CN117408999B - 一种利用点云补全自动检测容器和管道腐蚀坑的方法 - Google Patents

一种利用点云补全自动检测容器和管道腐蚀坑的方法 Download PDF

Info

Publication number
CN117408999B
CN117408999B CN202311710455.8A CN202311710455A CN117408999B CN 117408999 B CN117408999 B CN 117408999B CN 202311710455 A CN202311710455 A CN 202311710455A CN 117408999 B CN117408999 B CN 117408999B
Authority
CN
China
Prior art keywords
point cloud
container
pipeline
cloud data
complement
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
CN202311710455.8A
Other languages
English (en)
Other versions
CN117408999A (zh
Inventor
宋文华
程新华
刘志波
赵越
冷海风
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.)
Angli Chengdu Instrument Equipment Co ltd
Original Assignee
Angli Chengdu Instrument 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 Angli Chengdu Instrument Equipment Co ltd filed Critical Angli Chengdu Instrument Equipment Co ltd
Priority to CN202311710455.8A priority Critical patent/CN117408999B/zh
Publication of CN117408999A publication Critical patent/CN117408999A/zh
Application granted granted Critical
Publication of CN117408999B publication Critical patent/CN117408999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种利用点云补全自动检测容器和管道腐蚀坑的方法，不仅可以直接检测腐蚀坑的位置，还可以直接的通过简单的运算来直接计算出腐蚀坑的长、宽、高；且在非规则形状的缺陷长宽高的分析中，利用深度学习模型可以记忆复杂形状，改变传统方法对复杂情况分析很复杂的不足之处，包括下述步骤：1）采集数据，训练点云补全模型；2）利用点云补全模型找到腐蚀坑，并计算其尺寸。

