CN117456131A - 缺陷场景下点云的降采样方法及装置 - Google Patents
缺陷场景下点云的降采样方法及装置 Download PDFInfo
- Publication number
- CN117456131A CN117456131A CN202311808186.9A CN202311808186A CN117456131A CN 117456131 A CN117456131 A CN 117456131A CN 202311808186 A CN202311808186 A CN 202311808186A CN 117456131 A CN117456131 A CN 117456131A
- Authority
- CN
- China
- Prior art keywords
- point
- dimensional
- point cloud
- normal vector
- downsampling
- 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.)
- Granted
Links
- 230000007547 defect Effects 0.000 title claims abstract description 82
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005070 sampling Methods 0.000 title claims abstract description 37
- 238000004891 communication Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/04—Indexing scheme for image data processing or generation, in general involving 3D image data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种缺陷场景下点云的降采样方法及装置,其中,该方法包括:获取当前检测到的缺陷结果的点云集合,其中,点云集合中包括用于表征目标设备的缺陷部位的三维点;以预设长度为立体方格的长,在空间直角坐标系中将点云集合分割为多个连续的立体方格;确定每一个立体方格中每一个点与基准法向量之间的法向量夹角,其中,基准法向量为立体方格中三维坐标为0的点作为基准点得到的法向量;基于法向量夹角确定立体方格的复杂度;基于复杂度和距离降采样阈值确定采样系数,并基于采样系数对点云集合进行降采样。通过本申请,解决了现有技术中进行均匀的降采样导致点云缺失大量细节的问题。
Description
技术领域
本申请涉及缺陷检测领域,尤其涉及一种缺陷场景下点云的降采样方法及装置。
背景技术
工业生产过程中,已经在很多质检流程上用上了视觉检测,对工件实现替代人工进行工件质量的外观检测工作,但外观检测后往往需要对采集的数据进行一段时间的留存用于复检回溯。
如果所用的是3D视觉,则采集到的数据以点云为主,同分辨率下点云对比图像,单个像素的值一般为0-255的unsigned char(无符号字节型)格式,而点云因为具有物体的实际尺寸信息,每个点都至少为3个float型的数据,所以从单个元素对比,相同分辨率下点云比图像所占的空间大小已经增加了数倍。对于缺陷检测应用场景,使用者主要关心的是缺陷检测的结果中,缺陷部分的数据是否为真缺陷,以及非缺陷部分的数据是否存在缺陷被漏检了,而许多缺陷的尺寸很小,如果对采集的点云进行均匀的降采样,会导致点云缺失大量细节,难以判断某些部分是否为真缺陷或是伪缺陷,而不降采样的话,又会导致存储速度慢且极度占用硬盘空间。
发明内容
本申请提供了一种缺陷场景下点云的降采样方法及装置,以解决现有技术中进行均匀的降采样导致点云缺失大量细节的问题。
第一方面,本申请提供了一种缺陷场景下点云的降采样方法,包括:获取当前检测到的缺陷结果的点云集合,其中,所述点云集合中包括用于表征目标设备的缺陷部位的三维点;以预设长度为立体方格的长,在空间直角坐标系中将所述点云集合分割为多个连续的立体方格;确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角,其中,所述基准法向量为所述立体方格中三维坐标为0的点作为基准点得到的法向量;基于所述法向量夹角确定所述立体方格的复杂度;其中,所述复杂度的值越大则表示所述立体方格内部越复杂;基于所述复杂度和距离降采样阈值确定采样系数,并基于所述采样系数对所述点云集合进行降采样,其中,所述距离降采样阈值越大距离缺陷质心越近。
