CN117807875A - 石英器件的三维数据逆向重建和尺寸测量系统及方法 - Google Patents
石英器件的三维数据逆向重建和尺寸测量系统及方法 Download PDFInfo
- Publication number
- CN117807875A CN117807875A CN202311829010.1A CN202311829010A CN117807875A CN 117807875 A CN117807875 A CN 117807875A CN 202311829010 A CN202311829010 A CN 202311829010A CN 117807875 A CN117807875 A CN 117807875A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- data
- laser point
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 133
- 239000010453 quartz Substances 0.000 title claims abstract description 72
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 238000005259 measurement Methods 0.000 title claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 78
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000010304 firing Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 11
- 230000000295 complement effect Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 25
- 230000009466 transformation Effects 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 14
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000000691 measurement method Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims 2
- 238000004088 simulation Methods 0.000 abstract description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及石英器件加工技术领域,本发明公开了石英器件的三维数据逆向重建和尺寸测量系统及方法,该方法包括获取目标器件的第一激光点云数据,根据目标器件种类和预构建的机器学习模型确定点云处理算法,数据补全模块:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,根据工件的种类或体积选择对点云数据进行去噪和补全,这样建立的实际模拟模型与工件的实际尺寸误差较小,能够很好地校正理论模型,通过校正理论模型生成三维模型,根据三维模型进行模拟,避免工件在加工的过程中发生撞针现象。
Description
技术领域
本发明涉及石英器件加工技术领域,更具体地说,本发明涉及石英器件的三维数据逆向重建和尺寸测量系统及方法。
背景技术
石英器件通常指的是使用石英材料制造的各种器件或元件,常规的石英器件在进行加工之前需要经历以下步骤:
客户将测绘件和图纸送至加工中心后,去考虑产品的特征元素,根据特征元素选择合适的测量装夹具,测头,手动测量特征元素,根据特征元素制造坐标轴,在坐标轴和客户图纸的基础上完成二维图纸,后续编程加工,这种方式耗时较久,人力耗费大,完成一个产品的绘制需要两到三个人,加工的产品和原实物测绘件之间易发生较大偏差,测绘的依据仅仅为客户图纸以及二维图纸,测绘件生产和普通客户图纸产品之间最大的区别,就是测绘件更贴近于现场,不能有尺寸大小的偏差,虽然现有技术中已经出现了通过测绘数据对图纸中的数据进行校正,但实际应用到石英器件加工过程中还存在较多的问题;
例如,授权公告号为CN113722789B的专利公开了基于3D激光扫描和过程反馈的钢结构桥梁虚拟拼装方法,上述专利通过获取点云数据建立实际模拟模型,通过实际模拟模型去校正理论模型从而减少加工时的误差,但是还存在以下缺陷:
上述专利只是简单的通过点云数据建立实际模拟模型,但是并没有根据工件的种类或体积等因素选择对点云数据进行去噪和补全,这样导致建立实际模拟模型与工件的实际尺寸误差较大,不能很好地校正理论模型,从而影响工件加工的效果,严重时发生撞针现象。
鉴于此,本发明提出石英器件的三维数据逆向重建和尺寸测量系统及方法以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供石英器件的三维数据逆向重建和尺寸测量系统及方法。
为实现上述目的,本发明提供如下技术方案:
石英器件的三维数据逆向重建和尺寸测量方法,包括:
