CN117274167A - 一种基于三维信息的成形焊缝外观缺陷提取方法 - Google Patents

一种基于三维信息的成形焊缝外观缺陷提取方法 Download PDF

Info

Publication number
CN117274167A
CN117274167A CN202311107318.5A CN202311107318A CN117274167A CN 117274167 A CN117274167 A CN 117274167A CN 202311107318 A CN202311107318 A CN 202311107318A CN 117274167 A CN117274167 A CN 117274167A
Authority
CN
China
Prior art keywords
point cloud
extracting
point
dimensional
points
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
CN202311107318.5A
Other languages
English (en)
Inventor
杨宏韬
李鑫
李秀兰
于微波
刘帅师
张振国
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.)
Changchun University of Technology
Original Assignee
Changchun University of Technology
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 Changchun University of Technology filed Critical Changchun University of Technology
Priority to CN202311107318.5A priority Critical patent/CN117274167A/zh
Publication of CN117274167A publication Critical patent/CN117274167A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0004Industrial image inspection
    • G06T7/0008Industrial image inspection checking presence/absence
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/136Segmentation; Edge detection involving thresholding
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/10Segmentation; Edge detection
    • G06T7/187Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/70Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10028Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及技术领域,特别涉及一种基于三维信息的成形焊缝外观缺陷提取方法。该方法具体包括:采集焊缝的三维点云数据;对三维点云数据进行预处理,包括使用统计滤波方法去除离群点,并利用体素格内选取最接近体素格质心的点进行点云数据降采样;对预处理后的三维点云数据通过LMedS自适应阈值分割方法进行焊道的提取,在提取完成的焊道点云上,建立区域生长法框架,选取种子点,依据法线角度阈值和曲率阈值判断种子点邻域内点是否属于同一类别,实现对焊道表面缺陷点云的提取。本发明提供的方法能够更完整地获得三维缺陷几何信息,提高系统整体运算效率,更有利于完整提取焊缝缺陷。

