CN116989694A - 基于3d轮廓扫描的尺寸定位检测系统 - Google Patents
基于3d轮廓扫描的尺寸定位检测系统 Download PDFInfo
- Publication number
- CN116989694A CN116989694A CN202310980098.0A CN202310980098A CN116989694A CN 116989694 A CN116989694 A CN 116989694A CN 202310980098 A CN202310980098 A CN 202310980098A CN 116989694 A CN116989694 A CN 116989694A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- model
- module
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000013480 data collection Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004140 cleaning Methods 0.000 claims description 13
- 238000012544 monitoring process Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004141 dimensional analysis Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000012546 transfer Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及尺寸定位系统领域，具体为基于3D轮廓扫描的尺寸定位检测系统，包括数据收集和整理模块、特征工程模块、建模模块和尺寸分析和定位模块。本发明中，首先数据收集和整理模块收集和处理物体的数据，将数据发送给特征工程模块进行数据特征化处理，将处理好的历史物体数据和实时物体数据分别发送给建模模块和尺寸分析和定位模块，将处理好的实时环境数据发送给尺寸分析和定位模块，建模模块根据处理好的历史物体数据通过机器学习算法来训练模型，训练好的模型由尺寸分析和定位模块接收；尺寸分析和定位模块根据处理好的实时物体数据利用训练好的模型进行预测和展示。
Description
技术领域
本发明涉及尺寸定位系统领域，具体为基于3D轮廓扫描的尺寸定位检测系统。
背景技术
3D尺寸定位检测系统利用传感器扫描物体数据，根据物体数据与预设的标准物体数据比对来判定物体尺寸是否合格，然而，传统的定位检测系统在收集数据和资源利用方面会有弊端：
一方面，预设的标准物体数据需要人为的参与实现，往往会出现人为错误的行为，也对人力资源产生一定的消耗；
另一方面，该过程往往会因为传感器由于周围环境和质量差异导致提取物体数据的不准确，使得在提取数据特征时与实际物体特征有差异。因此，亟需基于3D轮廓扫描的尺寸定位检测系统。
发明内容
本发明的目的在于基于3D轮廓扫描的尺寸定位检测系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：基于3D轮廓扫描的尺寸定位检测系统，其包括数据收集和整理模块、特征工程模块、建模模块和尺寸分析和定位模块，其中：
所述数据收集和整理模块用于收集和处理物体的数据，将处理好的数据发送给特征工程模块；所述特征工程模块根据数据信息提取数据特征并进行特征处理，将处理好的历史物体数据和实时物体数据分别发送给建模模块和尺寸分析和定位模块；所述建模模块根据处理好的历史物体数据通过机器学习算法来训练模型，训练好的模型由尺寸分析和定位模块接收；所述尺寸分析和定位模块根据处理好的实时物体数据利用训练好的模型进行预测和展示。
作为本技术方案的进一步改进，所述数据收集和整理模块包括3D轮廓扫描仪、数据清洗单元和三维重构单元，所述3D轮廓扫描仪用于收集物体数据，将光信号转换为点云数据；所述数据清洗单元接收3D轮廓扫描仪收集的物体数据，用于提高数据质量；所述三维重构单元接收数据清洗单元清洗过的数据，将点云数据进行三维重构，用于对数据进行特征处理。
作为本技术方案的进一步改进，所述特征工程模块包括特征提取单元、数据库单元和特征归一化单元，所述特征提取单元接收三维重构单元中重构过的数据，用于将重构后的数据进行特征提取；所述数据库单元接收特征提取单元特征提取后的数据，将历史物体数据添加尺寸等级标签列，用于区分历史物体数据中的不同数据；所述特征归一化单元接收数据库单元发送的数据，用于将特征值放缩到相同的范围内。
作为本技术方案的进一步改进，所述建模模块包括数据拆分单元、模型训练单元、模型评估单元和模型调优单元，所述数据拆分单元接收特征归一化单元发送的历史物体数据，用于将数据集的特征和标签分割开来，并将特征数据和标签数据的百分之八十作为训练集，百分之二十作为测试集，将训练集发送给模型训练单元，将测试集发送给模型评估单元；所述模型训练单元使用机器学习算法中的神经网络模型根据训练集进行模型训练，并将训练好的模型发送给模型评估单元；所述模型评估单元接收数据拆分单元和模型训练单元分别发送的测试集和模型，用于计算模型在测试集上的准确率，其中：
