CN117115140B - 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 - Google Patents
基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 Download PDFInfo
- Publication number
- CN117115140B CN117115140B CN202311238361.5A CN202311238361A CN117115140B CN 117115140 B CN117115140 B CN 117115140B CN 202311238361 A CN202311238361 A CN 202311238361A CN 117115140 B CN117115140 B CN 117115140B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- output
- gray
- module
- brightness
- 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
- 230000011218 segmentation Effects 0.000 title claims abstract description 98
- 238000010146 3D printing Methods 0.000 title claims abstract description 48
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 51
- 238000007639 printing Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 26
- 239000002131 composite material Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 150000001875 compounds Chemical class 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 14
- 239000000463 material Substances 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000013135 deep learning Methods 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 13
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color image
-
- 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
-
- 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)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明为基于点云分割配准的3D打印混凝土柱表面裂缝检测方法,所述检测方法包括以下内容:获取3D打印混凝土柱点云数据,并对这些数据进行预处理,每一份点云数据均包含大量数据点,每个点的信息由(x,y,z,r,g,b)六维坐标表示,其中x,y,z表示为点的三维空间坐标,r,g,b分别为点的R、G、B色彩属性值;构建点云分割配准模型PC‑CrackNet,利用获得的3D打印混凝土柱点云数据训练点云分割配准模型PC‑CrackNet,用于3D打印混凝土柱表面裂缝检测。将深度学习中的Transformer框架结构、自注意力机制、改进的大津算法以及点云配准用于裂缝检测中,能够有效地实现3D打印混凝土柱裂缝的准确检测,同时还实现了实时监测、预警与控制,从而确保了打印质量的稳定性。
Description
技术领域
本发明涉及智能建造技术领域,特别是涉及一种能够实时测量裂缝面积及深度的3D打印混凝土柱裂缝检测方法及***,利用点云分割与配准技术实现对3D打印混凝土柱裂缝检测,从而实现打印质量的实时监控。
背景技术
在传统建筑领域,制造混凝土柱涉及到多个繁琐的步骤,例如模具的制作、浇筑以及固化等等,耗时颇长。同时,还有大量的人力资源需求,涉及到材料搬运、施工和清理等问题,这就需要组建一支庞大工作队伍,增添了劳动力强度和管理难度,致使整体成本提升。因此,在短时间内以低成本制造出符合标准的混凝土柱,成为一项至关重要的挑战。
3D打印作为一项先进的制造技术,通过逐层叠加材料的方式构建物体,能够将数字模型直接转化为实体,具备快速定制制造、降低浪费、节省时间和成本等优势。然而,3D打印的混凝土柱表面受到设备喷嘴速度、喷嘴高度、材料温度以及混凝土挤出物的流变性等参数的影响。当这些参数出现异常时,可能会导致打印出的混凝土柱表面出现裂缝,进而对柱体质量和稳定性造成严重影响,甚至引发坍塌等危险情况。因此,必须对3D打印过程中的混凝土柱的表面进行裂缝检测,从而实现质量稳定性控制。
在传统的3D打印混凝土柱制造过程中,裂缝的检测主要依赖于人工目测,这不仅需要大量的人力和经济成本,还存在准确性受限、无法监测微小或隐蔽裂缝等问题。此外,若在打印过程中出现裂缝,传统方法往往无法及时纠正,只能在打印结束后采取措施。尽管如今计算机视觉技术可以实现的实时自动监测,但是常规基于计算机视觉的裂缝检测采用二维图片的识别方法,丢失了裂缝缺陷的深度信息,也可能因为物体的纹理与裂缝的纹理相似而导致误判;此外,图片的拍摄角度和视角可能会影响裂缝的呈现,不同角度可能导致裂缝的形状和位置的变化,从而影响检测结果,无法确保裂缝检测的准确性。
发明内容
