CN115908519A - 一种大型复合材料构件三维测量配准误差控制方法 - Google Patents
一种大型复合材料构件三维测量配准误差控制方法 Download PDFInfo
- Publication number
- CN115908519A CN115908519A CN202310160983.4A CN202310160983A CN115908519A CN 115908519 A CN115908519 A CN 115908519A CN 202310160983 A CN202310160983 A CN 202310160983A CN 115908519 A CN115908519 A CN 115908519A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- point
- dimensional image
- feature
- 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
-
- 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
- Image Processing (AREA)
Abstract
本发明涉及数字化检测技术领域,解决了多帧点云的低重叠区域使得配准质量较差,严重影响检测精度和生产节奏的技术问题,尤其涉及一种大型复合材料构件三维测量配准误差控制方法,包括以下步骤:S1、获取需进行配准的两片大型的复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I;S2、分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中。本发明通过利用两个低重叠点云的重叠但未对准部分,提出一个低重叠点对的重叠检测网络LODNet对点云数据进行处理分析,从而降低配准误差,提高检测精度。
Description
技术领域
本发明涉及数字化检测技术领域,尤其涉及一种大型复合材料构件三维测量配准误差控制方法。
背景技术
大型复合材料构件在航空工业领域有着广泛应用,常用于制作各种壁板、翼面、壳体等大型结构件。大型复合材料构件的检测通常采用激光扫描的方法,由于此类构件的形貌面积较大,无法一次扫描成形,因此需要多次扫描形成多帧点云,再对多帧点云进行配准,得到最终得构件模型。然而多帧点云的低重叠区域使得配准质量较差,严重影响检测精度和生产节奏。为了实现高效率低误差的三维测量配准,必须进行数字化检测的研究。
发明内容
针对现有技术的不足,本发明提供了一种大型复合材料构件三维测量配准误差控制方法,解决了多帧点云的低重叠区域使得配准质量较差,严重影响检测精度和生产节奏的技术问题,通过利用两个低重叠点云的重叠但未对准部分,提出一个低重叠点对的重叠检测网络LODNet对点云数据进行处理分析,从而降低配准误差,提高检测精度。
为解决上述技术问题,本发明提供了如下技术方案:一种大型复合材料构件三维测量配准误差控制方法,包括以下步骤:
S1、获取需进行配准的两片大型的复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I;
S2、分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D;
S3、对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I;
S4、对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P;
S5、采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解。
进一步地,在步骤S1中,获取需进行配准的两片大型复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I,具体过程包括以下步骤:
S101、使用激光扫描仪采集复合材料构件的相邻两帧信息,生成两片点云数据P和Q;
S102、使用激光扫描仪采集包含点云数据P和Q的重叠部分的点云,生成点云数据PI;
S103、使用相机采集包含点云数据P和Q重叠部分的构件的二维图像I。
进一步地,在步骤S2中,分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D,具体过程包括以下步骤:
S201、将点云数据P、Q和PI输入LODNet网络中用于三维特征提取的3D编码器中,3D编码器使用模型PointNet++生成相应的特征映射fP 3D、fQ 3D和fI 3D;
S202、将二维图像I输入LODNet网络中用于二维特征提取的2D编码器中,2D编码器使用模型PSPNet生成相应的特征映射fI 2D。
进一步地,在步骤S3中,对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I,具体过程包括以下步骤:
S301、将特征fP 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fP cm;