Description

一种利用点云补全自动检测容器和管道腐蚀坑的方法
技术领域
本发明涉及检测技术领域，具体的说，是一种利用点云补全自动检测容器和管道腐蚀坑的方法。
背景技术
根据特种设备安全技术规范中的要求，压力容器和管道在长期使用后，会出现腐蚀表面、凹坑现象，需要定期的对压力容器和管道进行检测，并根据技术规范中的规格计算腐蚀是否允许存在，若不允许存在则压力容器和管道应报废处理。
一般来说腐蚀坑都是采用人工手动测量的方式测量，随着技术的发展，基于深度学习技术进行腐蚀坑分析检测也逐步发展，现有一般凹坑、腐蚀坑、或缺陷检测在利用深度学习模型检测中，都只能做到对目标区域的位置进行检测，在检测出对应位置后，再通过传统算法分析计算出腐蚀坑或缺陷的具体长、宽、高。
发明内容
本发明的目的在于提供一种利用点云补全自动检测容器和管道腐蚀坑的方法，不仅可以直接检测腐蚀坑的位置，还可以直接的通过简单的运算来直接计算出腐蚀坑的长、宽、高；且在非规则形状的缺陷长宽高的分析中，利用深度学习模型可以记忆复杂形状，改变传统方法对复杂情况分析很复杂的不足之处。
本发明通过下述技术方案实现：一种利用点云补全自动检测容器和管道腐蚀坑的方法，包括下述步骤：
1）采集数据，训练点云补全模型；
2）利用点云补全模型找到腐蚀坑，并计算其尺寸。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤1）包括下述步骤：
1.1）收集常见无缺陷的容器和管道表面点云数据；根据特种设备安全技术规范中的精度要求，其中，所采集的点云数据的分辨率应高于0.1mm，并且数量上要求每个容器和管道的待分析位置至少有1个点云数据；
1.2）采用PF-Net构建点云补全模型；PF-Net其优势不像其他点云补全模型是通过移动点的位置来补全点云，PF-Net是通过输入有局部缺失的点云数据，其可以自动的补全缺失部分点云数据。
1.3）随机的将采集的无缺陷的容器和管道表面点云数据的局部区域进行删除而后作为点云补全模型的输入，不断的训练，让点云补全模型来补全点云至未删除状态的无缺陷的容器和管道表面点云；其中，无缺陷的容器和管道表面点云中label（标签数据）为原点云数据。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：在不断的训练过程中，采用下述方法对点云数据进行数据增广：
（1）利用百分之五十的点云距离变换；
（2）翻转变换；
（3）30°范围的角度随机旋转变换；并且同时的对输入和label数据做相同的变换（因为输入的点云要和预测的点云一致）。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤2）包括下述步骤：
2.1）利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据；
2.2）将得到的容器和管道表面点云数据的中心区域以百分之五十的比例进行删除，得到删除中心区域的点云数据；
2.3）将删除中心区域的点云数据输入给点云补全模型，点云补全模型输出补全的点云数据；这个补全的点云数据其特点是形状和理想的容器和管道表面点云数据一样，且位置和原点云完全吻合。
2.4）将有缺陷或有腐蚀坑的容器和管道表面点云数据和补全的点云数据分别转换成深度图像；
2.5）将两种深度图像做差，即可以得到异常高度的区域；
2.6）利用阈值过滤掉异常高度的区域中高度差值小的区域，最后即可以得到连续的异常高度区域；
2.7）利用步骤2.6）的结果即可得到腐蚀坑或缺陷的长、宽、深。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤2.7）包括下述步骤：
2.7.1）opencv的findContous函数，将连续的异常高度区域用矩形框起来，并给出矩形的四个角的坐标；
2.7.2）利用findContous函数找到多个连续的异常高度区域的四个角，求取每个异常高度区域的面积，删除面积小于阈值的异常高度区域后，根据矩形的四个角的坐标，可以得到腐蚀坑的长和宽；
2.7.3）对每个腐蚀坑做掩膜操作，删除掉除了腐蚀坑区域的其他区域高度值，再取最大值，得到腐蚀坑最大深度。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据时，将缺陷或腐蚀坑处于扫描区的中心位置。
进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述补全的点云数据形状和理想的容器和管道表面点云数据（即无缺陷的容器和管道表面点云数据）一样，且位置和原点云完全吻合；其中，理想的容器和管道表面点云数据为容器或管道刚出厂时利用三维扫描其表面得到的点云数据。
本发明与现有技术相比，具有以下优点及有益效果：
本发明不仅可以直接检测腐蚀坑的位置，还可以直接的通过简单的运算来直接计算出腐蚀坑的长、宽、高；且在非规则形状的缺陷长宽高的分析中，利用深度学习模型可以记忆复杂形状，改变传统方法对复杂情况分析很复杂的不足之处。
本发明使用基于三维点云的方法自动识别分析管道上的腐蚀坑，自动判断腐蚀坑是否符合要求。
本发明能够提高工人工作效率、提高检测精度。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式不限于此。
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式，对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
实施例1：
一种利用点云补全自动检测容器和管道腐蚀坑的方法，不仅可以直接检测腐蚀坑的位置，还可以直接的通过简单的运算来直接计算出腐蚀坑的长、宽、高；且在非规则形状的缺陷长宽高的分析中，利用深度学习模型可以记忆复杂形状，改变传统方法对复杂情况分析很复杂的不足之处，包括下述步骤：
1）采集数据，训练点云补全模型；
2）利用点云补全模型找到腐蚀坑，并计算其尺寸。
实施例2：
本实施例是在上述实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤1）包括下述步骤：