为了克服以上技术的缺点,本发明提供了一种基于点云分割配准的3D打印混凝土柱表面裂缝检测方法及***。与传统方法相比,该方法利用三维点云的分割与配准技术,以实现更精确的裂缝检测。该***将深度学习中的Transformer框架结构、自注意力机制、改进的大津算法以及点云配准用于裂缝检测中,构建点云分割配准模型PC-CrackNet,能够有效地实现3D打印混凝土柱裂缝的准确检测,同时还实现了实时监测、预警与控制,从而确保了打印质量的稳定性。
为了解决上述的技术问题,本发明的技术方案是:
第一方面,本发明提供一种基于点云分割配准的3D打印混凝土柱表面裂缝检测方法,所述检测方法包括以下内容:
获取3D打印混凝土柱点云数据,并对这些数据进行预处理,每一份点云数据均包含大量数据点,每个点的信息由(x,y,z,r,g,b)六维坐标表示,其中x,y,z表示为点的三维空间坐标,r,g,b分别为点的R、G、B色彩属性值;
构建点云分割配准模型PC-CrackNet,所述点云分割配准模型PC-CrackNet包括利用空间坐标分割点云的第一分割模块、利用色彩属性分割点云的第二分割模块,所述第一分割模块包括编码器、解码器,所述编码器包括归一化层和由复合注意力模块与最大池化层串联形成的基础编码单元,基础编码单元的数量为三个,归一化层的输入为输入点云的空间坐标,归一化层的输出连接第一个基础编码单元的复合注意力模块,最后一个基础编码单元的最大池化层的输出为编码器的输出;
所述解码器包括三个串联的基础解码单元,每个基础解码单元包括上采样层和复合注意力模块,编码器的输出连接第一个基础解码单元的上采样层,编码器和解码器的复合注意力模块分别连接一个卷积层;六个卷积层的输出一并通过归一化函数层得到点云的数据特征分数,将归一化函数层的输出数据特征分数与输入点云进行特征映射得到第一分割模块的输出;特征映射的过程为,根据得到的每个点的特征分数调整点云对应点的亮度值,从而将点云中的裂缝区域与背景进行区分,将输出的点云记作输出点云1。
所述第二分割模块包括灰度处理模块、改进的大津算法模块,所述灰度处理模块用于将点云进行灰度处理,经过灰度处理后,点云中点的特征除了空间坐标之外还包含灰度而不包含颜色;
所述改进的大津算法模块用于基于点云中的点灰度值,根据设定的灰度阈值T对点云进行分割,通过遍历灰度值区间,找到使得类间方差σ最大的灰度值,从而使得裂缝的灰度值与背景的灰度值差别最大以达到分割的效果,输出点云2;
将输出点云1和输出点云2进行配准,将配准后的点云经过一个激活函数层后得到点云分割配准模型PC-CrackNet的输出点云,记为3D打印混凝土柱的裂缝的点云数据;
利用获得的3D打印混凝土柱点云数据训练点云分割配准模型PC-CrackNet,用于3D打印混凝土柱表面裂缝检测。
所述复合注意力模块将点云中的键矩阵分为局部键矩阵和远距离键矩阵,其中局部键矩阵指的是某个点的邻域中的一组键所构成的矩阵,而远距离键矩阵指的是某个点的邻域外的一组键所构成的矩阵;得到点的局部键矩阵和远距离键矩阵之后,给远距离键矩阵分配一个正权重值λ,且λ<1,再将局部键矩阵和带权重的远距离键矩阵进行相加得到复合键矩阵;将得到的复合键矩阵、局部键矩阵以及查询矩阵进行点积操作后输入到一个Softmax函数中得到注意力权重矩阵;接着,将得到的注意力权重矩阵与由复合注意力模块输入的点云获得的值矩阵进行加权求和操作,最后将得到的数据经过线性层处理获得复合注意力模块的输出。
编码器中三个复合注意力模块的点的局部键矩阵邻域分别为3cm、2cm、1cm,将点云的维度由初始的2048×6逐步变为1024×6、512×6、256×6;解码器中三个复合注意力模块的点的局部键矩阵邻域分别为1cm、2cm、3cm,逐步将点云的维度恢复到初始的2048×6维度。
第二分割模块中灰度处理模块的过程是:对于输入点云中的每个点,将其R、G、B色彩属性值进行加权求和并向上取整,获得每个点的灰度值C,公式为:
C的取值范围是[0,255];
所述改进的大津算法模块的处理过程是:在灰度值C的范围内随机设定一个灰度阈值T,假设灰度值小于T的点数为A,灰度值大于等于T的点数为B,总体点数为N,则
P1与P2分别表示利用灰度阈值T将点云分割的两部分对应点的比例;随后计算所有灰度值小于T的点数所占比例之和P,
其中Ni表示灰度值为i的点的个数;其次利用P值计算灰度累加值M,
则点云的平均灰度值mp和两部分的平均灰度值m1、m2为,
最后计算类间方差σ
通过遍历灰度值区间,找到使得类间方差σ最大的灰度值,从而使得裂缝的灰度值与背景的灰度值差别最大以达到分割的效果,获得输出点云2。
所述输出点云1和输出点云2进行配准的过程是:使用基于亮度梯度的点云配准技术,不考虑点云z轴方向上的亮度梯度,只考虑点云在x轴和y轴上的亮度梯度,利用索贝尔算子分别计算输出点云1和输出点云2的亮度梯度,索贝尔算子包含两组3×3的矩阵gx和gy,分别用于计算x轴和y轴上的亮度梯度Gx和Gy;
Gx=gx×C
Gy=gy×C
其中,C表示点云中某个点的灰度值;通过以上公得到点云在x轴和y轴上的亮度梯度,接着对两个亮度梯度合并,得到整体的点云亮度梯度G;
将输出点云1和输出点云2的点云亮度梯度分别绘制成整体的亮度图像,并从整体的亮度图像中提取表示裂缝的特征点,以亮度为参照,使得亮度一致,实现输出点云1和输出点云2的配准。
所述表示裂缝的特征点为灰度值小于80的点,找到输出点云1和输出点云2的整体的亮度图像中相应位置的点,进行亮度的一一对应,实现配准。
第二方面,本发明提供一种基于点云分割配准的3D打印混凝土柱表面裂缝检测***,所述***包括:
数据采集模块,用于采集3D打印混凝土柱施工过程中的点云数据;
点云预处理模块,用于对点云数据进行预处理,获得规范化、优质的点云数据;
点云分割配准模型,用于将利用空间坐标对点云进行分割、利用色彩属性对点云进行分割的结果进行配准后获得3D打印混凝土柱的裂缝的点云;
结果统计模块,用于对分割出3D打印混凝土柱的裂缝的点云区域占整个输入点云区域的百分比进行统计并绘制饼状图;同时统计点云中各个灰度值区域裂缝的数量;根据裂缝点的灰度值与数量绘制直方图,图的横坐标表示灰度区间,纵坐标代表相应灰度区间内的裂缝数量;