S10:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的第一机器学习模型确定点云处理算法;
S20:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
S30:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入S40,若否则转入S50;
S40:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
S50:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
S60:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型。
进一步地,所述目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件,点云处理算法包括体素滤波算法、地面移除算法以及平面分割算法,机器学习模型的训练过程为:获取i组数据,i为大于1的正整数,数据包括目标器件种类和点云处理算法,将目标器件种类和点云处理算法作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的目标器件种类作为输入数据,将训练集中的点云处理算法作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为机器学习模型。
进一步地,所述基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据的方法包括:
获取桶形石英器件的第一激光点云数据,第一激光点云数据包括工件点云和背景点云;
根据RANSAC算法识别工件点云和背景点云,并将工件点云标记为前景,将背景点云标记为后景;
基于OPTICS算法将工件点云和背景点云分别进行聚类,获取聚类后的工件点云作为第二激光点云数据。
进一步地,所述根据目标器件的种类确定点云补全的方法包括:
判断目标器件种类是否为槽形石英器件,若是,则点云补全方法确定为几何对称方法,若否,则点云补全方法确定为表面重建方法。
进一步地,所述基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据的方法包括:
获取第二激光点云数据的曲率,根据曲率计算第二激光点云数据的法向量,基于泊松方程和法向量对第二激光点云数据进行插值,以生成第三激光点云数据。
进一步地,所述判断是否对第三激光点云数据进行池化的方法,包括:
若目标器件的体积大于预设体积阈值,则对第三激光点云数据进行池化;
若目标器件的体积小于或等于预设体积阈值,则不对第三激光点云数据进行池化。
进一步地,所述将第三激光点云数据进行池化并生成第一离散网格结构的方法包括:
将第三激光点云数据映射到三维离散网格结构,生成h个体素,所述体素为三维离散网格结构中的网格单元;
遍历h个体素通过体素精简算法进行池化生成第一离散网格结构。
进一步地,所述通过体素精简算法进行池化生成第一离散网格结构的方法包括:
读取输入目标点云数据的坐标信息,计算输入目标点云数据的最小长方体,所述目标点云数据为三维离散网格结构中的点云数据;
根据最小长方体大小范围,将输入的目标点云数据平均划分为多个相同的小立方体,最后根据读取到输入目标点云数据的位置信息,将点云数据划分到小立方体内;
将每个小立方体内的最接近中心的点云数据进行保留,将小立方体内其余的点云数据进行剔除。
进一步地,所述基于第一离散网格结构对理论模型进行校正的方法包括:
将第一离散网格结构和理论模型放置于同一坐标下,经过R、T变换后得到第一离散网格结构在理论模型所处坐标系下的坐标值;
获取第一离散网格结构的第一特征点,以及对应理论模型的第二特征点,所述第一特征点和第二特征点均包括角点、边缘点、显著点以及关键点;
基于最近邻匹配算法建立第一特征点与第二特征点的对应关系;
根据对应关系以及刚体变换矩阵将理论模型与第一离散网格结构对齐,刚体变换矩阵包括平移矩阵、缩放矩阵和旋转矩阵。
石英器件的三维数据逆向重建和尺寸测量系统,其用于实现上述石英器件的三维数据逆向重建和尺寸测量方法,包括:
数据获取模块:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的机器学习模型确定点云处理算法;
数据补全模块:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
判断模块:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入第一校正模块,若否则转入第二校正模块;
第一校正模块:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
第二校正模块:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
模拟模块:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型。
相比于现有技术,本发明的有益效果为:
(1)根据工件的种类或体积选择对点云数据进行去噪和补全,这样建立的实际模拟模型与工件的实际尺寸误差较小,能够很好地校正理论模型,通过校正理论模型生成三维模型,根据三维模型进行模拟,避免工件在加工的过程中发生撞针现象;