1.1）收集常见无缺陷的容器和管道表面点云数据；根据特种设备安全技术规范中的精度要求，其中，所采集的点云数据的分辨率应高于0.1mm，并且数量上要求每个容器和管道的待分析位置至少有1个点云数据；
1.2）采用PF-Net构建点云补全模型；PF-Net其优势不像其他点云补全模型是通过移动点的位置来补全点云，PF-Net是通过输入有局部缺失的点云数据，其可以自动的补全缺失部分点云数据。
1.3）随机的将采集的无缺陷的容器和管道表面点云数据的局部区域进行删除而后作为点云补全模型的输入，不断的训练，让点云补全模型来补全点云至未删除状态的无缺陷的容器和管道表面点云；其中，无缺陷的容器和管道表面点云中label（标签数据）为原点云数据。
实施例3：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：在不断的训练过程中，采用下述方法对点云数据进行数据增广：
（1）利用百分之五十的点云距离变换；
（2）翻转变换；
（3）30°范围的角度随机旋转变换；并且同时的对输入和label数据做相同的变换（因为输入的点云要和预测的点云一致）。
实施例4：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤2）包括下述步骤：
2.1）利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据；
2.2）将得到的容器和管道表面点云数据的中心区域以百分之五十的比例进行删除，得到删除中心区域的点云数据；
2.3）将删除中心区域的点云数据输入给点云补全模型，点云补全模型输出补全的点云数据；这个补全的点云其特点是形状和理想的容器和管道表面点云数据一样，且位置和原点云完全吻合。
2.4）将有缺陷或有腐蚀坑的容器和管道表面点云数据和补全的点云数据分别转换成深度图像；
2.5）将两种深度图像做差，即可以得到异常高度的区域；
2.6）利用阈值过滤掉异常高度的区域中高度差值小的区域，最后即可以得到连续的异常高度区域；
2.7）利用步骤2.6）的结果即可得到腐蚀坑或缺陷的长、宽、深。
实施例5：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述步骤2.7）包括下述步骤：
2.7.1）opencv的findContous函数，将连续的异常高度区域用矩形框起来，并给出矩形的四个角的坐标；
2.7.2）利用findContous函数找到多个连续的异常高度区域的四个角，求取每个异常高度区域的面积，删除面积小于阈值的异常高度区域后，根据矩形的四个角的坐标，可以得到腐蚀坑的长和宽；
2.7.3）对每个腐蚀坑做掩膜操作，删除掉除了腐蚀坑区域的其他区域高度值，再取最大值，得到腐蚀坑最大深度。
实施例6：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据时，将缺陷或腐蚀坑处于扫描区的中心位置。
实施例7：
本实施例是在上述任一实施例的基础上进一步优化，与前述技术方案相同之处在此不再赘述，进一步为更好地实现本发明所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，特别采用下述设置方式：所述补全的点云数据形状和理想的容器和管道表面点云数据（即无缺陷的容器和管道表面点云数据）一样，且位置和原点云完全吻合；其中，理想的容器和管道表面点云数据为容器或管道刚出厂时利用三维扫描其表面得到的点云数据。
实施例8：
一种利用点云补全自动检测容器和管道腐蚀坑的方法，包括下述步骤：
1）收集常见无缺陷的容器和管道表面点云数据；根据特种设备安全技术规范中的精度要求，其中，所采集的点云数据的分辨率应高于0.1mm，并且数量上要求每个容器和管道的待分析位置至少有1个点云数据。
2）采用PF-Net构建点云补全模型；PF-Net其优势不像其他点云补全模型是通过移动点的位置来补全点云，PF-Net是通过输入有局部缺失的点云数据，其可以自动的补全缺失部分点云数据。
3）随机的将采集的无缺陷的容器和管道表面点云数据的局部区域进行删除而后作为点云补全模型的输入，不断的训练，让点云补全模型来补全点云至未删除状态的无缺陷的容器和管道表面点云；其中，无缺陷的容器和管道表面点云中label（标签数据）为原点云数据。
在不断的训练过程中，采用下述方法对点云数据进行数据增广：
（1）利用百分之五十的点云距离变换；
（2）翻转变换；
（3）30°范围的角度随机旋转变换；并且同时的对输入和label数据做相同的变换（因为输入的点云要和预测的点云一致）。
4）利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据，并且尽量使缺陷或腐蚀坑处于扫描区的中心位置。
5）将得到的容器和管道表面点云数据的中心区域以百分之五十的比例进行删除，得到删除中心区域的点云数据。
6）将删除中心区域的点云数据输入给训练好的点云补全模型，点云补全模型输出补全的点云数据；这个补全的点云数据其特点是形状和理想的容器和管道表面点云数据一样，且位置和原点云完全吻合。
7）将有缺陷或有腐蚀坑的容器和管道表面点云数据和补全的点云数据分别转换成深度图像。
8）将两种深度图像做差，即可以得到异常高度的区域。
9）利用阈值过滤掉异常高度的区域中高度差值小的区域，最后即可以得到连续的异常高度区域。
10）利用步骤19）的结果即可得到腐蚀坑或缺陷的长、宽、深；具体为：
10.1）opencv的findContous函数，将连续的异常高度区域用矩形框起来，并给出矩形的四个角的坐标；
10.2）利用findContous函数找到多个连续的异常高度区域的四个角，求取每个异常高度区域的面积，删除面积小于阈值的异常高度区域后，根据矩形的四个角的坐标，可以得到腐蚀坑的长和宽；
10.3）对每个腐蚀坑做掩膜操作，删除掉除了腐蚀坑区域的其他区域高度值，再取最大值，得到腐蚀坑最大深度。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

