CN117372850A - 一种激光点云建模的数据识别方法及*** - Google Patents
一种激光点云建模的数据识别方法及*** Download PDFInfo
- Publication number
- CN117372850A CN117372850A CN202311434417.4A CN202311434417A CN117372850A CN 117372850 A CN117372850 A CN 117372850A CN 202311434417 A CN202311434417 A CN 202311434417A CN 117372850 A CN117372850 A CN 117372850A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser point
- modeling data
- cloud modeling
- preset
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004140 cleaning Methods 0.000 claims abstract description 44
- 238000012937 correction Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Laser Beam Processing (AREA)
Abstract
本发明涉及激光点云建模的数据识别技术领域,公开了一种激光点云建模的数据识别方法及***,该方法包括:获取待识别的激光点云建模数据;对待识别的激光点云建模数据进行数据清理,并提取数据清理后的激光点云建模数据的质量信息;根据激光点云建模数据的质量信息对待识别的激光点云建模数据进行质量评分;根据激光点云建模数据的质量评分与激光点云建模数据的预设的质量评分之间的关系,确定激光点云建模数据的质量等级;根据激光点云建模数据的质量等级与预设的质量等级之间的关系,识别激光点云建模数据是否能进行使用。该方法全面提升了激光点云建模数据的识别质量,进而能够有效的直观、量化地了解数据可信度。
Description
技术领域
本发明涉及激光点云建模的数据识别技术领域,特别是涉及一种激光点云建模的数据识别方法及***。
背景技术
激光点云建模是一种基于激光雷达技术的三维环境建模方法,通过激光传感器采集环境中的点云数据,然后利用这些离散的激光点云来还原和呈现物体、场景或地形的三维结构。这种建模技术广泛应用于自动驾驶、机器人导航、虚拟现实、城市规划等领域。激光点云建模通过测量激光束的反射或散射,生成大量离散的点云数据,每个点代表空间中的一个表面点。这些点云数据可以用于生成高度准确、细致入微的三维模型,提供了对环境和物体的高分辨率表示。
目前,传统中的激光点云建模技术中存在一些显著问题,主要表现在缺乏专门的手段来识别和处理潜在的低质量或无效的数据。而这一技术局限性极容易引发多方面问题,包括建模失真、目标漏检或误检等。特别是在自动驾驶和机器人导航等领域,这种缺乏对高质量数据的准确识别手段的情况变得尤为突出。然而,传统方法未能有效应对激光点云数据的质量问题,由此可能带来对环境的不准确理解,危及自动驾驶和机器人导航的决策和操作安全性。
因此,急需发明一种激光点云建模的数据识别的技术,用于解决传统技术中有效识别出激光点云建模的数据中的低质量或无效的数据的问题。
发明内容
本发明的目的是:提供一种激光点云建模的数据识别方法及***,用于如何解决传统技术中有效识别出激光点云建模的数据中的低质量或无效的数据的问题。
一方面,本发明实施例中提供了一种激光点云建模的数据识别方法,包括:
获取待识别的激光点云建模数据;
对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息,其中所述激光点云建模数据的质量信息包括所述激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度;
根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分;
根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级;
根据所述激光点云建模数据的质量等级与预设的质量等级之间的关系,识别所述激光点云建模数据是否能进行使用,包括:
获取所述激光点云建模数据的质量等级Q,并根据所述激光点云建模数据的质量等级Q与预设的激光点云建模数据的质量等级Q0之间的关系判断所述激光点云建模数据是否能进行使用;
当Q≥Q0时,则判断所述激光点云建模数据的质量等级高于或等于所述预设的激光点云建模数据的质量等级,判断所述激光点云建模数据能进行使用;
当Q<Q0时,则判断所述激光点云建模数据的质量等级低于所述预设的激光点云建模数据的质量等级,判断所述激光点云建模数据不能进行使用。
进一步的,对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息时,包括:
清除待识别的所述激光点云建模数据中异常数据云点;
获取清除异常数据云点后的所述激光点云建模数据及激光点云建模数据的边界,并根据所述激光点云建模数据的边界剔除所述激光点云建模数据中未处于所述激光点云建模数据的边界的内部的激光点云建模数据。
进一步的,根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分时,包括:
获取数据清理后的所述激光点云建模数据的当前完整度L,并根据所述当前完整度L与预设的完整度L0之间的关系,判断所述数据清理后的所述激光点云建模数据是否完整:
当L≥L0时,则判断所述激光点云建模数据的完整度大于或等于预设的完整度,判断所述数据清理后的所述激光点云建模数据完整;
当L<L0时,则判断所述激光点云建模数据的完整度小于预设的完整度,判断所述数据清理后的所述激光点云建模数据不完整,并根据所述当前完整度L与预设的完整度L0之间的关系对所述激光点云建模数据进行质量评分。
进一步的,判断所述数据清理后的所述激光点云建模数据不完整,并根据所述当前完整度L与预设的完整度L0之间的关系对所述激光点云建模数据进行质量评分时,包括:
获取所述当前完整度L与预设的完整度L0之间的完整度差值△L,△L=L-L0,根据所述完整度差值△L与预设的完整度差值之间进行比对,并根据比对结果选定相应的质量评分,对所述激光点云建模数据进行质量评分;