S302、将特征fQ 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fQ cm;
S303、将融合后的特征fP cm输入LODNet网络的分类模块,输出结果为点云数据P中每个点是否可投影到二维图像I的概率,获得点云数据P的子集SP I,表示点云数据P和二维图像I重叠部分的点云;
S304、将融合后的特征fQ cm输入LODNet网络的分类模块,输出结果为点云数据Q中每个点是否可投影到二维图像I的概率,获得点云数据Q的子集SQ I,表示点云数据Q和二维图像I重叠部分的点云。
进一步地,在步骤S303中,分类模块由两层全连接层和softmax层组成。
进一步地,在步骤S4中,对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P,具体过程包括以下步骤:
S401、采用LODNet网络中用于三维特征提取的3D编码器对相交区域SP I和SQ I进行特征提取得到融合后的特征fPI 3D和fQI 3D;
S402、将融合后的特征fPI 3D和fP cm相乘,以及融合后的特征fQI 3D和fQ cm相乘后做特征融合得到特征fPQ cm和fQP cm;
S403、将特征fPQ cm输入LODNet网络中的分类模块中,得到子集SP I中每个点是否可投影到点云数据Q的概率,获得子集SP I的子集SP Q;
S404、将特征fQP cm输入LODNet网络中的分类模块中,得到点云子集SQ I中每个点是否可投影到点云数据P的概率,获得子集SQ I的子集SQ P。
进一步地,在步骤S5中,采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解,具体过程包括以下步骤:
S501、对相交区域SP Q中的每个点pi,寻找其在相交区域SQ P中对应的最近点为qi,然后计算相交区域SP Q和SQ P的质心,分别记为质心up和uq;
S502、对相交区域SP Q和SQ P进行去质心得到p0i ,和q0i ,;
S503、根据p0i ,和q0i ,构建矩阵H;
S504、对矩阵H进行SVD分解后计算矩阵r和t;
S505、用矩阵r和t对相交区域SP Q进行变换,得到新的变换点集,变换点集中的点;
S506、计算目标函数F;
若目标函数F小于给定阈值v,则停止计算,得到变换矩阵R和T的解后结束;
若目标函数F大于给定阈值v,则以新的变换点集点集和相交区域SP Q重复步骤S501-S506直到结束。
借由上述技术方案,本发明提供了一种大型复合材料构件三维测量配准误差控制方法,至少具备以下有益效果:
1、本发明通过利用两个低重叠点云的重叠但未对准部分,提出一个低重叠点对的重叠检测网络LODNet对点云数据进行处理分析,从而降低配准误差,提高检测精度。
2、本发明通过利用大型复合材料构件的点云模型,实现了对三维测量配准误差的高精度控制,提高配准的准确性,具有较好的实用性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明配准误差控制方法的流程图;
图2为本发明LODNet网络的网络结构图;
图3为本发明特征融合模块的结构图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
请参照图1-图3,示出了本实施例的一种具体实施方式,本实施例通过利用大型复合材料构件的点云模型,实现了对三维测量配准误差的高精度控制,提高配准的准确性,具有较好的实用性。
请参照图1,本实施例提出了一种大型复合材料构件三维测量配准误差控制方法,包括以下步骤:
S1、获取需进行配准的两片大型的复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I;
在步骤S1中,获取需进行配准的两片大型复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I,具体过程包括以下步骤:
S101、使用激光扫描仪采集复合材料构件的相邻两帧信息,生成两片点云数据P和Q;
S102、使用激光扫描仪采集包含点云数据P和Q的重叠部分的点云,生成点云数据PI;
S103、使用相机采集包含点云数据P和Q重叠部分的构件的二维图像I。
S2、分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D;
请参照图2和图3,在步骤S2中,分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D,具体过程包括以下步骤:
S201、将点云数据P、Q和PI输入LODNet网络中用于三维特征提取的3D编码器中,3D编码器使用模型PointNet++生成相应的特征映射fP 3D、fQ 3D和fI 3D;
S202、将二维图像I输入LODNet网络中用于二维特征提取的2D编码器中,2D编码器使用模型PSPNet生成相应的特征映射fI 2D。
S3、对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I;
