CN117576087A - 基于点云法线的物体表面凹凸性的检测方法 - Google Patents
基于点云法线的物体表面凹凸性的检测方法 Download PDFInfo
- Publication number
- CN117576087A CN117576087A CN202410050940.5A CN202410050940A CN117576087A CN 117576087 A CN117576087 A CN 117576087A CN 202410050940 A CN202410050940 A CN 202410050940A CN 117576087 A CN117576087 A CN 117576087A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- point
- normal
- cloud data
- 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
Links
- 238000001514 detection method Methods 0.000 title abstract description 8
- 239000013598 vector Substances 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000005260 corrosion Methods 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011326 mechanical measurement Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (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 With Unspecified Measuring Means (AREA)
Abstract
本发明属于图像处理技术领域,公开了基于点云法线的物体表面凹凸性的检测方法,包括以下步骤:S1、获取待测样品的点云数据;S2、对所述点云数据进行去除噪点和离群点,然后进行下采样;S3、获取经过所述步骤S2处理后的点云数据中各个点的法向量;S4、计算所述步骤S3中的法向量之间的夹角,然后利用区域增长方法对点云进行聚类;S5、使用CE算法对所述步骤S4处理后的点云数据进行去噪处理。本发明采用点云凹凸性判断方法可以实现自动化、高效化的物体检测,大大提高生产效率,缩短生产周期;代替传统的人工使用机械测量方式,可以降低成本,提高生产效益。
Description
技术领域
本发明涉及图像处理的技术领域,具体涉及基于点云法线的物体表面凹凸性的检测方法。
背景技术
随着汽车工业的迅速发展和消费者需求的不断提高,汽车市场竞争越来越激烈。在这个竞争中,作为用户日常使用中最常接触到的部件之一,汽车座椅缝线的质量和外观越来越受到关注。然而,传统的座椅缝线部位检测方法通常需要人工使用机械测量的方式来判断是否合格,效率低、测量精度差,难以满足生产线实时装配的需求。
综上,现需要设计一种新的物体表面凹凸性的检测方法来解决上述的问题。
发明内容
为解决上述现有技术中问题,本发明提供了基于点云法线的物体表面凹凸性的检测方法,实现了点云数据的高精度获取,同时能够更加准确地检测物体表面的各种凹凸性,保证产品外观质量和功能表现。
为达到上述目的,本发明采用如下技术方案:
基于点云法线的物体表面凹凸性的检测方法,包括以下步骤:
S1、获取待测样品的点云数据;
S2、对所述点云数据进行去除噪点和离群点,然后进行下采样;
S3、获取经过所述步骤S2处理后的点云数据中各个点的法向量;
S4、计算所述步骤S3中的法向量之间的夹角,然后利用区域增长方法对点云进行聚类;
S5、使用CE(Corrosion Expansion,腐蚀膨胀)算法对所述步骤S4处理后的点云数据进行去噪处理。
在本发明的一些实施例中,所述步骤S2中,采用MS(Mean and Standarddeviation,平均值和标准差)方法进行去除噪点和离群点;采用GS(Grid downsampling,网格下采样)方法进行低尺度下采样。
在本发明的一些实施例中,所述MS方法包括以下步骤:
S21、对于所述点云数据中的点xi,计算其周围相邻N个点的平均值M和标准差S;
S22、根据所述步骤S21中的平均值M和标准差S确定阈值范围[M-k*S,M+k*S],对位于所述阈值范围外的点xi进行移除。
在本发明的一些实施例中,所述GS方法包括以下步骤:
S23、根据所需的下采样后的点云数据密度设置网格结构的网格大小;
S24、遍历所述点云数据,根据其位置信息分配至相应的网格单元中;
