CN116778260B - 基于AdaBoost集成学***度检测方法、装置及*** - Google Patents
基于AdaBoost集成学***度检测方法、装置及*** Download PDFInfo
- Publication number
- CN116778260B CN116778260B CN202311038170.4A CN202311038170A CN116778260B CN 116778260 B CN116778260 B CN 116778260B CN 202311038170 A CN202311038170 A CN 202311038170A CN 116778260 B CN116778260 B CN 116778260B
- Authority
- CN
- China
- Prior art keywords
- rivet
- point
- region
- training set
- point cloud
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 9
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims 1
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims 1
- 238000005303 weighing Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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 Analysis (AREA)
Abstract
本发明公开了一种基于AdaBoost集成学***度检测方法，包括：获取已标注铆钉区域的点云模型训练集，计算单点局部特征；基于AdaBoost集成学***度计算。本发明使用多次迭代的弱分类器形成的强分类器对蒙皮表面的点云数据进行语义分割，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量。
Description
技术领域
本发明涉及飞机铆钉数字化检测的技术领域，具体而言涉及一种基于AdaBoost集成学***度检测方法、装置及***。
背景技术
在飞机制造过程中，铆接是一项关键的工艺，用于将不同部件或结构元素牢固连接在一起。然而，由于制造和装配的复杂性，飞机铆接中可能存在铆钉的齐平度问题。铆钉的齐平度指的是铆接表面与铆钉头之间的平面度或垂直度差异。这对飞机的气动外形和性能有着重要的影响。目前，飞机蒙皮上的铆钉数量众多，使用传统人工方法进行检测效率低、可靠性低，并且无法实现定量检测，过于依赖经验。虽然基于图像处理的方法可以识别铆钉，但图像缺乏三维信息，无法进行齐平度的检测。
三维激光扫描技术可以高效获取飞机蒙皮表面的三维信息，具有高精度和准确反映真实形状的优势。然而，由于蒙皮表面的铆钉点与非铆钉点之间的差异微小，传统的点云分割算法难以有效区分铆钉区域，从而进行齐平度的计算。因此，本研究旨在针对飞机蒙皮表面的铆钉齐平度定量检测问题；因此，本发明提出了一种基于数字孪生的装配间隙实时测量方法来解决以上问题。
发明内容
为解决上述问题，提出一种基于AdaBoost集成学***度检测方法、装置及***，旨在解决传统的点云分割算法对蒙皮表面的铆钉点与非铆钉点之间的微小差异难以有效区分铆钉区域，从而进行齐平度的计算的问题；本发明基于AdaBoost集成学***度计算，从而更好地控制飞机铆接质量，提高飞机性能。
为达成上述目的，本发明提供如下技术方案：本发明提出的一种基于AdaBoost集成学***度检测方法，包括以下步骤：
S1、获取已标注铆钉区域的点云模型训练集，计算训练集/>中单点局部特征；
S2、基于AdaBoost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；
S3、获取待测的含铆钉区域的点云模型，对点云模型/>的每个单点/>进行临近点查询，并计算点云模型/>的单点局部特征，记为数据集合/>；
S4、将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域；
S5、对铆钉区域和非铆钉区域/>进行目标面的齐平度计算得到检测结果。
进一步地，步骤S1中获取已标注铆钉区域的点云模型训练集，计算训练集/>中单点局部特征，具体包括以下步骤：
S11、对训练集的第i个点/>使用kd-tree进行临近点查询；
S12、基于临近点计算目标点的局部特征，包括高斯曲率/>，PFH描述子/>和密度/>；
S13、记单点的样本特征为 />，记训练集/>的数据集为，其中/>是训练集中样本数量，/>，为第i点的样本特征，/>为第i点的标记集合，/>。
进一步地，步骤S2中使用训练集中单点局部特征生成用于分割铆钉区域的强分类器，具体包括以下步骤：