在步骤S3中,对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I,具体过程包括以下步骤:
S301、将特征fP 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fP cm;特征融合模块计算特征fP cm的表达式如下:
;
;
其中MLP表示三层全连接层,cat(·,·)表示串联,att(·,·,·)表示注意力模块。
S302、将特征fQ 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fQ cm;在特征融合模块计算特征fQ cm的表达式如下:
;
;
其中MLP表示三层全连接层,cat(·,·)表示串联,att(·,·,·)表示注意力模块。
S303、将融合后的特征fP cm输入LODNet网络的分类模块,分类模块由两层全连接层和softmax层组成,输出结果为点云数据P中每个点是否可投影到二维图像I的概率,获得点云数据P的子集SP I,表示点云数据P和二维图像I重叠部分的点云;
S304、将融合后的特征fQ cm输入LODNet网络的分类模块,输出结果为点云数据Q中每个点是否可投影到二维图像I的概率,获得点云数据Q的子集SQ I,表示点云数据Q和二维图像I重叠部分的点云。
S4、对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P;
在步骤S4中,对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P,具体过程包括以下步骤:
S401、采用LODNet网络中用于三维特征提取的3D编码器对相交区域SP I和SQ I进行特征提取得到融合后的特征fPI 3D和fQI 3D;该步骤与上述的步骤S201相同,因此对于相同部分不做详细赘述。
S402、将融合后的特征fPI 3D和fP cm相乘,以及融合后的特征fQI 3D和fQ cm相乘后做特征融合得到特征fPQ cm和fQP cm;
特征fPQ cm和fQP cm的表达式为:
S403、将特征fPQ cm输入LODNet网络中的分类模块中,得到子集SP I中每个点是否可投影到点云数据Q的概率,获得子集SP I的子集SP Q,即为点云数据P上和点云数据Q的相交区域;该步骤与上述的步骤S303相同,因此对于相同部分不做详细赘述。
S404、将特征fQP cm输入LODNet网络中的分类模块中,得到点云子集SQ I中每个点是否可投影到点云数据P的概率,获得子集SQ I的子集SQ P,即为点云数据Q上和点云数据P的相交区域,该步骤与上述的步骤S303相同,因此对于相同部分不做详细赘述。
S5、采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解。
在步骤S5中,采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解,具体过程包括以下步骤:
S501、对相交区域SP Q中的每个点pi,寻找其在相交区域SQ P中对应的最近点为qi,然后计算相交区域SP Q和SQ P的质心,分别记为质心up和uq;
质心up和uq的计算公式为:
;
;
其中,N相交区域SP Q中点的个数。
S502、对相交区域SP Q和SQ P进行去质心得到p0i ,和q0i ,,p0i ,和q0i ,分别为相交区域SP Q和SQ P去掉质心后剩下的点云。
计算公式为:
;
;
上式中,pi为相交区域SP Q中的点,uP为相交区域SP Q的质心,qi为点pi在相交区域SQ P中对应的最近点,uq为相交区域SQ P的质心。
S503、根据p0i ,和q0i ,构建矩阵H;
其中,N为相交区域SP Q中点的个数,T为将矩阵转置的运算符。
S504、对矩阵H进行SVD分解后计算矩阵r和t;
矩阵H进行SVD分解的表达式为:
;
上式中,SVD分解是一种矩阵分解的方法,在数学中有固定解法可以得到矩阵H分解后的U、和,此处不再赘述,分解出的U为酉矩阵,为对角矩阵,为酉矩阵。
矩阵r和t的计算公式为:
;
;
上式中,V表示SVD分解得出的矩阵V,表示SVD分解得出的矩阵U的转置,uq为相交区域SQ P的质心,uP为相交区域SP Q的质心。
S505、用矩阵r和t对相交区域SP Q进行变换,得到新的变换点集,变换点集中的点;
S506、计算目标函数F,
若目标函数F小于给定阈值v,则停止计算,得到变换矩阵R和T的解后结束;
若目标函数F大于给定阈值v,则以新的变换点集点集和相交区域SP Q重复步骤S501-S506直到结束。
目标函数F的计算公式为:
;
上式中,N表示相交区域SP Q中的点的数量,qi为点pi在相交区域SQ P中对应的最近点。
本实施例通过利用两个低重叠点云的重叠但未对准部分,提出一个低重叠点对的重叠检测网络LODNet对点云数据进行处理分析,从而降低配准误差,提高检测精度。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种大型复合材料构件三维测量配准误差控制方法,其特征在于,包括以下步骤:
S1、获取需进行配准的两片大型的复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I;