风险预警模块,设置稳定比例阈值和稳定灰度阈值,当裂缝的点云区域占整个输入点云区域的百分比超过稳定比例阈值时,说明打印不合格,触发预警信号1;当裂缝的点云区域出现灰度值小于稳定灰度阈值的裂缝时,触发预警信号2;
异常调整模块,接收风险预警模块输出的预警信号,并根据接收到的不同预警信号对3D打印设备的参数进行调整,并提示相关人员检查材料状态;
异常记录模块,用于将异常情况的数据记录到存储设备中,包括异常发生的时间、异常的具体参数偏差情况、处理过程中的调整结果。
与现有技术相比,本发明的有益效果是:
1.本发明是一种基于点云分割与配准技术的3D打印混凝土柱柱裂缝检测方法。首先,它充分利用了三维激光点云数据的高精度、高分辨率和多模态特性,实现了对3D打印混凝土柱柱的精确建模,为后续裂缝检测提供了准确的空间数据基础。其次,本发明采用点云分割配准模型PC-CrackNet,能够对输入的点云数据进行裂缝分割。与传统的点云分割模型不同,本模型进行了两次分割并将结果进行配准,从而提高了分割的准确性。实验证明,本模型在裂缝3D打印过程中裂缝测量分割准确率达到了89.6%。
2.本发明具备实时统计和分析施工数据的能力,可以在出现异常情况时及时采取措施并调整施工参数,以确保施工的安全性和质量。这一创新为3D打印质量的实时监测提供了可能性,进一步推动了该领域的发展。本发明具有重要的意义和广泛的应用前景,同时也为混凝土3D打印技术的进一步发展提供了强有力的支持和保障。
3.本发明利用点云的分割与配准技术,成功实现了对打印模型中裂缝部分的准确识别。通过高效且精确的裂缝识别,优化了数据表示和特征提取的过程,从而显著提高了打印质量。这项技术为柱建造领域提供了更可靠的解决方案,为3D打印混凝土柱的裂缝检测带来了显著的优势。
附图说明
图1是本发明中点云分割配准模型PC-CrackNet的结构示意图。
图2是本发明中点云分割配准模型PC-CrackNet中复合注意力模块的结构示意图。
图3是本发明中点云分割配准模型PC-CrackNet的单次训练流程图。
具体实施方式
为了更加清楚地描述本发明的技术问题、技术方案和优点,接下来将结合图示和实施例进行详细说明。需要注意的是,这些实施例仅用于说明本发明的原理和应用范围,并不应视为对本发明的限制。
实施例1
本实施例基于点云分割配准的3D打印混凝土柱表面裂缝检测方法,主要包括以下步骤:
第一步、采集与处理3D打印混凝土柱的点云数据:
步骤1.1采集实验数据
使用深度相机扫描设备对相等数量的标准与残缺的3D打印混凝土柱进行扫描,共获取到15000份3D打印混凝土柱点云数据。每一份点云数据均包含大量数据点,每个点由(x,y,z,r,g,b)六维坐标表示。深度相机能够根据混凝土柱的打印高度而自适应调整扫描范围,获取数据点的三维坐标与颜色信息。
步骤1.2标注点云数据
使用“Meshlab”软件对采集的混凝土柱点云数据进行手动标注,将点云数据中的裂缝部分标注出来。
步骤1.3分割数据集
将15000份混凝土柱点云数据分为训练集、验证集以及测试集并存储到计算机中;其中训练集包含10000份点云数据,验证集和测试集均包含2500份点云数据。
步骤1.4点云数据初步采样
从每份点云数据中均匀采样2048个点,将输入点云的维度设置为固定的2048×6,保证输入数据的统一。
通过以上四个步骤,可以得到规范化、优质的点云数据,为后续的点云的分割提供高质量的输入数据。
第二步、构建点云分割配准模型PC-CrackNet
如图1所示,点云分割配准模型PC-CrackNet由三个主要部分构成,分别为两个点云分割模块和以及一个点云配准模块。首先,第一分割模块参考了Transformer框架,采用“编码器-解码器”结构与自注意力机制,能够精确地分割裂缝。其次,第二分割模块以改进的二维裂缝检测算法“大津算法”为基础,将用于二维图像裂缝分割的方法扩展至三维点云领域。最后,由点云配准模块将第一、第二分割模块的输出点云进行配准,用于去除噪声并生成最终的输出点云,实现了高效准确的3D打印混凝土柱表面裂缝检测。
步骤2.1利用第一分割模块分割裂缝
第一分割模块包含了编码器和解码器以及特征处理模块,其中编码器主要负责将输入点云转化为一系列上下文感知的特征表示,而解码器通常用于处理生成型任务,特征处理模块用于将编码器和解码器的输出数据特征进行整合处理并输出。
步骤2.1.1编码器
编码器中包含一个归一化层和三个相同的基础编码单元形成串联结构,每个基础编码单元中含有一个复合注意力模块和一个最大池化层,其结构如图1所示。点云数据首先经过一个归一化层,该层能够对点云坐标进行局部特征归一化操作。具体过程为,首先利用若干相同大小的立方体窗口将点云分为若干点云块,这些立方体窗口在空间中横向和纵向上紧密相邻排列,确保每一个数据点只属于一个点云块;随后计算每一个点云块中所有数据点坐标的均值以及标准差并进行局部特征归一化,对于点云中的某个点的坐标为(x,y,z),对坐标数据进行下列操作。
其中,表示一个点云块中所有数据点的x坐标均值,/>与/>同理;σ指的是坐标数据的标准差;x’表示数据点归一化后的坐标值,y,与z,同理。点云坐标归一化后将其输入到第一个模块中。在传统的注意力模块中,点云数据会被分成三种矩阵分别为键矩阵、查询矩阵以及值矩阵,键矩阵用来表示不同位置的上下文信息、查询矩阵用来表示当前位置的输入、值矩阵用来表示输入序列中不同位置的值。本发明中的复合注意力模块亦是如此,具体结构参考图2,其不仅考虑了点的局部特征,还考虑了点的远距离特征,即局部键和远距离键。该模块将点云块中的键矩阵分为局部键矩阵和远距离键矩阵,其中局部键矩阵指的是某个点的邻域中的一组键所构成的矩阵,而远距离键矩阵指的是某个点的邻域外的一组键所构成的矩阵(邻域指的是以某一点为中心,边长为3cm的立方体空间)。得到点的局部键矩阵和远距离键矩阵之后,给远距离键矩阵分配一个权重值λ,再将局部键矩阵和带权重的远距离键矩阵进行相加得到复合键矩阵。将得到的复合键矩阵、局部键矩阵和查询矩阵进行点积操作后输入到一个Softmax函数中得到注意力权重矩阵,其表示了不同位置元素的被关注程度。接着,将得到的注意力权重矩阵与值矩阵进行加权求和操作,使得需要的数据特征更加明显。最后将输出的点云数据经过一个最大池化层,逐步将点云数据降维。该模块一共有三个,随着的模块数量的增加,点的局部键矩阵邻域由3cm变为2cm和1cm;同时将点云的维度由初始的2048×6逐步变为1024×6、512×6、256×6,逐步提取到更细微数据特征。