Claims (5)

1.一种利用点云补全自动检测容器和管道腐蚀坑的方法，其特征在于：包括下述步骤：
1）采集数据，训练点云补全模型，包括下述步骤：
1.1）收集常见无缺陷的容器和管道表面点云数据；其中，所采集的点云数据的分辨率高于0.1mm，并且每个容器和管道的待分析位置至少有1个点云数据；
1.2）采用PF-Net构建点云补全模型；
1.3）随机的将采集的无缺陷的容器和管道表面点云数据的局部区域进行删除而后作为点云补全模型的输入，不断的训练，让点云补全模型来补全点云至未删除状态的无缺陷的容器和管道表面点云；其中，无缺陷的容器和管道表面点云中label为原点云数据；
2）利用点云补全模型找到腐蚀坑，并计算其尺寸，包括下述步骤：
2.1）利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据；
2.2）将得到的容器和管道表面点云数据的中心区域以百分之五十的比例进行删除，得到删除中心区域的点云数据；
2.3）将删除中心区域的点云数据输入给点云补全模型，点云补全模型输出补全的点云数据；
2.4）将有缺陷或有腐蚀坑的容器和管道表面点云数据和补全的点云数据分别转换成深度图像；
2.5）将两种深度图像做差，得到异常高度的区域；
2.6）利用阈值过滤掉异常高度的区域中高度差值小的区域，得到连续的异常高度区域；
2.7）利用步骤2.6）的结果得到腐蚀坑或缺陷的长、宽、深。
2.根据权利要求1所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，其特征在于：在不断的训练过程中，采用下述方法对点云数据进行数据增广：
（1）利用百分之五十的点云距离变换；
（2）翻转变换；
（3）30°范围的角度随机旋转变换；并且同时的对输入和label数据做相同的变换。
3.根据权利要求1所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，其特征在于：所述步骤2.7）包括下述步骤：
2.7.1）opencv的findContous函数，将连续的异常高度区域用矩形框起来，并给出矩形的四个角的坐标；
2.7.2）利用findContous函数找到多个连续的异常高度区域的四个角，求取每个异常高度区域的面积，删除面积小于阈值的异常高度区域后，根据矩形的四个角的坐标，可以得到腐蚀坑的长和宽；
2.7.3）对每个腐蚀坑做掩膜操作，删除掉除了腐蚀坑区域的其他区域高度值，再取最大值，得到腐蚀坑最大深度。
4.根据权利要求1所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，其特征在于：利用线激光扫描有缺陷或有腐蚀坑的容器和管道表面点云数据时，将缺陷或腐蚀坑处于扫描区的中心位置。
5.根据权利要求1所述的一种利用点云补全自动检测容器和管道腐蚀坑的方法，其特征在于：所述补全的点云数据形状和理想的容器和管道表面点云数据一样，且位置和原点云完全吻合；其中，理想的容器和管道表面点云数据为容器或管道刚出厂时利用三维扫描其表面得到的点云数据。
CN202311710455.8A 2023-12-13 2023-12-13 一种利用点云补全自动检测容器和管道腐蚀坑的方法 Active CN117408999B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311710455.8A CN117408999B (zh) 2023-12-13 2023-12-13 一种利用点云补全自动检测容器和管道腐蚀坑的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311710455.8A CN117408999B (zh) 2023-12-13 2023-12-13 一种利用点云补全自动检测容器和管道腐蚀坑的方法