S25、在每个网格单元中选择代表点后,将所有的代表点作为下采样后的点云数据输出。
在本发明的一些实施例中,所述步骤S3具体包括以下步骤:
S31、对于下采样后的点云数据中的每个点p,根据设置的半径范围获取其邻域点集合P,计算每个点p的权重;
S32、计算所述集合P的加权协方差矩阵C,并对所述加权协方差矩阵C进行特征值分解,得到特征值和特征向量,其中,所述特征向量即为点p的法向量。
在本发明的一些实施例中,所述步骤S4中法向量的夹角的计算公式为:
;
其中,点pi的法向量为,点pj的法向量为/>。
在本发明的一些实施例中,所述步骤S4具体包括以下步骤:
S41、计算法向量的夹角,然后将夹角/>大于阈值/>的点云数据进行筛选至多个区域R内;
S42、选择各个区域R内的种子点,对每个种子点进行区域聚类生长;
S43、根据聚类结果判断所述待测样品的凹凸性。
在本发明的一些实施例中,所述区域聚类生长的步骤包括:
S421、对于每个种子点,找到其所在区域R中的邻近点;
S422、判断所述步骤S421中的邻近点的法向量是否与种子点相似;
S423、将具有相似法向量的点加入当前种子点的聚类中,并将这些点作为新的种子点,重复区域生长过程;
S424、重复步骤S421-S423,直到无法找到新的相似点。
在本发明的一些实施例中,所述步骤S43具体包括以下步骤:
S431、计算每个聚类中的平均向量和中位向量;
S432、比较各个点的法向量与平均向量或中位向量的夹角,若任一区域内的夹角小于设定值且对应法向量的方向一致,则认为该区域为平坦或外凸;若任一区域内的夹角分布范围较大或散布在多个方向,则该区域为内凹。
在本发明的一些实施例中,所述步骤S5包括以下步骤:
S51、定义球形腐蚀和膨胀结构元素;
S52、对点云数据进行腐蚀操作,标记噪声点;
S53、对所述噪声点进行膨胀操作;
S54、重复步骤S52和S53,直到满足停止条件后输出点云结果。
本发明的技术方案相对现有技术具有如下技术效果:
本发明采用点云凹凸性判断方法可以实现自动化、高效化的物体检测,大大提高生产效率,缩短生产周期;代替传统的人工使用机械测量方式,可以降低成本,提高生产效益。
同时通过点云数据的高精度获取,可以更加准确地检测物体表面的各种凹凸性,保证产品外观质量和功能表现。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,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为所述检测方法的流程示意图。
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。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
参照图1所示,基于点云法线的物体表面凹凸性的检测方法,包括以下步骤:
基于点云法线的物体表面凹凸性的检测方法,包括以下步骤:
S1、获取待测样品的点云数据;
具体地,固定待测样品,使用激光扫描仪对样品表面进行扫描,获取点云数据。
S2、对所述点云数据进行去除噪点和离群点,然后进行下采样;能够使得点云数据更加平滑,并且能够在保持特征的同时减少计算量,同时有助于减少噪点。
具体地,采用MS方法进行去除噪点和离群点;所述MS方法包括以下步骤:
S21、对于所述点云数据中的点xi,计算其周围相邻N个点的平均值M和标准差S;
其中,平均值M的计算公式为:
;
标准差S的计算公式为:
S22、根据所述步骤S21中的平均值M和标准差S确定阈值范围[M-k*S,M+k*S],对位于所述阈值范围外的点xi进行移除。
也就是说,该阈值范围用于判断点云数据中的离群点;在该实施例中,所述阈值范围可以使用平均值M和标准差S,根据正态分布的性质确定。
在本发明的一些实施例中,采用GS方法进行低尺度下采样,包括以下步骤:
S23、根据所需的下采样后的点云数据密度设置网格结构的网格大小;即确定网格的大小,每个维度的网格单元数量,网格大小决定了下采样后点云的密度;
根据网格大小,创建一个网格结构,用于将点云划分为不同的网格单元。可以使用二维或三维数组来表示网格结构;
S24、遍历所述点云数据,根据其位置信息分配至相应的网格单元中;
即遍历点云数据中的每个点数据,将其根据位置信息分配到相应的网格单元中,可以通过计算点数据的坐标在每个维度上所属的网格单元索引来完成分配;
S25、在每个网格单元中选择代表点后,将所有的代表点作为下采样后的点云数据输出。
具体地,常见的选择方法是选择网格单元中的第一个点或者根据特定规则选择位于网格单元中心的点;
S3、获取经过所述步骤S2处理后的点云数据中各个点的法向量;
具体包括以下步骤:
S31、对于下采样后的点云数据中的每个点p,根据设置的半径范围获取其邻域点集合P,,随后根据邻域点至点p的欧式距离,使用高斯函数通过距离进行加权来对点赋予相应的权重/>;