第二方面,本申请提供了一种缺陷场景下点云的降采样装置,包括:获取模块,用于获取当前检测到的缺陷结果的点云集合,其中,所述点云集合中包括用于表征目标设备的缺陷部位的三维点;分割模块,用于以预设长度为立体方格的长,在空间直角坐标系中将所述点云集合分割为多个连续的立体方格;第一确定模块,用于确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角,其中,所述基准法向量为所述立体方格中三维坐标为0的点作为基准点得到的法向量;第二确定模块,用于基于所述法向量夹角确定所述立体方格的复杂度;其中,所述复杂度的值越大则表示所述立体方格内部越复杂;处理模块,用于基于所述复杂度和距离降采样阈值确定采样系数,并基于所述采样系数对所述点云集合进行降采样,其中,所述距离降采样阈值越大距离缺陷质心越近。
第三方面,本申请提供了一种电子设备,包括:至少一个通信接口;与所述至少一个通信接口相连接的至少一个总线;与所述至少一个总线相连接的至少一个处理器;与所述至少一个总线相连接的至少一个存储器,其中, 所述处理器被配置为执行本申请上述第一方面所述的缺陷场景下点云的降采样方法。
第四方面,本申请还提供了一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行本申请上述第一方面所述的缺陷场景下点云的降采样方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点:本申请实施例提供的该方法,通过预设长度对在空间直角坐标系中的点云集合进行分割得到在各个坐标轴上的多个连续的立体方格,进而确定该立体方格的复杂度,由于复杂度的值越大则表示立体方格内部越复杂,即表示立体方格中的点云较多,则可以通过复杂度和距离降采样阈值确定采样系数,以进行降采样得到新的点云集合。可见,在本申请实施例中基于复杂度与距离对缺陷场景的点云进行降采样,可在对远离缺陷部位实现降采样的基础上同时对可能是缺陷的复杂区域点云较好的进行保留,降低了文件大小的同时可用于之后复检与回溯,解决了现有技术中进行均匀的降采样导致点云缺失大量细节的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本申请实施例提供的一种缺陷场景下点云的降采样方法的流程图;
图2为本申请实施例提供的一种基于局部复杂度与距离对缺陷场景点云降采样的方法的流程图;
图3为本申请实施例提供的一种缺陷场景下点云的降采样装置的示意图;
图4为本申请实施例提供的一种电子设备的示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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的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。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
图1为本申请实施例提供的一种缺陷场景下点云的降采样方法的流程图,如图1所示,该方法的步骤包括:
步骤101,获取当前检测到的缺陷结果的点云集合,其中,点云集合中包括用于表征目标设备的缺陷部位的三维点;
需要说明的是,本申请实施例中的目标设备可以是工业生产中所涉及到的设备,即本申请实施例中的点云集合是指该设备中出现缺陷部位的点云集合。
步骤102,以预设长度为立体方格的长,在空间直角坐标系中将点云集合分割为多个连续的立体方格;
在具体示例中,本申请实施例中的空间直角坐标系是指XYZ轴的坐标系,即是在每一个轴上基于预设长度将点云集合分割为多个连续的立体方格。此外,预设长度通常情况下为当前场景下一般会出现的最大缺陷长宽或深度的3-5倍,如缺陷最大为宽3mm,则预设长度便设为其3倍的9mm~15mm中的任一取值。
步骤103,确定每一个立体方格中每一个点与基准法向量之间的法向量夹角,其中,基准法向量为立体方格中三维坐标为0的点作为基准点得到的法向量;
步骤104,基于法向量夹角确定立体方格的复杂度;其中,复杂度的值越大则表示立体方格内部越复杂;
需要说明的是,越复杂的立体方格中的点云越多,则更加倾向于保留该立体方格的数据。
步骤105,基于复杂度和距离降采样阈值确定采样系数,并基于采样系数对点云集合进行降采样,其中,距离降采样阈值越大距离缺陷质心越近。
通过上述步骤101至步骤105,通过预设长度对在空间直角坐标系中的点云集合进行分割得到在各个坐标轴上的多个连续的立体方格,进而确定该立体方格的复杂度,由于复杂度的值越大则表示立体方格内部越复杂,即表示立体方格中的点云较多,则可以通过复杂度和距离降采样阈值确定采样系数,以进行降采样得到新的点云集合。可见,在本申请实施例中基于复杂度与距离对缺陷场景的点云进行降采样,可在对远离缺陷部位实现降采样的基础上同时对可能是缺陷的复杂区域点云较好的进行保留,降低了文件大小的同时可用于之后复检与回溯,解决了现有技术中进行均匀的降采样导致点云缺失大量细节的问题。