其中,预先设定第一预设完整度差值△L1和第二预设完整度差值△L2,预先设定第一预设质量评分M1、第二预设质量评分M2和第三预设质量评分M3,且△L1<△L2,M1<M2<M3;
当△L≤△L1时,则选定所述第一预设质量评分M1对所述激光点云建模数据进行质量评分;
当△L1<△L≤△L2时,则选定所述第二预设质量评分M2对所述激光点云建模数据进行质量评分;
当△L>△L2时,则选定所述第三预设质量评分M3对所述激光点云建模数据进行质量评分;
当选定第i预设质量评分M i对所述激光点云建模数据进行质量评分时,i=1,2,3,并确定所述激光点云建模数据质量评分为E1,设定E1=E*M i,其中E为所述激光点云建模数据的初始质量评分。
进一步的,当选定第i预设质量评分M i对所述激光点云建模数据进行质量评分,并确定所述激光点云建模数据质量评分为E1时,包括:
获取所述激光点云建模数据的当前分辨率K,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,判断所述激光点云建模数据是否清晰;
当K≥K0时,则判断所述激光点云建模数据的分辨率大于或等于所述激光点云建模数据的预设分辨率,判断所述激光点云建模数据清晰;
当K<K0时,则判断所述激光点云建模数据的分辨率小于所述激光点云建模数据的预设分辨率,判断所述激光点云建模数据不清晰,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,对所述激光点云建模数据质量评分E1进行调整。
进一步的,判断所述激光点云建模数据不清晰,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,对所述激光点云建模数据质量评分E1进行调整时,包括:
获取所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的分辨率差值△K,△K=K-K0,根据所述分辨率差值△K与预设的分辨率差值之间进行比对,并根据比对结果选择相应的调整系数对所述激光点云建模数据质量评分E1进行调整;
其中,预先设定第一预设分辨率差值△K1和第二预设分辨率差值△K2,预先设定第一预设调整系数N1,第二预设调整系数N2和第三预设调整系数N3,且△K1<△K2,0<N1<N2<N3<0.5;
当△K≤△K1时,则选定所述第一预设调整系数N1对所述激光点云建模数据质量评分E1进行调整;
当△K1<△K≤△K2时,则选定所述第二预设调整系数N2对所述激光点云建模数据质量评分E1进行调整;
当△K>△K2时,则选定所述第三预设调整系数N3对所述激光点云建模数据质量评分E1进行调整;
当选定第i预设调整系数N i对所述激光点云建模数据质量评分E1进行调整时,i=1,2,3,并确定调整后的所述激光点云建模数据质量评分为E2,设定E2=E1*N i。
进一步的,当选定第i预设调整系数N i对所述激光点云建模数据质量评分E1进行调整,并确定调整后的所述激光点云建模数据质量评分为E2时,包括:
获取所述激光点云建模数据的实时点云密度J,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,判断所述激光点云建模数据中的结构是否具体:
当J≥J0时,则判断所述激光点云建模数据的点云密度大于或是等于所述激光点云建模数据的预设点云密度,判断所述激光点云建模数据中的结构具体;
当J<J0时,则判断所述激光点云建模数据的点云密度小于所述激光点云建模数据的预设点云密度,判断所述激光点云建模数据中的结构不具体,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,对所述调整后的所述激光点云建模数据质量评分E2进行修正。
进一步的,判断所述激光点云建模数据中的结构不具体,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,对所述调整后的所述激光点云建模数据质量评分E2进行修正时,包括:
获取所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的点云密度差值△J,△J=J-J0,根据所述点云密度差值△J与预设的点云密度差值之间进行比对,并根据比对结果选定相应的修正系数对调整后的所述激光点云建模数据质量评分E2进行修正;
其中,预先设定第一预设点云密度差值△J1和第二预设点云密度差值△J2,预先设定第一修正系数B1,第二预设修正系数B2和第三预设修正系数B3,且△J1<△J2,0.15<B1<B2<B3<0.3;
当△J≤△J1时,则选定所述第一预设修正系数B1对调整后的所述激光点云建模数据质量评分E2进行修正;
当△J1<△J≤△J2时,则选定所述第二预设修正系数B2对调整后的所述激光点云建模数据质量评分E2进行修正;
当△J>△J2时,则选定所述第三预设修正系数B3对调整后的所述激光点云建模数据质量评分E2进行修正;
当选定第i预设修正系数B i对调整后的所述激光点云建模数据质量评分E2进行修正时,i=1,2,3,并确定修正后的所述激光点云建模数据质量评分为E3,设定E3=E2*Bi。
进一步的,根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级时,包括:
获取修正后的所述激光点云建模数据质量评分E3,
预先设定第一预设质量评分T1和第二预设质量评分T2,预先设定第一预设质量等级Q1、第二预设质量等级Q2和第三预设质量等级Q3,且T1<T2,Q1<Q2<Q3;
根据修正后的所述激光点云建模数据质量评分E3与各预设的质量评分之间的进行比对,并根据比对结果选定相应的预设质量等级作为所述激光点云建模数据质量等级;
当E3≤T1时,则选定所述第一预设质量等级Q1作为所述激光点云建模数据质量等级;
当T1<E3≤T2时,则选定所述第二预设质量等级Q2作为所述激光点云建模数据质量等级;
当E3>T2时,则选定所述第三预设质量等级Q3作为所述激光点云建模数据质量等级;
当选定第i预设质量等级Q i作为所述激光点云建模数据质量等级时,i=1,2,3,并确定激光点云建模数据质量等级为Q,设定Q=Q1,Q2,Q3…Q i。
另一个方面,本发明实施例中还提供了一种激光点云建模的数据识别***适用于如上述各发明实施例一种激光点云建模的数据识别方法中,包括:
数据获取模块,与所述数据库电连接,所述数据获取模块用于获取待识别的激光点云建模数据。
数据清洗模块,与所述数据获取模块电连接,所述数据清洗模块用于对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息,其中,所述激光点云建模数据的质量信息包括所述激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度;
评分模块,与所述数据清洗模块电连接,所述评分模块用于根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分;
中控模块,与所述评分模块电连接,所述中控模块用于根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级,所述中控模块还用于根据所述激光点云建模数据的质量等级与预设的质量等级之间的关系,识别所述激光点云建模数据是否能进行使用。
本发明实施例一种激光点云建模的数据识别方法及***与现有技术相比,其有益效果在于:通过获取激光点云建模数据,为后续处理提供了原始数据基础。随后,通过数据清理步骤,剔除了可能存在的噪声和无效信息,提高了数据的质量。进一步,从完整度、分辨率和点云密度等方面提取了激光点云建模数据的关键质量信息,为质量评估提供了全面的依据。通过质量评分,***量化地衡量了激光点云建模数据的整体质量,使用户能够清晰了解数据可信度。随后的质量等级划分进一步简化了对数据质量的判断,通过与预设质量等级的比较,将激光点云建模数据分为可使用和不可使用两个类别。这一分类直观地告知用户数据的适用性,为决策提供了重要依据。整个流程强调了对于激光点云建模数据质量的关注,有益于提高数据可信性,确保在后续应用中获得准确且可靠的结果。同时,通过明确的判断标准,用户能够更有效地决策是否使用这些数据,从而在各种应用场景中实现更好的数据管理和利用。
附图说明
图1是本发明实施例一种激光点云建模的数据识别方法的流程框图。
图2是本发明实施例一种激光点云建模的数据识别***的结构连接框图
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整地传达给本领域的技术人员。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
如图1所示,本发明实施例的一种激光点云建模的数据识别方法,包括:
步骤S100、获取待识别的激光点云建模数据。
步骤S200、对待识别的激光点云建模数据进行数据清理,并提取数据清理后的激光点云建模数据的质量信息,其中激光点云建模数据的质量信息包括激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度。
步骤S300、根据激光点云建模数据的质量信息对待识别的激光点云建模数据进行质量评分。
步骤S400、根据激光点云建模数据的质量评分与激光点云建模数据的预设的质量评分之间的关系,确定激光点云建模数据的质量等级。
步骤S500、根据激光点云建模数据的质量等级与预设的质量等级之间的关系,识别激光点云建模数据是否能进行使用。
可以理解的是,在步骤S100中,获取了待识别的激光点云建模数据,为后续处理提供了原始数据。然后,在步骤S200中,通过数据清理,对数据进行了预处理,剔除了可能的噪声和无效信息,并提取了数据的关键质量信息,包括完整度、分辨率和点云密度,从而提高了数据的质量。接下来,在步骤S300中,对激光点云建模数据进行了质量评分,通过量化方式衡量了数据的整体质量水平,使用户能够准确了解数据的可信度。最后步骤S400和S500进一步强化了数据质量的管理和应用。通过在S400中将质量评分与预设的质量评分进行比较,确定了数据的质量等级,将数据分为不同的质量类别,简化了用户对数据质量的判断。最终,在S500中,根据质量等级与预设等级的关系,识别激光点云建模数据是否能够安全使用,为用户提供了一个明确的指导,帮助用户决策是否在后续应用中使用这些数据。
具体而言,在本发明的一些实施例中,根据激光点云建模数据的质量等级与预设的质量等级之间的关系,识别激光点云建模数据是否能进行使用包括:获取激光点云建模数据的质量等级Q,并根据激光点云建模数据的质量等级Q与预设的激光点云建模数据的质量等级Q0之间的关系判断激光点云建模数据是否能进行使用:当Q≥Q0时,则判断激光点云建模数据的质量等级高于或等于预设的激光点云建模数据的质量等级,判断激光点云建模数据能进行使用。当Q<Q0时,则判断激光点云建模数据的质量等级低于预设的激光点云建模数据的质量等级,判断激光点云建模数据不能进行使用。
具体而言,在本发明的一些实施例中,对待识别的激光点云建模数据进行数据清理,并提取数据清理后的激光点云建模数据的质量信息时,包括:清除待识别的激光点云建模数据中异常数据云点。获取清除异常数据云点后的激光点云建模数据及激光点云建模数据的边界,并根据激光点云建模数据的边界剔除激光点云建模数据中未处于激光点云建模数据的边界的内部的激光点云建模数据。
可以理解的是,通过清除异常数据云点,成功消除了激光点云建模数据中可能存在的异常噪声或无效数据,从而提高了数据的准确性和质量。这有助于避免在后续分析和应用过程中对异常数据的干扰,确保数据更符合实际场景。其次,通过获取清除异常数据云点后的激光点云建模数据及激光点云建模数据的边界,实现了对数据边界的明确把控。通过剔除激光点云建模数据中未处于数据边界内部的部分,进一步减少了可能受到外部环境影响的数据,确保留下的数据更加精确和可靠。这有助于提高数据的实用性,使其更符合特定应用场景的需求。
具体而言,在本发明的一些实施例中,根据激光点云建模数据的质量信息对待识别的激光点云建模数据进行质量评分时,包括:获取数据清理后的激光点云建模数据的当前完整度L,并根据当前完整度L与预设的完整度L0之间的关系,判断数据清理后的激光点云建模数据是否完整:当L≥L0时,则判断激光点云建模数据的完整度大于或等于预设的完整度,判断数据清理后的激光点云建模数据完整;当L<L0时,则判断激光点云建模数据的完整度小于预设的完整度,判断数据清理后的激光点云建模数据不完整,并根据当前完整度L与预设的完整度L0之间的关系对激光点云建模数据进行质量评分。
