CN113486904A - 一种特征自适应激光扫描投影图形控制点提取及优化方法 - Google Patents
一种特征自适应激光扫描投影图形控制点提取及优化方法 Download PDFInfo
- Publication number
- CN113486904A CN113486904A CN202110748051.2A CN202110748051A CN113486904A CN 113486904 A CN113486904 A CN 113486904A CN 202110748051 A CN202110748051 A CN 202110748051A CN 113486904 A CN113486904 A CN 113486904A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- characteristic
- calculating
- projection
- 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
Images
Classifications
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Optimization (AREA)
- Geometry (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种特征自适应激光扫描投影图形控制点提取及优化方法,在待投影零部件的理论数模中提取待投影轮廓线,并将其保存成IGES格式文件;对IGES格式文件进行解析,得到轮廓线上数据点的三维坐标信息;并依据各相邻点的曲率和法向量夹角划分待投影图形的特征区域和非特征区域,实现针对不同图形特征的投影控制点自适应分布。同时研究了基于人眼空间分辨率的控制点数量稀释和优化方法;并用稀释优化后的点作为投影图形的控制点实现轮廓线框图形的投影。本发明能够依据投影图形的特征变化程度进行投影点疏密程度的自适应分布,能够在使用最少扫描控制点的前提下,仍然保证足够的扫描投影图形形状准确度。
Description
技术领域
本发明属于先进光电测试仪器领域,尤其涉及一种特征自适应的激光扫描投影图形控制点提取及优化方法,具体应用于先进制造装配领域中的智能辅助装配定位等。
背景技术
现代制造业对生产速度和效率有较高要求。产品的快速生产、大规模定制和柔性制造是现代生产的中心主题。而大型复杂产品的现场装配过程仍大多采用熟练技术操作人员手工完成,生产装配效率和产品质量水平无法完全满足现代制造业发展要求。激光扫描投影***能够辅助操作人员进行零部件的精准定位和辅助装配等操作,能够大幅提高生产效率和制造装配精度,实现制造装配生产的数字化与智能化,现已广泛应用于先进制造企业。该***能够将零部件外形轮廓以1:1的准确形状精确地投影到待装配定位区域,完成三维空间上零部件外形轮廓的精准投影。操作人员即可依据上述投影出的激光轮廓线完成数字化的、高效的零部件定位和装配等操作。
在进行投影操作前,关键需要已知投影点的三维坐标。该***能够依据待投影零部件的CAD数模文件,将数模中的三维坐标位置信息转换为扫描振镜的驱动控制电压,再驱动双轴振镜完成激光光束的快速偏折,从而在三维空间上准确投影出零部件的外形。
现阶段对于投影点三维坐标的获取,可以通过对投影图形数模的IGES格式文件进行解析获得。然而,基于上述方法解析得到的数据点坐标是通过均匀取点方式完成的。该方法取点会造成在曲线特征变化很小的邻域即非特征区域中,保留较多的数据点来表征该区域曲线,而在曲线特征变化较大的邻域即特征区域中,表征该区域曲线所需的数据点却不足等问题。而另一方面,为了保证局部特征区域的精度,通常会选择较多的点来进行整幅投影图形的扫描,这又会由于投影点过多导致扫描频率小于20Hz而引起“图形闪烁”问题,即解析点少投影图形不准确,解析点多投影图形发生闪烁。这就需要针对解析得到的数据点进行精简优化处理,不能直接将解析得到的数据点用作投影。而常用的利用点几何参数信息进行精简优化的方法应用到投影图形点的精简过程中会出现图形缺失、空白现象,且不能在保证投影图形精度的同时根据投影图形特征来保留点。
更严重的问题是,上述投影图形闪烁和缺失现象会严重影响零部件装配定位的准确度,使装配结果出现偏差,拖慢装配工作效率,降低激光扫描投影***在制造装配现场的实用价值。
发明内容