在本申请实施例的可选实施方式中,对于上述步骤102中涉及到的以预设长度为立体方格的长,在空间直角坐标系中将点云集合分割为多个连续的立体方格的方式,进一步可以包括:
步骤11,遍历点云集合中三维点在空间直角坐标系的各个坐标轴的最大值和最小值;
需要说明的是,对于最大值与最小值是指同一坐标轴上的最大值和最小值,例如是X轴上的最大值和最小值,或Y轴上的最大值和最小值。
步骤12,将最大值与最小值的差值与预设长度的比值确定在各个坐标轴上的立体方格数量;
步骤13,以空间直角坐标系中任一两个坐标轴所在面为底面,沿另一坐标轴的方向增加的顺序对确定的立体方格进行排序。
对于上述步骤11至步骤13,在具体示例中可以是:遍历点云S获得点云S在各轴的最大最小值,则x轴所需的格子数量为,同理可得到Y轴和Z轴所需的格子数量,用表示各轴所需的格子数量,则点云S最多需要/>*/>*/>个格子完成分割,并且按一定顺序排列格子可以按照XY轴平面为底面,沿着z向增加的顺序,即[0][0][0],[0][1][0],[0][2][0]..[1][0][0],[1][1][0]..[0][0][1],[0][1][1]..[/>][/>][/>]),建立格子二维数组C[][],用于存储每个格子里包含的点位在S里序号,即一种映射关系,避免在C中又把点云S复制一次占用内存,例如C[5][0]表示序号为5的格子里包含的0号点在S中的序号,其三维坐标是(/>,/>,/>。
在本申请实施例的可选实施方式中,对于上述步骤103中涉及到的确定每一个立体方格中每一个点与基准法向量之间的法向量夹角的方式,进一步可以包括:
步骤21,对于每一个立体方格中的每一个三维点以不超过预设长度一半的半径通过最小二乘法进行法线拟合得到每一个三维点的法向量;
步骤22,确定每一个立体方格中每一个点与基准法向量之间的法向量夹角。
对于上述步骤21和步骤22,在具体示例中可以是:对于当前第i个格子C[i],基于上述得到的其内所有三维点在S中的序号,对于格子里每一个点S[j],以不超过v/2(v为预设长度)的半径通过最小二乘法进行法线拟合得到每个点的法向量n[j]。
在本申请实施例的可选实施方式中,对于上述步骤104中涉及到的基于法向量夹角确定立体方格的复杂度的方式,进一步可以包括:
步骤31,以预设夹角区间对所有法向量角度进行分组,得到预设数量的目标数组,其中,每一个目标数组用于表征在预设夹角区间内的数量;
步骤32,基于目标数组的平均值和目标数组的方差确定复杂度。
对于上述步骤31和步骤32,在具体示例中可以是:建立临时数组D,数组大小为9,初始化D中所有元素为0,用于记录夹角区间的计数,例如D[0]表示后续夹角结果为0-10度的数量,D[1]为10-20度的数量,同理D[8]为80-90度的数量。对于格子里的每个点已经计算出法向量,现在以格子中的第0个点作为基准点,其法向量作为基准法向量,格子里其他点均需要与基准法向量计算一次法向量夹角,方法为通过向量夹角公式求得余弦值,通过余弦值得到其夹角角度θ,如果大于90度则取180-θ,然后根据角度在D中所属区间使对应区间的值加1。此时对于当前格子已经统计了所有夹角计数结果存于D中,如果某个区间内角度数量显著大于其他区间,则说明所有点总体法向量方向接近一致,该区域较为平滑,具体评价指标为当前格子复杂度ξ=,通过该方式,在角度很集中某个区间时ξ会接近0,在角度较为分散与几个区间时ξ会接近1,ξ越接近1则表示该格子内部越复杂,后面会更倾向于保留该格子的数据。
在本申请实施例的可选实施方式中,对于上述步骤105中涉及到的基于复杂度和距离降采样阈值确定采样系数的方式,进一步可以包括:
步骤41,确定点云集合中的质心坐标,并遍历找到距离质心坐标最远的三维点,以及确定最远的三维点到质心坐标的第一距离;
步骤42,确定基准点到质心坐标之间的第二距离;
步骤43,基于第一距离和第二距离确定距离降采样阈值,并基于距离降采样阈值和复杂度确定采样系数。
对于上述步骤41至步骤43,在具体示例中可以是:计算当前格子距离缺陷质心的欧氏距离,用上述基准点与缺陷点计算欧式距离,则当前格子的距离降采样阈值m=,距离缺陷质心越近时m越接近1,越远越接近0。
最终该格子的降采样系数为
基于此,对于上述步骤105中涉及到的基于采样系数对点云集合进行降采样的方式,进一步可以包括:基于最远点采样法对立体方格进行降采样直到点数达到立体方格原本点数与采样系数相乘的结果。
下面结合本申请实施例的具体实施方式对本申请进行解释说明,该具体实施方式提供了一种基于局部复杂度与距离对缺陷场景点云降采样的方法,如图2所示,该方法的步骤包括:
步骤201,收到要保存当前点云S的信号,同时收到了当前检测的缺陷结果点集F,其中,在F中的三维点即是检测结果中缺陷部位所包含的三维点。
