基于3D激光点云的输电线提取及建模方法研究

以电力系统中输电导线的巡视和维护问题为研究背景,基于UAV LiDAR获取的3D点云数据,提出了一种结合聚类分割思想实现自动提取输电线的方法,并进行了点云空间拟合建模研究。试验结果表明,该方法能较完整地提取电力线点云,拟合出的模型能较准确地预测电力线的空间分布。     

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。     

基于改进PointNet++的室内点云语义分割模型

针对点云语义分割过程中存在的大量点云数据的相邻关系丢失以及无法捕获部分点云特征的关键信息等问题,提出了一种基于改进PointNet++的室内点云语义分割模型。首先利用中垂线通道采样获取到更具代表性的采样点,从而提高采样结果的信息丰富度;在此基础上使用采样点邻域特征自适应分组,使组内采样点的分布特征和邻域内的点云特征更加接近,然后引入注意力机制,以实现对点云数据的多层次、多维度的建模和表达;最后通过实验进行性能对比分析。实验结果表明,模型对室内点云进行语义分割相较于PointNet++模型的整体准确率提高了5.6%,因此语义分割网络改进模块能够帮助神经网络提取到更优的点云特征信息,从而提高语义分割网络模型的性能。     

基于RANSAC分割的点云数据K-近邻去噪算法研究

针对基于TOF深度相机的空间目标表面重建的点云源数据容易受到仪器本身、扫描环境、外界干扰等影响,而含有大量的无效点和噪声点,增加了计算负担且影响了重建质量等问题,提出了一种基于随机采样一致性背景分割的点云K 近邻去噪方法,以消除目标数据的异常值和无效点。首先,改进RANSAC算法,通过设置不同的阙值对原始点云进行背景分割,以确保准确提取待重建目标的主要特征。然后,通过K 近邻点云平均算法和双边滤波算法移除离群点,最后使用体素化网格方法实现点云大数据的下采样,简化了目标点云,保留了局部特征,加快了曲面重建速度。实验结果表明,该算法能够有效的剔除噪声点,准确率高,实时性好,满足应用的要求。     

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。     

基于边缘卷积的交通锥筒点云数据分割方法

本研究以用于构建临时道路中的交通锥筒为研究目标,以多线激光雷达采集的临时道路三维点云数据为输入,提出一种基于图理论的图神经网络模型,该模型可实现点云数据分割,并提升模型对无序性点云数据学习效果。以无人驾驶方程式赛车为实验平台,针对交通锥筒进行网络训练与测试,实验结果表明,图神经网络模型对交通锥筒的分割准确率达到88.6%,比PointNet模型提升了约10%,此外,该模型在稀疏雷达点云数据下还具有一定泛化能力,有较好的适用性。     

基于三维点云的植株联合任务分割框架

传统的植株器官分割方法依赖经验选择阈值参数,而当前的深度学习浅层框架可能会导致植株重要的几何特征丢 失,并难以有效整合植株的局部和全局特征。因此,提出了一个基于三维点云的植株器官分割网络(local global feature fusion segmentation network,LGF-SegNet)模型,通过引入双权重注意力机制模块和位置编码,更适合在植株点云数据中表达几何 特征。在提出的框架的解码层引入特征聚合模块,融合植株点云的局部和全局特征,使得该框架能够关注植株的整体特征轮 廓同时保留细节植物纹理(如茎和叶)。实验结果表明,提出的架构在语义分割的交并比、精确率和F1 分数的平均值分别达 到85.76%、93.18%、91.08%,在实例分割的平均精确率、平均实例覆盖率以及平均实例加权覆盖率达到85.27%、78.46%、 79.63%,优于当前流行的植株点云分割任务中使用的深度学习网络架构,并适用于植株语义分割和实例分割的双重任务。 这为后续的植株生长预测等研究奠定基础。     