Publications (2)

Publication Number Publication Date
CN117408999A CN117408999A (zh) 2024-01-16
CN117408999B true CN117408999B (zh) 2024-02-20

Family

ID=89489331

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311710455.8A Active CN117408999B (zh) 2023-12-13 2023-12-13 一种利用点云补全自动检测容器和管道腐蚀坑的方法

Country Status (1)

Country Link
CN (1) CN117408999B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201712922D0 (en) * 2017-08-11 2017-09-27 Canon Kk Method and corresponding device for generating a point cloud representing a 3D object
CN208026159U (zh) * 2017-12-26 2018-10-30 刘文宝 一种用于测量输油管道腐蚀坑的器具
CN114491697A (zh) * 2022-01-28 2022-05-13 西北农林科技大学 一种基于深度学习的树木点云补全方法
CN115330734A (zh) * 2022-08-18 2022-11-11 南京邮电大学 一种基于三维目标检测和点云缺陷补全的自动化机器人补焊系统
CN115393745A (zh) * 2022-08-24 2022-11-25 东南大学 一种基于无人机与深度学习的桥梁形象进度自动识别方法
CN115719407A (zh) * 2023-01-05 2023-02-28 安徽大学 一种面向大规模航拍图像的分布式多视图立体重建方法
CN115937217A (zh) * 2023-03-09 2023-04-07 安格利(成都)仪器设备有限公司 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法
CN115953410A (zh) * 2023-03-15 2023-04-11 安格利(成都)仪器设备有限公司 一种基于目标检测无监督学习的腐蚀坑自动检测方法
CN115953400A (zh) * 2023-03-13 2023-04-11 安格利(成都)仪器设备有限公司 基于三维点云物体表面的腐蚀坑自动检测方法
WO2023082415A1 (zh) * 2021-11-15 2023-05-19 深圳先进技术研究院 一种点云补全方法和装置
CN116152066A (zh) * 2023-02-14 2023-05-23 苏州赫芯科技有限公司 一种元件完整形貌的点云检测方法、系统、设备及介质
CN116503836A (zh) * 2023-04-24 2023-07-28 同济大学 一种基于深度补全和图像分割的3d目标检测方法
WO2023193401A1 (zh) * 2022-04-06 2023-10-12 合众新能源汽车股份有限公司 点云检测模型训练方法、装置、电子设备及存储介质
CN117011280A (zh) * 2023-08-24 2023-11-07 华东交通大学 基于点云分割的3d打印混凝土墙质量监测方法及系统