具体而言,在本发明的一些实施例中,判断数据清理后的激光点云建模数据不完整,并根据当前完整度L与预设的完整度L0之间的关系对激光点云建模数据进行质量评分时,包括:获取当前完整度L与预设的完整度L0之间的完整度差值△L,△L=L-L0,根据完整度差值△L与预设的完整度差值之间进行比对,并根据比对结果选定相应的质量评分,对激光点云建模数据进行质量评分:其中,预先设定第一预设完整度差值△L1和第二预设完整度差值△L2,预先设定第一预设质量评分M1、第二预设质量评分M2和第三预设质量评分M3,且△L1<△L2,M1<M2<M3。
当△L≤△L1时,则选定第一预设质量评分M1对激光点云建模数据进行质量评分。
当△L1<△L≤△L2时,则选定第二预设质量评分M2对激光点云建模数据进行质量评分。
当△L>△L2时,则选定第三预设质量评分M3对激光点云建模数据进行质量评分。
当选定第i预设质量评分M i对激光点云建模数据进行质量评分时,i=1,2,3,并确定激光点云建模数据质量评分为E1,设定E1=E*Mi,其中E为激光点云建模数据的初始质量评分。
可以理解的是,通过判断数据清理后的激光点云建模数据是否完整,***能够有效地识别出可能存在缺失或不完整的数据情况。这有助于在后续的分析和应用中减少对不完整数据的误用,提高了数据的可靠性和实用性。其次,引入了完整度差值的概念,根据完整度差值与预设的完整度差值进行比对,选择相应的质量评分。这种差值比对机制使得质量评分更为灵活,能够更准确地反映出数据的整体情况。不同的完整度差值对应不同的质量评分,增强了对数据完整性的差异化评估。最后,通过根据选定的预设质量评分对激光点云建模数据进行质量评分,实现了对数据质量的动态调整。这种动态调整机制使得***能够根据实际情况灵活地调整质量评分,更加准确地反映出激光点云建模数据的整体质量水平。
具体而言,在本发明的一些实施例中,当选定第i预设质量评分M i对激光点云建模数据进行质量评分,并确定激光点云建模数据质量评分为E1时,包括:获取激光点云建模数据的当前分辨率K,并根据激光点云建模数据的当前分辨率K与激光点云建模数据的预设分辨率K0之间的关系,判断激光点云建模数据是否清晰;当K≥K0时,则判断激光点云建模数据的分辨率大于或等于激光点云建模数据的预设分辨率,判断激光点云建模数据清晰。当K<K0时,则判断激光点云建模数据的分辨率小于激光点云建模数据的预设分辨率,判断激光点云建模数据不清晰,并根据激光点云建模数据的当前分辨率K与激光点云建模数据的预设分辨率K0之间的关系,对激光点云建模数据质量评分E1进行调整。
具体而言,在本发明的一些实施例中,判断激光点云建模数据不清晰,并根据激光点云建模数据的当前分辨率K与激光点云建模数据的预设分辨率K0之间的关系,对激光点云建模数据质量评分E1进行调整时,包括:获取激光点云建模数据的当前分辨率K与激光点云建模数据的预设分辨率K0之间的分辨率差值△K,△K=K-K0,根据分辨率差值△K与预设的分辨率差值之间进行比对,并根据比对结果选择相应的调整系数对激光点云建模数据质量评分E1进行调整:其中,预先设定第一预设分辨率差值△K1和第二预设分辨率差值△K2,预先设定第一预设调整系数N1,第二预设调整系数N2和第三预设调整系数N3,且△K1<△K2,0<N1<N2<N3<0.5。
当△K≤△K1时,则选定第一预设调整系数N1对激光点云建模数据质量评分E1进行调整。
当△K1<△K≤△K2时,则选定第二预设调整系数N2对激光点云建模数据质量评分E1进行调整。
当△K>△K2时,则选定第三预设调整系数N3对激光点云建模数据质量评分E1进行调整。
当选定第i预设调整系数N i对激光点云建模数据质量评分E1进行调整时,i=1,2,3,并确定调整后的激光点云建模数据质量评分为E2,设定E2=E1*N i。
可以理解的是,通过判断激光点云建模数据的清晰性,***能够有效地识别出可能存在模糊或不清晰的数据情况。这有助于在后续的应用中减少对不清晰数据的误用,提高了数据的可视化效果和解释性。其次,引入了分辨率差值的概念,根据分辨率差值与预设的分辨率差值进行比对,选择相应的调整系数对激光点云建模数据的质量评分进行调整。这种差值比对机制使得质量评分的调整更为灵活,能够更准确地反映出数据的整体清晰度。不同的分辨率差值对应不同的调整系数,增强了对数据清晰性的差异化评估。最后,通过根据选定的预设调整系数对激光点云建模数据的质量评分进行调整,实现了对数据质量的动态调整。这种动态调整机制使得***能够根据实际情况灵活地调整质量评分,更加准确地反映出激光点云建模数据的整体清晰度水平。
具体而言,在本发明的一些实施例中,当选定第i预设调整系数N i对激光点云建模数据质量评分E1进行调整,并确定调整后的激光点云建模数据质量评分为E2时,包括:获取激光点云建模数据的实时点云密度J,并根据激光点云建模数据的实时点云密度J与激光点云建模数据的预设点云密度J0之间的关系,判断激光点云建模数据中的结构是否具体:当J≥J0时,则判断激光点云建模数据的点云密度大于或是等于激光点云建模数据的预设点云密度,判断激光点云建模数据中的结构具体。当J<J0时,则判断激光点云建模数据的点云密度小于激光点云建模数据的预设点云密度,判断激光点云建模数据中的结构不具体,并根据激光点云建模数据的实时点云密度J与激光点云建模数据的预设点云密度J0之间的关系,对调整后的激光点云建模数据质量评分E2进行修正。
具体而言,在本发明的一些实施例中,判断激光点云建模数据中的结构不具体,并根据激光点云建模数据的实时点云密度J与激光点云建模数据的预设点云密度J0之间的关系,对调整后的激光点云建模数据质量评分E2进行修正时,包括:获取激光点云建模数据的实时点云密度J与激光点云建模数据的预设点云密度J0之间的点云密度差值△J,△J=J-J0,根据点云密度差值△J与预设的点云密度差值之间进行比对,并根据比对结果选定相应的修正系数对调整后的激光点云建模数据质量评分E2进行修正:其中,预先设定第一预设点云密度差值△J1和第二预设点云密度差值△J2,预先设定第一修正系数B1,第二预设修正系数B2和第三预设修正系数B3,且△J1<△J2,0.15<B1<B2<B3<0.3。
当△J≤△J1时,则选定第一预设修正系数B1对调整后的激光点云建模数据质量评分E2进行修正。
当△J1<△J≤△J2时,则选定第二预设修正系数B2对调整后的激光点云建模数据质量评分E2进行修正。
当△J>△J2时,则选定第三预设修正系数B3对调整后的激光点云建模数据质量评分E2进行修正。
当选定第i预设修正系数B i对调整后的激光点云建模数据质量评分E2进行修正时,i=1,2,3,并确定修正后的激光点云建模数据质量评分为E3,设定E3=E2*Bi。