Description

一种基于三维信息的成形焊缝外观缺陷提取方法
技术领域
本发明涉及技术领域,特别涉及一种基于三维信息的成形焊缝外观缺陷提取方法。
背景技术
焊接技术是一种重要的材料结构加工技术,在机械制造、航空电子、船舶制造、汽车生产制造等领域的机械加工中都有非常重要的运用,如今越来越多的研究致力于焊接过后对于焊接工件的质量检测。随着视觉检测在工业加工领域的广泛应用,基于视觉的焊缝缺陷检测技术逐渐取代了人工检测,并在实际运用中有着稳定的缺陷识别效果。基于视觉的外观缺陷检测技术不仅解决了人工检测的不足,而且避免了超声和红外检测过程的复杂流程。因此在自动焊接技术领域开发出一套能够准确提取焊缝缺陷的视觉检测系统具有很重要的实用价值。目前,大多数方法采用在焊接机器人末端安装工业相机拍摄缺陷部位图片或者是搭建线结构光图像采集系统采集焊缝缺陷的深度特征来进行缺陷的提取,但这两种方法都是基于局部信息进行的计算,而这种处理方式很难直接对焊缝表面缺陷进行整体的三维描述,因此这两种视觉检测方式的可靠性和效率较低。为了解决二维图像和激光条纹图像难直接对焊缝表面缺陷进行整体的三维描述的问题,一些研究通过主动式的三维重建方法,例如编码结构光、TOF飞行时间法、三角测距法对焊缝三维形貌进行重建,通过重建后的三维点云信息对焊缝缺陷进行提取。在进行焊道提取时,焊道与板面紧密连接,且具有相似的点云属性,因此难以通过获取边缘和基于属性对焊道和焊板进行分割,选用基于模型的分割方法和区域生长算法,对焊道有着更好的分割效果。为了对焊道上的缺陷进行精准地提取,需要设计一种新的方法能够实现焊缝的三维信息采集,焊道精准提取和缺陷精准提取。
发明内容
(一)要解决的技术问题
本发明提供了一种基于三维信息的成形焊缝外观缺陷提取方法,以克服现有技术中无法对焊缝表面的缺陷进行精准整体三维描述的缺陷。
(二)技术方案
为解决上述问题,本发明提供一种基于三维信息的成形焊缝外观缺陷提取方法,具体包括:
步骤S1、利用面结构光三维相机采集焊缝的三维点云数据;
步骤S2、对所述三维点云数据进行预处理,包括使用统计滤波方法去除离群点,并利用体素格内选取最接近体素格质心的点进行点云数据降采样;
步骤S3、对预处理后的三维点云数据通过LMedS自适应阈值分割方法进行焊道的提取,具体包括:计算点到拟合平面的距离,使用最小平方中值估计平面,将数据点分类为焊道点云和非焊道点云,并在此基础上利用点云法向量差计算二次分割阈值再次进行焊道提取,最终获得焊道点云;
步骤S4、在提取完成的焊道点云上,建立区域生长法框架,选取种子点,依据法线角度阈值和曲率阈值判断种子点邻域内点是否属于同一类别,实现对焊道表面缺陷点云的提取。
优选的,所述面结构光三维相机安装于工业机器人末端。
优选的,所述三维点云数据的预处理包括:计算体素格内所有点到体素格质心的距离,将距离最小的一个点保留下来代表该体素格内所有点。
优选的,所述步骤S3中,所述LMedS自适应阈值分割方法具体包括:给定概率P和最小样本数n后确定迭代次数K;
从点云数据集中随机选择子集计算平面模型参数;
计算样本点到平面模型的距离即为残差;
选择残差平方中值最小的样本集来拟合分割平面和计算阈值。
优选的,区域生长法提取缺陷点云的步骤具体包括:计算焊道点云的法向量和曲率作为初始label,选择曲率最小点为初始种子点;
依据种子点与邻域内点的法线角度阈值和曲率阈值判断是否属于同一类别;重复增长直至遍历完所有点。
优选的,所述方法由工业机器人控制系统实现。
(三)有益效果
本发明提供的一种基于三维信息的成形焊缝外观缺陷提取方法,具有如下有益效果:
(1)采集焊缝三维点云数据,结合整体三维信息,更完整地获得三维缺陷几何信息;
(2)对焊缝三维点云数据进行降采样和滤波,提高系统整体运算效率;
(3)结合自适应阈值焊道提取方法,克服因对象改变而导致的阈值变化引起的分割误差,提高整体提取精确率;
(4)基于焊道点云使用区域生长算法,更有利于完整提取焊缝缺陷。
附图说明
图1为本发明实施例基于三维信息的成形焊缝外观缺陷提取方法流程图;
图2为本发明实施例执行效果图。
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。
如图1-2所示,本发明提供一种基于三维信息的成形焊缝外观缺陷提取方法具体包括:
步骤S1、利用面结构光三维相机采集焊缝的三维点云数据;
其中,本发明实施例中采用的面结构光三维相机安装于工业机器人末端。
步骤S2、对所述三维点云数据进行预处理,包括使用统计滤波方法去除离群点,并利用体素格内选取最接近体素格质心的点进行点云数据降采样;
其中,所述三维点云数据的预处理包括:计算体素格内所有点到体素格质心的距离,将距离最小的一个点保留下来代表该体素格内所有点。
步骤S3、对预处理后的三维点云数据通过LMedS自适应阈值分割方法进行焊道的提取,具体包括:计算点到拟合平面的距离,使用最小平方中值估计平面,将数据点分类为焊道点云和非焊道点云,并在此基础上利用点云法向量差计算二次分割阈值再次进行焊道提取,最终获得焊道点云;
其中,所述LMedS自适应阈值分割方法具体包括:给定概率P和最小样本数n后确定迭代次数K;
从点云数据集中随机选择子集计算平面模型参数;
计算样本点到平面模型的距离即为残差;
选择残差平方中值最小的样本集来拟合分割平面和计算阈值。
步骤S4、在提取完成的焊道点云上,建立区域生长法框架,选取种子点,依据法线角度阈值和曲率阈值判断种子点邻域内点是否属于同一类别,实现对焊道表面缺陷点云的提取。
其中,区域生长法提取缺陷点云的步骤具体包括:计算焊道点云的法向量和曲率作为初始label,选择曲率最小点为初始种子点;
依据种子点与邻域内点的法线角度阈值和曲率阈值判断是否属于同一类别;重复增长直至遍历完所有点。
需要特别注意的是,本实施例还包括对基于上述方法所提取的焊缝外观缺陷结果进行焊接质量评估。
下面详细描述一下该基于三维信息的成形焊缝外观缺陷提取方法
用统计滤波方法去除点云原始数据中的离群点,计算每个点到任意点的距离dt,计算遍历每个点到任意点之间的距离平均值μ和标准差σ,设标准差倍数为std,则当某点的k1个邻近点的平均距离在标准范围(μ-σ·std,μ+σ·std)内时保留该点,不在该范围时定义为离群点删除。
