之间的第一关联性特征；
计算每个初始体素和其相邻的其余体素之间的点云数据的第二关联性特征；
基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素；
其中，所述基于所述第一关联性特征以及所述第二关联性特征对所述初始体素进行校正，得到每一所述点云数据子集对应的最终体素，包括：
通过如下公式（4）对所述初始体素进行校正：
（4）；
表示第c次迭代过程中的体素个数，/>表示第/>个体素，/>表示第/>个体素中关联性特征值较小的点云数据的数量，/>表示第/>个体素中关联性特征值较小的点云数据关联性特征值的均值，/>表示第/>个体素中点云数据关联性特征值的均值，/>表示不同关联性特征值阈值下的/>的最大值；
采样模块，用于根据所述最终体素对每一所述点云数据子集进行采样，确定所述待加工五金件的尺寸信息，并基于所述尺寸信息确定对所述待加工五金件进行加工控制。
3.一种电子设备，其特征在于，所述电子设备包括：相互藕接的处理器及存储器，其中，
所述存储器用于存储实现如权利要求1所述的五金件加工过程智能控制方法的程序指令；
所述处理器用于执行所述存储器存储的所述程序指令。
4.一种存储介质，其特征在于，存储有程序文件，所述程序文件能够被执行以实现如权利要求1所述的五金件加工过程智能控制方法。
CN202310807734.XA 2023-07-04 2023-07-04 五金件加工过程智能控制方法及相关装置 Active CN116520289B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310807734.XA CN116520289B (zh) 2023-07-04 2023-07-04 五金件加工过程智能控制方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310807734.XA CN116520289B (zh) 2023-07-04 2023-07-04 五金件加工过程智能控制方法及相关装置

Publications (2)

Publication Number Publication Date
CN116520289A CN116520289A (zh) 2023-08-01
CN116520289B true CN116520289B (zh) 2023-09-01

Family

ID=87401548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310807734.XA Active CN116520289B (zh) 2023-07-04 2023-07-04 五金件加工过程智能控制方法及相关装置

Country Status (1)

Country Link
CN (1) CN116520289B (zh)

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
KR101927861B1 (ko) * 2017-12-29 2018-12-12 고려대학교 산학협력단 형태론적 연산에 기반한 공간 기하 정보의 노이즈 제거 방법 및 장치
CN110322415A (zh) * 2019-07-06 2019-10-11 北方工业大学 基于点云的高精度表面三维重构方法
CN111681274A (zh) * 2020-08-11 2020-09-18 成都艾尔帕思科技有限公司 基于深度相机点云数据的3d人体骨骼识别和提取方法
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113724374A (zh) * 2021-09-09 2021-11-30 广州虎牙科技有限公司 点云数据处理方法和装置、电子设备及存储介质
CN113744389A (zh) * 2021-08-24 2021-12-03 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法
CN113759338A (zh) * 2020-11-09 2021-12-07 北京京东乾石科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN114089377A (zh) * 2021-10-21 2022-02-25 江苏大学 一种基于激光雷达的点云处理和物体识别系统及方法
CN114387293A (zh) * 2021-12-31 2022-04-22 深圳市镭神智能系统有限公司 道路边缘检测方法、装置、电子设备及车辆
CN114419599A (zh) * 2022-01-21 2022-04-29 苏州挚途科技有限公司 障碍物识别方法、装置及电子设备
CN114492619A (zh) * 2022-01-22 2022-05-13 电子科技大学 一种基于统计和凹凸性的点云数据集构建方法及装置
WO2022166400A1 (zh) * 2021-02-05 2022-08-11 中国科学院深圳先进技术研究院 一种处理三维点云的方法、装置、设备以及存储介质
CN114913519A (zh) * 2022-05-16 2022-08-16 华南师范大学 一种3d目标检测方法、装置、电子设备及存储介质
CN115222625A (zh) * 2022-07-15 2022-10-21 桂林理工大学 一种基于多尺度噪声的激光雷达点云去噪方法
CN115830015A (zh) * 2023-02-09 2023-03-21 深圳市威祥五金制品有限公司 基于计算机视觉的五金冲压配件质量检测方法
CN115830021A (zh) * 2023-02-15 2023-03-21 东莞市新通电子设备有限公司 一种用于五金件加工的金属表面缺陷检测方法
CN116310607A (zh) * 2023-02-09 2023-06-23 浙江大学 一种基于聚类分割原理的无人船三维点云处理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230072731A1 (en) * 2021-08-30 2023-03-09 Thomas Enxu LI System and method for panoptic segmentation of point clouds