S21、初始化样本权重，将训练集中每个样本的权重初始化为/>；
S22、开始迭代训练弱分类器模型，为第t次迭代的弱分类器模型，其中/>是样本特征的集合，/>，设需要迭代T次，则/>；
S23、计算弱分类器模型的分类误差率，其计算公式如下所示：
；
其中，是样本特征 />的真实类别，/>是弱分类器模型/>对样本特征的分类结果，/>为当前样本权重；
S24、计算弱分类器模型的权重，其计算公式如下所示：
；
S25、根据当前弱分类器模型的分类准确率更新样本权重，其计算公式如下所示：
；
S26、重复S22~S25进行T轮迭代，得到了个弱分类器模型和对应的权重/>，再将它们组合成一个强分类器，其计算公式如下所示：
；
其中，表示将/>为其符号，即当/>时为+1，当/>时为 -1。
进一步地，步骤S22中的弱分类器模型包括两个卷积层和/>，每个卷积层后有一个最大池化层/>、/>，在/>后配置一个全连接层FC。
进一步地，所述卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层/>的卷积核大小为2x2，步长为2，所述卷积层/>的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层/>的卷积核大小为2x2，步长为2。
进一步地，步骤S3中点云模型的单点局部特征包括计算该点高斯曲率/>和PFH描述子/>和局部密度/>，记为数据集合/>。
进一步地，对铆钉区域和非铆钉区域/>进行目标面的齐平度计算得到检测结果，具体包括以下步骤：
S51、使用区域增长算法对铆钉区域进行分割，将/>分割成/>个独立铆钉区域，/>；
S52、使用RANSAC对非铆钉区域进行平面拟合，拟合出的平面记为/>；
S53、计算中的每个点/>对平面/>的垂直距离/>，/>，/>为/>中点的数量；
S54、计算区域中每个点对平面/>的垂直距离/>的平均值/>，即得到第i个铆钉/>的高度。
该技术方案还提供了一种用于实现所述的基于AdaBoost集成学***度检测方法的装置，包括：
训练集局部特征提取模块，所述训练集局部特征提取模块用于获取已标注铆钉区域的点云模型训练集，计算训练集/>中单点局部特征；
强分类器生成模块，所述强分类器生成模块用于基于AdaBoost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；
点云模型局部特征提取模块，所述点云模型局部特征提取模块用于获取待测的含铆钉区域的点云模型，对点云模型/>的每个单点/>进行临近点查询，并计算点云模型的单点局部特征，记为数据集合/>；
铆钉区域分割模块，所述铆钉区域分割模块用于将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域/>；
获取检测结果模块，所述获取检测结果模块用于对铆钉区域和非铆钉区域进行目标面的齐平度计算得到检测结果。
该技术方案还提供了一种用于实现所述的基于AdaBoost集成学***度检测方法的***，包括：
处理器；
存储器；
以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行上述的方法。
由上述技术方案，本发明提供了基于AdaBoost集成学***度检测方法、装置及***。至少具备以下有益效果：
飞机蒙皮上的铆钉齐平度对飞机的气动外形和性能有着重要的影响，使用传统人工方法进行检测效率低、可靠性低，并且无法实现定量检测，过于依赖经验。基于图像处理的方法可以识别铆钉，但图像缺乏三维信息，无法进行齐平度的检测；三维激光扫描技术可以高效获取飞机蒙皮表面的三维信息，具有高精度和准确反映真实形状的优势；然而，由于蒙皮表面的铆钉点与非铆钉点之间的差异微小，传统的点云分割算法难以有效区分铆钉区域，从而进行齐平度的计算；因此，本发明利用三维激光扫描技术进行铆钉齐平度检测，基于AdaBoost集成学***度计算，进而实现高精度的铆钉齐平度计算，从而更好地控制飞机铆接质量，提高飞机性能。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的一种基于AdaBoost集成学***齐度检测方法流程图；
图2为本发明提出的弱分类器网络结构图；
图3为本发明实施提供的铆钉提取结果图；
图4为本发明实施提供的铆钉齐平度计算结果图；
图5为本发明实施提供的基于AdaBoost集成学***齐度检测方法的装置原理框图。
图中：100训练集局部特征提取模块；200强分类器生成模块；300点云模型局部特征提取模块；400铆钉区域分割模块；500获取检测结果模块。
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5，示出了本实施例的一种具体实施方式，本实施例该方法基于AdaBoost集成学***度计算，从而更好地控制飞机铆接质量，提高飞机性能，解决传统的点云分割算法对蒙皮表面的铆钉点与非铆钉点之间的微小差异难以有效区分铆钉区域，从而进行齐平度的计算的问题。