为了解决上述问题,本发明提供了一种特征自适应激光扫描投影图形控制点提取及优化方法。引入点曲率和法向量夹角参数设置特征判别参数和阈值,对解析获取的数据点进行特征区域划分,实现针对不同图形特征的投影控制点自适应分布。并引入人眼空间分辨率作为判据对不同区域的点集进行稀释优化处理,能够根据投影图形的不同特征实现自适应的投影控制点提取,实现不同密度的光点投影,尽可能减少投影图形控制点数的同时保证扫描投影图形精度,进而缩短投影图形所需的时间,提高扫描频率,降低“图形闪烁”和投影图形缺失现象的发生。本发明以B样条曲线为例进行了解释说明,B样条曲线是表征复杂图形特征的广泛应用形式,也是IGES文件中最复杂的特征形式。
本发明的目的是通过以下技术方案实现的:
一种特征自适应激光扫描投影图形控制点提取及优化方法,包括以下步骤:
S1.建立待投影零部件的理论数模,在理论数模中提取待投影轮廓线,并将其保存成IGES格式文件;
S2.对待投影轮廓线的IGES格式文件进行解析,得到轮廓线上数据点的三维坐标信息;
S3.利用步骤S2解析得到的数据点三维坐标信息,融合曲率和法向量设置特征判别参数,通过计算数据点的几何参数信息实现对投影图形特征区域和非特征区域的划分,包括以下过程:
S31.计算数据点的曲率;
S32.计算数据点的法向量;
S33.计算数据点与其邻域点的法向量间的夹角并求和;
S34.计算数据点的特征判别参数;
S35.计算数据点的特征判别阈值;
S36.根据特征判别阈值对数据点进行特征区域和非特征区域划分,得到特征区域点集α和非特征区域点集β;
S4.针对不同区域点集进行基于人眼空间分辨率判据的自适应数据点稀释;
S5.用稀释后的数据点作为投影图形的控制点实现轮廓线框图形的投影。
进一步地,所述步骤S2中,IGES格式文件中B样条曲线的解析过程包括:
S21.通过解析曲线的IGES文件得到B样条曲线控制顶点坐标、节点等参数信息;
S22.获得B样条曲线的定义式:
B样条曲线定义式:
式中,di(i=0,1,...n)是B样条曲线的控制顶点;Ni,k(u)(i=0,1,...n)是B样条曲线的一组基函数;
B样条曲线的基函数为:
S23.通过在B样条曲线定义域内进行等间隔取值得到B样条曲线上点的三维坐标。
进一步地,所述步骤S3具体包括:
S31.计算数据点的曲率:
设gi为解析出投影曲线的N个数据点集合G={gi(xi,yi,zi)|i=1,2,3...N}中的一点,用gij表示i点的第j个邻域点,则gi点的K个邻域点集表示为{gij(xij,yij,zij)|j=1,2,3...K},邻域的重心可以表示为:
计算出gi点的协方差矩阵Ti表示为:
求解每个数据点协方差矩阵的三个特征值λ1,λ2,λ3,比较三个特征值的大小,若λ1为三者中最小特征值,则该点对应的曲率ti表示为:
S32.计算数据点的法向量:
S33.计算数据点与其邻域点的法向量间的夹角并求和:
对g1点与其K邻域内所有点的法向量夹角求和,得到夹角参数ω(gi)为:
S34.计算数据点的特征判别参数:
定义特征判别参数p(gi),而曲率和夹角越大则该区域是特征区域的可能性越大,因此特征判别参数p(gi)与曲率ti、法向量夹角值ω(gi)成正比,所以特征判别参数p(gi)可表示为:p(gi)=λtti+λωω(gi),其中λt是曲率调节系数,λω是夹角调节系数,根据投影图形的不同设置不同的调节系数;
S35.计算数据点的特征判别阈值,特征阈值γ表示为:
S36.根据特征判别阈值对数据点进行特征区域和非特征区域划分,得到特征区域点集α和非特征区域点集β:
当某个数据点的特征判别参数p(gi)≥γ,则gi点被判定为特征点,计入特征区域点集α;若某个数据点的特征判别参数p(gi)≤γ,则gi点被判定为非特征点,计入非特征区域点集β。
进一步地,所述步骤S4针对不同区域点集进行基于人眼空间分辨率判据的自适应数据点稀释包括以下过程:
S41.在稀释的过程中,引入人眼空间分辨率12LP/mm作为稀释停止的判断依据。投影过程中扫描路径是在相邻两点之间沿直线进行扫描,即稀释过程中可以看做利用直线段逼近曲线时,要保证直线与曲线的间隔小于0.083mm才可以满足投影的精度要求;
S42.稀释过程以n个点为间隔分别对特征区域点集α和非特征区域点集β进行取点稀释,n的初值设置为1,步长为1,并计算每个被稀释掉的点到相应直线段的距离d,当d<0.083mm,说明这段曲线可以用相应直线段表示,当d>0.083mm时,则跳出循环停止稀释过程;
S43.在满足人眼空间分辨率的前提下,循环计算出稀释间隔n的最大值。