可以理解的是,通过判断激光点云建模数据中结构是否具体,***能够更准确地了解数据的实际特征。这对于后续应用中需要准确结构信息的场景,如自动驾驶或机器人导航,具有重要意义,可以避免对于结构不具体的数据的误用。其次,引入点云密度差值的概念,根据密度差值与预设密度差值进行比对,选择相应的修正系数进行调整。这种差值比对机制使得质量评分的修正更为灵活,能够更准确地反映出激光点云建模数据的结构特征。不同的密度差值对应不同的修正系数,增强了对数据结构特性的差异化评估。最后,通过根据选定的预设修正系数对激光点云建模数据的质量评分进行修正,实现了对数据质量的动态调整。这种动态调整机制使得***能够根据实际情况灵活地调整质量评分,更加准确地反映出激光点云建模数据的整体结构特性水平。
具体而言,在本发明的一些实施例中,根据激光点云建模数据的质量评分与激光点云建模数据的预设的质量评分之间的关系,确定激光点云建模数据的质量等级时,包括:获取修正后的激光点云建模数据质量评分E3。预先设定第一预设质量评分T1和第二预设质量评分T2,预先设定第一预设质量等级Q1、第二预设质量等级Q2和第三预设质量等级Q3,且T1<T2,Q1<Q2<Q3。根据修正后的激光点云建模数据质量评分E3与各预设的质量评分之间的进行比对,并根据比对结果选定相应的预设质量等级作为激光点云建模数据质量等级:当E3≤T1时,则选定第一预设质量等级Q1作为激光点云建模数据质量等级。当T1<E3≤T2时,则选定第二预设质量等级Q2作为激光点云建模数据质量等级。当E3>T2时,则选定第三预设质量等级Q3作为激光点云建模数据质量等级。当选定第i预设质量等级Qi作为激光点云建模数据质量等级时,i=1,2,3,并确定激光点云建模数据质量等级为Q,设定Q=Q1,Q2,Q3…Q i。
综上,本发明实施例提供一种激光点云建模的数据识别方法,其通过获取激光点云建模数据,为后续处理提供了原始数据基础。随后,通过数据清理步骤,剔除了可能存在的噪声和无效信息,提高了数据的质量。进一步,从完整度、分辨率和点云密度等方面提取了激光点云建模数据的关键质量信息,为质量评估提供了全面的依据。通过质量评分,***量化地衡量了激光点云建模数据的整体质量,使用户能够清晰了解数据可信度。随后的质量等级划分进一步简化了对数据质量的判断,通过与预设质量等级的比较,将激光点云建模数据分为可使用和不可使用两个类别。这一分类直观地告知用户数据的适用性,为决策提供了重要依据。整个流程强调了对于激光点云建模数据质量的关注,有益于提高数据可信性,确保在后续应用中获得准确且可靠的结果。同时,通过明确的判断标准,用户能够更有效地决策是否使用这些数据,从而在各种应用场景中实现更好的数据管理和利用。
参阅图2所示,本发明一些实施例中还提供了一种激光点云建模的数据识别***,适用于如上述各发明实施例一种激光点云建模的数据识别方法中,包括:数据获取模块、数据清洗模块、评分模块和中控模块。数据获取模块与数据库电连接,数据获取模块用于获取待识别的激光点云建模数据。数据清洗模块与数据获取模块电连接,数据清洗模块用于对待识别的激光点云建模数据进行数据清理,并提取数据清理后的激光点云建模数据的质量信息,其中,激光点云建模数据的质量信息包括激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度;评分模块与数据清洗模块电连接,评分模块用于根据激光点云建模数据的质量信息对待识别的激光点云建模数据进行质量评分;中控模块与评分模块电连接,中控模块用于根据激光点云建模数据的质量评分与激光点云建模数据的预设的质量评分之间的关系,确定激光点云建模数据的质量等级,中控模块还用于根据激光点云建模数据的质量等级与预设的质量等级之间的关系,识别激光点云建模数据是否能进行使用。
可以理解的是,本发明实施例中一种激光点云建模的数据识别***,适用于如上述各发明实施例一种激光点云建模的数据识别方法中,因此上述各发明实施例一种激光点云建模的数据识别***与一种激光点云建模的数据识别方法具备相同的有益效果,因此不再赘述。
以上仅为本发明的一个实施例子,但不能以此限制本发明的范围,凡依据本发明所做的结构上的变化,只要不失本发明的要义所在,都应视为落入本发明保护范围之内受到制约。
所属技术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***的具体工作过程及有关说明,可以参考前述方法实施例中的对应过程,在此不再赘述。
需要说明的是,上述实施例提供的***,仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块来完成,即将本发明实施例中的模块或者步骤再分解或者组合,例如,上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块,以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称,仅仅是为了区分各个模块或者步骤,不视为对本发明的不当限定。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的模块、方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子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。本领域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。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素,而且还包括没有明确列出的其它要素,或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上,仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。
Claims (10)
1.一种激光点云建模的数据识别方法,其特征在于,包括:
获取待识别的激光点云建模数据;
对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息,其中所述激光点云建模数据的质量信息包括所述激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度;