请参照图1，一种基于AdaBoost集成学***齐度检测方法，包括如下步骤：
S1、获取已标注铆钉区域的点云模型训练集，计算训练集/>中单点局部特征；
具体的，步骤S1包括以下步骤：
S11、对训练集的第i个点/>使用kd-tree进行临近点查询； 查询到的/>个最近邻点记为点集/>,其中/>是目标点/>的最近邻点；
S12、基于临近点计算目标点的局部特征，包括高斯曲率/>，PFH描述子/>和密度/>；
其中，计算目标点的高斯曲率/>，PFH描述子/>和密度/>，具体包括以下步骤：
S121、对于的第j个邻域点/>，计算其相对于目标点/>的坐标偏移向量/>：
；
S122、对邻域点计算协方差矩阵：
；
S123、对协方差矩阵进行特征值分解，得到特征值/>和/>，以及它们对应的特征向量/>和/>，计算可得高斯曲率/>：
；
S124、在目标点上定义坐标系：
；
其中为目标点/>的法向量，/>为/>上定义的坐标系的三个轴向；
；
其中为点/>的法向量；
S125、利用构成PFH算子/>；
S126、对步骤S121中计算出的坐标偏移向量，取/>，，计算/>处的点云密度/>，其计算公式表示如下：
；
S13、记单点的样本特征为 />，记训练集/>的数据集为，其中/>是训练集中样本数量，/>，为第i点的样本特征，/>为第i点的标记集合，/>。
S2、基于AdaBoost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；
具体的，步骤S2包括以下步骤：
S21、初始化样本权重，将训练集中每个样本的权重初始化为/>，其中/>是训练集中样本数量；
S22、开始迭代训练弱分类器模型，将当前样本权重归一化，使用当前样本权重/>训练一个弱分类器模型，/>为第t次迭代的弱分类器模型，其中/>是样本特征的集合，/>，设需要迭代T次，则/>；
具体的，弱分类器模型包括两个卷积层和/>，如图2所示，每个卷积层后有一个最大池化层/>、/>，在/>后配置一个全连接层FC；
具体的，卷积层的卷积核大小为3x3，卷积核深度为6，步长为1，最大池化层/>的卷积核大小为2x2，步长为2，卷积层/>的卷积核大小为3x3，卷积核深度为6，步长为1，最大池化层/>的卷积核大小为2x2，步长为2；
S23、计算弱分类器模型的分类误差率，其计算公式如下所示：
；
其中，是样本特征 />的真实类别，/>是弱分类器模型/>对样本特征的分类结果，/>为当前样本权重；
S24、计算弱分类器模型的权重，其计算公式如下所示：
；
S25、根据当前弱分类器模型的分类准确率更新样本权重，其计算公式如下所示：
；
S26、重复S22~S25进行T轮迭代，得到了个弱分类器模型和对应的权重/>，再将它们组合成一个强分类器，其计算公式如下所示：
；
其中，表示将/>为其符号，即当/>时为+1，当/>时为 -1。
S3、获取待测的含铆钉区域的点云模型，对点云模型/>的每个单点/>进行临近点查询，并计算点云模型/>的单点局部特征，记为数据集合/>；
具体的，步骤S3中计算点云模型的单点局部特征包括计算该点高斯曲率/>和PFH描述子/>和局部密度/>，记为数据集合/>；
首先，使用激光扫描仪获取含铆钉区域的飞机蒙皮点云模型，其次对点云模型的每个单点使用kd-tree算法进行固定数量/>的临近点查询，基于临近点计算该点高斯曲率/>，PFH描述子/>和局部密度/>，具体计算过程同S121~S126，计算结果记为集合/>。
S4、将数据集合输入已训练好的强分类器中进行铆钉区域分割，得到每个单点样本的分类结果，即为铆钉分割结果，如图3所示，图3为本发明实施提供的铆钉提取结果图，输出分割后的点云组/>，点云组/>中包括铆钉区域/>和非铆钉区域/>，最终得到分割后的铆钉区域/>和非铆钉区域/>，如图2所示， 图中Rivet region为铆钉区域/>，Non-rivet region为非铆钉区域/>。
S5、对铆钉区域和非铆钉区域/>进行目标面的齐平度计算得到检测结果；
具体的，对铆钉区域和非铆钉区域/>进行目标面的齐平度计算得到检测结果包括以下步骤：
S51、使用区域增长算法对铆钉区域进行分割，将/>分割成/>个独立铆钉区域，/>；
S52、使用RANSAC对非铆钉区域进行平面拟合，拟合出的平面记为/>，记/>的方程为：/>；
S53、对独立铆钉区域中的每个点/>计算其距离平面/>的垂直距离/>，/>，/>为/>中点的数量，其垂直距离/>的计算公式如下：
；
S54、计算区域中每个点对平面/>的垂直距离/>的平均值/>，即为第i个铆钉的高度，如图4所示，图4 为本发明实施提供的铆钉齐平度计算结果图，其中平均值/>的计算公式如下：
；
该技术方案还提供了一种用于实现所述的基于AdaBoost集成学***度检测方法的装置，如图5所示，图5为本发明实施提供的基于AdaBoost集成学***齐度检测方法的装置原理框图，包括：
训练集局部特征提取模块100，所述训练集局部特征提取模块100用于获取已标注铆钉区域的点云模型训练集，计算训练集/>中单点局部特征；