需要说明的是,在具体实施方式中仅以检测结果中只包含一个缺陷的情况进行举例说明。即F中的所有点加起来为一个缺陷的完整形态,比如一个磕碰缺陷,其在三维点云中要能完整的呈现出来,是一片点组成的,这一片点就是F。实际中,一个产品本身可能有多个缺陷,即多个F,但该具体实施方式中只考虑有一个缺陷的情况,即1个F。
步骤202,将F进行了质心的求取,得到质心f,用点f来表示该缺陷便于后续计算;
其中,对F所有点求取出一个质心坐标,方法为把F中所有点的xyz各向坐标相加后除以F包含的点数,得到质心点,并遍历S(集合F中的点云)找到距离f最远的点与f的欧式距离/>;
步骤203,根据当前场景,设定一个缺陷尺度阈值v,
其中,该v值为当前场景下一般会出现的最大缺陷长宽或深度的3-5倍,如缺陷最大为宽3mm,则v变设为其3倍的9mm。
步骤204,平行于当前xyz坐标轴,以v为立方体格子的长,将点云S分割为许多连续立方体的形式,具体方法如下;
遍历点云S获得点云S在各轴的最大最小值,则x轴所需的格子数量为,同理可得到Y轴和Z轴所需的格子数量,用/>表示各轴所需的格子数量,则点云S最多需要/>*/>*/>个格子完成分割,并且按一定顺序排列格子可以按照X轴和Y轴所在平面为底面,沿着Z轴方向增加的顺序,即[0][0][0],[0][1][0],[0][2][0]..[1][0][0],[1][1][0]..[0][0][1],[0][1][1]..[/>][/>][/>]),建立格子二维数组C[][],用于存储每个格子里包含的点位在S里序号,即一种映射关系,避免在C中又把点云S复制一次占用内存,例如C[5][0]表示序号为5的格子里包含的0号点在S中的序号,其三维坐标是(,/>,/>。
步骤205,对于上述立体方格,需要点云S中每个点计算其所属的格子,方法为得到点S[k]的格子的x向序号,同理可得yz向序号,例如最终计算得到坐标系中X轴、Y轴、Z轴的序号分别为i、j、k,则将序号k存入C[i*/>+j+/>的末尾。
步骤206,对于当前第i个格子C[i],基于上述得到的其内所有三维点在S中的序号,对于格子里每一个点S[j],以不超过v/2的半径通过最小二乘法进行法线拟合得到每个点的法向量n[j]。
步骤207,建立临时数组D,数组大小为9,初始化D中所有元素为0,用于记录夹角区间的计数,例如D[0]表示后续夹角结果为0-10度的数量,D[1]为10-20度的数量,同理D[8]为80-90度的数量。
步骤208,对于格子里的每个点已经计算出法向量,现在以格子中的第0个点作为基准点,其法向量作为基准法向量,格子里其他点均需要与基准法向量计算一次法向量夹角,方法为通过向量夹角公式求得余弦值,通过余弦值得到其夹角角度θ,如果大于90度则取180-θ,然后根据角度在D中所属区间使对应区间的值加1。
步骤209,对于当前格子已经统计了所有夹角计数结果存于D中,如果某个区间内角度数量显著大于其他区间,则说明所有点总体法向量方向接近一致,该区域较为平滑,具体评价指标为当前格子复杂度ξ=,根据这个方法,在角度很集中某个区间时ξ会接近0,在角度较为分散与几个区间时ξ会接近1,ξ越接近1则表示该格子内部越复杂,后面会更倾向于保留该格子的数据。
步骤210,计算当前格子距离缺陷质心的欧氏距离,用上述基准点与缺陷点计算欧式距离,则当前格子的距离降采样阈值m=/>//>,距离缺陷质心越近时m越接近1,越远越接近0;
最终该格子的降采样系数为
步骤211,对该格子用最远点采样法进行点云下载样,直到点数达到了该格子的原本点数乘以e后的点数。
步骤212,对所有格子重复以上流程,然后将采样后的所有格子的点融合得到点云S’,为原始点云S降采样后的点云。
通过上述步骤201至步骤212可知,在该具体实施方式中通过两路算法并行结合,一方面根据距离缺陷处点云的距离给与权重,越远离缺陷部位表示当前点相关性越低,可适当降采样,另一方面引入了局部复杂度的概念,局部越复杂表明该局部形貌较复杂,可能不是工件正常的平滑形貌而是磕碰等缺陷形态,该局部将因其高复杂度对该区域点云数据尽量保留完整。基于此,通过该具体实施方式,可对远离缺陷部位实现降采样的基础上同时对可能是缺陷的复杂区域点云较好的进行保留,降低了文件大小的同时可用于用户之后复检与回溯。
对应于上述图1,本申请实施例还提供了一种缺陷场景下点云的降采样装置,如图3所示,该装置包括:
获取模块302,用于获取当前检测到的缺陷结果的点云集合,其中,点云集合中包括用于表征目标设备的缺陷部位的三维点;
分割模块304,用于以预设长度为立体方格的长,在空间直角坐标系中将点云集合分割为多个连续的立体方格;
第一确定模块306,用于确定每一个立体方格中每一个点与基准法向量之间的法向量夹角,其中,基准法向量为立体方格中三维坐标为0的点作为基准点得到的法向量;
第二确定模块308,用于基于法向量夹角确定立体方格的复杂度;其中,复杂度的值越大则表示立体方格内部越复杂;
处理模块310,用于基于复杂度和距离降采样阈值确定采样系数,并基于采样系数对点云集合进行降采样,其中,距离降采样阈值越大距离缺陷质心越近。