步骤2.1.2解码器
解码器的结构与编码器类似,包含三个基础解码单元。与编码器不同的是,解码器会在每个基础解码单元中将点云数据进行上采样,逐步将点云恢复到初始的2048×6维度;同时在位置上首尾对应的基础单元所输出的点云维度是相同的,即编码器中第一个基础编码单元输出的点云和解码器中最后一个基础解码单元输出的点云维度相同,依次类推。同样的,解码器也会输出三份点云数据,维度分别为256×6、512×6以及1024×6。
步骤2.1.3特征处理模块
所述特征处理模块包括六个连接分层注意力模块的卷积层,六个卷积层的输出均连接归一化函数层,归一化函数层通过特征映射获得特征处理模块的输出,特征处理模块的输出为第一分割模块的输出。
将编码器和解码器中位置上首尾对应单元输出的点云各自输入到一个卷积层中,共六个卷积层。即编码器第三个基础编码单元的复合注意力模块和解码器第一个基础解码单元的复合注意力模块的输出连接两个相同的卷积层;编码器第二个基础编码单元的复合注意力模块和解码器第二个基础解码单元的复合注意力模块的输出连接两个相同的卷积层;编码器第一个基础编码单元的复合注意力模块和解码器第三个基础解码单元的复合注意力模块的输出连接两个相同的卷积层,具体结构参考图1。六个卷积层的输出一并通过归一化函数层得到点云的数据特征分数,将归一化函数层的输出数据特征分数与输入点云进行特征映射得到第一分割模块的输出;特征映射的过程为,根据得到的每个点的特征分数调整点云对应点的亮度值,从而将点云中的裂缝区域与背景进行区分,将输出的点云记作输出点云1。
步骤2.2利用第二分割模块分割裂缝
第二分割模块以改进的二维图像裂缝检测算法“大津算法”为基础,将用于二维图像裂缝分割的方法扩展至三维点云领域,由于大津算法主要是处理的是灰度图像,所以需要把输入点云进行灰度处理得到灰度点云。对于输入点云中的每个点,将其R、G、B色彩属性值进行加权求和并向上取整
C为每个点的灰度值,其取值范围是[0,255]。经过灰度处理后,点云中点的特征除了坐标之外还包含亮度而不包含颜色。随后,利用改进的大津算法模块对灰度点云进行处理。大津算法的原理是确定一个阈值,使得两个类别之间的类内方差最小,类间方差最大。经过灰度处理后,点云中的点灰度值C在0到255范围内,所以该范围内随机设定一个灰度阈值T,将点云分为了两部分。假设灰度值小于T的点数为A,灰度值大于等于T的点数为B,总体点数为N,则
P1与P2分别表示两部分对应点的比例。随后计算所有灰度值小于T的点数所占比例之和P,
其中Ni表示灰度值为i的点的个数。其次利用P值计算灰度累加值M,
则点云的平均灰度值mp和两部分的平均灰度值m1、m2为,
最后计算类间方差σ
通过遍历灰度值区间,找到使得类间方差σ最大的灰度值,从而使得裂缝的灰度值与背景的灰度值差别最大以达到分割的效果,随后输出点云。将该第二分割模块的输出点云记作输出点云2。
步骤2.3点云配准模块
点云配准模块用于将输出点云1和输出点云2进行配准。由于得到的点云均为灰度点云,所以此模块使用基于亮度梯度的点云配准技术。首先利用索贝尔算子分别计算两个灰度点云的亮度梯度,为了简化计算,此处不考虑点云z轴方向上的亮度梯度,只考虑点云在x轴和y轴上的亮度梯度。索贝尔算子包含两组3×3的矩阵gx和gy,分别用于计算x轴和y轴上的亮度梯度Gx和Gy。
Gx=gx×C
Gy=gy×C
其中,C表示点云中某个点的灰度值。通过以上公得到点云在x轴和y轴上的亮度梯度,接着对两个亮度梯度合并,得到整体的点云亮度梯度G
将输出点云1和输出点云2的点云亮度梯度分别绘制成整体的亮度图像,并从整体的亮度图像中提取表示裂缝的特征点(指颜色较暗的点),以亮度为参照,使得亮度一致,实现输出点云1和输出点云2的配准。
从亮度图像中提取表示裂缝的特征点(颜色较暗的点),基于这些特征点得到两个点云中亮度的变换参数,例如亮度增益和亮度偏移。利用这些参数对点云的亮度进行重新计算从而达到配准的效果。配准有助于除噪声,提升裂缝的检测效果。将得到的配准后的点云经过一个激活函数层后得到输出点云。
第三步、训练点云分割配准模型
利用点云数据集对点云分割配准模型PC-CrackNet进行训练,使其能够从输入的点云数据中学习到数据特征并进行点云的分割与配准。
步骤3.1加载数据与模型:将分割好的数据集中的3D打印混凝土柱点云数据进行随机顺序打乱,确保数据的顺序对点云分割配准模型的训练和验证结果没有影响;点云分割配准模对数据进行加载,以便后续的训练,随机生成初始训练参数,例如学习率等。
步骤3.2使用训练集对点云分割配准模型PC-CrackNet进行500轮训练。同时,在训练过程中,每经过25轮训练,利用验证集进行一次验证,以了解点云分割配准模型PC-CrackNet的泛化性能并避免过拟合的问题,过拟合是指模型在训练数据上表现非常好,但在未见过的测试数据上表现较差的现象。
步骤3.3利用损失函数来调整神经网络参数。本发明采用焦点损失FL作为损失函数,此函数是一种用于处理类别不平衡问题的损失函数,特别适用于目标检测任务和分割等深度学习任务。FL的计算公式如下,
FL(pt)=-(1-pt)γ×log(pt)
其中,pt表示模型的预测概率,由点云分割配准模型PC-CrackNet最后的激活函数层得出;γ是一个超参数,通常为正数;在训练过程中不断进行误差的反向传播,利用自适应矩估计梯度下降策略动态地调整模型参数,能够在训练中自适应地动态调整参数,以加快收敛速度并对模型进行优化。
步骤3.4将以上步骤重复进行10次,共计对点云分割配准模型PC-CrackNet进行5000轮训练,此时损失函数的值已经小于0.005,说明模型已经达到收敛。