(2)背景干扰去除的过程中容易造成第二激光点云数据的缺失,那么通过后续的点云补全方法对第二激光点云数据进行补全,以形成第三激光点云数据,提升了激光点云数据校正理论模型的效果。
附图说明
图1为本发明中石英器件的三维数据逆向重建和尺寸测量方法的示意图;
图2为本发明中石英器件的三维数据逆向重建和尺寸测量系统的示意图;
图3为本发明中试管形石英器件的示意图;
图4为本发明中桶形石英器件的示意图;
图5为本发明中槽形石英器件的示意图。
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。
实施例1
请参阅图1所示,本实施例公开提供了石英器件的三维数据逆向重建和尺寸测量方法,包括:
S10:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的机器学习模型确定点云处理算法;
需要说明的是,本实施例中可以将目标器件放置在旋转台上,通过激光扫描设备对目标器件的表面进行扫描以获得第一激光点云数据,激光扫描设备目前主要运用的包括地基激光雷达扫描仪和手持式激光扫描仪,地基激光扫描仪通过在地面使用支架以架设扫描基站,定点获取扫描范围内的各种物体的三维空间位置信息,本实施中优先采取地基激光雷达扫描仪;
在一些实施例中,如图3、图4和图5所示,目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件,点云处理算法包括:体素滤波算法、地面移除算法以及平面分割算法,体素滤波算法适用于有规则形状的器件,例如槽形石英器件,地面移除算法和平面分割算法各有优点,平面分割算法的鲁棒性更强,地面移除算法计算的速率较快,由于小物体的点云可能相对稀疏,而且可能与背景点混合,导致地面移除算法难以准确区分,因此并不适用于试管形石英器件,那么在本实施例中,桶形石英器件采用地面移除算法,而试管形石英器件采用平面分割算法,这样根据石英器件的种类确定点云处理算法,使得在进行加工模拟的过程中,能够迅速去除第一激光点云数据中的背景干扰,保留第一激光点云数据中的石英器件信息;
机器学习模型的训练过程为:获取i组数据,i为大于1的正整数,数据包括目标器件种类和点云处理算法,将目标器件种类和点云处理算法作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的目标器件种类作为输入数据,将训练集中的点云处理算法作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为机器学习模型,分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种;
S20:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
本实施例中,对第一激光点云数据进行去噪指的是去除第一激光点云数据中的背景干扰,以目标器件为桶形石英器件,确定的点云处理算法是平面分割算法为例,进一步进行解释;
基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据的方法包括:
获取桶形石英器件的第一激光点云数据,第一激光点云数据包括工件点云和背景点云;
根据RANSAC算法识别工件点云和背景点云,并将工件点云标记为前景,将背景点云标记为后景;
基于OPTICS算法将工件点云和背景点云分别进行聚类,获取聚类后的工件点云作为第二激光点云数据;
可以理解的是,上述中RANSAC算法只是平面分割算法中的一种,而OPTICS算法为现有技术,上述中的背景点云通常指的是旋转台顶端的点云数据,因为本实施例中,目标器件通常需要放置在旋转台上进行激光扫描,同样地,背景点云也可以是其它点云数据,例如地面点云数据;
针对上述实施方式进行示例性说明就是:承接上述示例,目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件;
根据目标器件的种类确定点云补全的方法包括:
判断目标器件种类是否为槽形石英器件,若是,则点云补全方法确定为几何对称方法,若否,则点云补全方法确定为表面重建方法;
需要说明的是,表面重建方法的种类有多种,主要的原理是通过在点云中生成Delaunay三角形网格从而形成表面,或者是通过插值的方式形成表面,表面重建方法适用于表面为光滑曲面的情形,而几何对称方法的原理是利用几何上的对称性来填补缺失或不完整的点云信息,几何对称方法适用于有规则形状的表面;
那么,以目标器件种类为桶形石英器件,点云补全方法确定为表面重建方法为例,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据的方法包括:
获取第二激光点云数据的曲率,根据曲率计算第二激光点云数据的法向量,基于泊松方程和法向量对第二激光点云数据进行插值,以生成第三激光点云数据;
可以理解的是,根据曲率计算第二激光点云数据的法向量可以通过最小二乘法实现,上述步骤中通过点云处理算法去除了第一激光点云数据中的背景干扰,以形成第二激光点云数据,但是去除的过程中容易造成第二激光点云数据的缺失,那么通过后续的点云补全方法对第二激光点云数据进行补全,以形成第三激光点云数据,提升了激光点云数据校正理论模型的效果;