强分类器生成模块200，所述强分类器生成模块200用于基于AdaBoost集成学习算法，使用训练集中单点局部特征生成用于分割铆钉区域的强分类器；
点云模型局部特征提取模块300，所述点云模型局部特征提取模块300用于获取待测的含铆钉区域的点云模型，对点云模型/>的每个单点/>进行临近点查询，并计算点云模型/>的单点局部特征，记为数据集合/>；
铆钉区域分割模块400，所述铆钉区域分割模块400用于将数据集合输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域和非铆钉区域/>；
获取检测结果模块500，所述获取检测结果模块500用于对铆钉区域和非铆钉区域/>进行目标面的齐平度计算得到检测结果。
该技术方案还提供了一种用于实现所述的基于AdaBoost集成学***度检测方法的***，包括：
处理器；
存储器；
以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行上述的方法。
本发明基于AdaBoost集成学***度计算，从而更好地控制飞机铆接质量，提高飞机性能。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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)
1.一种基于AdaBoost集成学***度检测方法，其特征在于，包括以下步骤：
S1、获取已标注铆钉区域的点云模型训练集D，计算训练集D中单点局部特征；
S2、基于AdaBoost集成学习算法，使用训练集D中单点局部特征生成用于分割铆钉区域的强分类器；
其中，所述S2具体包括以下步骤：
S21、初始化样本权重，将训练集中每个样本的权重wi初始化为
S22、开始迭代训练弱分类器模型，gt(x)为第t次迭代的弱分类器模型，其中x是样本特征的集合，x＝{x1,x2,…,xm}，设需要迭代T次，则t∈T；
S23、计算弱分类器模型的分类误差率òt，其计算公式如下所示：
其中，yi是样本特征xi的真实类别，gt(xi)是弱分类器模型gt(x)对样本特征xi的分类结果，为当前样本权重；
S24、计算弱分类器模型的权重αt，其计算公式如下所示：
S25、根据当前弱分类器模型的分类准确率更新样本权重wi，其计算公式如下所示：
S26、重复S22～S25进行T轮迭代，得到了T个弱分类器模型和对应的权重αt，将它们组合成一个强分类器，其计算公式如下所示：
其中，sign(z)表示将z为其符号，即当z≥0时为+1，当z＜0时为-1；
S3、获取待测的含铆钉区域的点云模型M，对点云模型M的每个单点Mi进行临近点查询，并计算点云模型M的单点局部特征，记为数据集合N；
S4、将数据集合N输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域Q1和非铆钉区域Q2；
S5、对铆钉区域Q1和非铆钉区域Q2进行目标面的齐平度计算得到检测结果；
其中，所述S5具体包括以下步骤：
S51、使用区域增长算法对铆钉区域Q1进行分割，将Q1分割成k个独立铆钉区域Q1i，i∈(0,k)；
S52、使用RANSAC对非铆钉区域Q2进行平面拟合，拟合出的平面记为ɑ；
S53、计算Q1i中的每个点qj(x1,y1,z1)对平面ɑ的垂直距离hj，j∈(0,n),n为Q1i中点的数量；
S54、计算Q1i区域中每个点对平面ɑ的垂直距离hj的平均值H，即得到第i个铆钉Q1i的高度。
2.根据权利要求1所述的一种基于AdaBoost集成学***度检测方法，其特征在于，步骤S1中获取已标注铆钉区域的点云模型训练集D，计算训练集D中单点局部特征，具体包括以下步骤：
S11、对训练集D的第i个点Pi使用kd-tree进行临近点查询；
S12、基于临近点计算目标点Pi的局部特征，包括高斯曲率K，PFH描述子F和密度d；
S13、记单点Pi的样本特征为xi＝{K,F,d}，记训练集D的数据集为D＝{(x1,y1),(x2,y2),…,(xm,ym)}，其中m是训练集中样本数量，i∈(0,m)，xi为第i点的样本特征，yi为第i点的标记集合，yi∈{-1,+1}。
3.根据权利要求1所述的一种基于AdaBoost集成学***度检测方法，其特征在于，步骤S22中的弱分类器模型包括两个卷积层Conv_1和Conv_2，每个卷积层后有一个最大池化层pool_1、pool_2，在pool_2后配置一个全连接层FC。
4.根据权利要求3所述的一种基于AdaBoost集成学***度检测方法，其特征在于，所述卷积层Conv_1的卷积核大小为3x3，卷积核深度为6，步长为1，所述最大池化层pool_1的卷积核大小为2x2，步长为2，所述卷积层Conv_2的卷积核大小为3x3，卷积核深度为6，步长为1，所述所述最大池化层pool_2的卷积核大小为2x2，步长为2。
5.根据权利要求1所述的一种基于AdaBoost集成学***度检测方法，其特征在于，步骤S3中点云模型M的单点局部特征包括计算该点高斯曲率K和PFH描述子F和局部密度d，记为数据集合N。