本发明带来的技术效果和优点:本发明能够根据投影图形特征使用较少的投影控制点来实现不同光点密度的投影,缩短了扫描时间,提高了扫描频率,较好地解决了“图形闪烁”和投影图形缺失现象的发生。并且投影结果可以满足投影图形的位置、形状准确度和图形显示效果。
附图说明
图1是本发明一种特征自适应扫描投影图形控制点提取及优化方法流程图;
图2是一组实例表示一条B样条曲线示例;
图3是图2所示B样条曲线对应的IGES文件示例;
图4是一组实例来说明利用本发明方法中特征区域划分处理后的结果;
图5是本发明中稀释处理过程的流程图。
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,本发明公开了一种特征自适应激光扫描投影图形控制点提取及优化方法,下面将结合附图对本发明公开的实施方式进一步详细描述。以下结合实施例和附图对本发明的保护范围不构成任何限制,所述实施例和附图仅用于对本发明进行示例性的描述,而不能对本发明的保护范围构成任何限制,所包含在本发明的发明宗旨范围内的合理变换和组合均落入本发明的保护范围。
如图1所示,一种特征自适应激光扫描投影图形控制点提取及优化方法,包括以下步骤:
步骤一、利用CAD相关软件绘制待投影零部件理论数模。
步骤二、在待投影零部件的理论数模中提取待投影轮廓线:激光扫描投影***在辅助装配的过程中是将零部件外形轮廓以1:1的准确形状精确地投影到待装配定位区域,因此需要在CAD软件中提取出零部件中待投影的外形轮廓线。
步骤三、IGES文件是目前使用最广的产品数据交换规范。它使用户在不同的CAD/CAM***之间传送和交换数据,作为一种中间的交换文件被普遍接受。由于IGES文件具有这种优越性,将提取的待投影轮廓线保存成IGES格式进行后续的解析和优化处理。
步骤四、对步骤三中保存的待投影轮廓线的IGES文件进行解析,进而得到轮廓线上数据点的三维坐标信息。
①IGES文件是由任意行数组成的顺序文件,按照特征段,全局段,目录条目段,参数数据段,结束段的顺序排列。对上述段落的解析可以得到特征图形上的关键参数信息,如圆形的圆心坐标、圆的起始和结束位置坐标;矩形的端点坐标;B样条线的控制点坐标等。利用上述解算的信息可以批量计算出复杂线框图形上数据点坐标信息。其中B样条曲线是表征复杂图形特征的广泛应用形式,也是IGES文件中最为复杂的特征形式。本发明以B样条曲线为例进行主要分析。如图2所示的一条B样条曲线的IGES文件格式如图3所示。
②B样条曲线定义式如(1)所示:
式中di(i=0,1,...n)是B样条曲线的控制顶点。控制点顺序相连可以得到该B样条曲线的控制多边形。(1)式中的Ni,k(u)(i=0,1,...n)是B样条曲线的一组基函数。B样条曲线的基函数由(2)所示:
通过对B样条曲线IGES文件的解析可以得到样条线的控制点,即(1)式中的di。
③在已知B样条曲线定义式(1),B样条基函数式(2)和通过解析曲线的IGES文件得到的B样条曲线控制顶点坐标情况下,通过在B样条曲线定义域内进行等间隔取值来得到B样条曲线上点的三维坐标。如表1所示,在B样条曲线定义域内以0.1为单位间隔获取的10个点的三维坐标,通过改变不同的定义域内的单位间隔可以取到不同个数的点,通常为了保证投影精度都会多取点,而造成投影点过多引起投影图形“闪烁”现象。后续可以根据解析得到的点进行稀释优化处理,来减少投影点的数量,提高扫描频率来较少投影图形“闪烁”现象的产生。
表1 B样条曲线上点的三维坐标
point | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
X/mm | 0 | 6.68 | 14.48 | 24.23 | 38.54 | 61.46 | 75.77 | 85.52 | 93.32 | 100 |
Y/mm | 0 | 24.94 | 49.54 | 73.43 | 94.75 | 94.75 | 73.43 | 49.54 | 24.93 | 0 |
Z/mm | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
步骤五、依据步骤四中解析获取的数据点三维坐标,融合曲率和法向量设置特征判别参数,通过计算数据点的几何参数信息来实现对投影图形特征区域和非特征区域的划分。
①计算数据点的曲率。为了计算数据点曲率,设gi为解析出投影曲线的N个数据点集合G={gi(xi,yi,zi)|i=1,2,3...N}中的一点,用gij表示i点的第j个邻域点,则gi点的K个邻域点集表示为{gij(xij,yij,zij)|j=1,2,3...K},邻域的重心可以表示为:
则计算出gi点的协方差矩阵Ti表示为:
协方差矩阵Ti为半正定的对称矩阵,定义了点的局部几何信息,求解出协方差矩阵Ti的特征值,对于三维数据点会得到三个特征值,而二维数据点会得到两个特征值,并取最小特征值λ1,则数据点gi处的曲率ti可以表示为:
其中夹角θ的取值范围为[0,π]。
③计算数据点与其邻域点的法向量间的夹角并求和。对g1点与其K邻域内所有点的法向量夹角求和,得到夹角参数ω(gi)为:
④计算数据点的特征判别参数。数据点的曲率和法向量间的夹角值都可以用来对图形的特征区域进行提取。基于这一特性,定义特征判别参数p(gi)。特征点所在的特征区域曲线变化相对剧烈,曲率ti和法向量夹角ω(gi)的值较大。所以特征判别参数p(gi)与曲率ti、法向量夹角值ω(gi)成正比。使用两个参数来共同判断特征可以避免使用单一参数的局限性。因此特征判别参数p(gi)可以表示为:p(gi)=λtti+λωω(gi),其中λt是曲率调节系数,λω是夹角调节系数。
⑥对数据点进行特征区域和非特征区域划分,得到特征区域点集α和非特征区域点集β。当某个数据点的特征判别参数p(gi)≥γ,则gi点被判定为特征点,计入集合α,若某个数据点的特征判别参数p(gi)≤γ,则gi点被判定为非特征点,计入集合β。通过上述计算可以将解析得到的数据点划分为特征点集α与非特征点集β。以图4中(a)曲线为例,经过上述处理后可以得到非特征点集如图4中(b)所示和特征点集如图4中(c)所示。
步骤六、针对不同区域点集进行基于人眼空间分辨率判据的自适应数据点稀释,稀释流程如图5所示。
①激光扫描投影***的扫描路径是在相邻两点之间沿直线进行扫描,对于投影曲线的整体而言,可以看作若干条直线段来逼近整个投影图形。为了实现更好的激光扫描投影显示效果,还需要对点集α和点集β中的数据点数量进行稀释优化,以达到既满足投影图形的位置和形状准确度,又可满足预期的投影图形显示效果,使得激光扫描投影***能够减少“图形闪烁”现象的发生。
②在稀释的过程中,引入了人眼空间分辨率12LP/mm作为稀释停止的判断依据,即在1mm的尺度下,人眼最多只能分辨12对线,0.083mm的间隔。所以利用直线段逼近曲线时,需要保证直线与曲线的间隔小于0.083mm,才不会在实际的辅助装配与定位操作应用中产生定位位置偏差。
③稀释过程以n个点为间隔分别对α和β点集进行取点稀释,n的初值设置为1,步长为1,改变n的不同取值。并计算每个被稀释掉的点到相应直线段的距离d,当d<0.083mm,则满足人眼线对误差,可以说明这段曲线可以用相应直线段表示。当d>0.083mm时,则跳出循环停止稀释过程。
④在满足人眼空间分辨率的前提下,循环计算出稀释间隔n的最大值,以实现用最少的点来表示出投影图形的精准形状,且对应的偏差满足人眼空间分辨率12LP/mm的极限判据,从而通过减少投影点的数目来提高扫描投影图形显示频率,避免由于投影点过多导致投影图产生“闪烁”现象,影响激光扫描投影仪器在零部件实际装配定位操作中的准确度。
步骤七、最后用稀释后的数据点作为投影图形的控制点实现轮廓线框图形的投影。
以上所述,仅为本发明揭露的技术范围内,但本发明的保护范围并不局限于此,任何熟悉本技术邻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,都涵盖在本发明的保护范围之内。
本发明说明书中未做详细描述的内容属于本领域技术人员的公知技术。
Claims (4)
1.一种特征自适应激光扫描投影图形控制点提取及优化方法,其特征在于,包括以下步骤:
S1.建立待投影零部件的理论数模,在理论数模中提取待投影轮廓线,并将其保存成IGES格式文件;
S2.对待投影轮廓线的IGES格式文件进行解析,得到轮廓线上数据点的三维坐标信息;
S3.利用步骤S2解析得到的数据点三维坐标信息,融合曲率和法向量设置特征判别参数,通过计算数据点的几何参数信息实现对投影图形特征区域和非特征区域的划分,包括以下过程:
S31.计算数据点的曲率;
S32.计算数据点的法向量;
S33.计算数据点与其邻域点的法向量间的夹角并求和;
S34.计算数据点的特征判别参数;
S35.计算数据点的特征判别阈值;
S36.根据特征判别阈值对数据点进行特征区域和非特征区域划分,得到特征区域点集α和非特征区域点集β;
S4.针对不同区域点集进行基于人眼空间分辨率判据的自适应数据点稀释;
S5.用稀释后的数据点作为投影图形的控制点实现轮廓线框图形的投影。