准确率≥百分之90时，所述模型评估单元将模型发送给尺寸分析和定位模块中的监测单元；
准确率＜百分之90时，所述模型评估单元将模型发送给模型调优单元进行调优；所述模型调优单元接收模型评估单元发送的模型，用于调整模型中的参数。
作为本技术方案的进一步改进，所述尺寸分析和定位模块包括监测单元和响应单元，所述监测单元接收特征归一化单元和模型评估单元分别发送的实时物体数据和训练好的模型，用于预测物体尺寸等级；所述响应单元接收监测单元预测的物体尺寸等级，用于将尺寸等级和预测结果进行可视化展示。
作为本技术方案的进一步改进，所述3D轮廓扫描仪利用光学传感器来收集物体数据，并根据计算公式计算出点云数据，过程如下：
光学传感器发射光线射到物体表面，光线照射到物体表面后会发生反射形成一束回波光线，传感器根据接收到的回波光线的时间差计算出光线的路径长度，即传感器与物体表面的距离信息，并根据距离计算出物体表面的点云数据。
作为本技术方案的进一步改进，所述数据清洗单元用于提高数据质量，过程如下：
对点云数据中的每个点P设置固定大小为3的领域；
计算每个点P与领域点的距离值；
使用邻域点的属性值和相应的距离值计算加权平均值；
将加权平均值作为点P的新属性值。
作为本技术方案的进一步改进，所述特征转化单元用于将特征值放缩到相同的范围内，其中特征转化的过程如下：
对于每个特征列，计算所有样本中的最小值和最大值，最小值是该特征列中所有样本的最小值，最大值是该特征列中所有样本的最大值；
归一化值等于原始值与最小值的差值除以最大值与最小值的差值，其中，原始值是特征列中的样本值；
归一化后的值等于归一化值乘以最大值与最小值的差值加上最小值。
作为本技术方案的进一步改进，所述模型训练单元根据历史物体数据利用神经网络算法训练模型，过程如下：
前向传播：神经网络将输入数据从输入层传递到输出层，输出由激活函数和各层之间的权重来计算；
损失计算：将神经网络得到的预测结果与对应的尺寸等级进行比较，计算出一个损失函数的数值；
反向传播：利用损失函数将误差反向传递回网络中，计算每个参数对于损失的贡献，通过链式法则，从输出层向输入层反向计算梯度，并根据梯度的方向更新每个参数的值，以最小化损失函数，最后根据计算得到的梯度信息，更新神经网络中的参数。
与现有技术相比，本发明的有益效果是：
该基于3D轮廓扫描的尺寸定位检测系统的原理是通过传感器对物体数据进行收集，利用算法公式对物体数据进行特征提取，将数据库中的历史物体数据发送给神经网络算法进行模型建立，并根据数据库中的实时物体数据利用建立好的模型进行物体尺寸等级预测，该过程省去了传统检测系统中人为预设的标准物体数据，使用神经网络模型直接对实时物体数据进行预测，减少了对人力资源的消耗，对数据的挖掘更加深入。
该基于3D轮廓扫描的尺寸定位检测系统，在使用传感器收集数据之后，并不直接对数据进行三维重构，而是对数据进行数据清洗，根据数据和领域点的关系计算出对应的新数据值来代替，以此来减少因为传感器由于周围环境和质量差异导致提取物体数据的不准确。
附图说明
图1为本发明的整体模块示意图；
图2为本发明的数据收集和整理模块单元示意图；
图3为本发明的特征工程模块单元示意图；
图4为本发明的建模模块单元示意图；
图5为本发明的尺寸分析和定位模块单元示意图；
图中：100、数据收集和整理模块；101、3D轮廓扫描仪；102、数据清洗单元；103、三维重构单元；200、特征工程模块；201、特征提取单元；202、数据库单元；203、特征归一化单元；300、建模模块；301、数据拆分单元；302、模型训练单元；303、模型评估单元；304、模型调优单元；400、尺寸分析和定位模块；401、监测单元；402、响应单元。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
请参阅图1-3，本发明提供技术方案：基于3D轮廓扫描的尺寸定位检测系统，包括数据收集和整理模块100、特征工程模块200、建模模块300和尺寸分析和定位模块400。
首先，数据收集和整理模块100利用3D轮廓扫描仪101对物体进行扫描，3D轮廓扫描仪101中的光学传感器发射光线射到物体表面，光线照射到物体表面后会发生反射形成一束回波光线，传感器会接收到回波光线，传感器根据接收到的回波光线的时间差计算出光线的路径长度，从而测量出与物体表面的距离信息，并根据距离计算出物体表面的点云数据，计算点云数据的公式如下：
X＝r*cos(theta)*cos(phi)；
Y＝r*cos(theta)*sin(phi)；
Z＝r*sin(theta)，其中，phi是扫描仪的水平旋转角度，用于表示平面上的旋转；theta是扫描仪的垂直旋转角度，用于表示高度变化。
为了防止传感器由于周围环境和质量差异导致提取物体数据的不准确，以提高数据质量和准确性，数据清洗单元102接收3D轮廓扫描仪101发送的点云数据，对点云数据进行数据的清洗，清洗的步骤如下：
对点云数据中的每个点P设置固定大小为3的领域；
计算每个点P与领域点的距离值；
使用邻域点的属性值和相应的距离值计算加权平均值；
将加权平均值作为点P的新属性值。