根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分;
根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级;
根据所述激光点云建模数据的质量等级与预设的质量等级之间的关系,识别所述激光点云建模数据是否能进行使用,包括:
获取所述激光点云建模数据的质量等级Q,并根据所述激光点云建模数据的质量等级Q与预设的激光点云建模数据的质量等级Q0之间的关系判断所述激光点云建模数据是否能进行使用;
当Q≥Q0时,则判断所述激光点云建模数据的质量等级高于或等于所述预设的激光点云建模数据的质量等级,判断所述激光点云建模数据能进行使用;
当Q<Q0时,则判断所述激光点云建模数据的质量等级低于所述预设的激光点云建模数据的质量等级,判断所述激光点云建模数据不能进行使用。
2.如权利要求1所述的激光点云建模的数据识别方法,其特征在于,对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息时,包括:
清除待识别的所述激光点云建模数据中异常数据云点;
获取清除异常数据云点后的所述激光点云建模数据及激光点云建模数据的边界,并根据所述激光点云建模数据的边界剔除所述激光点云建模数据中未处于所述激光点云建模数据的边界的内部的激光点云建模数据。
3.如权利要求1所述的激光点云建模的数据识别方法,其特征在于,根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分时,包括:
获取数据清理后的所述激光点云建模数据的当前完整度L,并根据所述当前完整度L与预设的完整度L0之间的关系,判断所述数据清理后的所述激光点云建模数据是否完整:
当L≥L0时,则判断所述激光点云建模数据的完整度大于或等于预设的完整度,判断所述数据清理后的所述激光点云建模数据完整;
当L<L0时,则判断所述激光点云建模数据的完整度小于预设的完整度,判断所述数据清理后的所述激光点云建模数据不完整,并根据所述当前完整度L与预设的完整度L0之间的关系对所述激光点云建模数据进行质量评分。
4.如权利要求3所述的激光点云建模的数据识别方法,其特征在于,判断所述数据清理后的所述激光点云建模数据不完整,并根据所述当前完整度L与预设的完整度L0之间的关系对所述激光点云建模数据进行质量评分时,包括:
获取所述当前完整度L与预设的完整度L0之间的完整度差值△L,△L=L-L0,根据所述完整度差值△L与预设的完整度差值之间进行比对,并根据比对结果选定相应的质量评分,对所述激光点云建模数据进行质量评分;
其中,预先设定第一预设完整度差值△L1和第二预设完整度差值△L2,预先设定第一预设质量评分M1、第二预设质量评分M2和第三预设质量评分M3,且△L1<△L2,M1<M2<M3;
当△L≤△L1时,则选定所述第一预设质量评分M1对所述激光点云建模数据进行质量评分;
当△L1<△L≤△L2时,则选定所述第二预设质量评分M2对所述激光点云建模数据进行质量评分;
当△L>△L2时,则选定所述第三预设质量评分M3对所述激光点云建模数据进行质量评分;
当选定第i预设质量评分Mi对所述激光点云建模数据进行质量评分时,i=1,2,3,并确定所述激光点云建模数据质量评分为E1,设定E1=E*Mi,其中E为所述激光点云建模数据的初始质量评分。
5.如权利要求4所述的激光点云建模的数据识别方法,其特征在于,当选定第i预设质量评分Mi对所述激光点云建模数据进行质量评分,并确定所述激光点云建模数据质量评分为E1时,包括:
获取所述激光点云建模数据的当前分辨率K,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,判断所述激光点云建模数据是否清晰;
当K≥K0时,则判断所述激光点云建模数据的分辨率大于或等于所述激光点云建模数据的预设分辨率,判断所述激光点云建模数据清晰;
当K<K0时,则判断所述激光点云建模数据的分辨率小于所述激光点云建模数据的预设分辨率,判断所述激光点云建模数据不清晰,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,对所述激光点云建模数据质量评分E1进行调整。
6.如权利要求5所述的激光点云建模的数据识别方法,其特征在于,判断所述激光点云建模数据不清晰,并根据所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的关系,对所述激光点云建模数据质量评分E1进行调整时,包括:
获取所述激光点云建模数据的当前分辨率K与所述激光点云建模数据的预设分辨率K0之间的分辨率差值△K,△K=K-K0,根据所述分辨率差值△K与预设的分辨率差值之间进行比对,并根据比对结果选择相应的调整系数对所述激光点云建模数据质量评分E1进行调整;
其中,预先设定第一预设分辨率差值△K1和第二预设分辨率差值△K2,预先设定第一预设调整系数N1,第二预设调整系数N2和第三预设调整系数N3,且△K1<△K2,0<N1<N2<N3<0.5;
当△K≤△K1时,则选定所述第一预设调整系数N1对所述激光点云建模数据质量评分E1进行调整;
当△K1<△K≤△K2时,则选定所述第二预设调整系数N2对所述激光点云建模数据质量评分E1进行调整;
当△K>△K2时,则选定所述第三预设调整系数N3对所述激光点云建模数据质量评分E1进行调整;
当选定第i预设调整系数Ni对所述激光点云建模数据质量评分E1进行调整时,i=1,2,3,并确定调整后的所述激光点云建模数据质量评分为E2,设定E2=E1*Ni。
7.如权利要求6所述的激光点云建模的数据识别方法,其特征在于,当选定第i预设调整系数Ni对所述激光点云建模数据质量评分E1进行调整,并确定调整后的所述激光点云建模数据质量评分为E2时,包括:
获取所述激光点云建模数据的实时点云密度J,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,判断所述激光点云建模数据中的结构是否具体:
当J≥J0时,则判断所述激光点云建模数据的点云密度大于或是等于所述激光点云建模数据的预设点云密度,判断所述激光点云建模数据中的结构具体;
当J<J0时,则判断所述激光点云建模数据的点云密度小于所述激光点云建模数据的预设点云密度,判断所述激光点云建模数据中的结构不具体,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,对所述调整后的所述激光点云建模数据质量评分E2进行修正。