S32、计算所述集合P的加权协方差矩阵C,用于描述邻域内点的几何关系,加权协方差矩阵C的定义如下:
其中pi是邻域的点,是邻域内点的中心;
再对所述加权协方差矩阵C进行特征值分解,得到特征值和特征向量,其中,所述特征向量即为点p的法向量。
具体地,特征向量代表了邻域内点的主要几何方向,而特征值则表示了对应特征向量的重要性。
对于点p,选择具有最小特征值的特征向量作为其法线方向,其中最小特征值对应于最小的方差,即垂直于曲面的法线方向。
S4、计算所述步骤S3中的法向量之间的夹角,然后利用区域增长方法对点云进行聚类;
S41、计算法向量的夹角,然后将夹角/>大于阈值/>的点云数据进行筛选至多个区域R内;
对于夹角的计算,可以通过计算两个向量的点积并除以它们的模长乘积计算。对于两个法向量夹角大于预设阈值的点云数据,进行筛选和处理。主要流程如下:
初始化一个计数器count为0,用于记录符合条件的周围点数量。
计算点的法线向量/>。
遍历点云周围点中的每个点:
a. 如果与/>是同一个点,则跳过当前点。
b. 计算点的法线向量/>。
c. 计算与/>的夹角/>,使用向量的点乘公式:
d. 如果大于设定的阈值/>,则将count加1。
如果count大于设定的阈值K,则将点加入区域R中以便接下来的处理。
S42、选择各个区域R内的种子点,对每个种子点进行区域聚类生长;
其中,首先随机选择一个点,作为第一个种子点;根据此种子点,找到区域R中距离它最远的点作为下一个种子点;重复上述过程,直到满足种子点数量需求。
S421、对于每个种子点,找到其所在区域R中的邻近点;
S422、判断所述步骤S421中的邻近点的法向量是否与种子点相似;
S423、将具有相似法向量的点加入当前种子点的聚类中,并将这些点作为新的种子点,重复区域生长过程;
S424、重复步骤S421-S423,直到无法找到新的相似点。
S43、根据聚类结果判断所述待测样品的凹凸性。
S431、计算每个聚类中的平均向量和中位向量;
S432、比较各个点的法向量与平均向量或中位向量的夹角,若任一区域内的夹角小于设定值且对应法向量的方向一致,则认为该区域为平坦或外凸;若任一区域内的夹角分布范围较大或散布在多个方向,则该区域为内凹。
一般地,如果大部分法线与平均或中位数向量的夹角较小,且这些法线方向大致一致,则认为这个区域是平坦或凸起的。
如果法线的夹角分布范围较大或散布在多个方向,则认为这个区域可能是凹入的。
S5、使用CE算法对所述步骤S4处理后的点云数据进行去噪处理。
包括以下步骤:
S51、定义球形腐蚀和膨胀结构元素;
选择一个适当的球形结构元素用于腐蚀和膨胀操作,结构元素是一个球,通过设置球的半径和球心位置来定义。
S52、对点云数据进行腐蚀操作,标记噪声点;
S521、遍历点云数据中的每个点,
S522、对于每个点,检查以该点为球心、结构元素为球形区域内的所有点是否都属于点云数据,
S523、如果有任何邻域内的点不属于点云数据,则将当前点标记为噪声点,
S524、将标记为噪声点的点的属性值设置为特殊值;
S53、对所述噪声点进行膨胀操作;
S531、遍历点云数据中的每个点,
S532、对于每个标记为噪声点的点,检查以该点为球心、结构元素为球形区域内的所有点是否属于点云数据,
S533、如果邻域内的点中有超过一定比例(如大于50%)的点属于点云数据,则将当前点重新标记为有效点。
S54、重复步骤S52和S53,直到满足停止条件后输出点云结果。
停止条件例如:没有更多的噪声点产生或达到指定的迭代次数。
返回经过腐蚀膨胀处理后的点云数据,其中噪声点已被移除,并且有效点的属性值保持不变。
本发明的技术方案相对现有技术具有如下技术效果:
本发明采用点云凹凸性判断方法可以实现自动化、高效化的物体检测,大大提高生产效率,缩短生产周期;代替传统的人工使用机械测量方式,可以降低成本,提高生产效益。
同时通过点云数据的高精度获取,可以更加准确地检测物体表面的各种凹凸性,保证产品外观质量和功能表现。
以汽车缝线部位的检查为例,首先,将待检测的缝皮位置固定,并使用激光扫描仪对缝皮表面进行扫描,以获取点云信息。接下来,使用MS+GS算法来去除噪点和离群点,提高点云数据的质量。使用CM(Covariance Matrix,协方差矩阵)方法来估计点云的法线方向。然后通过计算法线向量之间的夹角,可以确定点云数据中具有明显法线变化的区域,随后对该区域进行聚类增长判断凹凸部位。再对筛选出的凹凸部位CE算法补空去噪,可以再保留特征细节的同时消除噪声点的影响。最后,使用PolyWorkers软件对获取到的点云数据进行进一步处理和分析。该软件可以提取凹凸部位的面积大小、相邻凹凸部位的距离、凹凸部位的长度等信息,以判断缝线是否符合要求。帮助评估缝线的质量和准确性。