为了收集物体数据的特征，需要对点云数据进行三维重构，数据清洗单元102将处理过的数据发送给三维重构单元103，三维重构单元103使用体素重建法将点云数据转化为物体的三维模型，体素重建法的过程如下：
创建体素网格：定义体素网格的大小和分辨率，其中边长大小决定了体素的大小，分辨率表示每个方向上的体素数目，例如，对于检测小尺寸物体，边长大小则在几毫米到几厘米的范围内选择，分辨率则在几十至几百个体素单元/边长内选择；
将点云数据映射到体素网格：对于每个点P，计算点P在体素网格中的位置，通过将点坐标除以体素的边长获得相对位置，并将其舍入到最近的整数；
填充体素数据：统计在体素内的点的数量，将点数除以体素体积(即体素边长的立方)来计算密度值，将体素的值设为该体素内点云的密度值；
体素重建：首先生成一个体素单元的内部点与外部点之间的相对位置关系的索引，然后根据索引数据得出体素网格内部点与边界的交点的位置，根据交点的位置连接相邻体素的交点，形成三角形面片，其中，每个体素可以生成多个三角形面片，直到处理完所有的体素单元，最终生成的三角形面片集合即为重建后的三维物体的表面。
为了让数据能够输入机器学习算法模型，需要对数据进行特征处理，三维重构单元103将重构后的三维模型数据发送给特征工程模块200中的特征提取单元201，特征提取单元201对数据进行特征提取，过程如下：
表面顶点位置：直接对生成的模型顶点位置信息进行提取；
表面法向量计算：首先确定与每个顶点相邻的所有面片，对于每个面片，通过取面片三个顶点的坐标，并使用叉积计算法向量，然后根据与该顶点相邻的所有面片的法向量进行加权平均计算顶点的法向量；
几何特征提取：通过计算模型的几何属性，获取与形状相关的特征，其中，模型的面积、体积和表面积是首先计算单个面片的面积、体积和表面积，然后将所有面片的面积、体积和表面积累加；
模型曲率：根据模型顶点的位置和法向量利用最小二乘法计算出顶点的平均曲率，将每个顶点的曲率相加并除以顶点个数得出模型的曲率。
特征提取单元201将处理过的数据集发送给数据库单元202，数据库单元202存储历史物体数据和实时物体数据，为了让机器学习算法模型有监督的学习，数据库单元202中的历史物体数据根据历史记录给历史物体数据添加尺寸等级标签列，将历史物体数据和实时物体数据发送给特征归一化单元203。
特征归一化单元203接收数据库单元202发送的数据，为了进一步减少由于客观环境对传感器收集数据造成的影响，以及让数据更适合于机器学习算法的使用，避免某个特征的值对模型产生过大的影响，需要对数据集中的特征进行特征转化，将特征值放缩到相同的范围内，使用特征归一化的方法对特征进行特征转化，其转化过程如下：
对于除了标签列的每个特征列，计算所有样本中的最小值和最大值，最小值是该特征列中所有样本的最小值，最大值是该特征列中所有样本的最大值；
归一化值＝(原始值-最小值)/(最大值-最小值)，其中，原始值是特征列中的样本值；
归一化后的值＝归一化值×(最大值-最小值)+最小值。
特征归一化单元203将历史物体数据发送给建模模块300进行模型训练，将实时物体数据发送给尺寸分析和定位模块400进行预测。
由于对物体特征数据的分析需要人为预设物体的标准数据，往往会出现人为错误的行为，也对人力资源产生一定的消耗，因此使用机器学习算法中的神经网络对历史物体数据进行模型训练。
建模模块300中的数据拆分单元301接收特征归一化单元203发送的历史物体数据，数据拆分单元301将历史物体数据的特征和标签分割开来，并将特征数据和标签数据的百分之八十作为训练集，百分之二十作为测试集。
数据拆分单元301将训练集发送给模型训练单元302进行训练，将测试集发送给模型评估单元303进行检测评估，模型训练单元302使用机器学习算法中的神经网络算法进行模型训练，训练过程如下：
前向传播：神经网络将输入数据从输入层传递到输出层，其中的输出由激活函数和各层之间的权重来计算；
损失计算：在前向传播之后，将神经网络得到的预测结果与对应的尺寸等级进行比较，计算出一个损失函数的数值(也称为误差)，其中损失函数衡量了预测结果与实际标签之间的差异；
反向传播：利用损失函数将误差反向传递回网络中，计算每个参数对于损失的贡献，通过链式法则，从输出层向输入层反向计算梯度，并根据梯度的方向更新每个参数的值，以最小化损失函数，最后根据计算得到的梯度信息，更新神经网络中的参数。
模型训练单元302将训练好的模型发送给模型评估单元303进行评估，模型评估单元303利用训练好的模型对测试集进行检测评估，过程如下：
计算出模型预测的标签数组与测试集标签数组之间准确预测的样本数目，将准确预测的样本数目除以测试集的样本数目乘以百分比得到准确率，当准确率≥百分之90，则该模型训练成功，将该模型发实时监测和响应模块进行应用，否则，将模型发送给模型调优单元304进行调优。
模型调优单元304通过增加神经网络的深度、宽度和调整神经元数量参数值来对模型进行调优，将调整好的参数发送给模型训练单元302重新进行模型训练，直到模型评估中的准确率≥百分之90。
模型评估单元303将训练好的模型发送给尺寸分析和定位模块400中的监测单元401，监测单元401根据训练好的模型和实时物体数据对物体尺寸等级进行实时预测，其中：神经网络算法模型预测的结果是一个概率分布，因此将预测结果映射到Argmax函数上，得出概率最大的类别索引，类别索引指向物体的尺寸等级；Argmax函数用于在指定的维度上找到张量中最大值所在位置的索引。