8.如权利要求7所述的激光点云建模的数据识别方法,其特征在于,判断所述激光点云建模数据中的结构不具体,并根据所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的关系,对所述调整后的所述激光点云建模数据质量评分E2进行修正时,包括:
获取所述激光点云建模数据的实时点云密度J与所述激光点云建模数据的预设点云密度J0之间的点云密度差值△J,△J=J-J0,根据所述点云密度差值△J与预设的点云密度差值之间进行比对,并根据比对结果选定相应的修正系数对调整后的所述激光点云建模数据质量评分E2进行修正;
其中,预先设定第一预设点云密度差值△J1和第二预设点云密度差值△J2,预先设定第一修正系数B1,第二预设修正系数B2和第三预设修正系数B3,且△J1<△J2,0.15<B1<B2<B3<0.3;
当△J≤△J1时,则选定所述第一预设修正系数B1对调整后的所述激光点云建模数据质量评分E2进行修正;
当△J1<△J≤△J2时,则选定所述第二预设修正系数B2对调整后的所述激光点云建模数据质量评分E2进行修正;
当△J>△J2时,则选定所述第三预设修正系数B3对调整后的所述激光点云建模数据质量评分E2进行修正;
当选定第i预设修正系数Bi对调整后的所述激光点云建模数据质量评分E2进行修正时,i=1,2,3,并确定修正后的所述激光点云建模数据质量评分为E3,设定E3=E2*Bi。
9.如权利要求8所述的激光点云建模的数据识别方法,其特征在于,根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级时,包括:
获取修正后的所述激光点云建模数据质量评分E3,
预先设定第一预设质量评分T1和第二预设质量评分T2,预先设定第一预设质量等级Q1、第二预设质量等级Q2和第三预设质量等级Q3,且T1<T2,Q1<Q2<Q3;
根据修正后的所述激光点云建模数据质量评分E3与各预设的质量评分之间的进行比对,并根据比对结果选定相应的预设质量等级作为所述激光点云建模数据质量等级;
当E3≤T1时,则选定所述第一预设质量等级Q1作为所述激光点云建模数据质量等级;
当T1<E3≤T2时,则选定所述第二预设质量等级Q2作为所述激光点云建模数据质量等级;
当E3>T2时,则选定所述第三预设质量等级Q3作为所述激光点云建模数据质量等级;
当选定第i预设质量等级Qi作为所述激光点云建模数据质量等级时,i=1,2,3,并确定激光点云建模数据质量等级为Q,设定Q=Q1,Q2,Q3…Qi。
10.一种激光点云建模的数据识别***,适用于如上述权利要求1-9任一项所述的激光点云建模的数据识别方法中,其特征在于,包括:
数据获取模块,与所述数据库电连接,所述数据获取模块用于获取待识别的激光点云建模数据。
数据清洗模块,与所述数据获取模块电连接,所述数据清洗模块用于对待识别的所述激光点云建模数据进行数据清理,并提取数据清理后的所述激光点云建模数据的质量信息,其中,所述激光点云建模数据的质量信息包括所述激光点云建模数据的完整度、激光点云建模数据的分辨率和激光点云建模数据的点云密度;
评分模块,与所述数据清洗模块电连接,所述评分模块用于根据所述激光点云建模数据的质量信息对待识别的所述激光点云建模数据进行质量评分;
中控模块,与所述评分模块电连接,所述中控模块用于根据所述激光点云建模数据的质量评分与所述激光点云建模数据的预设的质量评分之间的关系,确定所述激光点云建模数据的质量等级,所述中控模块还用于根据所述激光点云建模数据的质量等级与预设的质量等级之间的关系,识别所述激光点云建模数据是否能进行使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434417.4A CN117372850A (zh) | 2023-11-01 | 2023-11-01 | 一种激光点云建模的数据识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311434417.4A CN117372850A (zh) | 2023-11-01 | 2023-11-01 | 一种激光点云建模的数据识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117372850A true CN117372850A (zh) | 2024-01-09 |
Family
ID=89403864
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311434417.4A Pending CN117372850A (zh) | 2023-11-01 | 2023-11-01 | 一种激光点云建模的数据识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117372850A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN110246112A (zh) * | 2019-01-21 | 2019-09-17 | 厦门大学 | 基于深度学习的激光扫描slam室内三维点云质量评价方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN112381940A (zh) * | 2020-11-27 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
CN115757369A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 一种激光点云数据的自动检查方法及*** |
WO2023066231A1 (zh) * | 2021-10-18 | 2023-04-27 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法、***、计算机设备和存储介质 |
CN116597145A (zh) * | 2023-05-26 | 2023-08-15 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于模型匹配的输电线激光点云分割方法 |