S30:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入S40,若否则转入S50;
本实施例中,由于第一模型是事先通过图纸进行建模生成的,因此目标器件的体积可以直接通过预存于系统中的第一模型进行计算生成,可以理解的是,虽然目标器件的体积与第一模型计算的体积存在误差,但是在进行体积判断时可以进行忽略;
判断是否对第三激光点云数据进行池化的方法,包括:
若目标器件的体积大于预设体积阈值,则对第三激光点云数据进行池化;
若目标器件的体积小于或等于预设体积阈值,则不对第三激光点云数据进行池化;
具体地,承接上例,目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件,当目标器件为桶形石英器件,则对第三激光点云数据进行池化,当目标器件为试管形石英器件,则不对第三激光点云数据进行池化,因为目标器件的体积越大,第三激光点云数据的密度会越高,那么不利于后续通过第三激光点云数据与第一模型直接进行比较,需要通过池化的方式对第三激光点云数据进行降密,生成第一全局特征,便于后续与第一模型直接进行比较,反之目标器件的体积越小,则第三激光点云数据的密度会越低,则不需要进行池化,可以理解的是点云数据中的密度指的是点的数量,并不是传统意义上的密度;
S40:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
将第三激光点云数据进行池化并生成第一离散网格结构的方法包括:
将第三激光点云数据映射到三维离散网格结构,生成h个体素,所述体素为三维离散网格结构中的网格单元;
遍历h个体素通过体素精简算法进行池化生成第一离散网格结构;
可以理解的是,由于本发明解决的问题是通过对理论模型的校正,便于后续进行石英器件的加工,因此本实施中并没有通过第三激光点云数据进行三维建模,只是将第三激光点云数据映射到三维离散网格结构,这样减少了进行三维建模所需要的时间,同时也降低了三维建模所带来的误差。
通过体素精简算法进行池化生成第一离散网格结构的方法包括:
读取输入目标点云数据的坐标信息,计算输入目标点云数据的最小长方体,所述目标点云数据为三维离散网格结构中的点云数据;
根据最小长方体大小范围,将输入的目标点云数据平均划分为多个相同的小立方体,最后根据读取到输入目标点云数据的位置信息,将点云数据划分到小立方体内;
将每个小立方体内的最接近中心的点云数据进行保留,将小立方体内其余的点云数据进行剔除;
需要说明的是,三维离散网格结构中的体素与图像中的像素类似,但体素中通常包含多个点云数据,通过对每个体素中多余点云数据进行删除,以达到对第三激光点云数据进行池化的目的,可以减少后续通过第一离散网格结构与理论模型进行对比的时间,便于后续对理论模型进行校正;
基于第一离散网格结构对理论模型进行校正的方法包括:
将第一离散网格结构和理论模型放置于同一坐标下,经过R、T变换后得到第一离散网格结构在理论模型所处坐标系下的坐标值;
获取第一离散网格结构的第一特征点,以及对应理论模型的第二特征点,所述第一特征点和第二特征点均包括角点、边缘点、显著点以及关键点;
基于最近邻匹配算法建立第一特征点与第二特征点的对应关系;
根据对应关系以及刚体变换矩阵将理论模型与第一离散网格结构对齐,刚体变换矩阵包括平移矩阵、缩放矩阵和旋转矩阵;
需要说明的是,最近邻匹配是一种基本的匹配算法,可以使用最近邻匹配来找到一个集合中的点在另一个集合中的对应点,已知第一特征点的坐标和第二特征点的坐标,通过刚体变换矩阵就能够实现改变第二特征点的坐标,使得第二特征点与第一特征点对齐,例如,对于一个第二特征点(x,y,z)和刚体变换矩阵T,需要对齐第一特征点(x',y',z')可以通过以下方式计算;
这里,T是一个4x4的刚体变换矩阵,最后一列通常是[0,0,0,1],第一特征点的坐标被表示为齐次坐标,最后一个元素通常设置为1,以便执行齐次坐标的变换;
S50:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
根据第三激光点云数据生成第二离散网格结构的方法包括:
将第三激光点云数据映射到三维离散网格结构生成第二离散网格结构;
本实施例中,通过第二离散网格结构对理论模型进行校正的方法与上述步骤S40中相同,本实施例不再过多的进行赘述;
S60:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型;
基于三维模型和三坐标机床进行模拟的方法包括:三坐标机床的顶针处安装红外探测警报装置,预先设置三坐标机床的运行速度,红外探测警报装置提前放出红外射线,依据红外射线射向产品的距离推算产品按照三维模型运行是否会碰撞撞针,并进行警报停止运行,可以理解的是三维模型可以任意选择第一模型或第二模型;
本实施例中,根据工件的种类或体积选择对点云数据进行去噪和补全,这样建立的实际模拟模型与工件的实际尺寸误差较小,能够很好地校正理论模型,通过校正理论模型生成三维模型,根据三维模型进行模拟,避免工件在加工的过程中发生撞针现象。
实施例2
请参阅图2所示,本实施例基于实施例1的基础之上,公开了石英器件的三维数据逆向重建和尺寸测量系统,包括:
数据获取模块:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的第一机器学习模型确定点云处理算法;