步骤3.5利用测试集对点云分割配准模型PC-CrackNet的分割效果进行测试并使用F1分数指标对分割结果进行评估,F1分数是一种用于衡量分割模型性能的统计指标,特别是对于本场景中的二分类问题。它是精确率(Precision)和召回率(Recall)的调和平均值,
其中,精确率(Precision)是指分类器正确识别为正类别的样本数量与所有被分类为正类别的样本数量的比例;召回率(Recall)是指分类器正确识别为正类别的样本数量与所有实际正类别的样本数量的比例;F1的值越接近1说明分割效果越好。
第四步、裂缝检测
步骤4.1设定3D打印设备的运行参数,包括喷头的移动速度、喷头高度以及材料温度,参数的取值均根据以往的实际操作确定。
步骤4.2使用深度相机扫描设备对正在打印中的3D打印混凝土柱进行实时扫描,以获取3D打印混凝土柱的点云数据。深度相机扫描设备能够实时捕捉3D打印混凝土柱表面的点云信息,这些信息包括点的三维坐标与RGB颜色属性值。
步骤4.3将获取到的3D打印混凝土柱点云数据输入到训练完成的点云分割配准模型PC-CrackNet中。
步骤4.4经过点云分割配准模型PC-CrackNet的处理,可以从点云数据中准确分割出3D打印混凝土柱的裂缝。接着,将点云分割配准模型PC-CrackNet输出的数据存储到设备中,以备后续的统计分析。
第五步、统计分析与风险预警
步骤5.1计算机读取上个步骤的输出结果,将得到的数据进行统计,计算出裂缝的点云区域占整个输入点云空间区域的百分比并绘制饼状图,当裂缝的点云区域的占比超过6%时,触发预警信号1。
步骤5.2统计点云中不同灰度值区间裂缝的数量,灰度值越低代表裂缝的深度越深。根据裂缝点的灰度值与数量绘制直方图,图的横坐标表示灰度区间,例如[0,10]、[11,20];纵坐标代表相应灰度区间内的裂缝数量。当出现灰度值小于40的裂缝时,触发预警信号2。
第六步、异常调整
根据接收到的不同预警信号对3D打印设备的参数进行调整,若接收到的是预警信号1,则主要加快或降低打印机喷头移动速度、降低或提高喷头高度;若接收到的是预警信号2,则主要升高或降低打印材料的温度;同时提示相关人员检查材料状态。
第七步、异常记录
在处理异常情况的同时将此次异常情况的数据记录到存储设备中。记录的数据包括异常发生的时间、异常的具体参数偏差情况、处理过程中的调整结果等相关信息。
本发明中所使用的硬件设备包括:
处理器:作为本发明的核心部件,处理器在整个***中承担着关键的控制和管理责任,涵盖了数据采集、数据处理、图像识别以及报警等多项关键功能,其功能强大的计算能力和并行处理能力,确保了***的高效运行和实时性要求的满足。
深度相机:用于获取3D打印混凝土柱打印过程中的点云数据,用于后续3D打印混凝土柱表面的裂缝的实时监测,打印过程中为一段时间进行一次检测。
3D打印设备:这是实现3D混凝土柱打印的核心设备,用于将混凝土材料按照预定的路径和层高逐层打印出混凝土柱的结构。这些3D打印设备通常是大型的建筑型3D打印机,能够按照复杂的设计要求实现混凝土的连续打印。
打印辅助设备:如电源设备、冷却装置等,用于支持3D打印设备的正常运行。
存储设备:用于储存采集的数据和历史数据,以备后续处理和分析之用。
控制单元:用于控制3D打印设备的运动和操作,负责执行打印路径的规划和控制。
数据处理和分析设备:用于点云数据的处理、分析和实时反馈。这些设备包括计算机、GPU等,用于运行点云分割算法和实时处理点云数据。
通信设备:用于传输数据和指令,确保控制单元与传感器、打印设备之间的通讯连接。
网络接口:用于进行数据交换和通信。
本实施例主要应用于3D打印混凝土柱打印过程中的表面裂缝监测,在3D打印设备上安装的深度相机,利用点云分割配准模型自动检测3D打印混凝土柱表面的裂缝,对3D打印混凝土柱的裂缝进行监测,当裂缝的数量和深度超过相应阈值后自动报警,从而自动调整打印设备参数并进行记录异常。
实施例2
本实施例基于点云分割配准的3D打印混凝土柱表面裂缝检测***,所述***包括:
数据采集模块,用于采集3D打印混凝土柱施工过程中的点云数据;
点云预处理模块,用于对点云数据进行预处理,获得规范化、优质的点云数据;
点云分割配准模型,用于将利用空间坐标对点云进行分割、利用色彩属性对点云进行分割的结果进行配准后获得3D打印混凝土柱的裂缝的点云;
结果统计模块,用于对分割出3D打印混凝土柱的裂缝的点云区域占整个输入点云区域的百分比进行统计并绘制饼状图;同时统计点云中各个灰度值区域裂缝的数量;根据裂缝点的灰度值与数量绘制直方图,图的横坐标表示灰度区间,纵坐标代表相应灰度区间内的裂缝数量;
风险预警模块,设置稳定比例阈值和稳定灰度阈值,当裂缝的点云区域占整个输入点云区域的百分比超过稳定比例阈值时,说明打印不合格,触发预警信号1;当裂缝的点云区域出现灰度值小于稳定灰度阈值的裂缝时,触发预警信号2;
异常调整模块,接收风险预警模块输出的预警信号,并根据接收到的不同预警信号对3D打印设备的参数进行调整,并提示相关人员检查材料状态;
异常记录模块,用于将异常情况的数据记录到存储设备中,包括异常发生的时间、异常的具体参数偏差情况、处理过程中的调整结果。
所述数据采集模块利用深度相机对3D打印过程中的混凝土柱进行实时扫描,获取3D打印混凝土柱的点云数据。深度相机扫描设备能够实时捕捉3D打印混凝土柱表面的点云信息,这些信息包括点的三维坐标与RGB颜色属性值。
点云预处理模块,从每份点云数据中均匀采样2048个点,将输入点云的维度设置为固定的2048×6。
将获取到的3D打印混凝土柱点云数据输入到训练完成的点云分割配准模型PC-CrackNet中。经过点云分割配准模型PC-CrackNet的处理,可以从点云数据中准确分割出3D打印混凝土柱的裂缝;接着,将点云分割配准模型PC-CrackNet输出的数据存储到设备中,以备后续的统计分析。
结果统计模块,计算机读取上个步骤的输出结果,将得到的点云裂缝数据进行统计,计算出裂缝点区域占整个点云区域的百分比并绘制饼状图。同时统计点云中各个灰度值区域裂缝的数量,灰度值越低代表裂缝的深度越深。根据裂缝点的灰度值与数量绘制直方图,图的横坐标表示灰度区间,例如[0,10]、[11,20];纵坐标代表相应灰度区间内的裂缝数量。