通过上述流程,可以实现对汽车缝线部位的高效、准确的检查。整个流程结合了激光扫描、点云处理、法线估计和凹凸部位分析等技术,旨在提高生产效率和产品质量,以满足汽车行业对缝线检测的需求。
在上述实施方式的描述中,具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.基于点云法线的物体表面凹凸性的检测方法,其特征在于,包括以下步骤:
S1、获取待测样品的点云数据;
S2、对所述点云数据进行去除噪点和离群点,然后进行下采样;
S3、获取经过所述步骤S2处理后的点云数据中各个点的法向量;
S4、计算所述步骤S3中的法向量之间的夹角,然后利用区域增长方法对点云进行聚类;
S5、使用CE(腐蚀膨胀)算法对所述步骤S4处理后的点云数据进行去噪处理。
2.根据权利要求1所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S2中,采用MS(平均值和标准差)方法进行去除噪点和离群点;采用GS(网格下采样)方法进行低尺度下采样。
3.根据权利要求2所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述MS方法包括以下步骤:
S21、对于所述点云数据中的点xi,计算其周围相邻N个点的平均值M和标准差S;
S22、根据所述步骤S21中的平均值M和标准差S确定阈值范围[M-k*S,M+k*S],对位于所述阈值范围外的点xi进行移除。
4.根据权利要求2所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述GS方法包括以下步骤:
S23、根据所需的下采样后的点云数据密度设置网格结构的网格大小;
S24、遍历所述点云数据,根据其位置信息分配至相应的网格单元中;
S25、在每个网格单元中选择代表点后,将所有的代表点作为下采样后的点云数据输出。
5.根据权利要求1所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S3具体包括以下步骤:
S31、对于下采样后的点云数据中的每个点p,根据设置的半径范围获取其邻域点集合P,计算每个点p的权重;
S32、计算所述集合P的加权协方差矩阵C,并对所述加权协方差矩阵C进行特征值分解,得到特征值和特征向量,其中,所述特征向量即为点p的法向量。
6.根据权利要求1所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S4中法向量的夹角的计算公式为:
;
其中,点pi的法向量为,点pj的法向量为/>。
7.根据权利要求1所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S4具体包括以下步骤:
S41、计算法向量的夹角,然后将夹角/>大于阈值/>的点云数据进行筛选至多个区域R内;
S42、选择各个区域R内的种子点,对每个种子点进行区域聚类生长;
S43、根据聚类结果判断所述待测样品的凹凸性。
8.根据权利要求7所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述区域聚类生长的步骤包括:
S421、对于每个种子点,找到其所在区域R中的邻近点;
S422、判断所述步骤S421中的邻近点的法向量是否与种子点相似;
S423、将具有相似法向量的点加入当前种子点的聚类中,并将这些点作为新的种子点,重复区域生长过程;
S424、重复步骤S421-S423,直到无法找到新的相似点。
9.根据权利要求7所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S43具体包括以下步骤:
S431、计算每个聚类中的平均向量和中位向量;
S432、比较各个点的法向量与平均向量或中位向量的夹角,若任一区域内的夹角小于设定值且对应法向量的方向一致,则认为该区域为平坦或外凸;若任一区域内的夹角分布范围较大或散布在多个方向,则该区域为内凹。
10.根据权利要求1所述的基于点云法线的物体表面凹凸性的检测方法,其特征在于,所述步骤S5包括以下步骤:
S51、定义球形腐蚀和膨胀结构元素;
S52、对点云数据进行腐蚀操作,标记噪声点;
S53、对所述噪声点进行膨胀操作;
S54、重复步骤S52和S53,直到满足停止条件后输出点云结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050940.5A CN117576087A (zh) | 2024-01-15 | 2024-01-15 | 基于点云法线的物体表面凹凸性的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050940.5A CN117576087A (zh) | 2024-01-15 | 2024-01-15 | 基于点云法线的物体表面凹凸性的检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117576087A true CN117576087A (zh) | 2024-02-20 |