监测单元401将预测结果发送给响应单元402，响应单元402将预测结果中的尺寸等级发送到显示器中，并将预测数据中的特征与预测结果之间的关系热图以可视化的方式呈现给专业人员，其中可视化工具可以使用Python中的Matplotlib库。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于3D轮廓扫描的尺寸定位检测系统，其特征在于：包括数据收集和整理模块(100)、特征工程模块(200)、建模模块(300)和尺寸分析和定位模块(400)，其中：
所述数据收集和整理模块(100)用于收集和处理物体的数据，将处理好的数据发送给特征工程模块(200)；所述特征工程模块(200)根据数据信息提取数据特征并进行特征处理，将处理好的历史物体数据和实时物体数据分别发送给建模模块(300)和尺寸分析和定位模块(400)；所述建模模块(300)根据处理好的历史物体数据通过机器学习算法来训练模型，训练好的模型由尺寸分析和定位模块(400)接收；所述尺寸分析和定位模块(400)根据处理好的实时物体数据利用训练好的模型进行预测和展示。
2.根据权利要求1所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述数据收集和整理模块(100)包括3D轮廓扫描仪(101)、数据清洗单元(102)和三维重构单元(103)，所述3D轮廓扫描仪(101)用于收集物体数据，将光信号转换为点云数据；所述数据清洗单元(102)接收3D轮廓扫描仪(101)收集的物体数据，用于提高数据质量；所述三维重构单元(103)接收数据清洗单元(102)清洗过的数据，将点云数据进行三维重构，用于对数据进行特征处理。
3.根据权利要求2所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述特征工程模块(200)包括特征提取单元(201)、数据库单元(202)和特征归一化单元(203)，所述特征提取单元(201)接收三维重构单元(103)中重构过的数据，用于将重构后的数据进行特征提取；所述数据库单元(202)接收特征提取单元(201)特征提取后的数据，将历史物体数据添加尺寸等级标签列，用于区分历史物体数据中的不同数据；所述特征归一化单元(203)接收数据库单元(202)发送的数据，用于将特征值放缩到相同的范围内。
4.根据权利要求3所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述建模模块(300)包括数据拆分单元(301)、模型训练单元(302)、模型评估单元(303)和模型调优单元(304)，所述数据拆分单元(301)接收特征归一化单元(203)发送的历史物体数据，用于将数据集的特征和标签分割开来，并将特征数据和标签数据的百分之八十作为训练集，百分之二十作为测试集，将训练集发送给模型训练单元(302)，将测试集发送给模型评估单元(303)；所述模型训练单元(302)使用机器学习算法中的神经网络模型根据训练集进行模型训练，并将训练好的模型发送给模型评估单元(303)；所述模型评估单元(303)接收数据拆分单元(301)和模型训练单元(302)分别发送的测试集和模型，用于计算模型在测试集上的准确率，其中：
准确率≥百分之90时，所述模型评估单元(303)将模型发送给尺寸分析和定位模块(400)中的监测单元(401)；
准确率＜百分之90时，所述模型评估单元(303)将模型发送给模型调优单元(304)进行调优；所述模型调优单元(304)接收模型评估单元(303)发送的模型，用于调整模型中的参数。
5.根据权利要求4所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述尺寸分析和定位模块(400)包括监测单元(401)和响应单元(402)，所述监测单元(401)接收特征归一化单元(203)和模型评估单元(303)分别发送的实时物体数据和训练好的模型，用于预测物体尺寸等级；所述响应单元(402)接收监测单元(401)预测的物体尺寸等级，用于将尺寸等级和预测结果进行可视化展示。
6.根据权利要求2所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述3D轮廓扫描仪(101)利用光学传感器来收集物体数据，并根据计算公式计算出点云数据，过程如下：
光学传感器发射光线射到物体表面，光线照射到物体表面后会发生反射形成一束回波光线，传感器根据接收到的回波光线的时间差计算出光线的路径长度，即传感器与物体表面的距离信息，并根据距离计算出物体表面的点云数据。
7.根据权利要求2所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述数据清洗单元(102)用于提高数据质量，过程如下：
对点云数据中的每个点P设置固定大小为3的领域；
计算每个点P与领域点的距离值；
使用邻域点的属性值和相应的距离值计算加权平均值；