通过本申请实施例的装置,通过预设长度对在空间直角坐标系中的点云集合进行分割得到在各个坐标轴上的多个连续的立体方格,进而确定该立体方格的复杂度,由于复杂度的值越大则表示立体方格内部越复杂,即表示立体方格中的点云较多,则可以通过复杂度和距离降采样阈值确定采样系数,以进行降采样得到新的点云集合。可见,在本申请实施例中基于复杂度与距离对缺陷场景的点云进行降采样,可在对远离缺陷部位实现降采样的基础上同时对可能是缺陷的复杂区域点云较好的进行保留,降低了文件大小的同时可用于之后复检与回溯,解决了现有技术中进行均匀的降采样导致点云缺失大量细节的问题。
在本申请实施例的可选实施方式中,本申请实施例中的分割模块304进一步可以包括:遍历单元,用于遍历点云集合中三维点在空间直角坐标系的各个坐标轴的最大值和最小值;第一确定单元,用于将最大值与最小值的差值与预设长度的比值确定在各个坐标轴上的立体方格数量;排序单元,用于以空间直角坐标系中任一两个坐标轴所在面为底面,沿另一坐标轴的方向增加的顺序对确定的立体方格进行排序。
在本申请实施例的可选实施方式中,本申请实施例中的第一确定模块306进一步可以包括:第一处理单元,用于对于每一个立体方格中的每一个三维点以不超过预设长度一半的半径通过最小二乘法进行法线拟合得到每一个三维点的法向量;第二确定单元,用于确定每一个立体方格中每一个点与基准法向量之间的法向量夹角。
在本申请实施例的可选实施方式中,本申请实施例中的第二确定模块306进一步可以包括:第二处理单元,用于以预设夹角区间对所有法向量角度进行分组,得到预设数量的目标数组,其中,每一个目标数组用于表征在预设夹角区间内的数量;第三确定单元,用于基于目标数组的平均值和目标数组的方差确定复杂度。
在本申请实施例的可选实施方式中,本申请实施例中的处理模块310进一步可以包括:第四确定单元,用于确定点云集合中的质心坐标,并遍历找到距离质心坐标最远的三维点,以及确定最远的三维点到质心坐标的第一距离;第五确定单元,用于确定基准点到质心坐标之间的第二距离;第六确定单元,用于基于第一距离和第二距离确定距离降采样阈值,并基于距离降采样阈值和复杂度确定采样系数。
在本申请实施例的可选实施方式中,本申请实施例中的处理模块310进一步可以包括:降采样单元,用于基于最远点采样法对立体方格进行降采样直到点数达到立体方格原本点数与采样系数相乘的结果。
如图4所示,本申请实施例提供了一种电子设备,包括处理器411、通信接口412、存储器413和通信总线414,其中,处理器411,通信接口412,存储器413通过通信总线414完成相互间的通信,
存储器413,用于存放计算机程序;
在本申请一个实施例中,处理器411,用于执行存储器413上所存放的程序时,实现前述任意一个方法实施例提供的缺陷场景下点云的降采样方法。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述任意一个方法实施例提供的缺陷场景下点云的降采样方法的步骤。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种缺陷场景下点云的降采样方法,其特征在于,包括:
获取当前检测到的缺陷结果的点云集合,其中,所述点云集合中包括用于表征目标设备的缺陷部位的三维点;
以预设长度为立体方格的长,在空间直角坐标系中将所述点云集合分割为多个连续的立体方格;
确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角,其中,所述基准法向量为所述立体方格中三维坐标为0的点作为基准点得到的法向量;
基于所述法向量夹角确定所述立体方格的复杂度;其中,所述复杂度的值越大则表示所述立体方格内部越复杂;
基于所述复杂度和距离降采样阈值确定采样系数,并基于所述采样系数对所述点云集合进行降采样,其中,所述距离降采样阈值越大距离缺陷质心越近。
2.根据权利要求1所述的方法,其特征在于,以预设长度为立体方格的长,在空间直角坐标系中将所述点云集合分割为多个连续的立体方格包括:
遍历点云集合中三维点在所述空间直角坐标系的各个坐标轴的最大值和最小值;
将所述最大值与所述最小值的差值与所述预设长度的比值确定在所述各个坐标轴上的立体方格数量;
以空间直角坐标系中任一两个坐标轴所在面为底面,沿另一坐标轴的方向增加的顺序对确定的立体方格进行排序。
3.根据权利要求2所述的方法,其特征在于,确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角包括:
对于每一个立体方格中的每一个三维点以不超过所述预设长度一半的半径通过最小二乘法进行法线拟合得到每一个三维点的法向量;
确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角。