3.如权利要求1所述的一种特征自适应的激光扫描投影图形控制点提取及优化方法,其特征在于,所述步骤S3具体包括:
S31.计算数据点的曲率:
设gi为解析出投影曲线的N个数据点集合G={gi(xi,yi,zi)|i=1,2,3...N}中的一点,用gij表示i点的第j个邻域点,则gi点的K个邻域点集表示为{gij(xij,yij,zij)|j=1,2,3...K},邻域的重心可以表示为:
计算出gi点的协方差矩阵Ti表示为:
求解每个数据点协方差矩阵的三个特征值λ1,λ2,λ3,比较三个特征值的大小,若λ1为三者中最小特征值,则该点对应的曲率ti表示为:
S32.计算数据点的法向量:
S33.计算数据点与其邻域点的法向量间的夹角并求和:
对g1点与其K邻域内所有点的法向量夹角求和,得到夹角参数ω(gi)为:
S34.计算数据点的特征判别参数:
定义特征判别参数p(gi),特征判别参数p(gi)与曲率ti、法向量夹角值ω(gi)成正比,因此特征判别参数p(gi)表示为:p(gi)=λtti+λωω(gi),其中λt是曲率调节系数,λω是夹角调节系数;
S35.计算数据点的特征判别阈值,特征阈值γ表示为:
S36.根据特征判别阈值对数据点进行特征区域和非特征区域划分,得到特征区域点集α和非特征区域点集β:
当某个数据点的特征判别参数p(gi)≥γ,则g1点被判定为特征点,计入特征区域点集α;若某个数据点的特征判别参数p(gi)≤γ,则g1点被判定为非特征点,计入非特征区域点集β。
4.如权利要求1所述的一种特征自适应激光扫描投影图形控制点提取及优化方法,其特征在于,所述步骤S4针对不同区域点集进行基于人眼空间分辨率判据的自适应数据点稀释包括以下过程:
S41.在稀释的过程中,引入人眼空间分辨率12LP/mm作为稀释停止的判断依据,即利用直线段逼近曲线时,保证直线与曲线的间隔小于0.083mm;
S42.稀释过程以n个点为间隔分别对特征区域点集α和非特征区域点集β进行取点稀释,n的初值设置为1,步长为1,并计算每个被稀释掉的点到相应直线段的距离d,当d<0.083mm,说明这段曲线可以用相应直线段表示,当d>0.083mm时,则跳出循环停止稀释过程;
S43.在满足人眼空间分辨率的前提下,循环计算出稀释间隔n的最大值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748051.2A CN113486904B (zh) | 2021-07-02 | 2021-07-02 | 一种特征自适应激光扫描投影图形控制点提取及优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110748051.2A CN113486904B (zh) | 2021-07-02 | 2021-07-02 | 一种特征自适应激光扫描投影图形控制点提取及优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113486904A true CN113486904A (zh) | 2021-10-08 |
CN113486904B CN113486904B (zh) | 2023-03-31 |
Family
ID=77939438
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110748051.2A Active CN113486904B (zh) | 2021-07-02 | 2021-07-02 | 一种特征自适应激光扫描投影图形控制点提取及优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113486904B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049691A (zh) * | 2022-07-01 | 2022-09-13 | 大连理工大学 | 一种基于图像技术的二维结构模型重构方法及*** |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101986328A (zh) * | 2010-12-06 | 2011-03-16 | 东南大学 | 一种基于局部描述符的三维人脸识别方法 |
US20120105868A1 (en) * | 2010-10-29 | 2012-05-03 | Canon Kabushiki Kaisha | Measurement device and measurement method |