将加权平均值作为点P的新属性值。
8.根据权利要求3所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述特征归一化单元(203)用于将特征值放缩到相同的范围内，其中特征转化的过程如下：
对于每个特征列，计算所有样本中的最小值和最大值，最小值是该特征列中所有样本的最小值，最大值是该特征列中所有样本的最大值；
归一化值等于原始值与最小值的差值除以最大值与最小值的差值，其中，原始值是特征列中的样本值；
归一化后的值等于归一化值乘以最大值与最小值的差值加上最小值。
9.根据权利要求4所述的基于3D轮廓扫描的尺寸定位检测系统，其特征在于：所述模型训练单元(302)根据历史物体数据利用神经网络算法训练模型，过程如下：
前向传播：神经网络将输入数据从输入层传递到输出层，输出由激活函数和各层之间的权重来计算；
损失计算：将神经网络得到的预测结果与对应的尺寸等级进行比较，计算出一个损失函数的数值；
反向传播：利用损失函数将误差反向传递回网络中，计算每个参数对于损失的贡献，通过链式法则，从输出层向输入层反向计算梯度，并根据梯度的方向更新每个参数的值，以最小化损失函数，最后根据计算得到的梯度信息，更新神经网络中的参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310980098.0A CN116989694A (zh) | 2023-08-04 | 2023-08-04 | 基于3d轮廓扫描的尺寸定位检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310980098.0A CN116989694A (zh) | 2023-08-04 | 2023-08-04 | 基于3d轮廓扫描的尺寸定位检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116989694A true CN116989694A (zh) | 2023-11-03 |
Family
ID=88524434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310980098.0A Pending CN116989694A (zh) | 2023-08-04 | 2023-08-04 | 基于3d轮廓扫描的尺寸定位检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116989694A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371825A (zh) * | 2023-12-05 | 2024-01-09 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 基于状态监控分析生产品质的食品预测系统 |
| CN118628680A (zh) * | 2024-08-08 | 2024-09-10 | 杭州慧建智联科技有限公司 | 一种xr设备的实时网格地图生成系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141248A (zh) * | 2018-07-26 | 2019-01-04 | 深源恒际科技有限公司 | 基于图像的猪体重测算方法及系统 |
| CN111145090A (zh) * | 2019-11-29 | 2020-05-12 | 鹏城实验室 | 一种点云属性编码方法、解码方法、编码设备及解码设备 |
| CN113553762A (zh) * | 2021-06-29 | 2021-10-26 | 东风汽车集团股份有限公司 | 基于焊接曲线进行焊点分析的神经网络及建立方法 |
| CN114066964A (zh) * | 2021-11-17 | 2022-02-18 | 江南大学 | 一种基于深度学习的水产实时尺寸检测方法 |
| CN115086660A (zh) * | 2021-03-12 | 2022-09-20 | 腾讯科技（深圳）有限公司 | 基于点云属性预测的解码、编码方法、解码器及编码器 |
| CN116385639A (zh) * | 2023-03-28 | 2023-07-04 | 昆明理工大学 | Uav与tls点云融合的复杂表面彩色模型重建方法 |
-
2023
- 2023-08-04 CN CN202310980098.0A patent/CN116989694A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109141248A (zh) * | 2018-07-26 | 2019-01-04 | 深源恒际科技有限公司 | 基于图像的猪体重测算方法及系统 |
| CN111145090A (zh) * | 2019-11-29 | 2020-05-12 | 鹏城实验室 | 一种点云属性编码方法、解码方法、编码设备及解码设备 |
| CN115086660A (zh) * | 2021-03-12 | 2022-09-20 | 腾讯科技（深圳）有限公司 | 基于点云属性预测的解码、编码方法、解码器及编码器 |