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201712922D0 (en) * 2017-08-11 2017-09-27 Canon Kk Method and corresponding device for generating a point cloud representing a 3D object
CN208026159U (zh) * 2017-12-26 2018-10-30 刘文宝 一种用于测量输油管道腐蚀坑的器具
WO2023082415A1 (zh) * 2021-11-15 2023-05-19 深圳先进技术研究院 一种点云补全方法和装置
CN114491697A (zh) * 2022-01-28 2022-05-13 西北农林科技大学 一种基于深度学习的树木点云补全方法
WO2023193401A1 (zh) * 2022-04-06 2023-10-12 合众新能源汽车股份有限公司 点云检测模型训练方法、装置、电子设备及存储介质
CN115330734A (zh) * 2022-08-18 2022-11-11 南京邮电大学 一种基于三维目标检测和点云缺陷补全的自动化机器人补焊系统
CN115393745A (zh) * 2022-08-24 2022-11-25 东南大学 一种基于无人机与深度学习的桥梁形象进度自动识别方法
CN115719407A (zh) * 2023-01-05 2023-02-28 安徽大学 一种面向大规模航拍图像的分布式多视图立体重建方法
CN116152066A (zh) * 2023-02-14 2023-05-23 苏州赫芯科技有限公司 一种元件完整形貌的点云检测方法、系统、设备及介质
CN115937217A (zh) * 2023-03-09 2023-04-07 安格利(成都)仪器设备有限公司 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法
CN115953400A (zh) * 2023-03-13 2023-04-11 安格利(成都)仪器设备有限公司 基于三维点云物体表面的腐蚀坑自动检测方法
CN115953410A (zh) * 2023-03-15 2023-04-11 安格利(成都)仪器设备有限公司 一种基于目标检测无监督学习的腐蚀坑自动检测方法
CN116503836A (zh) * 2023-04-24 2023-07-28 同济大学 一种基于深度补全和图像分割的3d目标检测方法
CN117011280A (zh) * 2023-08-24 2023-11-07 华东交通大学 基于点云分割的3d打印混凝土墙质量监测方法及系统

Also Published As

Publication number Publication date
CN117408999A (zh) 2024-01-16

Similar Documents

Publication Publication Date Title
CN1869667B (zh) 一种检测印刷电路板缺陷的轮廓分析方法
CN111537517B (zh) 一种无人智能化冲压缺陷识别方法
CN109544533B (zh) 一种基于深度学习的金属板缺陷检测和度量方法
CN110503638B (zh) 螺旋胶质量在线检测方法
CN103955927B (zh) 一种基于激光视觉的角焊缝自动跟踪方法
CN110751604A (zh) 一种基于机器视觉的钢管焊缝缺陷在线检测方法
CN114354639B (zh) 一种基于3d点云的焊缝缺陷实时检测方法及系统
CN111931647B (zh) 钢结构表面锈坑识别、提取与评价设备、方法及存储介质
CN111103291A (zh) 基于产品焊缝特征的图像识别与质量智能评价系统
CN110186375A (zh) 智能化高铁白车身焊接装配特征检测装置及检测方法
CN109118476B (zh) 一种零部件边缘轮廓完整性检测方法及装置
CN104156913A (zh) 金属圆柱工件表观缺陷自动光学检测方法
CN115597494B (zh) 一种基于点云的预制构件预留孔的精度检测方法、系统
CN117890389B (zh) 精烧制品表面质量在线检测方法、设备及其存储介质
CN117649404A (zh) 一种基于图像数据分析的药品包装盒质量检测方法及系统
CN116740060B (zh) 基于点云几何特征提取的装配式预制构件尺寸检测方法
CN117408999B (zh) 一种利用点云补全自动检测容器和管道腐蚀坑的方法
CN114113115A (zh) 一种大口径元件表面微缺陷高精度自动定位方法
CN114581368A (zh) 一种基于双目视觉的棒材焊牌方法及装置
CN115937217B (zh) 一种利用3d卷积和相关性算子来自动检测腐蚀坑的方法
CN108645865A (zh) 一种基于ccd的埋弧焊钢管焊缝焊偏量参数的测量方法
CN102749884B (zh) 陶瓷天线罩光透射扫描检测控制方法
CN115290656A (zh) 一种基于线结构光的焊缝表面缺陷检测与分类方法
Klingajay et al. Real-time laser monitoring based on pipe detective operation
Zhou et al. Weld Bead Width and Height Measurement Using RANSAC

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