CN117314977A - 基于机器人扫描视点规划的工艺制品三维测量方法及装置 - Google Patents
基于机器人扫描视点规划的工艺制品三维测量方法及装置 Download PDFInfo
- Publication number
- CN117314977A CN117314977A CN202311090691.4A CN202311090691A CN117314977A CN 117314977 A CN117314977 A CN 117314977A CN 202311090691 A CN202311090691 A CN 202311090691A CN 117314977 A CN117314977 A CN 117314977A
- Authority
- CN
- China
- Prior art keywords
- scanning
- model
- viewpoint
- planning
- hole
- 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
- 238000000691 measurement method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000005259 measurement Methods 0.000 claims abstract description 20
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 17
- 238000012545 processing Methods 0.000 description 11
- 239000002023 wood Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- 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
Abstract
本发明公开了一种基于机器人扫描视点规划的工艺制品三维测量方法及装置,该方法包括:获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型;将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型,能够保证扫描的完整性、精度和效率,实现工艺制品的自动化测量。
Description
技术领域
本发明涉及工艺制品三维测量领域,具体涉及一种基于机器人扫描视点规划的工艺制品三维测量方法及装置。
背景技术
通过三维测量设备获取工艺制品的三维数字化模型具有十分重要的意义,不仅便于对工艺制品进行保护、修复和复制,同时还可以进行工艺结构的分析和二次开发设计,另外其数字化模型也可用于建立数字化艺术馆,便于文明的传播与交流。
目前采用机器人三维测量的方式被广泛使用到工业检测、文创设计、以及文物保护等领域。机器人+扫描仪的三维测量方式,具有自动化程度高、灵活性强、工作空间大、可重复测量等优势,能够满足工艺制品的自动化测量。现有的机器人三维扫描大多采用人工示教的方式进行扫描视点规划,不仅劳动强度大,经验性要求高,而且难以保证扫描的质量、效率和完整性。由于缺少被测物体的几何形貌、结构尺寸等先验信息,因此针对工艺制品的自动化三维测量,如何规划出合适的机器人扫描视点并构建被测物体的数字化模型,是一项极具挑战性的任务。
发明内容
针对上述提到的技术问题。本申请的实施例的目的在于提出了一种基于机器人扫描视点规划的工艺制品三维测量方法及装置,来解决以上背景技术部分提到的技术问题,采用步进式旋转扫描和二次精细扫描的两步扫描法进行视点规划,从而保证扫描的完整性、精度和效率,实现工艺制品的自动化测量。
第一方面,本发明提供了一种基于机器人扫描视点规划的工艺制品三维测量方法,包括以下步骤:
获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型;
将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;
将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
作为优选,根据最小包围盒规划扫描视点,具体包括:
扫描仪的扫描头从最小包围盒顶部的初始扫描视点VP0开始扫描,转台旋转一圈;
扫描头移动到下一个扫描视点,转台继续旋转一圈;
重复上述步进式旋转扫描操作,直到所有扫描视点都被遍历。
作为优选,还包括:
根据下式计算得到扫描视点集其中vpi代表扫描视点VPi的位置,/>代表扫描视点VPi的扫描方向:
其中,θ为初始扫描视点VP0与结束扫描视点VPn的扫描方向与XOY平面的角度,XOY平面为被测物体所放置的底面坐标平面,l为扫描仪单次面扫描长度,d为扫描距离,H为被测物体的长度,L为被测物体的高度。
作为优选,基于扫描视点生成粗网格模型具体包括:将扫描视点导入CAM软件中进行仿真优化,生成机器人可执行程序,并进行实际扫描得到粗网格模型。
作为优选,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,具体包括:
根据在点云模型中的数据点P(x0,y0,z0)及其法线n(a,b,c)定义一个法矢平面S,其平面方程为:
a(x-x0)+b(y-y0)+c(z-z0)=0;
将数据点P的邻域点集投影到该法矢平面上得到投影点Pi',i=1,2,…,k,则投影点Pi'(xi',yi',zi')的坐标计算公式为:
在求得投影点的坐标后,随机选取一个投影点Pi'并构建向量PPi',然后按顺时针方向排序,根据顺时针方向计算出两相邻向量PPi'(xi'-x0,yi'-y0,zi'-z0)与PP'i+1(x'i+1-x0,y'i+1-y0,z'i+1-z0)之间的夹角αi:
PPi'·PP'i+1=(x'i-x0)(x'i+1-x0)+(y'i-y0)(y'i+1-y0)+(z'i-z0)(z'i+1-z0);
将夹角αi中的最大夹角αmax与阈值进行比较,若最大夹角αmax小于阈值,则数据点P为内部点,若最大夹角αmax大于阈值,则数据点P为孔洞边界特征点。
作为优选,孔洞边界特征点聚类的方法包括DBSCAN算法。
作为优选,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型,具体包括:
对每个局部孔洞进行OBB包围盒求取,然后根据OBB包围盒的中间平面大小进行扫描视点规划;
扫描视点在O-XYZ坐标系下位置坐标:
其中,O'-X'Y'Z'坐标系为基于OBB包围盒的最大中间平面构建的坐标系,为O'-X'Y'Z'坐标系Z'轴的单位向量,/>为O'-X'Y'Z'相对O-XYZ坐标系的旋转矩阵,O'O-XYZ为OBB包围盒的中心点O'在O-XYZ下的坐标,上述参数在计算OBB包围盒时可获得,vpO'-X'Y'Z'(0,0,d)为扫描视点VP在O'-X'Y'Z'坐标系下的位置坐标,d为扫描距离;
采用遗传算法确定最优扫描路径;
将每个局部孔洞的扫描视点导入CAM软件中,并根据最优扫描路径进行仿真优化,生成机器人可执行程序,并进行实际扫描得到二次精细扫描模型。
第二方面,本发明提供了一种基于机器人扫描视点规划的工艺制品三维测量装置,包括:
粗网格模型生成模块,被配置为获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型;
二次精细扫描模型生成模块,被配置为将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;
配准融合模块,被配置为将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
第三方面,本发明提供了一种电子设备,包括一个或多个处理器;存储装置,用于存储一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本发明提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
相比于现有技术,本发明具有以下有益效果:
(1)本发明提出的基于机器人扫描视点规划的工艺制品三维测量方法根据人为测量得到的被测物体的尺寸信息,通过步进式旋转扫描法对被测物体进行初步扫描获得其粗网格模型,并采用最大角度准则和DBSCAN聚类算法对粗网格模型进行孔洞边界识别与聚类,并采用OBB包围盒算法对局部孔洞区域进行二次精细扫描视点规划,得到二次精细扫描模型。
(2)本发明提出的基于机器人扫描视点规划的工艺制品三维测量方法采用遗传算法对二次精细扫描模型中的孔洞区域进行扫描路径规划。
(3)本发明提出的基于机器人扫描视点规划的工艺制品三维测量方法实现了工艺制品的一种扫描视点规划方法,避免了人工示教视点的效率低,劳动强度大,经验性要求高等劣势,该扫描视点规划方法有效的提高了扫描的质量、效率和完整性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简要介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请的一个实施例可以应用于其中的示例性装置架构图;
图2为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的流程示意图;
图3为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的流程框图;
图4为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的步进式旋转扫描视点规划的示意图;
图5为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品采用步进式旋转扫描得到的粗网格模型;
图6为本申请的实施例的空间点云投影与排序的示意图;
图7为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品的孔洞识别结果的示意图;
图8为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品的孔洞聚类结果的示意图;
图9为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的基于0BB包围盒的视点规划的示意图;
图10为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品的孔洞视点规划结果的示意图;
图11为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的通过遗传算法计算出的最优扫描路径的示意图;
图12为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品的二次精细扫描模型的示意图;
图13为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量方法的某木雕工艺制品的数字化模型的示意图;
图14为本申请的实施例的基于机器人扫描视点规划的工艺制品三维测量装置的示意图;