4.根据权利要求1所述的方法,其特征在于,基于所述法向量夹角确定所述立体方格的复杂度,包括:
以预设夹角区间对所有所述法向量角度进行分组,得到预设数量的目标数组,其中,每一个所述目标数组用于表征在预设夹角区间内的数量;
基于所述目标数组的平均值和所述目标数组的方差确定所述复杂度。
5.根据权利要求1所述的方法,其特征在于,基于所述复杂度和距离降采样阈值确定采样系数,包括:
确定所述点云集合中的质心坐标,并遍历找到距离所述质心坐标最远的三维点,以及确定所述最远的三维点到所述质心坐标的第一距离;
确定所述基准点到所述质心坐标之间的第二距离;
基于所述第一距离和所述第二距离确定距离降采样阈值,并基于所述距离降采样阈值和所述复杂度确定所述采样系数。
6.根据权利要求1所述的方法,其特征在于,基于所述采样系数对所述点云集合进行降采样,包括:
基于最远点采样法对所述立体方格进行降采样直到点数达到所述立体方格原本点数与所述采样系数相乘的结果。
7.一种缺陷场景下点云的降采样装置,其特征在于,包括:
获取模块,用于获取当前检测到的缺陷结果的点云集合,其中,所述点云集合中包括用于表征目标设备的缺陷部位的三维点;
分割模块,用于以预设长度为立体方格的长,在空间直角坐标系中将所述点云集合分割为多个连续的立体方格;
第一确定模块,用于确定每一个所述立体方格中每一个点与基准法向量之间的法向量夹角,其中,所述基准法向量为所述立体方格中三维坐标为0的点作为基准点得到的法向量;
第二确定模块,用于基于所述法向量夹角确定所述立体方格的复杂度;其中,所述复杂度的值越大则表示所述立体方格内部越复杂;
处理模块,用于基于所述复杂度和距离降采样阈值确定采样系数,并基于所述采样系数对所述点云集合进行降采样,其中,所述距离降采样阈值越大距离缺陷质心越近。
8.根据权利要求7所述的装置,其特征在于,所述分割模块包括:
遍历单元,用于遍历点云集合中三维点在所述空间直角坐标系的各个坐标轴的最大值和最小值;
第一确定单元,用于将所述最大值与所述最小值的差值与所述预设长度的比值确定在所述各个坐标轴上的立体方格数量;
排序单元,用于以空间直角坐标系中任一两个坐标轴所在面为底面,沿另一坐标轴的方向增加的顺序对确定的立体方格进行排序。
9. 一种电子设备,包括:至少一个通信接口;与所述至少一个通信接口相连接的至少一个总线;与所述至少一个总线相连接的至少一个处理器;与所述至少一个总线相连接的至少一个存储器,其中, 所述处理器被配置为执行本申请上述权利要求1至6任一项所述的缺陷场景下点云的降采样方法。
10.一种计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行本申请上述权利要求1至6任一项所述的缺陷场景下点云的降采样方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808186.9A CN117456131B (zh) | 2023-12-26 | 2023-12-26 | 缺陷场景下点云的降采样方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311808186.9A CN117456131B (zh) | 2023-12-26 | 2023-12-26 | 缺陷场景下点云的降采样方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117456131A true CN117456131A (zh) | 2024-01-26 |
CN117456131B CN117456131B (zh) | 2024-05-24 |
Family
ID=89589687
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311808186.9A Active CN117456131B (zh) | 2023-12-26 | 2023-12-26 | 缺陷场景下点云的降采样方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117456131B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN105631929A (zh) * | 2014-11-28 | 2016-06-01 | 富泰华工业(深圳)有限公司 | 点云精简方法及系统 |
TW201643824A (zh) * | 2015-01-06 | 2016-12-16 | 鴻海精密工業股份有限公司 | 點雲精簡方法及系統 |
TW201643826A (zh) * | 2015-01-06 | 2016-12-16 | 鴻海精密工業股份有限公司 | 點雲精簡方法及系統 |
CN106846272A (zh) * | 2017-01-18 | 2017-06-13 | 西安工程大学 | 一种点云模型的去噪精简方法 |