基于三维激光扫描点云配准的目标位姿测量

地外天体着陆探测是我国深空探测的重要形式和方法,针对地面探测模拟训练系统中探测车位姿提取的需求,提出了一种利用激光扫描仪和标靶球结合的方法进行特征识别,拟合出探测车的位姿数据,并建立地面模拟训练系统。首先对激光扫描数据进行滤波预处理去除点云中离群点,然后选择适当的参数对数据进行重采样。通过基于分类改进的区域增长法对点云进行分割,筛选出指定数量范围的点集并拟合多个标靶球位置信息以建立局部坐标系。通过实验数据分析,标靶球拟合精度满足3mm最大允许误差,点云处理速度得到有效提升,验证了特征识别方法的准确性和高效性。最后通过坐标系转换估计出探测车的位姿矩阵信息。     

基于激光点云智能分类技术的输电线路设计应用研究

为了提高输电线路设计过程中地物距离信息校核的精确性,利用激光点云技术进行地物智能分类,从而实现精准的地物距离校核,为路径优化提供依据.首先通过激光雷达获取三维地理信息点云数据,然后利用点云分割等智能算法实现地物自动分类和三维矢量化建模,最后导入三维设计平台内为设计提供数据支撑,从而更好地满足校核需求.该研究成果对于提升输电设计可视化水平及线路路径优化效率具有重要意义.     

基于点云与图像融合的BGA锡球检测方法研究

为实现球栅阵列封装芯片视觉检测中焊球质量和共面度在线检测,提出一种点云与图像数据相结合的检测方法。首先对彩色相机进行标定,再分别获取芯片彩色图像和点云数据,利用随机采样一致性算法获取点云主平面法向量,根据法向量提供的倾角信息,进行倾斜度校正。然后,将倾斜度校正后的点云利用彩色相机内外参数投影成像得到点云灰度图,将其与彩色图像进行点模式匹配,获取点云数据与彩色图像间的平移量和偏转角,完成点云数据与图像数据配准。从配准后的数据提取焊球进行焊球大小、破损、变形、桥连等缺陷检测和高度测量,完成焊球共面度测量。该方法与迭代最近点法进行了对比实验。二者测量结果总体一致,但本文方法在耗时上减少了62.8%。该方法在先进制造业中具有广阔的应用前景。     

基于点云的复杂环境下楼梯区域识别

自主移动机器人已经在国防军事、灾区救援等领域有了广泛应用,楼梯区域作为一种典型的环境目标,需要机器人能够对其做出准确识别。放置于楼梯区域的障碍物会破坏传统楼梯识别算法需要提取的楼梯平面及边缘特征,导致楼梯区域无法被准确识别。针对该问题,提出了一种复杂环境下,基于点云的楼梯区域检测识别算法。该算法首先使用区域生长方法对目标区域进行分割并通过各区域拟合平面法线方向来选取疑似为楼梯各级竖直阶面的区域;进而对各级楼梯区域进行处理,分割障碍物并获取各级楼梯竖直面上边界;最终根据各级边界位置得到楼梯模型以及障碍物位置。实验结果表明,该算法具有较好的鲁棒性,能在各种复杂环境下识别出楼梯并得到无障碍楼梯区域,构建的楼梯三维模型尺寸误差均小于7%,有较高的准确性,相较于传统楼梯识别算法,能达到更好的检测识别效果。     

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。     

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。     

基于高斯过程模型的多源点云数据融合方法

多传感器测量技术被认为是表面计量学中一个很有效的解决方案。 针对多源数据的融合问题,本文提出了一种基于高斯过程模型的多源点云数据融合框架。 首先,提出一种自适应距离的鲁棒点云配准方法统一不同测量数据集的坐标系;然后,通过引入平差理论,对来自不同传感器的多个独立数据集之间的残差进行近似,构建基于 Matern 核函数的高斯过程模型;最后,通过仿真模拟和实际应用,与现有方法进行了一系列对比实验,验证了该方法的有效性。 实验结果表明,该方法能以更高的融合精度和更快的计算效率融合多传感器数据集。