6.一种用于实现上述权利要求1-5任一项所述的基于AdaBoost集成学***度检测方法的装置，其特征在于，包括：
训练集局部特征提取模块(100)，所述训练集局部特征提取模块(100)用于获取已标注铆钉区域的点云模型训练集D，计算训练集D中单点局部特征；
强分类器生成模块(200)，所述强分类器生成模块(200)用于基于AdaBoost集成学习算法，使用训练集D中单点局部特征生成用于分割铆钉区域的强分类器；
点云模型局部特征提取模块(300)，所述点云模型局部特征提取模块(300)用于获取待测的含铆钉区域的点云模型M，对点云模型M的每个单点Mi进行临近点查询，并计算点云模型M的单点局部特征，记为数据集合N；
铆钉区域分割模块(400)，所述铆钉区域分割模块(400)用于将数据集合N输入强分类器中进行铆钉区域分割，得到分割后的铆钉区域Q1和非铆钉区域Q2；
获取检测结果模块(500)，所述获取检测结果模块(500)用于对铆钉区域Q1和非铆钉区域Q2进行目标面的齐平度计算得到检测结果。
7.一种用于实现上述权利要求1-5任一项所述的基于AdaBoost集成学***度检测方法的***，其特征在于，包括：
处理器；
存储器；
以及一个或多个程序，其中所述一个或多个程序被存储在存储器中，并且被配置成由所述处理器执行，所述程序用于计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311038170.4A CN116778260B (zh) | 2023-08-17 | 2023-08-17 | 基于AdaBoost集成学***度检测方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311038170.4A CN116778260B (zh) | 2023-08-17 | 2023-08-17 | 基于AdaBoost集成学***度检测方法、装置及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116778260A CN116778260A (zh) | 2023-09-19 |
| CN116778260B true CN116778260B (zh) | 2023-11-17 |
Family
ID=87994793
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311038170.4A Active CN116778260B (zh) | 2023-08-17 | 2023-08-17 | 基于AdaBoost集成学***度检测方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116778260B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204152918U (zh) * | 2014-10-08 | 2015-02-11 | 江苏神州碳制品有限公司 | 一种风力碳刷接头铆钉 |
| CN111028220A (zh) * | 2019-12-11 | 2020-04-17 | 南京航空航天大学 | 一种点云铆钉齐平度自动检测方法 |
| CN112053426A (zh) * | 2020-10-15 | 2020-12-08 | 南京航空航天大学 | 一种基于深度学习的大规模三维铆钉点云提取方法 |
| CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
| CN115409886A (zh) * | 2022-11-02 | 2022-11-29 | 南京航空航天大学 | 一种基于点云的零件几何特征测量方法、装置及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009282685A (ja) * | 2008-05-21 | 2009-12-03 | Sony Corp | 情報処理装置、情報処理方法、およびプログラム |
-
2023
- 2023-08-17 CN CN202311038170.4A patent/CN116778260B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204152918U (zh) * | 2014-10-08 | 2015-02-11 | 江苏神州碳制品有限公司 | 一种风力碳刷接头铆钉 |
| CN111028220A (zh) * | 2019-12-11 | 2020-04-17 | 南京航空航天大学 | 一种点云铆钉齐平度自动检测方法 |
| CN112053426A (zh) * | 2020-10-15 | 2020-12-08 | 南京航空航天大学 | 一种基于深度学习的大规模三维铆钉点云提取方法 |