风险预警模块设置稳定比例阈值和稳定灰度阈值分别为6%和40,当输出点云中裂缝点所占的比例超过总体的6%时,说明打印不合格,触发预警信号1。当出现灰度值小于40的裂缝时,触发预警信号2。
异常调整模块接收风险预警模块输出的预警信号,并根据接收到的不同预警信号对3D打印设备的参数进行调整,若接收到的是预警信号1,则主要加快或降低打印机喷头移动速度、降低或提高喷头高度;若接收到的是预警信号2,则主要升高或降低打印材料的温度;并提示相关人员检查材料状态。
本发明提出了一种基于点云分割配准的3D打印混凝土柱表面裂缝检测***和方法,旨在解决当前3D打印过程中依赖人工监测所带来的问题。传统的人工监测方法耗费大量人力和经济成本,无法对打印过程当中裂缝相对整体面积的占比、深度进行快速量化,并容易出现疏漏或误判。此外,人工监测也无法监测到超过人自身视野范围的地方,无法实现对柱结构的全程质量监测和预警。为了解决这些问题,本技术方案利用安装在3D打印设备上的点云深度摄像机,通过点云信息及其分割算法自动识别3D打印混凝土柱施工过程中的裂缝。对于裂缝,***能够量化分析,并在裂缝面积和深度超过设定阈值时自动报警。此外,***还可以自动调整打印设备参数和进行材料状态检查。相较于现有技术,本技术方案具有以下优势和应用前景:减少人工成本、提升打印效率、保证打印产品质量,并为追求更大规模建筑级别的3D打印提供了可能性。这对于增材制造建筑行业来说具有重大意义,具有广阔的应用前景。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
本发明未述及之处适用于现有技术。
Claims (7)
1.一种基于点云分割配准的3D打印混凝土柱表面裂缝检测方法,其特征在于,所述检测方法包括以下内容:
获取3D打印混凝土柱点云数据,并对这些数据进行预处理,每一份点云数据均包含大量数据点,每个点的信息由(x,y,z,r,g,b)六维坐标表示,其中x,y,z表示为点的三维空间坐标,r,g,b分别为点的R、G、B色彩属性值;
构建点云分割配准模型PC-CrackNet,所述点云分割配准模型PC-CrackNet包括利用空间坐标分割点云的第一分割模块、利用色彩属性分割点云的第二分割模块,所述第一分割模块包括编码器、解码器,所述编码器包括归一化层和由复合注意力模块与最大池化层串联形成的基础编码单元,基础编码单元的数量为三个,归一化层的输入为输入点云的空间坐标,归一化层的输出连接第一个基础编码单元的复合注意力模块,最后一个基础编码单元的最大池化层的输出为编码器的输出;
所述解码器包括三个串联的基础解码单元,每个基础解码单元包括上采样层和复合注意力模块,编码器的输出连接第一个基础解码单元的上采样层,编码器和解码器的复合注意力模块分别连接一个卷积层;六个卷积层的输出一并通过归一化函数层得到点云的数据特征分数,将归一化函数层的输出数据特征分数与输入点云进行特征映射得到第一分割模块的输出;特征映射的过程为,根据得到的每个点的特征分数调整点云对应点的亮度值,从而将点云中的裂缝区域与背景进行区分,将输出的点云记作输出点云1;
所述第二分割模块包括灰度处理模块、改进的大津算法模块,所述灰度处理模块用于将点云进行灰度处理,经过灰度处理后,点云中点的特征除了空间坐标之外还包含灰度而不包含颜色;
所述改进的大津算法模块用于基于点云中的点灰度值,根据设定的灰度阈值T对点云进行分割,通过遍历灰度值区间,找到使得类间方差σ最大的灰度值,从而使得裂缝的灰度值与背景的灰度值差别最大以达到分割的效果,输出点云2;
将输出点云1和输出点云2进行配准,将配准后的点云经过一个激活函数层后得到点云分割配准模型PC-CrackNet的输出点云,记为3D打印混凝土柱的裂缝的点云数据;
利用获得的3D打印混凝土柱点云数据训练点云分割配准模型PC-CrackNet,用于3D打印混凝土柱表面裂缝检测;
所述输出点云1和输出点云2进行配准的过程是:使用基于亮度梯度的点云配准技术,不考虑点云z轴方向上的亮度梯度,只考虑点云在x轴和y轴上的亮度梯度;将输出点云1和输出点云2的点云亮度梯度分别绘制成整体的亮度图像,并从整体的亮度图像中提取表示裂缝的特征点,以亮度为参照,使得亮度一致,实现输出点云1和输出点云2的配准。
2.根据权利要求1所述的检测方法,其特征在于,所述复合注意力模块将点云中的键矩阵分为局部键矩阵和远距离键矩阵,其中局部键矩阵指的是某个点的邻域中的一组键所构成的矩阵,而远距离键矩阵指的是某个点的邻域外的一组键所构成的矩阵;得到点的局部键矩阵和远距离键矩阵之后,给远距离键矩阵分配一个正权重值λ,且λ<1,再将局部键矩阵和带权重的远距离键矩阵进行相加得到复合键矩阵;将得到的复合键矩阵、局部键矩阵以及查询矩阵进行点积操作后输入到一个Softmax函数中得到注意力权重矩阵;接着,将得到的注意力权重矩阵与由复合注意力模块输入的点云获得的值矩阵进行加权求和操作,最后将得到的数据经过线性层处理获得复合注意力模块的输出。
3.根据权利要求2所述的检测方法,其特征在于,编码器中三个复合注意力模块的点的局部键矩阵邻域分别为3cm、2cm、1cm,将点云的维度由初始的2048×6逐步变为1024×6、512×6、256×6;解码器中三个复合注意力模块的点的局部键矩阵邻域分别为1cm、2cm、3cm,逐步将点云的维度恢复到初始的2048×6维度。
4.根据权利要求1所述的检测方法,其特征在于,第二分割模块中灰度处理模块的过程是:对于输入点云中的每个点,将其R、G、B色彩属性值进行加权求和并向上取整,获得每个点的灰度值C,公式为:
C的取值范围是[0,255];
所述改进的大津算法模块的处理过程是:在灰度值C的范围内随机设定一个灰度阈值T,假设灰度值小于T的点数为A,灰度值大于等于T的点数为B,总体点数为N,则
P1与P2分别表示利用灰度阈值T将点云分割的两部分对应点的比例;随后计算所有灰度值小于等于T的点数所占比例之和P,