数据补全模块:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
本实施例中,对第一激光点云数据进行去噪指的是去除第一激光点云数据中的背景干扰,以目标器件为桶形石英器件,确定的点云处理算法是平面分割算法为例,进一步进行解释;
基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据的方法包括:
获取桶形石英器件的第一激光点云数据,第一激光点云数据包括工件点云和背景点云;
根据RANSAC算法识别工件点云和背景点云,并将工件点云标记为前景,将背景点云标记为后景;
基于OPTICS算法将工件点云和背景点云分别进行聚类,获取聚类后的工件点云作为第二激光点云数据;
可以理解的是,上述中RANSAC算法只是平面分割算法中的一种,而OPTICS算法为现有技术,上述中的背景点云通常指的是旋转台顶端的点云数据,因为本实施例中,目标器件通常需要放置在旋转台上进行激光扫描,同样地,背景点云也可以是其它点云数据,例如地面点云数据;
针对上述实施方式进行示例性说明就是:承接上述示例,目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件;
根据目标器件的种类确定点云补全的方法包括:
判断目标器件种类是否为槽形石英器件,若是,则点云补全方法确定为几何对称方法,若否,则点云补全方法确定为表面重建方法;
需要说明的是,表面重建方法的种类有多种,主要的原理是通过在点云中生成Delaunay三角形网格从而形成表面,或者是通过插值的方式形成表面,表面重建方法适用于表面为光滑曲面的情形,而几何对称方法的原理是利用几何上的对称性来填补缺失或不完整的点云信息,几何对称方法适用于有规则形状的表面;
那么,以目标器件种类为桶形石英器件,点云补全方法确定为表面重建方法为例,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据的方法包括:
获取第二激光点云数据的曲率,根据曲率计算第二激光点云数据的法向量,基于泊松方程和法向量对第二激光点云数据进行插值,以生成第三激光点云数据;
可以理解的是,根据曲率计算第二激光点云数据的法向量可以通过最小二乘法实现,上述步骤中通过点云处理算法去除了第一激光点云数据中的背景干扰,以形成第二激光点云数据,但是去除的过程中容易造成第二激光点云数据的缺失,那么通过后续的点云补全方法对第二激光点云数据进行补全,以形成第三激光点云数据,提升了激光点云数据校正理论模型的效果;
判断模块:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入第一校正模块,若否则转入第二校正模块;
本实施例中,由于第一模型是事先通过图纸进行建模生成的,因此目标器件的体积可以直接通过预存于系统中的第一模型进行计算生成,可以理解的是,虽然目标器件的体积与第一模型计算的体积存在误差,但是在进行体积判断时可以进行忽略;
判断是否对第三激光点云数据进行池化的方法,包括:
若目标器件的体积大于预设体积阈值,则对第三激光点云数据进行池化;
若目标器件的体积小于或等于预设体积阈值,则不对第三激光点云数据进行池化;
第一校正模块:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
将第三激光点云数据进行池化并生成第一离散网格结构的方法包括:
将第三激光点云数据映射到三维离散网格结构,生成h个体素,所述体素为三维离散网格结构中的网格单元;
遍历h个体素通过体素精简算法进行池化生成第一离散网格结构;
可以理解的是,由于本发明解决的问题是通过对理论模型的校正,便于后续进行石英器件的加工,因此本实施中并没有通过第三激光点云数据进行三维建模,只是将第三激光点云数据映射到三维离散网格结构,这样减少了进行三维建模所需要的时间,同时也降低了三维建模所带来的误差,
通过体素精简算法进行池化生成第一离散网格结构的方法包括:
读取输入目标点云数据的坐标信息,计算输入目标点云数据的最小长方体,所述目标点云数据为三维离散网格结构中的点云数据;
根据最小长方体大小范围,将输入的目标点云数据平均划分为多个相同的小立方体,最后根据读取到输入目标点云数据的位置信息,将点云数据划分到小立方体内;
将每个小立方体内的最接近中心的点云数据进行保留,将小立方体内其余的点云数据进行剔除;
需要说明的是,三维离散网格结构中的体素与图像中的像素类似,但体素中通常包含多个点云数据,通过对每个体素中多余点云数据进行删除,以达到对第三激光点云数据进行池化的目的,可以减少后续通过第一离散网格结构与理论模型进行对比的时间,便于后续对理论模型进行校正;
基于第一离散网格结构对理论模型进行校正的方法包括:
将第一离散网格结构和理论模型放置于同一坐标下,经过R、T变换后得到第一离散网格结构在理论模型所处坐标系下的坐标值;
获取第一离散网格结构的第一特征点,以及对应理论模型的第二特征点,所述第一特征点和第二特征点均包括角点、边缘点、显著点以及关键点;
基于最近邻匹配算法建立第一特征点与第二特征点的对应关系;
根据对应关系以及刚体变换矩阵将理论模型与第一离散网格结构对齐,刚体变换矩阵包括平移矩阵、缩放矩阵和旋转矩阵;
需要说明的是,最近邻匹配是一种基本的匹配算法,可以使用最近邻匹配来找到一个集合中的点在另一个集合中的对应点,已知第一特征点的坐标和第二特征点的坐标,通过刚体变换矩阵就能够实现改变第二特征点的坐标,使得第二特征点与第一特征点对齐,例如,对于一个第二特征点(x,y,z)和刚体变换矩阵T,需要对齐第一特征点(x',y',z')可以通过以下方式计算;