S2、分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D;
S3、对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I;
S4、对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P;
S5、采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解。
2.根据权利要求1所述的误差控制方法,其特征在于:在步骤S1中,获取需进行配准的两片大型复合材料构件的点云数据P、Q,以及和点云数据P、Q重叠部分的点云数据PI和二维图像I,具体过程包括以下步骤:
S101、使用激光扫描仪采集复合材料构件的相邻两帧信息,生成两片点云数据P和Q;
S102、使用激光扫描仪采集包含点云数据P和Q的重叠部分的点云,生成点云数据PI;
S103、使用相机采集包含点云数据P和Q重叠部分的构件的二维图像I。
3.根据权利要求1所述的误差控制方法,其特征在于:在步骤S2中,分别将点云数据P、Q以及点云数据PI和二维图像I输入LODNet网络中,对点云数据P、Q以及点云数据PI和二维图像I进行特征提取,得到提取后的特征fP 3D、fQ 3D、fI 3D和fI 2D,具体过程包括以下步骤:
S201、将点云数据P、Q和PI输入LODNet网络中用于三维特征提取的3D编码器中,3D编码器使用模型PointNet++生成相应的特征映射fP 3D、fQ 3D和fI 3D;
S202、将二维图像I输入LODNet网络中用于二维特征提取的2D编码器中,2D编码器使用模型PSPNet生成相应的特征映射fI 2D。
4.根据权利要求1所述的误差控制方法,其特征在于:在步骤S3中,对特征fP 3D、fI 3D、fI 2D和特征fQ 3D、fI 3D、fI 2D分别进行特征融合,得到融合后的特征fP cm和fQ cm,根据特征fP cm和fQ cm得到点云数据P和二维图像I的相交区域SP I及点云数据Q和二维图像I的相交区域SQ I,具体过程包括以下步骤:
S301、将特征fP 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fP cm;
S302、将特征fQ 3D、fI 3D和fI 2D输入LODNet网络的特征融合模块中计算融合后的特征fQ cm;
S303、将融合后的特征fP cm输入LODNet网络的分类模块,输出结果为点云数据P中每个点是否可投影到二维图像I的概率,获得点云数据P的子集SP I,表示点云数据P和二维图像I重叠部分的点云;
S304、将融合后的特征fQ cm输入LODNet网络的分类模块,输出结果为点云数据Q中每个点是否可投影到二维图像I的概率,获得点云数据Q的子集SQ I,表示点云数据Q和二维图像I重叠部分的点云。
5.根据权利要求4所述的误差控制方法,其特征在于:在步骤S303中,分类模块由两层全连接层和softmax层组成。
6.根据权利要求1所述的误差控制方法,其特征在于:在步骤S4中,对相交区域SP I和SQ I进行特征提取,对提取到的特征进行特征融合,基于融合后的特征得到点云数据P上和点云数据Q的相交区域SP Q以及点云数据Q上和点云数据P的相交区域SQ P,具体过程包括以下步骤:
S401、采用LODNet网络中用于三维特征提取的3D编码器对相交区域SP I和SQ I进行特征提取得到融合后的特征fPI 3D和fQI 3D;
S402、将融合后的特征fPI 3D和fP cm相乘,以及融合后的特征fQI 3D和fQ cm相乘后做特征融合得到特征fPQ cm和fQP cm;
S403、将特征fPQ cm输入LODNet网络中的分类模块中,得到子集SP I中每个点是否可投影到点云数据Q的概率,获得子集SP I的子集SP Q;
S404、将特征fQP cm输入LODNet网络中的分类模块中,得到点云子集SQ I中每个点是否可投影到点云数据P的概率,获得子集SQ I的子集SQ P。
7.根据权利要求1所述的误差控制方法,其特征在于:在步骤S5中,采用ICP配准方法根据相交区域SP Q和SQ P进行变换矩阵R、T求解,具体过程包括以下步骤:
S501、对相交区域SP Q中的每个点pi,寻找其在相交区域SQ P中对应的最近点为qi,然后计算相交区域SP Q和SQ P的质心,分别记为质心up和uq;
S502、对相交区域SP Q和SQ P进行去质心得到p0i ,和q0i ,;
S503、根据p0i ,和q0i ,构建矩阵H;
S504、对矩阵H进行SVD分解后计算矩阵r和t;
S505、用矩阵r和t对相交区域SP Q进行变换,得到新的变换点集,变换点集中的点;
S506、计算目标函数F;
若目标函数F小于给定阈值v,则停止计算,得到变换矩阵R和T的解后结束;
