堆石坝检测坑点云切片分割提取方法

堆石坝压实质量的检测是大坝工程安全稳定运行的重要保障措施之一。传统的灌水法中检测坑体积的测量耗时耗力,利用三维激光扫描技术可以快速计算检测坑体积,提高压实质量检测效率,而从扫描点云数据精确提取出检测坑点云数据是确保该方法计算精度的关键环节。本文提出了一种基于点云切片分割的堆石坝检测坑点云提取方法：首先对点云数据进行切片处理,然后采用单向搜索排序方法对每个切片点集进行点排序,最后采用一种基于切片点集排序序号的聚类分割方法分割每个点云切片,从而精确提取出检测坑表面点云。利用MATLAB编程实现了基于点云切片分割的堆石坝检测坑点云的快速提取,并通过堆石坝检测坑点云数据开展试验,验证了该方法的有效性。     

基于点云强度和地面约束的大范围激光SLAM

在无人车领域,点云强度和地面约束对大范围环境下的建图和定位起着非常重要的作用.然而,现有的激光SLAM算法在构建地图时只考虑几何特征,而忽视点云强度信息和地面约束,导致建图细节模糊、在Z轴方向上易存在漂移,从而降低了 SLAM系统的精度.为此,本文提出了一种基于点云强度和地面约束的激光SLAM优化算法.基于地面测量模型,提出构建局部条件性地面约束,不仅提高地面点提取的准确性,而且减少Z轴方向的漂移;引入点云强度信息来改善非地面点聚类的可靠性,进一步提高建图精度和定位稳定性.提出基于局部平滑度的特征提取方法,通过引入强度因子并对强度特征进行排序,优先选择具有一致强度信息的特征,增强特征提取的鲁棒性.引入球形强度图来构建强度残差,与几何残差共同优化估计位姿,有效解决里程计中地图细节处的模糊问题;基于特征投影的匹配距离以及强度差异被用来去除动态点云的干扰,进一步提高SLAM系统的鲁棒性.在公开数据集KITTI和真实场景下的实验表明,引入地面约束和点云强度信息后,本文提出的算法具有更高的建图和定位精度,相对优于传统LIO-SAM的LVI-SAM算法,本文算法的精度提升了 54.5％,为无人车在大范围环境中的SLAM任务提供了可靠解决方案.     

基于改进3D-Harris角点检测算法的电厂地下管廊点云拼接方法研究

提出一种基于改进3D-Harris角点检测算法的电厂地下管廊点云拼接方法。以电厂地下管廊多组海量点云数据为分析对象,利用主成分分析法获取目标检测点在邻域点云微切平面上的法向信息,进而提取点云的边界点;构建基于目标检测点法向信息的协方差矩阵,计算并比较其角点响应强度函数,从中选出部分待筛选点作为真伪角点检测对象;利用基于高斯曲率极值点的伪角点检测方法,滤除伪角点并筛选出真角点;最后通过快速点特征直方图方法匹配各组点云间的相似角点,利用最近点搜索点云配准算法实现地下管廊多组点云间的拼接,并与传统3D-Harris角点检测算法的结果进行比较。对比表明,所提出算法计算耗时短且角点提取正确率高,可实现电厂地下管廊海量点云的精确拼接。     

基于球面投影的激光点云目标检测

基于深度学习的激光点云目标检测已成为了一个重要的研究领域.本文采用球面投影和2D图像的SOTA深度学习网络,实现3D激光点云目标快速检测.首先,将KITTI数据集单帧3D点云经球面投影转换成一帧2D的RGB三通道图像,像平面的像素位置取决于点云的三维坐标,其R、G、B 3个通道灰度值取决于点云归一化后的反射强度、距离、高度.其次,分析了不同分辨率下球面投影的重叠分布情况和对图像质量的技术影响.最后,采用语义分割模型DeepLab-V3+网络,仿真结果表明:该方法在分割精确度和速度方面都具有良好的性能,应用价值较高.     

基于3D点云数据的产品缺陷检测研究

传统2D视觉检测技术存在效率低下、检测精确度较低等不足,3D视觉技术因能显著提高缺陷检测的效率和可靠性得到了高度关注和广泛研究。对已有文献进行了广泛调研分析,介绍了3D点云数据的基本概念、获取方式及其预处理方法,重点归纳了传统点云数据缺陷检测方法和点云数据深度学习缺陷检测方法,并探讨了当前研究中存在的问题与挑战。     

复杂环境下机器人多传感器融合定位方法

为了解决在斜坡、特征退化以及GNSS信号丢失等复杂环境下连续精确的定位问题,提出了基于地面约束的多传感器融合方案,用于提高SLAM算法的整体性能。首先提出了不同系统状态下的关键帧选取策略。通过在起始位置增加关键帧的数量,避免了因子图优化后产生的定位跳变,从而得到连续准确的位姿输出。同时,针对误差累积所导致回环检测失效,利用该关键帧策略,有效地增大当前帧的子关键帧集合,提高了回环检测算法的鲁棒性。其次,针对IMU在长时间运行后高度方向上漂移过大的问题,本文根据提取的地面点构建地面约束,并引入因子图中进行优化。最后,利用搭建的移动机器人实验平台,完成了校园不同场景的数据采集,验证本文算法的有效性,并在KITTI数据集与LIO-SAM算法进行了对比测试,通过误差分析表明本文算法具有更优的定位精度。     