这里,T是一个4x4的刚体变换矩阵,最后一列通常是[0,0,0,1],第一特征点的坐标被表示为齐次坐标,最后一个元素通常设置为1,以便执行齐次坐标的变换;
第二校正模块:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
模拟模块:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型。
实施例3
本实施例公开提供了一种电子设备,包括存储器、处理器以及存储在存储器上并在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述石英器件的三维数据逆向重建和尺寸测量方法。
由于本实施例所介绍的电子设备为实施本申请实施例中石英器件的三维数据逆向重建和尺寸测量方法所采用的电子设备,故而基于本申请实施例中所介绍的石英器件的三维数据逆向重建和尺寸测量方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中石英器件的三维数据逆向重建和尺寸测量方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例4
本实施例公开提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述石英器件的三维数据逆向重建和尺寸测量方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,包括:
S10:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的第一机器学习模型确定点云处理算法;
S20:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
S30:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入S40,若否则转入S50;
S40:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
S50:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
S60:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型。
2.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述目标器件种类包括试管形石英器件、桶形石英器件和槽形石英器件,点云处理算法包括体素滤波算法、地面移除算法以及平面分割算法,机器学习模型的训练过程为:获取i组数据,i为大于1的正整数,数据包括目标器件种类和点云处理算法,将目标器件种类和点云处理算法作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的目标器件种类作为输入数据,将训练集中的点云处理算法作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为机器学习模型。
3.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据的方法包括:
获取桶形石英器件的第一激光点云数据,第一激光点云数据包括工件点云和背景点云;
根据RANSAC算法识别工件点云和背景点云,并将工件点云标记为前景,将背景点云标记为后景;
基于OPTICS算法将工件点云和背景点云分别进行聚类,获取聚类后的工件点云作为第二激光点云数据。
4.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述根据目标器件的种类确定点云补全的方法包括:
判断目标器件种类是否为槽形石英器件,若是,则点云补全方法确定为几何对称方法,若否,则点云补全方法确定为表面重建方法。
5.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据的方法包括:
获取第二激光点云数据的曲率,根据曲率计算第二激光点云数据的法向量,基于泊松方程和法向量对第二激光点云数据进行插值,以生成第三激光点云数据。
6.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述判断是否对第三激光点云数据进行池化的方法,包括:
若目标器件的体积大于预设体积阈值,则对第三激光点云数据进行池化;
若目标器件的体积小于或等于预设体积阈值,则不对第三激光点云数据进行池化。
7.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述将第三激光点云数据进行池化并生成第一离散网格结构的方法包括:
将第三激光点云数据映射到三维离散网格结构,生成h个体素,所述体素为三维离散网格结构中的网格单元;
遍历h个体素通过体素精简算法进行池化生成第一离散网格结构。
8.根据权利要求7所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述通过体素精简算法进行池化生成第一离散网格结构的方法包括:
读取输入目标点云数据的坐标信息,计算输入目标点云数据的最小长方体,所述目标点云数据为三维离散网格结构中的点云数据;
根据最小长方体大小范围,将输入的目标点云数据平均划分为多个相同的小立方体,最后根据读取到输入目标点云数据的位置信息,将点云数据划分到小立方体内;
将每个小立方体内的最接近中心的点云数据进行保留,将小立方体内其余的点云数据进行剔除。
9.根据权利要求1所述的石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,所述基于第一离散网格结构对理论模型进行校正的方法包括:
将第一离散网格结构和理论模型放置于同一坐标下,经过R、T变换后得到第一离散网格结构在理论模型所处坐标系下的坐标值;
获取第一离散网格结构的第一特征点,以及对应理论模型的第二特征点,所述第一特征点和第二特征点均包括角点、边缘点、显著点以及关键点;
基于最近邻匹配算法建立第一特征点与第二特征点的对应关系;
根据对应关系以及刚体变换矩阵将理论模型与第一离散网格结构对齐,所述刚体变换矩阵包括平移矩阵、缩放矩阵和旋转矩阵。
10.石英器件的三维数据逆向重建和尺寸测量系统,其用于实现权利要求1-9任一所述石英器件的三维数据逆向重建和尺寸测量方法,其特征在于,包括:
数据获取模块:获取目标器件的第一激光点云数据,根据目标器件种类和预构建的机器学习模型确定点云处理算法;
数据补全模块:基于点云处理算法对第一激光点云数据进行去噪,并获取第二激光点云数据,根据目标器件的种类确定点云补全方法,基于点云补全方法对第二激光点云数据进行补全,并获取第三激光点云数据,所述点云补全方法包括几何对称方法和表面重建方法;
判断模块:根据目标器件的体积判断是否对第三激光点云数据进行池化,若是则转入第一校正模块,若否则转入第二校正模块;
第一校正模块:将第三激光点云数据进行池化并生成第一离散网格结构,基于第一离散网格结构对理论模型进行校正,并生成第一模型,所述理论模型通过目标器件的图纸进行建模生成;
第二校正模块:根据第三激光点云数据生成第二离散网格结构,基于第二离散网格结构对理论模型进行校正,并生成第二模型;
模拟模块:基于三维模型和三坐标机床进行模拟,判断是否发生撞针现象,若是则发出警报,所述三维模型包括第一模型和第二模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829010.1A CN117807875B (zh) | 2023-12-28 | 2023-12-28 | 石英器件的三维数据逆向重建和尺寸测量系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311829010.1A CN117807875B (zh) | 2023-12-28 | 2023-12-28 | 石英器件的三维数据逆向重建和尺寸测量系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117807875A true CN117807875A (zh) | 2024-04-02 |
CN117807875B CN117807875B (zh) | 2024-05-28 |
Family
ID=90429191
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311829010.1A Active CN117807875B (zh) | 2023-12-28 | 2023-12-28 | 石英器件的三维数据逆向重建和尺寸测量系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117807875B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927359A (zh) * | 2021-03-22 | 2021-06-08 | 南京大学 | 一种基于深度学习和体素的三维点云补全方法 |
CN113096067A (zh) * | 2021-03-04 | 2021-07-09 | 深圳市道通科技股份有限公司 | 一种确定工件表面磨损的方法及系统 |
CN115272697A (zh) * | 2022-07-29 | 2022-11-01 | 上海工程技术大学 | 一种基于深度学习的点云分类方法及系统 |
CN115471641A (zh) * | 2022-08-31 | 2022-12-13 | 广东三维家信息科技有限公司 | 一种三维室内场景补全方法、装置、设备及存储介质 |
CN115545089A (zh) * | 2022-03-30 | 2022-12-30 | 高德软件有限公司 | 点云数据处理方法、模型训练方法、设备、介质及产品 |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN116883606A (zh) * | 2023-09-04 | 2023-10-13 | 安徽继远软件有限公司 | 基于激光点云的三维模型构建方法及系统 |
-
2023
- 2023-12-28 CN CN202311829010.1A patent/CN117807875B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113096067A (zh) * | 2021-03-04 | 2021-07-09 | 深圳市道通科技股份有限公司 | 一种确定工件表面磨损的方法及系统 |