其中Ni表示灰度值为i的点的个数;其次利用P值计算灰度累加值M,
则点云的平均灰度值mp和两部分的平均灰度值m1、m2为,
最后计算类间方差σ
通过遍历灰度值区间,找到使得类间方差σ最大的灰度值,从而使得裂缝的灰度值与背景的灰度值差别最大以达到分割的效果,获得输出点云2。
5.根据权利要求4所述的检测方法,其特征在于,所述输出点云1和输出点云2进行配准的过程是:使用基于亮度梯度的点云配准技术,不考虑点云z轴方向上的亮度梯度,只考虑点云在x轴和y轴上的亮度梯度,利用索贝尔算子分别计算输出点云1和输出点云2的亮度梯度,索贝尔算子包含两组3×3的矩阵gx和gy,分别用于计算x轴和y轴上的亮度梯度Gx和Gy;
Gx=gx×C
Gy=gy×C
其中,C表示点云中某个点的灰度值;通过以上公式得到点云在x轴和y轴上的亮度梯度,接着对两个亮度梯度合并,得到整体的点云亮度梯度G;
将输出点云1和输出点云2的点云亮度梯度分别绘制成整体的亮度图像,并从整体的亮度图像中提取表示裂缝的特征点,以亮度为参照,使得亮度一致,实现输出点云1和输出点云2的配准。
6.根据权利要求5所述的检测方法,其特征在于,所述表示裂缝的特征点为灰度值小于80的点,找到输出点云1和输出点云2的整体的亮度图像中相应位置的点,进行亮度的一一对应,实现配准。
7.一种基于点云分割配准的3D打印混凝土柱表面裂缝检测***,其特征在于,所述***包括:
数据采集模块,用于采集3D打印混凝土柱施工过程中的点云数据;
点云预处理模块,用于对点云数据进行预处理,获得规范化、优质的点云数据;
点云分割配准模型,用于将利用空间坐标对点云进行分割、利用色彩属性对点云进行分割的结果进行配准后获得3D打印混凝土柱的裂缝的点云;
结果统计模块,用于对分割出3D打印混凝土柱的裂缝的点云区域占整个输入点云区域的百分比进行统计并绘制饼状图;同时统计点云中各个灰度值区域裂缝的数量;根据裂缝点的灰度值与数量绘制直方图,图的横坐标表示灰度区间,纵坐标代表相应灰度区间内的裂缝数量;
风险预警模块,设置稳定比例阈值和稳定灰度阈值,当裂缝的点云区域占整个输入点云区域的百分比超过稳定比例阈值时,说明打印不合格,触发预警信号1;当裂缝的点云区域出现灰度值小于稳定灰度阈值的裂缝时,触发预警信号2;
异常调整模块,接收风险预警模块输出的预警信号,并根据接收到的不同预警信号对3D打印设备的参数进行调整,并提示相关人员检查材料状态;
异常记录模块,用于将异常情况的数据记录到存储设备中,包括异常发生的时间、异常的具体参数偏差情况、处理过程中的调整结果;
利用空间坐标对点云进行分割的结果记为输出点云1,利用色彩属性对点云进行分割的结果记为输出点云2,所述输出点云1和输出点云2进行配准的过程是:使用基于亮度梯度的点云配准技术,不考虑点云z轴方向上的亮度梯度,只考虑点云在x轴和y轴上的亮度梯度;将输出点云1和输出点云2的点云亮度梯度分别绘制成整体的亮度图像,并从整体的亮度图像中提取表示裂缝的特征点,以亮度为参照,使得亮度一致,实现输出点云1和输出点云2的配准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311238361.5A CN117115140B (zh) | 2023-09-25 | 2023-09-25 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311238361.5A CN117115140B (zh) | 2023-09-25 | 2023-09-25 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115140A CN117115140A (zh) | 2023-11-24 |
CN117115140B true CN117115140B (zh) | 2024-04-05 |
Family
ID=88812901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311238361.5A Active CN117115140B (zh) | 2023-09-25 | 2023-09-25 | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115140B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764205A (zh) * | 2017-11-06 | 2018-03-06 | 长安大学 | 基于线结构光扫描高频电阻焊焊缝形貌三维检测装置及检测方法 |
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 |
CN116310250A (zh) * | 2023-02-10 | 2023-06-23 | 杭州汇萃智能科技有限公司 | 一种基于三维传感器的点云拼接方法、***和存储介质 |
CN116402866A (zh) * | 2023-03-03 | 2023-07-07 | 西安交通大学 | 基于点云的零件数字孪生几何建模与误差评定方法及*** |
CN116518864A (zh) * | 2023-04-07 | 2023-08-01 | 同济大学 | 一种基于三维点云对比分析的工程结构全场变形检测方法 |
CN116718599A (zh) * | 2023-06-08 | 2023-09-08 | 中国矿业大学 | 一种基于三维点云数据的表观裂缝长度测量方法 |
CN116777898A (zh) * | 2023-07-21 | 2023-09-19 | 重庆大学溧阳智慧城市研究院 | 基于AFFormer实现3D打印挡墙施工过程裂缝测量的方法 |
-
2023
- 2023-09-25 CN CN202311238361.5A patent/CN117115140B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764205A (zh) * | 2017-11-06 | 2018-03-06 | 长安大学 | 基于线结构光扫描高频电阻焊焊缝形貌三维检测装置及检测方法 |