基于改进PointPillars 的点云车辆目标检测

针对自动驾驶领域中,激光雷达获取的点云数据存在稀疏性以及边缘噪点误检等问题,提出一种基于改进PointPil- lars的点云车辆目标检测方法。首先,基于SimAM 注意力机制改进体素化特征输入,使得网络特征提取阶段能更加关注关 键信息,提高特征学习的全局性。其次,基于卷积块注意力模块(CBAM)改进骨干网络结构,提出全新的轻量化通道注意力模 块 Tiny-CAM 和可变形空间注意力模块 Deformable-SAM,构建Multi-CBAM骨干网络,提升网络特征提取及特征融合能力。 在KITTI 数据集以及非公开车库点云数据集上进行验证,实验结果表明,与原网络相比,改进PointPillars方法具有更高的检 测精度,平均检测精度提升2.98%,针对遮挡小于30%的点云车辆目标检测精度提升6.51%,证明了该方法的有效性。     

基于点云数据的输电线路保护区范围内安全隐患检测分析方法的研究

为保证电力供应安全、可靠,需要在输电线路运行阶段,将树障、危险施工隐患点列入重要区段进行提级管控,定期对隐患点进行清理。这需要运行人员了解隐患点所处的实际位置、数量、与地面之间的安全距离。因此需要研发一个精准、有效的预测工具。文章采用数据分析软件Pix4Dmapper,根据里查德方程进行合理的树障面积计算,设计一套树障预测系统。该系统拥有数据采集、分析计算、警示功能,可用于实际工作。     

基于点云处理的小型工业零件高度精密测量

针对很多小型工业零件存在微米级测量的需求,提出了一种点云多次滤波与平面拟合相结合的测量方法。以上下平面平行的规则直三棱柱体工件作为测量对象,使用3D线激光传感器获取工件的点云模型并传输到计算机中进行处理,将点云数据首先通过统计滤波剔除噪声和离群值;其次利用体素滤波降采样精简点云数量;然后采用直通滤波分离出工件点云的上下表面;再分别对上下表面的点云通过随机抽样一致性（RANSAC）算法拟合出平面方程;最后计算上下平面之间的间距即为被测工件的高度信息。将该方法测得的高度与激光三角法原理测得的高度数据进行对比,结果表明,该方法测量精度提高了72.33%;同时对于不同的点云密度,利用所提出的方法进行测量,测得当降采样中体素立方体的边长为15cm时（点云数量精简了98.3%时）测量的误差最小,最小能达到5.1。该方法大大提高了工件的测量精度,可以广泛应用于工业测量中。     

基于2D预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

三维点云分割的交联聚乙烯电缆接头参数测量

针对现有参数测量方法难以对交联聚乙烯电缆接头各参数进行有效测量的问题,提出了一种基于三维点云分割的电 缆接头参数测量方法。 该方法先用半径滤波及随机采样一致性(random sample consensus, RANSAC)算法对复合式三维扫描仪 获取的电缆接头点云进行噪声点去除及坐标摆正预处理。 其次,使用 RANSAC 算法对电缆接头点云进行圆拟合,并根据区域 交界处相邻拟合圆半径方差之比的突变特性实现粗分割,得到多个包含区域交界点的局部点云。 然后,使用主成分分析法对局 部点云进行法向量估计,并根据小片点云轴线夹角在区域交界点处的跳变特性及自适应阈值算法,得出各条状点云上的区域交 界值。 接着,对多个条状点云所得同一区域交界值进行统计分析实现电缆接头点云的精分割,完成参数测量。 对多根电缆接头 进行的测量实验结果表明,所提方法的绝对误差小于 1. 0 mm,相对误差小于 4%,说明了该方法用于交联聚乙烯电缆接头参数 测量的有效性与准确性。     

基于4PCS和SICP的点云配准方法在钢轨磨耗计算中的应用

针对基于三维结构光扫描的钢轨磨耗快速精确测量,本文提出了一种基于4PCS(4-points congruent sets)和SICP(sparse iterative closest point)的点云配准组合算法,用于快速精确配准不完整且含噪声的磨耗钢轨与标准钢轨点云。由于三维结构光设备一次扫描得到的磨耗钢轨数据是不完整且含噪声的,因此首先利用针对低重叠率点云配准鲁棒性较好的4PCS对钢轨点云进行粗配准,为精确配准提供较好的初始变换矩阵。然后,再利用针对含噪声点云配准鲁棒性较好的SICP进行精确配准。最后,根据精确配准结果计算出轨头磨耗。文中定量分析了不同程度降采样对配准精度、时间及轨头磨耗计算精度的影响,展现了4PCS+SICP在快速精确配准不完整且含噪声的钢轨点云的优越性,得出了不同程度降采样对轨头磨耗计算精度无影响的结论。与此同时,对钢轨点云含不同程度的噪声点云配准做了定量对比分析,验证了SICP在含噪声的磨耗钢轨点云精确配准中的鲁棒性。     