对焊缝点云数据进行降采样,降低点云点数,提高运算速度,遍历点云,得到点云数据的最大坐标值和最小坐标值:xmax,ymax,zmax和xmin,ymin,zmin,在这样的坐标范围内将点云栅格化,划分为一个个大小相同的体素格。可以设置体素格的边长为d,一副点云可以划分为m*n*l个体素格,并由如下的关系:
通过体素边长和点的坐标关系可以将点的索引值记录在特定的体素中,因此,对于每一个体素栅格,计算其内的点集质心为C,其中k为体素栅格内点的数量,pi为点集内第i个点,则有:
计算点集内的点到质心C的欧氏距离ρ,计算公式如下,和:
其中(xc,yc,zc)与(xi,yi,zi)分别代表质心点和点集内点的坐标。
其中找到离质心C最近的一点来代替体素内所有的点,以此达到降采样的目的,而且保留了焊缝原有三维特征。经过以上处理,焊缝的点云数据得到极大程度上的精简,使得后续运算在效率上和精度上得到提高。
步骤S3、使用一种利用差异化法线特征的焊缝点云LMedS自适应阈值分割方法对焊道点云进行分割,针对预处理完成后的焊缝三维点云数据,给定概率P、样本的污染率ε和最小样本数n,由如下公式确定LMedS最小迭代次数K(其中w=1-ε):
设已有平面Ax+By+Cz=D,则样本点云集data中的点p(xi,yi,zi)到平面的距离为di为:
此时LMedS算法中的残差ri为所求di,而样本集data中的所有子集与其他样本残差平方中值Med即为di平方中值.从样本中随机抽取Q个样本子集,计算每个样本子集的模型参数和残差平方,找到所得的残差平方的中值,最后选取Q个样本集中最小的残差平方中值,并根据下式计算出每个点所对应的权值:
其中σ为估计标准差;n为选区的样本总数;p为计算模型参数时所需要的最小样本数,ri为点p(xi,yi,zi)到平面的距离为di,med表示取样本的中值。按下式区分局外点和局内点:
其中,wi表示为第i个样本的权重,其中权重为0的视为局外点,权重为1的则为局内点.
从初始样本集中分别找到N个点集高点和点集低点,并求平均值,其中hi,hj分别表示高点和低点的高度值,求公式如下:
得到如上参数,计算数据集中的点到平面模型的距离,并由上式所计算阈值r1确定该点是否属于焊道点,由此实现焊道的D1的和平面P1的提取。
在一次分割平面上引入差异性法线分割,该算法利用不同的支撑半径估算同一个点的两个不同尺度下的点云法向量,并用单位法向量的差来定义DoN的特征.对于点云中任意点Pi通过K邻域算法计算出k个近邻点,依据这些点拟合出一个局部平面,计算公式为:
其中n为局部平面P的法向量;d为局部平面P到坐标原点的距离.局部平面平面P经过k个近邻点的质心,法向量满足||n||2=1,所以上述问题可以转化为求解方差矩阵的特征值,此时协方差矩阵A的最小特征值所对应的特征向量为平面P的法向量.其中协方差矩阵A的计算公式为:
其中k为采样点Pi局部邻近点个数,为k邻域的质心.利用此矩阵求取其特征值与特征向量:
A·vj=λj·vj
其中λj是协方差矩阵A的第j个特征值,vj是对应的特征向量即为Pi点处的法向量.对点云中任意点,给定大小不同的两个邻域支撑半径ri,rs,计算得到该点处的两个不同的单位法向量n(p,rs)、n(p,rl),而DoN的定义如式:
对于一次分割后的所有点,依据式上式计算单位法向量差集{Nd},设置DoN特征向量的阈值D,遍历点云法向量差集{Nd},过滤所得向量域,得到焊道根部曲率较大处点云样本集{Nr},执行以下公式,得到二次分割阈值,式中M为高低点数量,hi,hj为高点和低点的高度值:
计算上述步骤中所求得的法向量n(p,rs)、n(p,rl)夹角,再次执行LMedS平面拟合算法,以上式所求值r2为二次分割阈值得到焊道点云部分D2,将D1、D2相同部位点云进行拼接,得到完整的焊道点云和板面点云,如此经过焊道的初提取和再提取,提高了焊道的提取精确率。
步骤S4、基于区域增长法对焊缝表面缺陷进行分割提取,具体为:对得到的焊道点云构建kd树,计算点云法向量与曲率初始化label值。选取最小曲率的点作为种子点seed,加入种子点队列queue,将其labelcur置为0。对队列中的点进行最近邻搜索。比对该点和近邻点的法向量夹角,若小于夹角阈值thetath,则将该近邻点归为当前的类别。比较近邻点的曲率大小,若小于曲率阈值cth,则将该点作为种子点,继续搜索,直到所有的点被遍历完成。
具体为:在点云中选取一个点,作为种子点,归为C1类,通过kd树搜索与之紧邻的点,若搜索到的点与种子点的欧几里得距离小于预设的距离阈值,则将该点也归为C1类,并将该点更新为当前种子点;继续遍历,直到没有点满足距离阈值条件;寻找未被归类的点,作为新的种子点,重复前两个步骤,直到所有点被分类过;对生长完成后的点云进行欧式聚类,将点云数目小于某一阈值的类别去除,可得到分割后的焊缝点云,至此利用三维点云,完整地提取出了焊缝点云上的外观缺陷点云。
经过以上步骤对三维点云采集系统采集的原始焊缝点云数据进行处理,可以准确地分割出焊道点云数据,并在焊道点云数据的基础上进一步精确地分割出焊缝表面缺陷的点云数据。以焊瘤缺陷为例,本发明执行效果图如附图2所示。
本发明基于面结构光3D相机和工业机器人,实际工作过程中包含:面结构光3D相机、工业机器人、机器人控制柜和显示屏。系统工作时由3D相机采集焊缝的三维点云数据,通过点云数据的预处理,使所获取的三维点云数据满足三维处理要求;在预处理后的三维点云数据基础上,进行焊缝的焊道精确分割;在分割完成的焊道点云上提取焊缝缺陷。所述三维点云数据预处理方法对于系统搭建完后采集会的原始数据,首先使用统计滤波的方式去除点云数据中的体外离群点;建立点云数据的体素格,计算每个体素格的质心,利用最接近质心点的点去表征整个体素格内的点,完成点云数据的精简。
所述焊道的精确分割方法,采用一种利用差异化法线特征的焊缝点云LMedS自适应阈值分割方法,使得其自适应地分割提取出焊道点云部分。
所述焊道上的缺陷提取方法,建立区域生长框架,利用缺陷区域和焊道区域点的法线角度差和局部曲率差,提取出焊道上的表面缺陷。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。