图15是适于用来实现本申请实施例的电子设备的计算机装置的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,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它实施例,都属于本发明保护的范围。
图1示出了可以应用本申请实施例的基于机器人扫描视点规划的工艺制品三维测量方法或基于机器人扫描视点规划的工艺制品三维测量装置的示例性装置架构100。
如图1所示,装置架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种应用,例如数据处理类应用、文件处理类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上传的文件或数据进行处理的后台数据处理服务器。后台数据处理服务器可以对获取的文件或数据进行处理,生成处理结果。
需要说明的是,本申请实施例所提供的基于机器人扫描视点规划的工艺制品三维测量方法可以由服务器105执行,也可以由终端设备101、102、103执行,相应地,基于机器人扫描视点规划的工艺制品三维测量装置可以设置于服务器105中,也可以设置于终端设备101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。在所处理的数据不需要从远程获取的情况下,上述装置架构可以不包括网络,而只需服务器或终端设备。
图2示出了本申请的实施例提供的一种基于机器人扫描视点规划的工艺制品三维测量方法,包括以下步骤:
S1,获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型。
在具体的实施例中,根据最小包围盒规划扫描视点,具体包括:
扫描仪的扫描头从最小包围盒顶部的初始扫描视点VP0开始扫描,转台旋转一圈;
扫描头移动到下一个扫描视点,转台继续旋转一圈;
重复上述步进式旋转扫描操作,直到所有扫描视点都被遍历。
在具体的实施例中,还包括:
根据下式计算得到扫描视点集其中vpi代表扫描视点VPi的位置,/>代表扫描视点VPi的扫描方向:
其中,θ为所述初始扫描视点VP0与结束扫描视点VPn的扫描方向与XOY平面的角度,XOY平面为被测物体所放置的底面坐标平面,l为扫描仪单次面扫描长度,d为扫描距离,H为被测物体的长度,L为被测物体的高度。
在具体的实施例中,基于扫描视点生成粗网格模型具体包括:将扫描视点导入CAM软件中进行仿真优化,生成机器人可执行程序,并进行实际扫描得到粗网格模型。
具体的,参考图3,根据被测物体的尺寸信息,采用步进式旋转扫描获得被测物体的粗网格模型。尺寸信息包括长度L、宽度W和高度H。具体的,首先根据人工测量获得的被测物体的尺寸信息,可获得其最小包围盒。然后根据最小包围盒规划扫描视点:扫描仪从最小包围盒顶部的初始扫描视点VP0开始,转台旋转一圈,然后扫描头移动到下一个扫描视点,转台继续旋转一圈,重复上述操作,直到所视点都被遍历,如图4所示。由于扫描系统自身的局限性以及为了后续方便对扫描出的数字化模型进行数据处理,将初始视点VP0与结束视点VPn的扫描方向设为与XOY平面成30°,则有:
直接利用扫描仪配套的软件处理扫描数据,得到被测物体的粗网格模型。
本申请的实施例以图4中某木雕工艺制品作为示例,对某木雕工艺制品采用步进式旋转扫描进行视点规划,并将规划好的扫描视点导入到CAM软件中进行仿真优化,然后生成机器人可执行程序,进行实际扫描得到其粗网格模型如图5所示。
S2,将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型。
在具体的实施例中,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,具体包括:
根据在点云模型中的数据点P(x0,y0,z0)及其法线n(a,b,c)定义一个法矢平面S,其平面方程为:
a(x-x0)+b(y-y0)+c(z-z0)=0;
将数据点P的邻域点集投影到该法矢平面上得到投影点Pi',i=1,2,…,k,则投影点Pi'(xi',yi',zi')的坐标计算公式为:
在求得投影点的坐标后,随机选取一个投影点Pi'并构建向量PPi',然后按顺时针方向排序,根据顺时针方向计算出两相邻向量PPi'(xi'-x0,yi'-y0,zi'-z0)与PP'i+1(x'i+1-x0,y'i+1-y0,z'i+1-z0)之间的夹角αi:
PPi'·PP'i+1=(x'i-x0)(x'i+1-x0)+(y'i-y0)(y'i+1-y0)+(z'i-z0)(z'i+1-z0);
将夹角αi中的最大夹角αmax与阈值进行比较,若最大夹角αmax小于阈值,则数据点P为内部点,若最大夹角αmax大于阈值,则数据点P为孔洞边界特征点。
具体的,借助扫描仪配套的软件将被测物体的粗网格模型离散为点云模型;对点云模型采用最大角度准则进行孔洞识别,在识别过程中,阈值的大小通常是根据点云数据的空间复杂度和分布密度而定,本申请的实施例通过对测试发现,当阈值设为能较好的识别出孔洞边界特征点。对某木雕工艺制品的点云模型进行孔洞识别结果如图7所示。
在具体的实施例中,孔洞边界特征点聚类的方法包括DBSCAN算法。
具体的,由于识别出的孔洞边界特征点集合包含了点云模型的所有的孔洞边界特征点,因此需要对识别出的孔洞边界特征点进行聚类,以便确定点云模型的孔洞数量和单个孔洞边界特征点集。考虑到孔洞边界特征点集合具有数据量小,密度变化明显的特点,而DBSCAN算法是一种比较有代表性的基于密度聚类的算法,通过邻域反映空间中数据点集的密集性,在聚类前是不需要一个预设定的聚类数量,且在聚类时,能将异常点识别为噪声,此外它还能很好找到任意大小和任意形状的聚类。因此,采用DBSCAN聚类算法对某木雕工艺制品的孔洞边界特征点实现聚类,结果如图8所示。