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 |
CN116310250A (zh) * | 2023-02-10 | 2023-06-23 | 杭州汇萃智能科技有限公司 | 一种基于三维传感器的点云拼接方法、***和存储介质 |
CN116402866A (zh) * | 2023-03-03 | 2023-07-07 | 西安交通大学 | 基于点云的零件数字孪生几何建模与误差评定方法及*** |
CN116518864A (zh) * | 2023-04-07 | 2023-08-01 | 同济大学 | 一种基于三维点云对比分析的工程结构全场变形检测方法 |
CN116718599A (zh) * | 2023-06-08 | 2023-09-08 | 中国矿业大学 | 一种基于三维点云数据的表观裂缝长度测量方法 |
CN116777898A (zh) * | 2023-07-21 | 2023-09-19 | 重庆大学溧阳智慧城市研究院 | 基于AFFormer实现3D打印挡墙施工过程裂缝测量的方法 |
Non-Patent Citations (5)
Title |
---|
Crack detection and quantification for concrete structures using UAV and transformer;Wei Ding et al.;《Automation on Construction》;第152卷;全文 * |
CrackFormer Network for Pavement Crack Segmentation;Huajun Liu et al.;《IEEE Transactions on Intelligent Transportation Systems》;第24卷(第9期);全文 * |
CrackFormer: Transformer Network for Fine-Grained Crack Detection;Huajun Liu et al.;《2021 IEEE/CVF International Conference on Computer Vision (ICCV)》;全文 * |
基于语义连通性的室内RGB-D深度图像超体素融合与分割;王锦洋;《自动化应用》;第64卷(第16期);全文 * |
面向大型异形筒类薄壁件的双工位寻位加工***及方法;张月红 等;《计算机集成制造***》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115140A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348376B (zh) | 一种基于神经网络的行人实时检测方法 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN112487898B (zh) | 搅拌站搅拌车进、卸料口对齐自动判定方法、设备及*** | |
CN110544233B (zh) | 基于人脸识别应用的深度图像质量评价方法 | |
CN113436169A (zh) | 一种基于半监督语义分割的工业设备表面裂纹检测方法及*** | |
CN111402209A (zh) | 一种基于U-Net的高速铁路钢轨损伤检测方法 | |
CN107220643A (zh) | 基于紧凑型神经网络的深度学习模型的交通标志识别*** | |
CN112330593A (zh) | 基于深度学习网络的建筑物表面裂缝检测方法 | |
CN113420643B (zh) | 基于深度可分离空洞卷积的轻量级水下目标检测方法 | |
CN112465809A (zh) | 一种基于图像识别的模具缺陷检测方法、计算机可读存储介质及装置 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN116777898B (zh) | 基于AFFormer实现3D打印挡墙施工过程裂缝测量的方法 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN115512134A (zh) | 快件堆积异常预警方法、装置、设备及存储介质 | |
CN116486231A (zh) | 一种基于改进YOLOv5的混凝土裂缝检测方法 | |
CN112381794B (zh) | 一种基于深度卷积生成网络的印刷缺陷检测方法 | |
CN117011280A (zh) | 基于点云分割的3d打印混凝土墙质量监测方法及*** | |
CN117115140B (zh) | 基于点云分割配准的3d打印混凝土柱表面裂缝检测方法 | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和*** | |
CN113077423A (zh) | 基于卷积神经网络的激光选区熔化熔池图像分析*** | |
CN113052234A (zh) | 一种基于图像特征和深度学习技术的玉石分类方法 | |
CN116051808A (zh) | 一种基于YOLOv5的轻量化零件识别定位方法 | |
CN115439763A (zh) | 一种基于YOLOv5模型的水工程表面裂缝检测方法 | |
CN113643352A (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
KR20220144237A (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 |
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 |