CN103656760A (zh) * | 2013-12-09 | 2014-03-26 | 广西大学 | 个性化多孔甲状软骨支架制备方法 |
EP2865497A1 (de) * | 2013-10-22 | 2015-04-29 | Freese AG | Schleifroboter für einen Schiffsrumpf und Verfahren zum Schleifen eines Schiffsrumpfes |
CN107765425A (zh) * | 2017-06-30 | 2018-03-06 | 长春理工大学 | 基于对称离焦双探测器的自聚焦激光扫描投影方法 |
CN110091333A (zh) * | 2019-05-17 | 2019-08-06 | 上海交通大学 | 复杂曲面表面焊缝特征识别和自动磨抛的装置及方法 |
CN111062179A (zh) * | 2019-11-01 | 2020-04-24 | 北京浩瀚深度信息技术股份有限公司 | 一种mcad与ecad的交互设计方法 |
CN111681206A (zh) * | 2020-05-08 | 2020-09-18 | 上海工程技术大学 | 喷丝板异型孔尺寸检测方法 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
-
2021
- 2021-07-02 CN CN202110748051.2A patent/CN113486904B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120105868A1 (en) * | 2010-10-29 | 2012-05-03 | Canon Kabushiki Kaisha | Measurement device and measurement method |
CN101986328A (zh) * | 2010-12-06 | 2011-03-16 | 东南大学 | 一种基于局部描述符的三维人脸识别方法 |
EP2865497A1 (de) * | 2013-10-22 | 2015-04-29 | Freese AG | Schleifroboter für einen Schiffsrumpf und Verfahren zum Schleifen eines Schiffsrumpfes |
CN103656760A (zh) * | 2013-12-09 | 2014-03-26 | 广西大学 | 个性化多孔甲状软骨支架制备方法 |
CN107765425A (zh) * | 2017-06-30 | 2018-03-06 | 长春理工大学 | 基于对称离焦双探测器的自聚焦激光扫描投影方法 |
CN110091333A (zh) * | 2019-05-17 | 2019-08-06 | 上海交通大学 | 复杂曲面表面焊缝特征识别和自动磨抛的装置及方法 |
CN111062179A (zh) * | 2019-11-01 | 2020-04-24 | 北京浩瀚深度信息技术股份有限公司 | 一种mcad与ecad的交互设计方法 |
CN111681206A (zh) * | 2020-05-08 | 2020-09-18 | 上海工程技术大学 | 喷丝板异型孔尺寸检测方法 |
CN111986115A (zh) * | 2020-08-22 | 2020-11-24 | 王程 | 激光点云噪声和冗余数据的精准剔除方法 |
CN112595258A (zh) * | 2020-11-23 | 2021-04-02 | 扆亮海 | 基于地面激光点云的地物轮廓提取方法 |
CN112465948A (zh) * | 2020-11-24 | 2021-03-09 | 山东科技大学 | 一种保留空间特征的车载激光路面点云抽稀方法 |
Non-Patent Citations (8)
Title |
---|
MA Y等: "A modified multiple self-adaptive thresholds fast feature points extraction algorithm based on image gray clustering", 《2017 INTERNATIONAL APPLIED COMPUTATIONAL ELECTROMAGNETICS SOCIETY SYMPOSIUM (ACES)》 * |