Family
ID=89888422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050940.5A Pending CN117576087A (zh) | 2024-01-15 | 2024-01-15 | 基于点云法线的物体表面凹凸性的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117576087A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190624A (zh) * | 2018-09-29 | 2019-01-11 | 佛山市云米电器科技有限公司 | 基于图像处理的厨房油烟浓度检测方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN110458764A (zh) * | 2019-07-08 | 2019-11-15 | 天津大学 | 一种基于形态学图形处理的点云数据平滑方法 |
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
WO2021248908A1 (zh) * | 2020-06-08 | 2021-12-16 | 大连理工大学 | 基于高斯过程回归的室外场景三维点云的地面提取方法 |
CN115578398A (zh) * | 2022-10-25 | 2023-01-06 | 华南理工大学 | 一种基于区域增长法的焊缝点云分割方法 |
CN116012600A (zh) * | 2023-01-30 | 2023-04-25 | 西湾智慧(广东)信息科技有限公司 | 基于形态学提取点云局部曲面特征的方法 |
CN116188683A (zh) * | 2022-12-29 | 2023-05-30 | 深圳市凌云视迅科技有限责任公司 | 三维对象包围盒确定方法、装置、计算机设备及存储介质 |
CN116642904A (zh) * | 2023-05-24 | 2023-08-25 | 西安理工大学 | 一种基于三维点云的飞机蒙皮缺陷检测及测量方法 |
CN117115012A (zh) * | 2023-07-25 | 2023-11-24 | 山东科技大学 | 一种道路路面点云标线分割去噪方法 |
CN117274167A (zh) * | 2023-08-30 | 2023-12-22 | 长春工业大学 | 一种基于三维信息的成形焊缝外观缺陷提取方法 |
CN117314950A (zh) * | 2023-09-27 | 2023-12-29 | 上海交通大学 | 机器视觉系统中起止编码加速点云形态学运算系统及方法 |
-
2024
- 2024-01-15 CN CN202410050940.5A patent/CN117576087A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019242174A1 (zh) * | 2018-06-21 | 2019-12-26 | 华南理工大学 | 基于激光雷达的建筑结构自动测量及3d模型生成方法 |
CN109190624A (zh) * | 2018-09-29 | 2019-01-11 | 佛山市云米电器科技有限公司 | 基于图像处理的厨房油烟浓度检测方法 |
CN109409437A (zh) * | 2018-11-06 | 2019-03-01 | 安徽农业大学 | 一种点云分割方法、装置、计算机可读存储介质及终端 |
CN110458764A (zh) * | 2019-07-08 | 2019-11-15 | 天津大学 | 一种基于形态学图形处理的点云数据平滑方法 |
CN111696210A (zh) * | 2020-04-22 | 2020-09-22 | 北京航天控制仪器研究所 | 一种基于三维点云数据特征轻量化的点云重构方法及系统 |
WO2021248908A1 (zh) * | 2020-06-08 | 2021-12-16 | 大连理工大学 | 基于高斯过程回归的室外场景三维点云的地面提取方法 |
CN115578398A (zh) * | 2022-10-25 | 2023-01-06 | 华南理工大学 | 一种基于区域增长法的焊缝点云分割方法 |