| CN114626470A (zh) * | 2022-03-18 | 2022-06-14 | 南京航空航天大学深圳研究院 | 基于多类型几何特征算子的飞机蒙皮关键特征检测方法 |
| CN115409886A (zh) * | 2022-11-02 | 2022-11-29 | 南京航空航天大学 | 一种基于点云的零件几何特征测量方法、装置及*** |
Non-Patent Citations (3)
| Title |
|---|
| Quality verification of a riveting process by statistical analysis and neural network;Wang, H. L;《Experimental Techniques 》;34-42 * |
| 基于三维点云的机械加工精度自动检测方法;杨坤等;《工具技术》;第53卷(第4期);112-116 * |
| 基于图像-点云映射的铆钉平齐度高效检测;国荣辉等;《激光与光电子学进展》;第58卷(第20期);320-328 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116778260A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
| Mohlin et al. | Probabilistic orientation estimation with matrix fisher distributions | |
| US20100322474A1 (en) | Detecting multiple moving objects in crowded environments with coherent motion regions | |
| CN110610505A (zh) | 一种融合深度和色彩信息的图像分割方法 | |
| CN110633604B (zh) | 信息处理方法和信息处理装置 | |
| CN109815814B (zh) | 一种基于卷积神经网络的人脸检测方法 | |
| Xie et al. | RRCNet: Rivet region classification network for rivet flush measurement based on 3-D point cloud | |
| CN109284779A (zh) | 基于深度全卷积网络的物体检测方法 | |
| CN109708643B (zh) | 小行星表面光学导航路标评价选取方法 | |
| CN108038515A (zh) | 无监督多目标检测跟踪方法及其存储装置与摄像装置 | |
| CN104463916B (zh) | 基于随机游走的眼动注视点测定方法 | |
| CN110942077B (zh) | 基于权重局部变化度和l1中值优化的特征线提取方法 | |
| CN110852317A (zh) | 一种基于弱边缘的小尺度目标检测方法 | |
| CN109919215B (zh) | 基于聚类算法改进特征金字塔网络的目标检测方法 | |
| CN116778260B (zh) | 基于AdaBoost集成学***度检测方法、装置及*** | |
| Sahloul et al. | An accurate and efficient voting scheme for a maximally all-inlier 3D correspondence set | |
| CN113888603A (zh) | 基于光流跟踪和特征匹配的回环检测及视觉slam方法 | |
| Scully et al. | Simulating solar radio bursts using generative adversarial networks | |
| CN111563904A (zh) | 一种基于三维特征描述子的机翼叉耳点云分割方法 | |
| CN117197159A (zh) | 一种高效且高质量的高温物体点云分割方法 | |
| CN110415281A (zh) | 一种基于Loam曲率加权的点集刚体配准方法 | |
| Yang et al. | Research on Edge Detection of LiDAR Images Based on Artificial Intelligence Technology | |
| CN115546205A (zh) | 一种基于密度场感知的平面点云轮廓线生成方法 | |
| CN115205462A (zh) | 一种针对光切式的基于半有序点云的三维重建方法 | |
| CN111275748B (zh) | 动态环境下基于激光雷达的点云配准方法 |
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 |