CN112927359A (zh) * | 2021-03-22 | 2021-06-08 | 南京大学 | 一种基于深度学习和体素的三维点云补全方法 |
WO2023045252A1 (zh) * | 2021-09-26 | 2023-03-30 | 浪潮电子信息产业股份有限公司 | 模型训练、点云缺失补全方法、装置、设备及介质 |
CN115545089A (zh) * | 2022-03-30 | 2022-12-30 | 高德软件有限公司 | 点云数据处理方法、模型训练方法、设备、介质及产品 |
CN115272697A (zh) * | 2022-07-29 | 2022-11-01 | 上海工程技术大学 | 一种基于深度学习的点云分类方法及系统 |
CN115471641A (zh) * | 2022-08-31 | 2022-12-13 | 广东三维家信息科技有限公司 | 一种三维室内场景补全方法、装置、设备及存储介质 |
CN116883606A (zh) * | 2023-09-04 | 2023-10-13 | 安徽继远软件有限公司 | 基于激光点云的三维模型构建方法及系统 |
Non-Patent Citations (1)
Title |
---|
邓世军 等: "基于激光点云数据的三维建模技术研究", 科技资讯, no. 10, 3 April 2015 (2015-04-03) * |
Also Published As
Publication number | Publication date |
---|---|
CN117807875B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4785880B2 (ja) | 三次元オブジェクト認識のためのシステムおよび方法 | |
CN105678683B (zh) | 一种三维模型的二维存储方法 | |
US9953110B2 (en) | Apparatus and method for interactively extracting shapes from a point cloud | |
US20030085891A1 (en) | Three-dimensional computer modelling | |
WO2010004466A1 (en) | Three dimensional mesh modeling | |
WO2013155271A1 (en) | Systems and methods for obtaining parameters for a three dimensional model from reflectance data | |
CN111123242B (zh) | 一种基于激光雷达和相机的联合标定方法及计算机可读存储介质 | |
Ahmadabadian et al. | Clustering and selecting vantage images in a low-cost system for 3D reconstruction of texture-less objects | |
US9147279B1 (en) | Systems and methods for merging textures | |
CN106952331B (zh) | 一种基于三维模型的纹理映射方法和装置 | |
CN116309880A (zh) | 基于三维重建的物体位姿确定方法、装置、设备及介质 | |
CN111179433A (zh) | 目标物体的三维建模方法及装置、电子设备、存储介质 | |
CN116152306B (zh) | 确定砌筑质量的方法、装置、设备和介质 | |
CN112991424B (zh) | 一种基于八叉树算法的分形维数计算方法及装置 | |
CN111932669A (zh) | 一种基于边坡岩体特征对象的变形监测方法 | |
WO2024011764A1 (zh) | 标定参数确定方法、混合标定板、装置、设备和介质 | |
CN116129037B (zh) | 视触觉传感器及其三维重建方法、系统、设备及存储介质 | |
CN114758005A (zh) | 激光雷达与相机外参标定方法及装置 | |
CN114290660A (zh) | 曲面分层式3d打印方法及系统 | |
CN115496865B (zh) | 相似模型查找方法、装置及存储介质 | |
CN117807875B (zh) | 石英器件的三维数据逆向重建和尺寸测量系统及方法 | |
CN116168174A (zh) | 建筑物缺失结构点云的修补方法及装置 | |
Cheng | The workflows of 3D digitizing heritage monuments | |
CN113592976B (zh) | 地图数据的处理方法、装置、家用电器和可读存储介质 | |
CN113920267A (zh) | 三维场景模型构建方法、装置、设备及存储介质 |
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 |