CN113487721A (zh) * | 2021-06-18 | 2021-10-08 | 浙江大学 | 一种基于三维点云的预制构件自动化识别方法 |
CN113674425A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
WO2022083178A1 (zh) * | 2020-10-21 | 2022-04-28 | 湖北亿咖通科技有限公司 | 激光点云处理方法、电子装置和存储介质 |
CN114581473A (zh) * | 2022-03-14 | 2022-06-03 | 深圳市凌云视迅科技有限责任公司 | 一种适用于多种场景的点云降采样方法及装置 |
CN115184364A (zh) * | 2022-07-06 | 2022-10-14 | 青岛科技大学 | 一种基于3d点云的轮胎气泡缺陷检测方法及系统 |
CN115657060A (zh) * | 2021-07-07 | 2023-01-31 | 广州视源电子科技股份有限公司 | 基于三维传感器的地面点云分割方法及装置 |
KR102516008B1 (ko) * | 2022-09-21 | 2023-03-30 | (주)이노시뮬레이션 | 포인트 클라우드 데이터를 이용한 복셀 다운 샘플링 방법 및 이를 실행하는 장치 |
CN116087909A (zh) * | 2022-11-21 | 2023-05-09 | 北京领骏科技有限公司 | 一种雷达点云数据降采样处理方法及相关设备 |
WO2023093824A1 (zh) * | 2021-11-26 | 2023-06-01 | 中兴通讯股份有限公司 | 点云质量评价方法、设备和存储介质 |
CN116205964A (zh) * | 2023-05-06 | 2023-06-02 | 九识(苏州)智能科技有限公司 | 一种基于水平距离的点云下采样方法和装置 |
CN116518940A (zh) * | 2023-04-23 | 2023-08-01 | 上海应用技术大学 | 一种基于无人机影像匹配点云的露天矿台阶结构量测方法 |
CN116958146A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市信润富联数字科技有限公司 | 3d点云的采集方法及装置、电子装置 |
CN117152215A (zh) * | 2023-07-20 | 2023-12-01 | 昆明理工大学 | 一种复杂城市环境下快速车载激光点云自动配准方法 |
-
2023
- 2023-12-26 CN CN202311808186.9A patent/CN117456131B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890828A (zh) * | 2012-06-15 | 2013-01-23 | 北京理工大学 | 基于法向夹角的点云数据精简方法 |
CN105631929A (zh) * | 2014-11-28 | 2016-06-01 | 富泰华工业(深圳)有限公司 | 点云精简方法及系统 |
TW201643824A (zh) * | 2015-01-06 | 2016-12-16 | 鴻海精密工業股份有限公司 | 點雲精簡方法及系統 |
TW201643826A (zh) * | 2015-01-06 | 2016-12-16 | 鴻海精密工業股份有限公司 | 點雲精簡方法及系統 |
CN106846272A (zh) * | 2017-01-18 | 2017-06-13 | 西安工程大学 | 一种点云模型的去噪精简方法 |
WO2022083178A1 (zh) * | 2020-10-21 | 2022-04-28 | 湖北亿咖通科技有限公司 | 激光点云处理方法、电子装置和存储介质 |
CN113487721A (zh) * | 2021-06-18 | 2021-10-08 | 浙江大学 | 一种基于三维点云的预制构件自动化识别方法 |
CN115657060A (zh) * | 2021-07-07 | 2023-01-31 | 广州视源电子科技股份有限公司 | 基于三维传感器的地面点云分割方法及装置 |
CN113674425A (zh) * | 2021-10-25 | 2021-11-19 | 深圳市信润富联数字科技有限公司 | 点云采样方法、装置、设备及计算机可读存储介质 |
WO2023093824A1 (zh) * | 2021-11-26 | 2023-06-01 | 中兴通讯股份有限公司 | 点云质量评价方法、设备和存储介质 |