在具体的实施例中,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型,具体包括:
对每个局部孔洞进行OBB包围盒求取,然后根据OBB包围盒的中间平面大小进行扫描视点规划;
扫描视点在O-XYZ坐标系下位置坐标:
其中,O'-X'Y'Z'坐标系为基于OBB包围盒的最大中间平面构建的坐标系,为O'-X'Y'Z'坐标系Z'轴的单位向量,/>为O'-X'Y'Z'相对O-XYZ坐标系的旋转矩阵,O'O-XYZ为OBB包围盒的中心点O'在O-XYZ下的坐标,上述参数在计算OBB包围盒时可获得,vpO'-X'Y'Z'(0,0,d)为扫描视点VP在O'-X'Y'Z'坐标系下的位置坐标,d为扫描距离;
采用遗传算法确定最优扫描路径;
将每个局部孔洞的扫描视点导入CAM软件中,并根据最优扫描路径进行仿真优化,生成机器人可执行程序,并进行实际扫描得到二次精细扫描模型。
具体的,对每个局部孔洞进行OBB包围盒求取,然后根据OBB包围盒的中间平面大小进行扫描视点规划,如图9所示。为了提高二次精细扫描的效率,采用遗传算法确定最优扫描路径,某木雕点云模型进行扫描视点规划结果如图10所示,最优扫描路径如图11所示。将木雕的点云模型规划好的扫描视点导入到CAM软件中,并根据最优扫描路径进行仿真和优化,避免扫描过程中出现碰撞,然后生成机器人可执行程序,进行实际扫描,其扫描结果如图12所示。
S3,将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
具体的,通过扫描仪配套软件将粗网格模型与二次精细扫描模型进行点云配准与融合,得到被测物体最终的数字化模型。对某木雕工艺品的粗模型与二次精细扫描模型进行配准,融合后的结果如图13所示。
以上步骤S1-S3并不代表步骤之间的顺序,仅为步骤符号表示。
进一步参考图14,作为对上述各图所示方法的实现,本申请提供了一种基于机器人扫描视点规划的工艺制品三维测量装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
本申请实施例提供了一种基于机器人扫描视点规划的工艺制品三维测量装置,包括:
粗网格模型生成模块1,被配置为获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型;
二次精细扫描模型生成模块2,被配置为将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;
配准融合模块3,被配置为将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
下面参考图15,其示出了适于用来实现本申请实施例的电子设备(例如图1所示的服务器或终端设备)的计算机装置1500的结构示意图。图15示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图15所示,计算机装置1500包括中央处理单元(CPU)1501和图形处理器(GPU)1502,其可以根据存储在只读存储器(ROM)1503中的程序或者从存储部分1509加载到随机访问存储器(RAM)1504中的程序而执行各种适当的动作和处理。在RAM 1504中,还存储有装置1500操作所需的各种程序和数据。CPU 1501、GPU1502、ROM 1503以及RAM 1504通过总线1505彼此相连。输入/输出(I/O)接口1506也连接至总线1505。
以下部件连接至I/O接口1506:包括键盘、鼠标等的输入部分1507;包括诸如、液晶显示器(LCD)等以及扬声器等的输出部分1508;包括硬盘等的存储部分1509;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1510。通信部分1510经由诸如因特网的网络执行通信处理。驱动器1511也可以根据需要连接至I/O接口1506。可拆卸介质1512,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1511上,以便于从其上读出的计算机程序根据需要被安装入存储部分1509。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1510从网络上被下载和安装,和/或从可拆卸介质1512被安装。在该计算机程序被中央处理单元(CPU)1501和图形处理器(GPU)1502执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的装置、装置或器件,或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本申请中,计算机可读介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行装置、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行装置、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,也可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本申请各种实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,该模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取被测物体的尺寸信息,根据尺寸信息确定最小包围盒,根据最小包围盒规划扫描视点,基于扫描视点生成粗网格模型;将粗网格模型离散为点云模型,对点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对孔洞边界特征点进行聚类,确定点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;将粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,包括以下步骤:
获取被测物体的尺寸信息,根据所述尺寸信息确定最小包围盒,根据所述最小包围盒规划扫描视点,基于所述扫描视点生成粗网格模型;
将所述粗网格模型离散为点云模型,对所述点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对所述孔洞边界特征点进行聚类,确定所述点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;
将所述粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
2.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,所述根据所述最小包围盒规划扫描视点,具体包括:
扫描仪的扫描头从所述最小包围盒顶部的初始扫描视点VP0开始扫描,转台旋转一圈;
扫描头移动到下一个扫描视点,转台继续旋转一圈;
重复上述步进式旋转扫描操作,直到所有扫描视点都被遍历。
3.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,还包括:
根据下式计算得到扫描视点集其中vpi代表扫描视点VPi的位置,/>代表扫描视点VPi的扫描方向:
n=k+2;/>
VP0:
VPn:
VPi:
其中,θ为所述初始扫描视点VP0与结束扫描视点VPn的扫描方向与XOY平面的角度,XOY平面为被测物体所放置的底面坐标平面,l为扫描仪单次面扫描长度,d为扫描距离,H为被测物体的长度,L为被测物体的高度。
4.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,所述基于所述扫描视点生成粗网格模型具体包括:将所述扫描视点导入CAM软件中进行仿真优化,生成机器人可执行程序,并进行实际扫描得到所述粗网格模型。
5.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,所述对所述点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,具体包括:
根据在所述点云模型中的数据点P(x0,y0,z0)及其法线n(a,b,c)定义一个法矢平面S,其平面方程为:
a(x-x0)+b(y-y0)+c(z-z0)=0;
将数据点P的邻域点集投影到该法矢平面上得到投影点Pi',i=1,2,…,k,则所述投影点Pi'(xi',yi',zi')的坐标计算公式为:
在求得所述投影点的坐标后,随机选取一个投影点Pi'并构建向量PPi',然后按顺时针方向排序,根据顺时针方向计算出两相邻向量PPi'(xi'-x0,yi'-y0,zi'-z0)与PP'i+1(x'i+1-x0,y'i+1-y0,z'i+1-z0)之间的夹角αi:
PPi'·PP'i+1=(x'i-x0)(x'i+1-x0)+(y'i-y0)(y'i+1-y0)+(z'i-z0)(z'i+1-z0);
将所述夹角αi中的最大夹角αmax与阈值进行比较,若最大夹角αmax小于阈值,则所述数据点P为内部点,若最大夹角αmax大于阈值,则所述数据点P为孔洞边界特征点。
6.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,所述孔洞边界特征点聚类的方法包括DBSCAN算法。
7.根据权利要求1所述的基于机器人扫描视点规划的工艺制品三维测量方法,其特征在于,所述对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型,具体包括:
对每个局部孔洞进行OBB包围盒求取,然后根据OBB包围盒的中间平面大小进行扫描视点规划;
扫描视点在O-XYZ坐标系下位置坐标:
其中,O'-X'Y'Z'坐标系为基于OBB包围盒的最大中间平面构建的坐标系,为O'-X'Y'Z'坐标系Z'轴的单位向量,/>为O'-X'Y'Z'相对O-XYZ坐标系的旋转矩阵,O'O-XYZ为OBB包围盒的中心点O'在O-XYZ下的坐标,上述参数在计算所述OBB包围盒时可获得,vpO'-X'Y'Z'(0,0,d)为扫描视点VP在O'-X'Y'Z'坐标系下的位置坐标,d为扫描距离;
采用遗传算法确定最优扫描路径;
将每个局部孔洞的扫描视点导入CAM软件中,并根据所述最优扫描路径进行仿真优化,生成机器人可执行程序,并进行实际扫描得到所述二次精细扫描模型。
8.一种基于机器人扫描视点规划的工艺制品三维测量装置,其特征在于,包括:
粗网格模型生成模块,被配置为获取被测物体的尺寸信息,根据所述尺寸信息确定最小包围盒,根据所述最小包围盒规划扫描视点,基于所述扫描视点生成粗网格模型;
二次精细扫描模型生成模块,被配置为将所述粗网格模型离散为点云模型,对所述点云模型采用最大角度准则进行孔洞识别,得到孔洞边界特征点,对所述孔洞边界特征点进行聚类,确定所述点云模型中的每个局部孔洞,对每个局部孔洞进行二次精细扫描,生成二次精细扫描模型;