Claims (6)

1.一种基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,包括以下步骤:
步骤S1、利用面结构光三维相机采集焊缝的三维点云数据;
步骤S2、对所述三维点云数据进行预处理,包括使用统计滤波方法去除离群点,并利用体素格内选取最接近体素格质心的点进行点云数据降采样;
步骤S3、对预处理后的三维点云数据通过LMedS自适应阈值分割方法进行焊道的提取,具体包括:计算点到拟合平面的距离,使用最小平方中值估计平面,将数据点分类为焊道点云和非焊道点云,并在此基础上利用点云法向量差计算二次分割阈值再次进行焊道提取,最终获得焊道点云;
步骤S4、在提取完成的焊道点云上,建立区域生长法框架,选取种子点,依据法线角度阈值和曲率阈值判断种子点邻域内点是否属于同一类别,实现对焊道表面缺陷点云的提取。
2.如权利要求1所述的基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,所述面结构光三维相机安装于工业机器人末端。
3.如权利要求1所述的基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,所述三维点云数据的预处理包括:计算体素格内所有点到体素格质心的距离,将距离最小的一个点保留下来代表该体素格内所有点。
4.如权利要求1所述的基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,所述步骤S3中,所述LMedS自适应阈值分割方法具体包括:给定概率P和最小样本数n后确定迭代次数K;
从点云数据集中随机选择子集计算平面模型参数;
计算样本点到平面模型的距离即为残差;
选择残差平方中值最小的样本集来拟合分割平面和计算阈值。
5.如权利要求4所述的基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,区域生长法提取缺陷点云的步骤具体包括:计算焊道点云的法向量和曲率作为初始label,选择曲率最小点为初始种子点;
依据种子点与邻域内点的法线角度阈值和曲率阈值判断是否属于同一类别;重复增长直至遍历完所有点。
6.如权利要求4所述的基于三维信息的成形焊缝外观缺陷提取方法,其特征在于,所述方法由工业机器人控制系统实现。
CN202311107318.5A 2023-08-30 2023-08-30 一种基于三维信息的成形焊缝外观缺陷提取方法 Pending CN117274167A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311107318.5A CN117274167A (zh) 2023-08-30 2023-08-30 一种基于三维信息的成形焊缝外观缺陷提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311107318.5A CN117274167A (zh) 2023-08-30 2023-08-30 一种基于三维信息的成形焊缝外观缺陷提取方法