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106600622A (zh) * 2016-12-06 2017-04-26 西安电子科技大学 一种基于超体素的点云数据分割方法
KR101927861B1 (ko) * 2017-12-29 2018-12-12 고려대학교 산학협력단 형태론적 연산에 기반한 공간 기하 정보의 노이즈 제거 방법 및 장치
CN110322415A (zh) * 2019-07-06 2019-10-11 北方工业大学 基于点云的高精度表面三维重构方法
CN111681274A (zh) * 2020-08-11 2020-09-18 成都艾尔帕思科技有限公司 基于深度相机点云数据的3d人体骨骼识别和提取方法
CN113759338A (zh) * 2020-11-09 2021-12-07 北京京东乾石科技有限公司 一种目标检测方法、装置、电子设备及存储介质
WO2022166400A1 (zh) * 2021-02-05 2022-08-11 中国科学院深圳先进技术研究院 一种处理三维点云的方法、装置、设备以及存储介质
CN113076922A (zh) * 2021-04-21 2021-07-06 北京经纬恒润科技股份有限公司 一种物体检测方法及装置
CN113744389A (zh) * 2021-08-24 2021-12-03 武汉理工大学 一种面向复杂零件曲面特征保留的点云精简方法
CN113724374A (zh) * 2021-09-09 2021-11-30 广州虎牙科技有限公司 点云数据处理方法和装置、电子设备及存储介质
CN114089377A (zh) * 2021-10-21 2022-02-25 江苏大学 一种基于激光雷达的点云处理和物体识别系统及方法
CN114387293A (zh) * 2021-12-31 2022-04-22 深圳市镭神智能系统有限公司 道路边缘检测方法、装置、电子设备及车辆
CN114419599A (zh) * 2022-01-21 2022-04-29 苏州挚途科技有限公司 障碍物识别方法、装置及电子设备
CN114492619A (zh) * 2022-01-22 2022-05-13 电子科技大学 一种基于统计和凹凸性的点云数据集构建方法及装置
CN114913519A (zh) * 2022-05-16 2022-08-16 华南师范大学 一种3d目标检测方法、装置、电子设备及存储介质
CN115222625A (zh) * 2022-07-15 2022-10-21 桂林理工大学 一种基于多尺度噪声的激光雷达点云去噪方法
CN115830015A (zh) * 2023-02-09 2023-03-21 深圳市威祥五金制品有限公司 基于计算机视觉的五金冲压配件质量检测方法
CN116310607A (zh) * 2023-02-09 2023-06-23 浙江大学 一种基于聚类分割原理的无人船三维点云处理方法
CN115830021A (zh) * 2023-02-15 2023-03-21 东莞市新通电子设备有限公司 一种用于五金件加工的金属表面缺陷检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于散乱点云数据的五轴数控加工刀轨生成算法;孙殿柱等;农业机械学报;第43卷(第5期);221，226-229 *

Also Published As

Publication number Publication date
CN116520289A (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN106204543B (zh) 基于单分类支持向量机的织物疵点检测方法
CN111275821B (zh) 一种电力线拟合方法、系统及终端
CN107590512A (zh) 一种模板匹配中参数的自适应方法和系统
CN107729926A (zh) 一种基于高维空间变换的数据扩增方法、机器识别系统
CN111275724A (zh) 一种基于八叉树和边界优化的机载点云屋顶平面分割方法
CN116664565A (zh) 一种光伏太阳能电池片的隐裂检测方法及系统
CN117557820B (zh) 一种基于机器视觉的量子点光学膜损伤检测方法及系统
CN105488798B (zh) 基于点集对比的sar图像相似性度量方法
CN116520289B (zh) 五金件加工过程智能控制方法及相关装置
CN110793437A (zh) 手操器的定位方法、装置、存储介质及电子设备
CN117475154A (zh) 一种基于优化Canny边缘检测的仪表图像识别方法及系统
CN106951918B (zh) 一种用于冷冻电镜分析的单颗粒图像聚类方法
CN115797551B (zh) 基于两步无监督聚类算法的激光点云数据自动建模方法
CN112184869A (zh) 基于绝对高斯曲率估计的保持几何特征的点云简化方法
CN114004952A (zh) 基于统计流形曲率的带高密度噪声点云的数据处理方法
CN111462123B (zh) 一种基于谱聚类的点云数据分割方法
Morales et al. Unstructured point cloud surface denoising and decimation using distance RBF K-nearest neighbor kernel
Zhang et al. Edge detection from RGB-D image based on structured forests
CN111815637A (zh) 3d图像边缘点云的提取方法、设备及计算机存储介质
CN114152454A (zh) 基于ceemdan-cse模型的机械设备故障诊断方法及该模型的建立方法
CN111104983A (zh) 一种基于akaza的卫星遥感像对的特征匹配方法
CN117541832B (zh) 异常检测方法、系统、电子设备及存储介质
CN117788538B (zh) 点云区间配对体积方差一致性的配准方法、装置和系统
CN117690030B (zh) 基于图像处理的多面发花识别方法及系统
CN116630205B (zh) 一种图像处理方法、智能终端及存储介质

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
GR01 Patent grant
GR01 Patent grant