基于激光点云数据的地形地貌测量研究

针对在实际测量地形地貌时激光数据过滤误差较大的问题,设计了基于激光电云数据的地形地貌测量及处理方法。采集激光点云数据,结合公共标靶法与最小二乘法补全点云数据且自动过滤非地面数据,对激光点云数据的平面坐标与高程实施转换,生成待测区域的地形地貌等高线,实现该区域的地形地貌测量。通过实验验证设计方法性能,结果表明,该方法可实现分散站点激光点云数据的拼接与过滤处理,过滤性能稳定且过滤误差较低,平均为2.1%,可精准测量实验地区的地形地貌,坐标值误差平均为0.187,满足实际应用中的地形地貌高精度测量需求。     

车辆曲面重构中点云精简算法的研究与改进

为了解决车辆点云数据曲面重构效率低和精简后数据重构模型质量差的问题,提出一种改进的点云精简算法。基于kd-tree建立散乱点云数据的空间索引结构并获取每个数据点的k邻域索引;提出基于快速识别边界线的精简算法避免精简过程边界数据丢失,确保获得真实的车辆曲面重构模型;对非边界点邻域进行区域分类,并根据分类选择性保留邻域数据,以提高点云数据处理速度并减少内存开销。在实现了算法的程序设计及仿真实验的基础上,完成了基于三维激光扫描车辆外廓尺寸测量系统平台的实车实验。实验结果表明,改进后的精简算法程序最大限度地保留了车辆点云的的边界特征和细节形状,改善了车辆点云曲面重构模型质量;数据处理中能够精简45%~70%的车辆点云数据,加快了系统重构的速度,提高了车辆外廓测量的性能。     

一种基于云模型和半监督聚类的入侵检测算法

入侵检测是网络安全防御体系的关键技术之一,针对目前网络入侵检测率低、误报率高的问题,提出了一种将云模型和半监督聚类相结合的入侵检测算法。由于属性对分类贡献程度不同,引入了云相对贴近度的概念,给出了计算属性权重的方法。以改进的聚类方法为基础建立云模型,对属性使用动态加权和更新云模型的方法逐渐强化分类器指导数据的分类。通过KDD CUP99实验数据的仿真,实验结果证明了该算法的有效性。     

基于椭球拟合的点云旋转不变网络

点云携带丰富的几何信息,在计算机视觉领域具有独特优势。 现有基于深度学习的三维模型分类与分割方法能有效识 别固定视角下的物体,但在实际应用中,物体方向未知,使得点云描述存在旋转变换问题,极大影响网络的识别精度。 针对点云 的旋转性问题,提出一种轻量级的基于椭球拟合的旋转不变网络( point cloud rotation invariant network based on ellipsoid fitting, EFRI-N)。 设计前置网络模块提取点云的旋转不变特征,包括椭球拟合和特征编码两个部分。 通过椭球拟合算法标识原始点 云的方向得到旋转不变坐标系,再将原始特征映射到该坐标系中,利用空间信息和角度信息进行编码得到点云的旋转不变特 征;为了获取更丰富的几何信息,在分类分割网络中加入多层级的特征连接增强特征传播及复用,提高模型表征能力。 采用国 际知名公共数据集 ModelNet40 和 ShapeNet Parts 进行分类、分割实验,结果表明,该方法在处理旋转点云的任务中优于主流算 法,网络识别精度提升了 1% ~ 62. 63%不等,并且网络的计算量和参数量都有着数量级的优势。 满足单目标场景下对点云旋转 不变性的使用要求,具有良好的应用价值。     

基于特征点提取的人体三维数据拼接技术

针对人体对象表面光滑,不好寻找控制点的问题,本文给出基于三维特征点的人体数据拼接算法,通过提取对配准数据轮廓描述较好的三维特征点来减小计算量。实验结果表明,提出算法配准所需时间短,配准精度高。     

室内障碍物点云分割的可变阈值联合聚类算法研究

激光雷达点云分割技术在智能车辆环境识别中扮演着重要角色。由于激光雷达存在点云近密远疏、分布不均匀的问题以及存在噪点的情况,导致出现点云分割不准确的现象。针对上述问题,提出了一种可变阈值联合聚类算法。该方法首先对点云数据进行预处理,使用直通滤波、体素滤波和立方体滤波对点云进行提取、稀疏和降噪,再联合自适应DBSCAN算法和改进后的可变阈值欧式聚类算法对点云进行聚类分割。采集真实场景数据进行测试,结果显示,在C-H系数、轮廓系数、D-B系数及轮廓系数等评价指标上均有所提高。这表明,可变阈值联合聚类算法显著提高了点云分割的准确性,有效的提高了聚类结果的类内一致性和类间差异性,为目标检测和识别提供了更可靠的基础。