MAOSHENG HOU等: "Research on measurement path planning of complex object", 《JOURNAL OF PHYSICS: CONFERENCE SERIES》 * |
SM YU: "Adaptive architecture and mechanoresponse of epithelial cells on a torus", 《BIOMATERIALS》 * |
刘德平等: ""测量点云"的曲面重构", 《机床与液压》 * |
蒋梅笑等: "基于三维激光扫描点云的边界特征自动提取算法", 《武汉理工大学学报》 * |
蔡超: "ICESat-2点云数据辅助卫星影像DEM提取方法研究", 《中国优秀硕士学位论文全文数据库 (基础科学辑)》 * |
赵秀艳等: "基于视觉特征的农业机械三维模型相似性评价", 《山东农业大学学报(自然科学版)》 * |
高佳月等: "基于局部边缘特征描述子的自适应边缘检测算法", 《中国激光》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049691A (zh) * | 2022-07-01 | 2022-09-13 | 大连理工大学 | 一种基于图像技术的二维结构模型重构方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113486904B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110188228B (zh) | 基于草图检索三维模型的跨模态检索方法 | |
CN110930454A (zh) | 一种基于边界框外关键点定位的六自由度位姿估计算法 | |
JP6872670B2 (ja) | 寸法計測装置、寸法計測プログラム及び半導体製造システム | |
CN107578430B (zh) | 一种基于自适应权值和局部熵的立体匹配方法 | |
US11663713B2 (en) | Image generation system | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和*** | |
TWI613510B (zh) | 電子束描繪裝置、電子束描繪方法及記錄媒體 | |
CN109741358B (zh) | 基于自适应超图学习的超像素分割方法 | |
CN110838145B (zh) | 一种室内动态场景的视觉定位与建图方法 | |
CN109993753B (zh) | 遥感影像中城市功能区的分割方法及装置 | |
CN115810133B (zh) | 基于图像处理和点云处理的焊接控制方法及相关设备 | |
CN113486904B (zh) | 一种特征自适应激光扫描投影图形控制点提取及优化方法 | |
CN113052859A (zh) | 基于自适应种子点密度聚类超像素分割方法 | |
CN109448040A (zh) | 一种机械生产制造展示辅助*** | |
CN116399241B (zh) | 一种贴片式电感几何参数测量方法及*** | |
CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
CN109472794B (zh) | 一种对图像进行超像素分割的方法及*** | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
CN109800702B (zh) | 指静脉识别的快速比对方法及计算机可读取的存储介质 | |
CN114463720B (zh) | 一种基于线段交并比损失函数的车道线检测方法 | |
CN113223098B (zh) | 图像颜色分类的预处理优化方法 | |
CN108986212A (zh) | 一种基于裂缝消除的三维虚拟地形lod模型的生成方法 | |
CN114677468A (zh) | 基于逆向建模的模型修正方法、装置、设备和存储介质 | |
CN109509249B (zh) | 一种基于部件的虚拟场景光源智能生成方法 | |
CN110084887B (zh) | 一种空间非合作目标相对导航模型三维重建方法 |
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 | ||
GR01 | Patent grant |