CN114581473A (zh) * | 2022-03-14 | 2022-06-03 | 深圳市凌云视迅科技有限责任公司 | 一种适用于多种场景的点云降采样方法及装置 |
CN115184364A (zh) * | 2022-07-06 | 2022-10-14 | 青岛科技大学 | 一种基于3d点云的轮胎气泡缺陷检测方法及系统 |
KR102516008B1 (ko) * | 2022-09-21 | 2023-03-30 | (주)이노시뮬레이션 | 포인트 클라우드 데이터를 이용한 복셀 다운 샘플링 방법 및 이를 실행하는 장치 |
CN116087909A (zh) * | 2022-11-21 | 2023-05-09 | 北京领骏科技有限公司 | 一种雷达点云数据降采样处理方法及相关设备 |
CN116518940A (zh) * | 2023-04-23 | 2023-08-01 | 上海应用技术大学 | 一种基于无人机影像匹配点云的露天矿台阶结构量测方法 |
CN116205964A (zh) * | 2023-05-06 | 2023-06-02 | 九识(苏州)智能科技有限公司 | 一种基于水平距离的点云下采样方法和装置 |
CN117152215A (zh) * | 2023-07-20 | 2023-12-01 | 昆明理工大学 | 一种复杂城市环境下快速车载激光点云自动配准方法 |
CN116958146A (zh) * | 2023-09-20 | 2023-10-27 | 深圳市信润富联数字科技有限公司 | 3d点云的采集方法及装置、电子装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117456131B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107705333B (zh) | 基于双目相机的空间定位方法及装置 | |
Wolff et al. | Point cloud noise and outlier removal for image-based 3D reconstruction | |
CN106651942B (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN108701374B (zh) | 用于三维点云重建的方法和装置 | |
CN114004941A (zh) | 一种基于神经辐射场的室内场景三维重建系统及方法 | |
CN112686877B (zh) | 基于双目相机的三维房屋损伤模型构建测量方法及系统 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN110310331B (zh) | 一种基于直线特征与点云特征结合的位姿估计方法 | |
CN110070567A (zh) | 一种地面激光点云配准方法 | |
CN111612731B (zh) | 基于双目显微视觉的测量方法、装置、系统及介质 | |
CN108876861B (zh) | 一种地外天体巡视器的立体匹配方法 | |
CN114998773B (zh) | 适用于无人机系统航拍图像的特征误匹配剔除方法及系统 | |
CN110070610A (zh) | 特征点匹配方法、三维重构过程的特征点匹配方法及装置 | |
CN109215118B (zh) | 一种基于图像序列的增量式运动结构恢复优化方法 | |
CN110851978A (zh) | 一种基于可见性的摄像机位置优化方法 | |
CN110517323A (zh) | 基于机械手单相机多目视觉的三维定位系统及方法 | |
CN117372647A (zh) | 一种建筑用三维模型的快速构建方法及系统 | |
CN110702015B (zh) | 输电线路覆冰厚度测量方法及装置 | |
CN117456131B (zh) | 缺陷场景下点云的降采样方法及装置 | |
CN116051658B (zh) | 基于双目视觉进行目标检测的相机手眼标定方法及装置 | |
CN111583388A (zh) | 一种三维扫描系统的扫描方法及设备 | |
CN113340201B (zh) | 一种基于rgbd相机的三维测量方法 | |
EP2871611A2 (en) | Enhanced outlier removal for 8 point algorithm used in camera motion estimation | |
CN106874916B (zh) | 一种复杂外板点云场景对比提取方法及装置 | |
CN115601423A (zh) | 一种双目视觉场景下基于边缘增强的圆孔位姿测量方法 |
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 | ||
GR01 | Patent grant |