| CN113553762A (zh) * | 2021-06-29 | 2021-10-26 | 东风汽车集团股份有限公司 | 基于焊接曲线进行焊点分析的神经网络及建立方法 |
| CN114066964A (zh) * | 2021-11-17 | 2022-02-18 | 江南大学 | 一种基于深度学习的水产实时尺寸检测方法 |
| CN116385639A (zh) * | 2023-03-28 | 2023-07-04 | 昆明理工大学 | Uav与tls点云融合的复杂表面彩色模型重建方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117371825A (zh) * | 2023-12-05 | 2024-01-09 | 烟台市食品药品检验检测中心(烟台市药品不良反应监测中心、烟台市粮油质量检测中心) | 基于状态监控分析生产品质的食品预测系统 |
| CN118628680A (zh) * | 2024-08-08 | 2024-09-10 | 杭州慧建智联科技有限公司 | 一种xr设备的实时网格地图生成系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102210715B1 (ko) | 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기 | |
| CN116989694A (zh) | 基于3d轮廓扫描的尺寸定位检测系统 | |
| CN116167668B (zh) | 基于bim的绿色节能建筑施工质量评价方法及系统 | |
| CN111524224B (zh) | 一种电力变压器表面温度分布的全景成像方法 | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN113869629A (zh) | 一种基于激光点云的输电线路安全风险分析判断评估方法 | |
| CN110246134A (zh) | 一种钢轨伤损分类装置 | |
| CN117876381B (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和系统 | |
| Li et al. | Advanced pavement distress recognition and 3D reconstruction by using GA-DenseNet and binocular stereo vision | |
| CN116403093B (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| CN117011583A (zh) | 一种基于特征数据聚类分析的状态评估方法及系统 | |
| CN116563466A (zh) | 一种基于深度学习的三维单木点云的补全方法 | |
| CN115130369A (zh) | 基于数字孪生的变电站设备综合状态评估与主动预警方法 | |
| Daudt et al. | Learning to understand earth observation images with weak and unreliable ground truth | |
| CN115661429A (zh) | 一种锅炉水冷壁管缺陷识别系统、方法和存储介质 | |
| CN117436033B (zh) | 智能建筑垂直偏差监测系统及方法 | |
| Omwenga et al. | ScanCloud: Holistic GPR Data Analysis for Adaptive Subsurface Object Detection | |
| CN118570194B (zh) | 一种基于三维点云的异形衬套内表面缺陷检测方法及系统 | |
| Blanton et al. | Surface Modeling for Airborne Lidar | |
| CN116977274B (zh) | 适用于移动生产线上的坚果智能检测方法及系统 | |
| CN117609942B (zh) | 一种热带气旋移动路径的估算方法及系统 | |
| CN117571341B (zh) | 一种轮胎全方位磨损检测系统及方法 | |
| CN116051533B (zh) | 一种电力杆塔的施工质量检测方法及装置 | |
| Zhao | Application of Computer Vision and Image Processing Technology in Bridge Condition Monitoring System | |
| Haiyan | A Two-Person Lift Image Detail Extraction Method based on Global Texture Feature Optimization |
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 |