Publications (1)

Publication Number Publication Date
CN117274167A true CN117274167A (zh) 2023-12-22

Family

ID=89215063

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311107318.5A Pending CN117274167A (zh) 2023-08-30 2023-08-30 一种基于三维信息的成形焊缝外观缺陷提取方法

Country Status (1)

Country Link
CN (1) CN117274167A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576094A (zh) * 2024-01-15 2024-02-20 中铁科工集团有限公司 一种3d点云智能感知焊缝位姿提取方法、系统、设备
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117576094A (zh) * 2024-01-15 2024-02-20 中铁科工集团有限公司 一种3d点云智能感知焊缝位姿提取方法、系统、设备
CN117576087A (zh) * 2024-01-15 2024-02-20 海克斯康制造智能技术(青岛)有限公司 基于点云法线的物体表面凹凸性的检测方法
CN117576094B (zh) * 2024-01-15 2024-04-19 中铁科工集团有限公司 一种3d点云智能感知焊缝位姿提取方法、系统、设备

Similar Documents

Publication Publication Date Title
CN110222626B (zh) 一种基于深度学习算法的无人驾驶场景点云目标标注方法
CN107093205B (zh) 一种基于无人机图像的三维空间建筑物窗户检测重建方法
CN106204572B (zh) 基于场景深度映射的道路目标深度估计方法
CN117274167A (zh) 一种基于三维信息的成形焊缝外观缺陷提取方法
AU2020202249A1 (en) Feature extraction from mobile lidar and imagery data
CN107622277B (zh) 一种基于贝叶斯分类器的复杂曲面缺陷分类方法
CN107481274B (zh) 一种三维作物点云的鲁棒性重构方法
CN108305260B (zh) 一种图像中角点的检测方法、装置及设备
CN103714541A (zh) 一种利用山体轮廓区域约束识别定位建筑物的方法
CN110060273B (zh) 基于深度神经网络的遥感影像滑坡测图方法
CN115797354B (zh) 用于检测激光焊接焊缝外观缺陷的方法
CN113628263A (zh) 一种基于局部曲率及其近邻特征的点云配准方法
CN109087323A (zh) 一种基于精细cad模型的图像车辆三维姿态估计方法
CN111145129A (zh) 基于超体素的点云去噪方法
CN115222884A (zh) 一种基于人工智能的空间对象分析及建模优化方法
CN111860501A (zh) 基于形状匹配的高铁高度调整杆脱出故障图像识别方法
CN108520550B (zh) 基于噪声分类与mls的点云数据泊松曲面重建方法
CN111783722B (zh) 一种激光点云的车道线提取方法和电子设备
CN113409252A (zh) 一种架空输电线路巡检机器人障碍物检测方法
CN113920254B (zh) 一种基于单目rgb的室内三维重建方法及其系统
CN115760898A (zh) 一种混合高斯域下道路抛洒物的世界坐标定位方法
CN115457130A (zh) 一种基于深度关键点回归的电动汽车充电口检测定位方法
Hetti Arachchige Automatic tree stem detection–a geometric feature based approach for MLS point clouds
CN117541786A (zh) 一种融合多源点云数据的单株植被精细化分割方法
CN115909099A (zh) 基于无人机巡检的边坡危岩识别与监测方法

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