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*** |
-
2023
- 2023-11-01 CN CN202311434417.4A patent/CN117372850A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140253543A1 (en) * | 2013-03-08 | 2014-09-11 | Raytheon Company | Performance prediction for generation of point clouds from passive imagery |
CN110246112A (zh) * | 2019-01-21 | 2019-09-17 | 厦门大学 | 基于深度学习的激光扫描slam室内三维点云质量评价方法 |
CN111815776A (zh) * | 2020-02-04 | 2020-10-23 | 山东水利技师学院 | 综合机载和车载三维激光点云及街景影像的三维建筑物精细几何重建方法 |
CN112381940A (zh) * | 2020-11-27 | 2021-02-19 | 广东电网有限责任公司肇庆供电局 | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 |
WO2023066231A1 (zh) * | 2021-10-18 | 2023-04-27 | 北京魔鬼鱼科技有限公司 | 车辆点云识别成像方法、***、计算机设备和存储介质 |
CN115757369A (zh) * | 2022-10-19 | 2023-03-07 | 国网电力空间技术有限公司 | 一种激光点云数据的自动检查方法及*** |
CN116597145A (zh) * | 2023-05-26 | 2023-08-15 | 中国电建集团昆明勘测设计研究院有限公司 | 一种基于模型匹配的输电线激光点云分割方法 |
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*** |
Non-Patent Citations (3)
Title |
---|
店铺新人YVJP: "点云数据质量评价指标及计算方法", Retrieved from the Internet <URL:https://wenku.***.com/view/f0eb48322d3f5727a5e9856a561252d381eb200a.html?_wkts_=1713424915168&bdQuery=%E7%82%B9%E4%BA%91%E8%B4%A8%E9%87%8F&needWelcomeRecommand=1> * |
王树臻;郑国强;王光生;胡玉民;张德怀;亓伟;: "多源点云数据融合的建筑物精细化建模", 测绘通报, no. 08, 25 August 2020 (2020-08-25) * |
王震;: "图像匹配点云与激光扫描点云的模型重建对比", 矿山测量, no. 04, 15 August 2020 (2020-08-15) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN109458994B (zh) | 一种空间非合作目标激光点云icp位姿匹配正确性判别方法及*** | |
CN110501671A (zh) | 一种基于测量分配的目标跟踪方法及装置 | |
CN110297852B (zh) | 一种基于pca-粗糙集的船舶涂装缺陷知识获取方法 | |
CN111311576A (zh) | 基于点云信息的缺陷检测方法 | |
CN111060881B (zh) | 一种毫米波雷达外参数在线标定方法 | |
CN113487533A (zh) | 一种基于机器学习的零件装配质量数字化检测***及方法 | |
CN112381940A (zh) | 一种点云数据生成数字高程模型的处理方法、装置及终端设备 | |
US20210166362A1 (en) | Wafer map identification method and computer-readable recording medium | |
CN117216454B (zh) | 基于模糊非概率的可靠性评估方法、装置、终端及存储介质 | |
WO2022059135A1 (ja) | エラー要因の推定装置及び推定方法 | |
CN111563532B (zh) | 一种基于属性权重融合的未知目标识别方法 | |
CN117496051A (zh) | 一种结合激光雷达的bim模型构建方法和*** | |
CN117372850A (zh) | 一种激光点云建模的数据识别方法及*** | |
CN113065604B (zh) | 一种基于dtw-dbscan算法的空中目标分群方法 | |
Han et al. | Clutter distribution identification based on anderson-darling test | |
CN112906746B (zh) | 一种基于结构方程模型的多源航迹融合评估方法 | |
CN110874600B (zh) | 基于机器学习的离子束溅射沉积薄膜凹坑与颗粒判别方法 | |
CN113553708A (zh) | 一种溯源仿真模型关键影响因素的方法和装置 | |
CN113673105A (zh) | 真值对比策略的设计方法 | |
JP4235074B2 (ja) | 良否判定装置、良否判定プログラム及び良否判定方法 | |
US20220074874A1 (en) | Computer-implemented method for analysing measurement data from a measurement of an object | |
CN110609561A (zh) | 一种行人跟踪方法、装置、计算机可读存储介质及机器人 | |
CN117077462B (zh) | 深地油气精准导航随钻伽马测井曲线调优方法与*** | |
CN113393450B (zh) | 用于数字线划图的数据质检方法、***及可读存储介质 |
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 |