配准融合模块,被配置为将所述粗网格模型和二次精细扫描模型进行点云配准与融合,得到被测物体的数字化模型。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090691.4A CN117314977A (zh) | 2023-08-28 | 2023-08-28 | 基于机器人扫描视点规划的工艺制品三维测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311090691.4A CN117314977A (zh) | 2023-08-28 | 2023-08-28 | 基于机器人扫描视点规划的工艺制品三维测量方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117314977A true CN117314977A (zh) | 2023-12-29 |
Family
ID=89254411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311090691.4A Pending CN117314977A (zh) | 2023-08-28 | 2023-08-28 | 基于机器人扫描视点规划的工艺制品三维测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314977A (zh) |
-
2023
- 2023-08-28 CN CN202311090691.4A patent/CN117314977A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6830139B2 (ja) | 3次元データの生成方法、3次元データの生成装置、コンピュータ機器及びコンピュータ読み取り可能な記憶媒体 | |
KR102125959B1 (ko) | 포인트 클라우드 데이터 사이의 매칭 관계를 확정하는 방법 및 장치 | |
CN106407947B (zh) | 用于无人驾驶车辆的目标物体识别方法和装置 | |
CN108732582B (zh) | 车辆定位方法和装置 | |
TWI566204B (zh) | 三維物件識別技術 | |
US20190205665A1 (en) | Method, apparatus, and device for determining lane line on road | |
CN110176078B (zh) | 一种训练集数据的标注方法及装置 | |
Fu et al. | Efficient volumetric polycube‐map construction | |
WO2021052283A1 (zh) | 处理三维点云数据的方法和计算设备 | |
US20160117795A1 (en) | Point cloud data processing system and method thereof and computer readable storage medium | |
CN113238578B (zh) | 一种电力杆塔无人机巡检路线规划方法及系统 | |
CN113393514B (zh) | 一种三维无序点云数据处理方法、系统及设备 | |
TW201616449A (zh) | 點雲網格精細化系統及方法 | |
US20220414910A1 (en) | Scene contour recognition method and apparatus, computer-readable medium, and electronic device | |
Qiu et al. | Scan planning for existing buildings without BIM based on user-defined data quality requirements and genetic algorithm | |
CN112102375B (zh) | 一种点云配准可靠性检测的方法、装置、移动智慧设备 | |
CN109949414A (zh) | 室内地图的构建方法及装置 | |
Kang et al. | Primitive fitting based on the efficient multibaysac algorithm | |
CN114861500A (zh) | 基于三维点云自动生成隧道结构有限元模型的方法及系统 | |
JP2021060199A (ja) | 鉄筋推定システム、鉄筋推定方法及び鉄筋推定プログラム | |
CN114581871A (zh) | 一种目标物体的检测方法和装置 | |
Rougeron et al. | Optimal positioning of terrestrial LiDAR scanner stations in complex 3D environments with a multiobjective optimization method based on GPU simulations | |
EP3425593A1 (en) | Highly parallelizable algorithm for detecting intersections of shapes | |
Elkhrachy | Feature extraction of laser scan data based on geometric properties | |
CN117314977A (zh) | 基于机器人扫描视点规划的工艺制品三维测量方法及装置 |
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 |