CN116188683A (zh) * | 2022-12-29 | 2023-05-30 | 深圳市凌云视迅科技有限责任公司 | 三维对象包围盒确定方法、装置、计算机设备及存储介质 |
CN116012600A (zh) * | 2023-01-30 | 2023-04-25 | 西湾智慧(广东)信息科技有限公司 | 基于形态学提取点云局部曲面特征的方法 |
CN116642904A (zh) * | 2023-05-24 | 2023-08-25 | 西安理工大学 | 一种基于三维点云的飞机蒙皮缺陷检测及测量方法 |
CN117115012A (zh) * | 2023-07-25 | 2023-11-24 | 山东科技大学 | 一种道路路面点云标线分割去噪方法 |
CN117274167A (zh) * | 2023-08-30 | 2023-12-22 | 长春工业大学 | 一种基于三维信息的成形焊缝外观缺陷提取方法 |
CN117314950A (zh) * | 2023-09-27 | 2023-12-29 | 上海交通大学 | 机器视觉系统中起止编码加速点云形态学运算系统及方法 |
Non-Patent Citations (2)
Title |
---|
莫堃,尹周平: "基于3D活动轮廓模型的缺陷点云分割方法", 华中科技大学学报(自然科学版), vol. 39, no. 01, 31 January 2011 (2011-01-31), pages 82 - 85 * |
陈龙;蔡勇;张建生;向北平;: "基于多判别参数混合方法的散乱点云特征提取", 计算机应用研究, no. 09, 30 September 2017 (2017-09-30), pages 313 - 316 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830931B (zh) | 一种基于动态网格k邻域搜索的激光点云精简方法 | |
CN109740227B (zh) | 基于特征识别的微型复杂零件建模方法 | |
CN111275724B (zh) | 一种基于八叉树和边界优化的机载点云屋顶平面分割方法 | |
CN109961470B (zh) | 一种基于激光点云的活立木叶属性精准估测方法 | |
CN107144812B (zh) | 一种单站移动自动定位方法 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN110781937B (zh) | 一种基于全局视角的点云特征提取方法 | |
CN114200477A (zh) | 一种激光三维成像雷达地面目标点云数据处理方法 | |
CN110807781A (zh) | 一种保留细节与边界特征的点云精简方法 | |
CN112200083B (zh) | 一种基于多元高斯混合模型的机载多光谱LiDAR数据分割方法 | |
CN107194355A (zh) | 一种利用方向导数构造熵对比度的红外弱小目标检测方法 | |
CN115840205A (zh) | 一种基于激光雷达技术的地形面积计量方法和系统 | |
CN110930425B (zh) | 基于邻域向量内积局部对比度图像增强的损伤目标检测方法 | |
CN113191416B (zh) | 面向大规模地理点数据的空间属性关联维诺图生成方法 | |
CN105488798B (zh) | 基于点集对比的sar图像相似性度量方法 | |
CN117496359A (zh) | 基于三维点云的植物种植布局监测方法及系统 | |
CN112232248B (zh) | 一种多线LiDAR点云数据平面特征的提取方法及装置 | |
CN117576087A (zh) | 基于点云法线的物体表面凹凸性的检测方法 | |
CN105740867A (zh) | 图像纹理窗口形状与尺度的选择方法 | |
Zhou et al. | Segmentation algorithm for 3D LiDAR point cloud based on region clustering | |
CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
CN113763280B (zh) | 用于点云去噪的基于空间层次拓扑关系的区域生长方法 | |
CN114004952A (zh) | 基于统计流形曲率的带高密度噪声点云的数据处理方法 | |
CN114186588A (zh) | 一种实时层次化滤波方法 | |
CN113658077A (zh) | 一种基于曲率的分区域双边海量点云降噪方法 |
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 |