若目标函数F大于给定阈值v,则以新的变换点集点集和相交区域SP Q重复步骤S501-S506直到结束。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160983.4A CN115908519B (zh) | 2023-02-24 | 2023-02-24 | 一种大型复合材料构件三维测量配准误差控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310160983.4A CN115908519B (zh) | 2023-02-24 | 2023-02-24 | 一种大型复合材料构件三维测量配准误差控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115908519A true CN115908519A (zh) | 2023-04-04 |
CN115908519B CN115908519B (zh) | 2023-05-09 |
Family
ID=85751915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310160983.4A Active CN115908519B (zh) | 2023-02-24 | 2023-02-24 | 一种大型复合材料构件三维测量配准误差控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908519B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
CN102663810A (zh) * | 2012-03-09 | 2012-09-12 | 北京航空航天大学 | 一种基于相位偏移扫描的三维人脸全自动建模方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN108053432A (zh) * | 2017-11-14 | 2018-05-18 | 华南理工大学 | 基于局部icp的室内稀疏点云场景的配准方法 |
CN109544456A (zh) * | 2018-11-26 | 2019-03-29 | 湖南科技大学 | 基于二维图像和三维点云数据融合的全景环境感知方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
CN112598757A (zh) * | 2021-03-03 | 2021-04-02 | 之江实验室 | 一种多传感器时间空间标定方法及装置 |
CN113538486A (zh) * | 2021-07-13 | 2021-10-22 | 长春工业大学 | 一种提高汽车钣金工件的识别与定位精度的方法 |
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN113706588A (zh) * | 2021-08-16 | 2021-11-26 | 燕山大学 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
CN113888457A (zh) * | 2020-07-03 | 2022-01-04 | 深圳了然视觉科技有限公司 | 基于三维激光扫描技术的缺陷检测***及方法 |
CN114022523A (zh) * | 2021-10-09 | 2022-02-08 | 清华大学 | 低重叠点云数据配准***及方法 |
CN114255238A (zh) * | 2021-11-26 | 2022-03-29 | 电子科技大学长三角研究院(湖州) | 一种融合图像特征的三维点云场景分割方法及*** |
CN115330934A (zh) * | 2022-08-02 | 2022-11-11 | 广东顺德工业设计研究院(广东顺德创新设计研究院) | 一种工件三维形状重建方法、***、终端及介质 |
-
2023
- 2023-02-24 CN CN202310160983.4A patent/CN115908519B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101645170A (zh) * | 2009-09-03 | 2010-02-10 | 北京信息科技大学 | 多视点云精确配准方法 |
CN102663810A (zh) * | 2012-03-09 | 2012-09-12 | 北京航空航天大学 | 一种基于相位偏移扫描的三维人脸全自动建模方法 |
CN105701820A (zh) * | 2016-01-14 | 2016-06-22 | 上海大学 | 一种基于匹配区域的点云配准方法 |
CN108053432A (zh) * | 2017-11-14 | 2018-05-18 | 华南理工大学 | 基于局部icp的室内稀疏点云场景的配准方法 |
CN109544456A (zh) * | 2018-11-26 | 2019-03-29 | 湖南科技大学 | 基于二维图像和三维点云数据融合的全景环境感知方法 |
CN109767464A (zh) * | 2019-01-11 | 2019-05-17 | 西南交通大学 | 一种低重叠率的点云配准方法 |
CN111080627A (zh) * | 2019-12-20 | 2020-04-28 | 南京航空航天大学 | 一种基于深度学习的2d+3d大飞机外形缺陷检测与分析方法 |
WO2021232463A1 (zh) * | 2020-05-19 | 2021-11-25 | 北京数字绿土科技有限公司 | 多源移动测量点云数据空地一体化融合方法、存储介质 |
CN113888457A (zh) * | 2020-07-03 | 2022-01-04 | 深圳了然视觉科技有限公司 | 基于三维激光扫描技术的缺陷检测***及方法 |
CN112598757A (zh) * | 2021-03-03 | 2021-04-02 | 之江实验室 | 一种多传感器时间空间标定方法及装置 |
CN113538486A (zh) * | 2021-07-13 | 2021-10-22 | 长春工业大学 | 一种提高汽车钣金工件的识别与定位精度的方法 |
CN113706588A (zh) * | 2021-08-16 | 2021-11-26 | 燕山大学 | 基于改进四点快速鲁棒匹配算法的环形锻件点云配准方法 |
CN114022523A (zh) * | 2021-10-09 | 2022-02-08 | 清华大学 | 低重叠点云数据配准***及方法 |
CN114255238A (zh) * | 2021-11-26 | 2022-03-29 | 电子科技大学长三角研究院(湖州) | 一种融合图像特征的三维点云场景分割方法及*** |
CN115330934A (zh) * | 2022-08-02 | 2022-11-11 | 广东顺德工业设计研究院(广东顺德创新设计研究院) | 一种工件三维形状重建方法、***、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115908519B (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Virtual sparse convolution for multimodal 3d object detection | |
CN113792730B (zh) | 文档图像的矫正方法、装置、电子设备和存储介质 | |
CN104778688A (zh) | 点云数据的配准方法及装置 | |
CN113298949A (zh) | D类焊缝信息获取方法、装置及计算机存储介质 | |
CN112418235B (zh) | 一种基于膨胀最近邻特征增强的点云语义分割方法 | |
CN103577630A (zh) | 一种基于切面模线的飞机零件逆向建模方法 | |
CN114719962B (zh) | 基于机器学习的机械振动数字孪生模型构建方法 | |
CN114022542A (zh) | 一种基于三维重建的3d数据库制作方法 | |
CN113284227A (zh) | 一种面向大规模航拍图像的分布式运动推断结构方法 | |
CN106683041B (zh) | 一种基于neqr表达式的量子图像错切方法 | |
CN113989283B (zh) | 3d人体姿态估计方法、装置、电子设备与存储介质 | |
CN114926325A (zh) | 一种点云配准的方法、***及存储介质 | |
CN110363801A (zh) | 工件实物与工件三维cad模型的对应点匹配方法 | |
CN115908519A (zh) | 一种大型复合材料构件三维测量配准误差控制方法 | |
CN114453981B (zh) | 工件找正方法及装置 | |
CN113658046B (zh) | 基于特征分离的超分辨率图像生成方法、装置、设备和介质 | |
CN111274902A (zh) | 用多头掩模均衡融和单元的手势深度图像连续检测方法 | |
Yuan et al. | An Improved Method of 3D Scene Reconstruction Based on SfM | |
Wang et al. | Stream surface-supported fundamental sheets insertion toward high-quality hex meshing | |
CN116476070B (zh) | 大型筒件局部特征机器人扫描测量路径调整方法 | |
Wang et al. | Parametric Primitive Analysis of CAD Sketches With Vision Transformer | |
CN115082295B (zh) | 一种基于自注意力机制的图像编辑方法及装置 | |
CN113470113B (zh) | 一种融合brief特征匹配与icp点云配准的零部件姿态估计方法 | |
Zhang et al. | 3-D object representation from multi-view range data applying deformable superquadrics | |
CN116342800B (zh) | 一种多模态位姿优化的语义三维重建方法及*** |
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 |